基于组合方法的短期燃气负荷预测的研究

摘要

随着上海智慧城市建设的推进，智能燃气管网的建设在加速发展中。为使城市燃气供气系统实现高效运行和科学管理，必须掌握燃气负荷的特性和变化规律，对其进行准确、实时、可靠、智能的预测。
　　燃气负荷预测是燃气智能管网建设中的最基础也是最关键的技术，燃气负荷预测和其它如电力负荷一样，是一项富于创造性的工作，国内外经过多年的研究，取得了一定的成果，但仍存在预测精度不够、预测效率不高等方面的问题。本文针对其研究现状，通过分析研究进行实验，致力于找到最合适的负荷预测方案。针对燃气负荷研究现状，本文研究采用数据挖掘、相关性分析与偏相关性分析，从输入参数、数据预处理的方法等方面进行探索，接着采用回归技术、神经网络、小波分析、SVM（支持向量机）以及组合方法对燃气智能预测系统进行分析研究。燃气负荷预测是复杂的非线性问题，使用单一的预测方法很难满足负荷预测的真实性与准确性，查阅文献比较各种方法的优缺点，结合实际数据进行分析后，总结得出对燃气负荷进行短期预测时人工神经网络预测法是最适合的方法。本文详细地介绍了人工神经网络的基本原理、算法和预测步骤，使用上海的城市燃气负荷数据训练人工神经网络，采用不同的模型，按照需要进行预测，实验结果表明神经网络对短期燃气负荷预测的可行性和准确性。随着改进遗传算法和小波分析理论对神经网络的优化理论的提出，结合实验的结果对比分析表明这两种组合方法都可以较好的改善人工神经网络的不足，提高预测的精度。本文主要采用小波神经网络组合方法对燃气负荷进行预测，预测的结果表明其预测精度比单一的小波分析以及神经网络更高，得到更满意的结果。证明该组合方法的可行性和有效性。本文还提出利用残差序列进行预测的新型算法，使用小波神经网络组合的方法对残差序列进行分析，得到残差序列的预测值。然后将残差序列的预测值进行逆向求值，得到燃气负荷预测值，通过分析实验结果可知，此时的预测精度更高。
　　在研究历史数据及其曲线时发现负荷预测中工作日与周末的负荷需求有明显的差异，而在重大节假日时差异则更加的明显，因此在本文的实验中将日期类型分为工作日、一般休息日和重大节假日，在实验时使用不同的实验方案，使预测得到更精确的结果。

目录

摘要

第一章 绪论

1．1 选题背景及来源

1．2 国内外研究现状

1．2．1 预测问题简述

1．2．2 负荷预测的一般方法概述

1．3 传统与智能化方法的局限性

1．4 主要研究内容及论文结构

第二章 数据预处理

2．1 坏数据的辨识

2．2 坏数据的修正

2．2．1、特征曲线的获取

2．2．2、离群数据的修正

2．3 数据修正后的效果及实例验证

2．4 数据归一化处理

2．4．1 燃气历史数据归一化

2．4．2 日期类型的处理

2．5 本章小结

第三章 燃气负荷数据的特征分析

3．1 负荷的周期性

3．2 相关分析与偏相关分析

3．2．1 相关分析理论

3．2．2 偏相关分析理论

3．2．3 相关分析和偏相关分析

3．2．4 影响负荷的因素分析

3．3 温度与日期的影响

3．4 本章小结

第四章 传统研究方法

4．1 回归预测模型

4．2 SVM短期负荷预测

4．2．1 支持向量机的回归理论

4．2．2 使用SVR进行燃气预测的基本步骤

4．3 BP神经网络预测法

4．4 小波分析

4．5 实验数据的分类与去趋势处理

4．6 仿真实验结果

4．6．1 工作日与一般休息日

4．6．2 基于相似日的重大节假日预测结果分析

4．7 本章小结

第五章 小波神经网络的研究

5．1 小波神经网络的理论基础

5．2 利用残差序列预测过程

5．3 算法步骤与模型实现

5．4 小波神经网络实验结果

5．5 误差分析

5．6 本章小结

第六章 结论与展望

参考文献

致谢

攻读硕士期间已发表的论文与参与项目

声明