城镇燃气日负荷组合预测模型的研究
发布时间：2021-07-17 21:10
天然气作为清洁和高效的能源,在构建现代能源体系和应对全球气候变化的挑战中扮演了越来越重要的角色。我国城镇燃气行业在近三十年的发展中取得了令人瞩目的成绩,各燃气公司对科技创新的投入不断加大,通过不断引入、结合一些新技术来提高安全和服务水平。然而,相比于发达国家的整体城镇燃气行业水平还存在一定差距,尤其是城镇燃气的供需平衡以及调峰调度的问题,在近年来“煤改气”以及城市管网的大规模建设背景下,各城市均出现了不同程度的季节性供应紧张、供应保障能力较弱等问题。因此,实现准确的城镇燃气日负荷预测对解决天然气供给现状的问题具有非常重要的实际意义。本文采用回归分析、神经网络、支持向量机、组合预测等多种预测方法对城镇燃气日负荷预测进行深入研究,主要内容如下:城镇燃气日负荷受到多种因素的综合影响,准确把握历史日负荷数据的变化规律、影响因素及其作用的机理是建立合适的预测模型的重要前提。本文首先对城镇燃气历史日负荷数据分采暖季、非采暖季的变化规律进行分析,并采用相关分析法对日负荷的主要影响因素进行研究,最后采用基于密度检测理论的LOF算法对离群数据进行检测,并逐一对检测出的离群点可能产生的原因进一步判断,采用...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
015～2017年采暖季燃气日负荷数据对比图
2.1.2 非采暖季日负荷变化规律分析采集 2015 至 2017 年非采暖季的燃气日负荷数据，得到燃气日负荷的变化规律如图 2-2 所示：图 2-2 2015～2017 年非采暖季燃气日负荷数据对比图由图 2-2 可知，在 2015 至 2017 这三年中非采暖季燃气日负荷波动性和随机性很强，尤其在 6 至 8 月份，燃气日负荷数据存在大幅度的波动，且变化无明显规律，可能是大的制冷用户突然进入或撤出所引起的，因此这也使得非采暖季的负荷预测的难度相对较大。同时，可以看出在劳动节和国庆节期间，燃气日负荷显著减少，说明典型节假日在非采暖季对燃气日负荷影响较大。
图 2-3 2015～2017 年逐年的离群点检测结果鉴于 LOF 算法基于密度的检测原理以及考虑历史同期负荷的相似性，以历年燃气日负荷数据点的集合为检测样本进一步进行离群点的检测，由图 2-4 的检测结果可以看出，部分之前未检测出的潜在离群点被成功识别，因此本文将采用检测效果更优的第二种检测方式，对算法识别出的离群点数据逐一进行判断，并利用插值法进行修正。
【参考文献】：
期刊论文
[1]基于不同优化准则和广义回归神经网络的风电功率非线性组合预测[J]. 喻华,卢继平,曾燕婷,段盼,刘加林,苟鑫. 高电压技术. 2019(03)
[2]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[3]可容忍预测误差及其在汇率组合预测中的应用[J]. 陶志富,赵勤,朱家明,刘金培. 计算机工程与应用. 2020(02)
[4]浅谈我国城市燃气发展现状与趋势[J]. 方召君. 大众科技. 2019(01)
[5]基于多元线性回归模型的锂电池充电SOC预测[J]. 林伟钦,汤平,林旭,陈德旺. 计算机测量与控制. 2018(12)
[6]基于多种群多策略的混合遗传-蚁群算法及应用研究[J]. 周頔. 计算机与数字工程. 2018(12)
[7]一种基于全过程优化支持向量机的短期电力负荷预测方法[J]. 简献忠,顾祎婷. 电力科学与工程. 2018(11)
[8]基于三次指数平滑法的铁路旅客发送量预测研究[J]. 曹志成,刘伊生,董继伟. 铁道运输与经济. 2018(11)
[9]基于多蚁群同步优化的多真值发现算法[J]. 冯钦,曹建军,郑奇斌,张磊,翁年凤,李红梅. 计算机应用研究. 2020(01)
[10]最优组合预测模型在中国天然气需求预测中的应用[J]. 王安,王文虎,胡娇,陶林娟,杨雨,惠志昊. 平顶山学院学报. 2018(05)
博士论文
[1]城市燃气负荷预测的研究[D]. 苗艳姝.哈尔滨工业大学 2006
硕士论文
[1]基于组合模型的燃气负荷预测技术研究[D]. 刘金源.西安石油大学 2018
[2]基于负荷组合预测的配电网供电能力方法研究及其应用[D]. 唐麒皓.东北石油大学 2017
[3]基于组合模型的我国能源消费预测研究[D]. 张超.湖南大学 2017
