[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN111144649B - 一种基于信息融合的城市燃气日负荷组合预测方法 - Google Patents

一种基于信息融合的城市燃气日负荷组合预测方法 Download PDF

Info

Publication number
CN111144649B
CN111144649B CN201911360951.9A CN201911360951A CN111144649B CN 111144649 B CN111144649 B CN 111144649B CN 201911360951 A CN201911360951 A CN 201911360951A CN 111144649 B CN111144649 B CN 111144649B
Authority
CN
China
Prior art keywords
prediction
grnn
data
sheep
predictor
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201911360951.9A
Other languages
English (en)
Other versions
CN111144649A (zh
Inventor
陈虹丽
高新天
高尚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN201911360951.9A priority Critical patent/CN111144649B/zh
Publication of CN111144649A publication Critical patent/CN111144649A/zh
Application granted granted Critical
Publication of CN111144649B publication Critical patent/CN111144649B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Software Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于数据预测技术领域，具体涉及一种基于信息融合的城市燃气日负荷组合预测方法。本发明采用神经网络预测器GRNN、灰色‑GRNN和梯度‑GRNN进行预测，然后设计随机集组合预测器进行组合预测，基于改进羊群智能算法的参数寻优器对随机集组合预测器的参数寻优。本发明的神经网络预测器既可以去除可能存在的坏数据，又可以判别单一模型故障。本发明能够有效的剔除随机变量的随机性和不确定性，提高预测精度，尤其是某些预测模型发生故障时，可以通过异常数据检测器基于突变理论进行突变检测。

Description

一种基于信息融合的城市燃气日负荷组合预测方法
技术领域
本发明属于数据预测技术领域，具体涉及一种基于信息融合的城市燃气日负荷组合预测方法。
背景技术
城市燃气日负荷预测主要是通过搜集过往的历史数据以及与影响日负荷相关的数据来对未来用量进行预测，它需要综合考虑经济、环境等关键性因素，若预测方法成熟且能达到一定的精度，这对于一个城市相关部门的决策将起到至关重要的作用。由于燃气日负荷与很多方面如气候、人口、经济、生活习惯、当地风俗等有关系，会具有随机多元的复杂性，甚至是突变性。
目前，组合预测模型在国内外得到了广泛的应用。我国在燃气负荷预测领域主要的研究方法有多分辨率小波网络、支持向量机、指数平滑法等，但这些方法在实践的过程中都存在各自的缺点。因此，国内对组合预测方法有较高的期待，这种方法能够取长补短，有效的提高燃气负荷预测精度。
发明内容
本发明的目的在于提供一种基于信息融合的城市燃气日负荷组合预测方法。
本发明的目的通过如下技术方案来实现：包括以下步骤：
步骤1：获取历史数据，包括日期、人口、温度及城市燃气日负荷量，构成训练集，对训练集中的数据进行预处理；
步骤2：将训练集输入到神经网络预测器中，神经网络预测器的输入为某一日期对应的人口、温度，输出为城市燃气日负荷预测值；所述的神经网络预测器包括GRNN、灰色-GRNN和梯度-GRNN，其中GRNN的预测结果为y1，灰色-GRNN的预测结果为y2，梯度-GRNN的预测结果为y3；
步骤3：将神经网络预测器的预测结果输入到随机集组合预测器中，随机集组合预测器的输出
Figure GDA0003783626280000011
为：
Figure GDA0003783626280000012
其中，aj通过参数寻优器计算，参数寻优器采用改进羊群智能算法对参数aj寻优，性能指标函数取
