基于EEAE-LSTM多模型融合算法的燃气负荷预测

发布时间：2020-10-31 18:03

　　 随着我国天然气行业的持续性发展,燃气负荷预测已经成为一项必不可少的工作。合理准确的预测对燃气管网的建设、调度规划以及运维管理等具有重要的参考意义与研究价值,因此有效提高燃气负荷预测精度是目前急需解决的一项工程问题。首先,为了宏观了解燃气负荷预测的研究概况,本文介绍了燃气负荷预测的研究背景、意义以及燃气预测方面的相关知识。使读者对燃气负荷预测能够有一定的了解,形成一个基本的燃气负荷预测概念。其次,对燃气数据进行特性分析及预处理操作。由于掌握数据的变化规律及发展趋势是进行准确预测的基础,因此本文着重分析了负荷序列的内在特性以及负荷的外在影响因素。使用统计学方法自相关图以及单位根检验方法分析了负荷的不平稳性,并且结合燃气负荷趋势图分析了其年周期性、季节周期性以及周周期性。接着根据相关性系数计算得出燃气负荷数据的主要影响因素,为模型输入数据的确定提供了基础。为应对燃气数据中由于各种原因不可避免地会产生一些不良数据,本文使用一种改进的数据横向比较法来对不良数据进行辨识与修正,保证负荷曲线整体的趋势性及平滑性。然后本文介绍了LSTM神经网络及其优化方法AE-LSTM与EEMD-LSTM,两种优化方法分别针对解决单一LSTM模型存在的两个问题,即数据降维与减少不同信息干扰。虽然LSTM网络具有独特的记忆结构,可以存储数据序列长期的时间相关性,解决了时间序列预测的前后信息关联的问题。但是由于采样的时间序列数据受多种复杂因素的影响包含了许多噪声并且具有高维度的特征,而使用LSTM网络只能挖掘不同时段相同维度上的时间数据信息,无法对数据进行多维度的特征提取。为了解决数据降维的问题,本文利用自动编码器对影响因子进行特征提取来得到其高阶特征表示,挖掘其深层次的特征因子并使用相关性分析进行验证,建立了AE-LSTM模型并对模型结果进行对比分析。但AE-LSTM并未解决信息相互干扰影响LSTM模型预测结果的问题,因此本文利用信号处理方法EEMD得到负荷在不同尺度下的模态特征信息,消除噪声等多种不同信息的相互影响。同时为了减少计算的冗余度,本文使用样本熵算法按照分解结果复杂度的相似性重构为具有显著不同趋势信息的分量。建立EEMD-LSTM模型并对结果进行分析与评估。两个仿真实验结果均证明了其各自算法的有效性,提升了LSTM模型的预测效果。最后为了进一步提高燃气负荷预测精度,综合解决LSTM网络无法对时间序列数据进行多维度特征提取的问题,本文将上述两种优化算法与LSTM网络进行系统的结构化设计并融合,形成一种新的基于EEAE-LSTM多模型融合算法的燃气负荷预测模型。该模型同时完成了影响因素与负荷序列两个方面的特征提取,综合考虑了两种特征信息对负荷预测的影响。整体上弥补了LSTM网络无法对高维影响因素进行特征因子提取的缺陷以及减少了不同特征尺度下负荷信息对最终预测结果的干扰程度。在模型预测过程中,自动编码器生成的特征因子与EEMD样本熵分解重构后的各个分量组成分量训练矩阵,作为LSTM网络的输入数据建立预测模型。EEAE-LSTM模型全面考虑了燃气数据影响因素的特征、负荷数据本身的内在特征以及负荷数据时间尺度上的特征。通过建立EEAE-LSTM燃气负荷预测模型,继而与其他模型进行对比分析,最终证明了该模型的预测性能更优。
【学位单位】：上海师范大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TU996.3
【部分图文】：

气的时代”。图 1-1 2006-2018 年我国天然气产量的发展变化图十八大以来，中国天然气的发展持续保持了稳步发展态势。图 1-1 展示了2006-2018 年我国天然气产量的发展变化情况（资料来源：国家统计局）。从图中可以看出，天然气产量从 2006 年的 586 亿立方米，增至 2018 年的 1610 亿立方米，稳居世界第六位。从 2006-2018 年的天然气产量增长率来看，虽然近 10年来增长速度有所放缓，增长率在 10%上下波动，但总体天然气产量依然在稳步增长。同时，如图 1-2 为 2006-2018 年中国天然气消费走势图（资料来源：国家统计局