[4]川渝地区城镇冬季燃气日负荷特性分析及预测方法研究[D]. 白雪.西南石油大学 2016
[5]基于经验模式分解和优化神经网络的燃气负荷预测研究[D]. 张少平.上海师范大学 2016
[6]基于组合方法的短期燃气负荷预测的研究[D]. 陈庆明.上海师范大学 2014
[7]燃气负荷智能预测研究及其实现[D]. 张丽.上海师范大学 2011
[8]天然气用气负荷预测与调度[D]. 聂树林.华南理工大学 2010
本文编号：3288934
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：76 页
【学位级别】：硕士
【部分图文】：
015～2017年采暖季燃气日负荷数据对比图
2.1.2 非采暖季日负荷变化规律分析采集 2015 至 2017 年非采暖季的燃气日负荷数据，得到燃气日负荷的变化规律如图 2-2 所示：图 2-2 2015～2017 年非采暖季燃气日负荷数据对比图由图 2-2 可知，在 2015 至 2017 这三年中非采暖季燃气日负荷波动性和随机性很强，尤其在 6 至 8 月份，燃气日负荷数据存在大幅度的波动，且变化无明显规律，可能是大的制冷用户突然进入或撤出所引起的，因此这也使得非采暖季的负荷预测的难度相对较大。同时，可以看出在劳动节和国庆节期间，燃气日负荷显著减少，说明典型节假日在非采暖季对燃气日负荷影响较大。
图 2-3 2015～2017 年逐年的离群点检测结果鉴于 LOF 算法基于密度的检测原理以及考虑历史同期负荷的相似性，以历年燃气日负荷数据点的集合为检测样本进一步进行离群点的检测，由图 2-4 的检测结果可以看出，部分之前未检测出的潜在离群点被成功识别，因此本文将采用检测效果更优的第二种检测方式，对算法识别出的离群点数据逐一进行判断，并利用插值法进行修正。
【参考文献】：
期刊论文
[1]基于不同优化准则和广义回归神经网络的风电功率非线性组合预测[J]. 喻华,卢继平,曾燕婷,段盼,刘加林,苟鑫. 高电压技术. 2019(03)
[2]基于LSTM的股票价格预测建模与分析[J]. 彭燕,刘宇红,张荣芬. 计算机工程与应用. 2019(11)
[3]可容忍预测误差及其在汇率组合预测中的应用[J]. 陶志富,赵勤,朱家明,刘金培. 计算机工程与应用. 2020(02)
[4]浅谈我国城市燃气发展现状与趋势[J]. 方召君. 大众科技. 2019(01)
[5]基于多元线性回归模型的锂电池充电SOC预测[J]. 林伟钦,汤平,林旭,陈德旺. 计算机测量与控制. 2018(12)
[6]基于多种群多策略的混合遗传-蚁群算法及应用研究[J]. 周頔. 计算机与数字工程. 2018(12)
[7]一种基于全过程优化支持向量机的短期电力负荷预测方法[J]. 简献忠,顾祎婷. 电力科学与工程. 2018(11)
[8]基于三次指数平滑法的铁路旅客发送量预测研究[J]. 曹志成,刘伊生,董继伟. 铁道运输与经济. 2018(11)
[9]基于多蚁群同步优化的多真值发现算法[J]. 冯钦,曹建军,郑奇斌,张磊,翁年凤,李红梅. 计算机应用研究. 2020(01)
[10]最优组合预测模型在中国天然气需求预测中的应用[J]. 王安,王文虎,胡娇,陶林娟,杨雨,惠志昊. 平顶山学院学报. 2018(05)
博士论文
[1]城市燃气负荷预测的研究[D]. 苗艳姝.哈尔滨工业大学 2006
硕士论文
[1]基于组合模型的燃气负荷预测技术研究[D]. 刘金源.西安石油大学 2018
[2]基于负荷组合预测的配电网供电能力方法研究及其应用[D]. 唐麒皓.东北石油大学 2017
[3]基于组合模型的我国能源消费预测研究[D]. 张超.湖南大学 2017
[4]川渝地区城镇冬季燃气日负荷特性分析及预测方法研究[D]. 白雪.西南石油大学 2016
[5]基于经验模式分解和优化神经网络的燃气负荷预测研究[D]. 张少平.上海师范大学 2016
[6]基于组合方法的短期燃气负荷预测的研究[D]. 陈庆明.上海师范大学 2014
[7]燃气负荷智能预测研究及其实现[D]. 张丽.上海师范大学 2011
[8]天然气用气负荷预测与调度[D]. 聂树林.华南理工大学 2010
本文编号：3288934
本文链接：https://www.wllwen.com/jianzhugongchenglunwen/3288934.html