Figure GDA0003783626280000013
y为真实值，e为预测误差；优化参数x＝(a1,a2,a3)，使J最小，即求得min(J1,J2,…JM)所在羊的设置为头羊，具体步骤为：
步骤3.1：初始化参数；
设定种群数M，最大迭代次数T，重新排序的迭代次数，阈值ε，最大放牧概率ωmax，最小放牧概率ωmin，求解空间的上限ub，求解空间的下限lb；初始种群x0＝(a1 0,a2 0,a3 0)按着[0,1]均匀分布产生，性能指标函数取
Figure GDA0003783626280000021
其中y为真实值，e为预测误差；
步骤3.2：调整各自羊的位置，若移动后性能
Figure GDA0003783626280000022
没有变小，则放弃本次更新；调整的公式为：
Figure GDA0003783626280000023
式中：gk表示第k代头羊所在位置；rand为0到1的随机数；
Figure GDA0003783626280000024
为第i(i＝1,2,…M-1)个个体移动后的位置；
步骤3.3：第i只羊
Figure GDA0003783626280000025
随机选择另一只羊
Figure GDA0003783626280000026
进行互动，如果
Figure GDA0003783626280000027
所在位置优于
Figure GDA0003783626280000028
则
Figure GDA0003783626280000029
向
Figure GDA00037836262800000210
靠近，
Figure GDA00037836262800000211
在自身周围小步搜索；
Figure GDA00037836262800000212
的移动公式为：
Figure GDA00037836262800000213
Figure GDA00037836262800000214
的移动公式为：
Figure GDA00037836262800000215
两只羊互动后，与互动前的值进行比较，若移动后性能
Figure GDA00037836262800000216
没有变小，则放弃本次更新；式中：
Figure GDA00037836262800000217
为扰动算子，常数c为[0,2]区间上的可调参数；
步骤3.4：判断是否陷入局部最优；若本代头羊与上代头羊的差值小于阈值ε时，则判定陷入局部最优；若陷入局部最优，则执行步骤3.5；若为陷入局部最优，则执行步骤3.6；
步骤3.5：执行牧羊犬监督机制，判断当前个体是否满足被放牧条件，被放牧条件为q<p，其中q取[0,1]的随机数，p为重置概率；
Figure GDA00037836262800000218
式中，ωmax和ωmin分别为最大放牧概率和最小放牧概率；
若满足被放牧条件，则对当前羊进行放牧，按下式更新位置；
Figure GDA00037836262800000219
若不满足被放牧条件，随机选择一只被放牧的羊
Figure GDA00037836262800000220
按下式调整位置，若移动后性能
Figure GDA0003783626280000031
没有变小，则放弃本次更新；
Figure GDA0003783626280000032
步骤3.6：判断是否达到最大迭代次数；若已达到最大迭代次数，则输出当前最优解；若未达到最大迭代次数，则执行步骤3.7；
步骤3.7：判断是否达到重新排序的迭代次数；若达到重新排序的迭代次数，则重新排序，确定羊群的位置后，返回步骤3.2；若未达到重新排序的迭代次数，则返回步骤3.2；
步骤4：将神经网络预测器与随机集组合预测器的输出结果输入到异常数据检测器中；若异常数据检测器检测出异常数据，则判定数据异常，随即基于突变理论进行判别是否是一个具有突变性的系统，选择控制变量和突变模型，并返回步骤2；
步骤5：将待预测的日期对应的人口、温度输入到训练好的随机集组合预测器中，得到该日的城市燃气日负荷预测结果。
本发明还可以包括：
所述的步骤1中对训练集中的数据进行预处理的方法具体为：
数据预处理的作用主要是防止异常数据的波动引起训练时间的增加，严重时可能会导致预测算法无法收敛，需要对原始数据进行归一化技术处理；在训练集中采用下式将参数归一化到[0,1]中；
Figure GDA0003783626280000033
其中，Xmax是训练集中的最大值，Xmin是训练集中的最小值，Xi表示归一化后的数据；反归一化的公式为：
X＝Xmin+(Xmax-Xmin)Xi
在输出时，用反归一化公式换算得到的数值就是预测值。
本发明的有益效果在于：