图 1-2 2006-2018 年中国天然气消费走势图这些历史统计数据的变化趋势来看，我国天然气发展迅猛。市场需求与国际水平差距较大。由此可以推断我国的天然气市场正处在发升空间很大。无论是年初国家发改委发布的天然气发展“十三五”规份十三部委联合印发的《关于加快推进天然气利用的指导意见》，来中国天然气产业发展强劲的增长势头。而言之，不论是在生活中，还是国民经济发展中，天然气都发挥了用。同时政府大力提倡节能环保，有效地推动了天然气行业的迅速的广泛使用不仅减少了有毒气体的排放量，同时也对周围环境起到作用，真正实现了绿色环保的目的。因此这种清洁能源也逐渐受到和喜爱，并得到了十分广泛的应用。但总的来说，天然气并未得到利用，迄今为止，还远远无法满足于市场发展需求。据目前的资源状况和市场需求，中国已处于天然气管道建设高潮期成了以四川、鄂尔多斯、塔里木、柴达木、莺琼、东海 6 大盆地为源区和渤海湾、松辽、准噶尔 3 大盆地气层气与溶解气共存资源区

图 2-1 原始数据时序图1) 自相关图检验不同时间序列由于其内在模式的不同而具有不同形式的自相关函数。因此可分析时间序列的自相关图来判断燃气负荷数据序列的稳定性。一般地, 由样本据即观测序列计算出样本自相关函数k ，如公式（2-1）。
【相似文献】

相关期刊论文 前10条

1 叶郑庚;;采用联系数与蒙特卡洛模拟的规模化电动汽车充电负荷预测[J];电器与能效管理技术;2019年20期

2 王利军;;配电网规划中负荷预测实际问题及措施[J];通讯世界;2017年22期

3 黄庆仕;陈冬沣;肖建华;;电力用户侧大数据分析与并行负荷预测研究[J];自动化应用;2016年11期

4 李凡;;电力检修中负荷预测技术的发展现状研究[J];民营科技;2016年12期

5 肖燃;;基于电力载波通信的居民用电负荷预测大数据应用[J];科技创新与应用;2017年04期

6 邢亚虹;杜欣慧;;基于贪婪算法的配电网网格负荷预测与规划方法[J];计算机工程;2016年11期

7 刘爱连;梁涛;;负荷预测在煤改电工程的应用分析[J];电气时代;2017年05期

8 尚芳屹;李洁;;组合预测在饱和负荷预测中的应用[J];电力与能源;2017年02期

9 谢毓广;郭力;;基于区域负荷预测值综合评价的大电网短期负荷预测[J];电气应用;2017年11期

10 肖白;李科;田春筝;王璟;何茜;张凯;;空间负荷预测中确定元胞负荷合理最大值的主成分分析法[J];电测与仪表;2017年14期

相关博士学位论文 前10条

1 王毅星;基于深度学习和迁移学习的电力数据挖掘技术研究[D];浙江大学;2019年

2 杨奎河;短期电力负荷的智能化预测方法研究[D];西安电子科技大学;2004年

3 张智晟;基于多元理论融合的电力系统短期负荷预测的研究[D];天津大学;2004年

4 苗艳姝;城市燃气负荷预测的研究[D];哈尔滨工业大学;2006年

5 张昀;电力系统短期负荷智能化预测方法[D];重庆大学;2011年

6 翟文鹏;基于负荷预测和设定点优化的制冷系统模型预测控制方法研究[D];天津大学;2012年

7 孙谦;母线负荷预测技术及负荷特性对电网影响的研究[D];湖南大学;2013年

8 张石;微电网规划及运行决策中若干问题研究[D];东北大学;2011年

9 邓佳佳;考虑分布式能源的电力系统优化运营模型研究[D];华北电力大学;2012年

10 石磊;基于负荷预测在线修正的冰蓄冷空调系统优化运行研究[D];西安建筑科技大学;2002年

相关硕士学位论文 前10条

1 鲁迪;售电侧开放市场环境下的短期负荷预测方法研究[D];广东工业大学;2019年

2 黄圣权;基于深度学习的短期电力负荷预测[D];广东工业大学;2019年

3 寸馨;面向两级市场环境的精度效益双优化[D];广东工业大学;2019年

4 舒漫;XGBoost算法在成都市燃气负荷预测分析中的应用[D];成都理工大学;2019年

5 王晓霞;基于EEAE-LSTM多模型融合算法的燃气负荷预测[D];上海师范大学;2019年

6 陈学良;基于深度学习的负荷预测和用户侧光储动态优化策略的研究[D];北京交通大学;2019年

7 莫霜叶;新一代智能园区用电能效优化策略研究[D];湖南工业大学;2019年

8 宇文敏睿;面向电网规划的负荷特性及负荷预测研究[D];北京交通大学;2019年

9 李杰;面向售电商的电力负荷日前预测模型研究[D];华北电力大学;2019年

10 李晨;考虑电动汽车并网的空间负荷预测研究[D];华北电力大学(北京);2019年

本文编号：2864311