本发明采用神经网络预测器GRNN、灰色-GRNN和梯度-GRNN进行预测，然后设计随机集组合预测器进行组合预测，基于改进羊群智能算法的参数寻优器对随机集组合预测器的参数寻优。本发明的神经网络预测器既可以去除可能存在的坏数据，又可以判别单一模型故障。本发明能够有效的剔除随机变量的随机性和不确定性，提高预测精度，尤其是某些预测模型发生故障时，可以通过异常数据检测器基于突变理论进行突变检测。
附图说明
图1为本发明的随机集组合预测器设计图。
图2为本发明实施例中三种神经网络预测器的预测数据相对误差表。
图3为本发明实施例中三种神经网络预测器的全年预测的最大相对误差及平均精度表。
图4为本发明实施例中燃气日负荷真实值与随机集组合预测相对误差表(GRNN在1月27日出现故障)。
图5为本发明实施例中燃气日负荷真实值与随机集组合预测相对误差表(剔除故障后)。
图6为本发明实施例中尖点型突变模型检测结果表。
具体实施方式
下面结合附图对本发明做进一步描述。
一种基于信息融合的组合预测方法，包括以下步骤：
步骤1：根据待预测的数据类别，查询历史时间序列，构成训练集，对训练集中的数据进行预处理；
步骤2：将训练集输入到神经网络预测器中，得到神经网络预测器的预测结果；所述的神经网络预测器包括GRNN、灰色-GRNN和梯度-GRNN，其中GRNN的预测结果为y1，灰色-GRNN的预测结果为y2，梯度-GRNN的预测结果为y3；
步骤3：将神经网络预测器的预测结果输入到随机集组合预测器中，随机集组合预测器的输出
Figure GDA0003783626280000041
为：
Figure GDA0003783626280000042
其中，aj通过参数寻优器计算，参数寻优器采用改进羊群智能算法对参数aj寻优，性能指标函数取
Figure GDA0003783626280000043
y为真实值，e为预测误差；优化参数x＝(a1,a2,a3)，使J最小，即求得min(J1,J2,…JM)所在羊的设置为头羊，具体步骤为：
步骤3.1：初始化参数；
设定种群数M，最大迭代次数T，重新排序的迭代次数，阈值ε，最大放牧概率ωmax，最小放牧概率ωmin，求解空间的上限ub，求解空间的下限lb；初始种群x0＝(a1 0,a2 0,a3 0)按着[0,1]均匀分布产生，性能指标函数取
Figure GDA0003783626280000044
其中y为真实值，e为预测误差；
步骤3.2：调整各自羊的位置，若移动后性能
Figure GDA0003783626280000045
没有变小，则放弃本次更新；调整的公式为：
Figure GDA0003783626280000051
式中：gk表示第k代头羊所在位置；rand为0到1的随机数；
Figure GDA0003783626280000052
为第i(i＝1,2,…M-1)个个体移动后的位置；
步骤3.3：第i只羊
Figure GDA0003783626280000053
随机选择另一只羊
Figure GDA0003783626280000054
进行互动，如果
Figure GDA0003783626280000055
所在位置优于
Figure GDA0003783626280000056
则
Figure GDA0003783626280000057
向
Figure GDA0003783626280000058
靠近，
Figure GDA0003783626280000059
在自身周围小步搜索；
Figure GDA00037836262800000510
的移动公式为：
Figure GDA00037836262800000511
Figure GDA00037836262800000512
的移动公式为：
Figure GDA00037836262800000513
两只羊互动后，与互动前的值进行比较，若移动后性能
Figure GDA00037836262800000514
没有变小，则放弃本次更新；式中：
Figure GDA00037836262800000515
为扰动算子，常数c为[0,2]区间上的可调参数；
步骤3.4：判断是否陷入局部最优；若本代头羊与上代头羊的差值小于阈值ε时，则判定陷入局部最优；若陷入局部最优，则执行步骤3.5；若为陷入局部最优，则执行步骤3.6；
步骤3.5：执行牧羊犬监督机制，判断当前个体是否满足被放牧条件，被放牧条件为q<p，其中q取[0,1]的随机数，p为重置概率；
Figure GDA00037836262800000516
式中，ωmax和ωmin分别为最大放牧概率和最小放牧概率；
若满足被放牧条件，则对当前羊进行放牧，按下式更新位置；
Figure GDA00037836262800000517
若不满足被放牧条件，随机选择一只被放牧的羊
Figure GDA00037836262800000518
按下式调整位置，若移动后性能
Figure GDA00037836262800000519
没有变小，则放弃本次更新；
Figure GDA00037836262800000520
步骤3.6：判断是否达到最大迭代次数；若已达到最大迭代次数，则输出当前最优解；若未达到最大迭代次数，则执行步骤3.7；
步骤3.7：判断是否达到重新排序的迭代次数；若达到重新排序的迭代次数，则重新排序，确定羊群的位置后，返回步骤3.2；若未达到重新排序的迭代次数，则返回步骤3.2；
步骤4：将神经网络预测器与随机集组合预测器的输出结果输入到异常数据检测器中；若异常数据检测器检测出异常数据，则判定数据异常，随即基于突变理论进行判别是否是一个具有突变性的系统，选择控制变量和突变模型，并返回步骤2；
步骤5：将待预测的日期输入到训练好的随机集组合预测器中，得到预测结果。
实施例1：
本实施例基于一种基于信息融合的组合预测方法，提供了一种城市燃气日负荷智能组合预测实验技术方法。
异常数据通过数据预处理(包括基于经验、实验观察或作图法及数据归一化和反归一化技术处理)和神经网络(智能)预测器及随机集组合预测器检测出来，并且基于突变理论对燃气日负荷值进行突变检测。首先分别采用广义回归神经网络预测器(GRNN)、灰色-GRNN和梯度-GRNN对燃气日负荷进行预测，然后设计随机集组合预测器进行组合预测，基于改进羊群智能算法的参数寻优器对随机集组合预测器的参数寻优。本实施例的神经网络预测器既可以去除可能存在的坏数据，又可以判别单一模型故障。随机集作为一种基于信息融合的组合预测方法，能够有效的剔除随机变量的随机性和不确定性，提高燃气日负荷的预测精度。尤其是某些预测模型发生故障时，随机集技术更显示出其优势。本发明方法还可适用于譬如电力负荷预测等组合预测技术领域。
天然气作为当今世界最为绿色、高效的优质能源之一，被世界各国人民广泛使用。随着全球经济的快速发展和人类生存环境的不断恶化，人类对天然气的需求量急剧提升。因此，对城市燃气负荷进行预测表现的尤为重要。
城市燃气日负荷预测主要是通过搜集过往的历史数据以及与影响日负荷相关的数据来对未来用量进行预测，它需要综合考虑经济、环境等关键性因素，若预测方法成熟且能达到一定的精度，这对于一个城市相关部门的决策将起到至关重要的作用。由于燃气日负荷与很多方面如气候、人口、经济、生活习惯、当地风俗等有关系，会具有随机多元的复杂性，甚至是突变性。
目前，组合预测模型在国内外得到了广泛的应用。我国在燃气负荷预测领域主要的研究方法有多分辨率小波网络、支持向量机、指数平滑法等，但这些方法在实践的过程中都存在各自的缺点。因此，国内对组合预测方法有较高的期待，这种方法能够取长补短，有效的提高燃气负荷预测精度。
本发明的目的在于针对城市燃气日负荷具有随机性、突变性等，提供一种有效的城市燃气日负荷组合预测实验技术方法。
本发明主要对城市燃气日负荷进行短期预测。由于在全年范围内，每2个月内的温度和人口等因素变化范围不大。因此，将某市某年的燃气日负荷历史数据分为6组，利用随机集对燃气日负荷进行组合预测，采用改进羊群智能算法对组合预测参数寻优。具体如下：
(1)分别采用广义回归神经网络预测器(GRNN)、灰色-GRNN和梯度-GRNN对燃气日负荷进行预测，得到相对误差及预测精度，接下来以这3种预测数据为数据基础进行组合预测，提高燃气日负荷预测精度。
(2)采用随机集对燃气日负荷进行组合预测，城市然气用量在一定程度上体现出随机性。利用随机集的性质，使用当日GRNN、灰色-GRNN和梯度-GRNN的预测模型数据进行组合预测。
(3)采用改进羊群智能算法对组合预测参数寻优，最后采用突变理论对预测过程中的突变现象进行处理，针对人口和温度的影响因素，建立尖点型突变模型，得到分叉点集方程，由突变流型方程和分叉集，预测未来可能发生突变的时间点。
为实现上述目的，本发明设计了城市燃气日负荷智能组合预测器，包括：异常数据检测器，广义回归神经网络预测器(GRNN)，灰色-GRNN，梯度-GRNN，随机集组合预测器。
参数寻优器等。具体的：
1.异常数据检测器是指：异常数据通过数据预处理(技术)和神经网络预测器(包括GRNN、灰色-GRNN和梯度-GRNN)及随机集组合预测器检测出来，随即可以基于突变理论进行判别是否是一个具有突变性的系统，即基于突变理论对燃气日负荷值进行突变检测。
2.GRNN、灰色-GRNN和梯度-GRNN统称为神经网络(智能)预测器。对神经网络预测器进行实验研究，通过分析判别预测模型故障。
3.GRNN、灰色-GRNN和梯度-GRNN的输出送给随机集组合预测器，随机集组合预测器的输出作为燃气日负荷预测值，预测误差作为参数寻优器(利用改进羊群智能算法)的输入，参数寻优器的输出(优化参数)送给随机集组合预测器。
本发明具有如下有益效果：
1.对城市燃气日负荷历史测量数据进行预处理，即去除可能存在的坏数据，使数据正确，方法包括基于经验和实验观察(或作图法)及原始数据归一化和反归一化技术处理。
2.使用的神经网络预测器(包括GRNN，灰色-GRNN和梯度-GRNN)，既可以去除可能存在的坏数据，又可以判别单一模型(GRNN或灰色-GRNN或梯度-GRNN)出现的故障。
3.考虑了影响燃气日负荷诸多因素如气候、人口、经济、生活习惯、当地风俗等。将某市某年的燃气日负荷历史数据分为6组，以每2个月为一组建立预测模型，短期内(2个月)气候、人口、经济等因素变化不大，并且神经网络预测器输入节点取预测日前三天的燃气日负荷数据和一周前一天的日负荷数据，输出节点取预测日燃气负荷，能综合反映影响燃气日负荷的星期几因素(生活习惯、当地风俗)
4.随机集作为一种基于信息融合的组合预测方法，能够有效的剔除随机变量的随机性和不确定性，提高燃气日负荷的预测精度。尤其是某些单一预测模型发生故障时，随机集技术更显示出其优势。
5.利用改进羊群智能算法对随机集组合预测器中参数寻优，能得到较好的预测时间和预测精度。
6.可以基于突变理论进行判别一个具有突变性的系统，本实施例通过建立尖点型突变模型预测燃气日负荷可能发生突变的时间点。
下面结合附图1对本发明的技术方案做进一步阐述。本发明是一种城市燃气日负荷智能组合预测实验技术方法，包括如下步骤：
步骤一：整理和收集相关历史数据，主要包括人口、温度及城市燃气日总负荷量(值)等数据；并进行数据预处理，数据预处理包括参数初始化(神经网络预测器参数初始化，参数寻优器参数初始化，突变模型控制变量和势函数的选择等)及去除可能存在的坏数据，使数据正确连贯，并能够正确反映其中的燃气负荷(值)变化规律。去除可能存在的坏数据一是基于经验和通过实验观察(或作图法)，二是可以将原始数据按式(3)进行归一化技术处理，按式(4)进行反归一化，得到燃气日负荷预测值。
Figure GDA0003783626280000081
Figure GDA0003783626280000082
步骤二：由神经网络预测器通过实验判断异常数据和模型故障
神经网络预测器包括广义回归神经网络预测器(GRNN)，灰色-GRNN和梯度-GRNN。其技术来源于文献《陈芳,楼文高.基于广义回归神经网络的蔬菜市场日价格预测[J].浙江农业学报.2015,25(7):1253-1258》和《陈虹丽，刘纹岩，牛一宁.梯度RBF在城市燃气负荷短期预测中的应用[J].仪器仪表学报.2009,30(6增刊):443-444》。
步骤三：随机集组合预测器设计
GRNN，灰色-GRNN和梯度-GRNN的预测结果作为随机集组合预测器输入。随机集组合预测器输出
Figure GDA0003783626280000083
为：
Figure GDA0003783626280000091
其中GRNN，灰色-GRNN和梯度-GRNN预测结果分别为y1，y2，yD。
步骤四：参数寻优器设计
参数寻优器利用改进羊群智能算法对式(6)中参数aj寻优。
步骤五：异常数据检测器设计
本实施例异常数据检测器可以通过数据预处理(技术)和神经网络预测器(包括GRNN、灰色-GRNN和梯度-GRNN)及随机集组合预测器检测出异常数据，譬如GRNN、灰色-GRNN和梯度-GRNN及随机集组合预测的预测精度明显异常(很大)，则可断定数据异常，随即可以基于突变理论进行判别是否是一个具有突变性的系统，选择其中比较合理的控制变量，同时选择突变模型。考虑本实施例具体情况，控制变量选择温度和人口，采用尖点型突变模型对燃气日负荷值进行突变检测。
下面结合图1对本发明方法涉及的步骤进行具体说明。
城市燃气日负荷(值)预测的主要实验工作是对历史真实测量数据进行整理，主要包括人口、温度等数据，去除其中的错误数据，建立合理的预测模型，才能得到精准的燃气(日)负荷预测值。所以，想要进行燃气日负荷预测需要具备两方面条件。第一，历史数据的真实性。第二，预测模型的可行性。具体的：
(1)测量、整理和收集相关历史数据，主要包括人口、温度及城市燃气日(总)负荷量(值)等数据。
(2)数据预处理，即去除可能存在的坏数据，使数据正确连贯，并能够正确反映其中的燃气负荷(值)变化规律。
(3)选取合适的技术，建立相应的燃气日负荷预测模型。
(4)使用已经搭建好的燃气预测模型进行燃气日负荷预测，对预测结果进行分析和修正。
第一步：整理和收集相关历史数据。由于在全年范围内，每2个月内的温度和人口等因素变化范围不大。因此，将某市某年的燃气日负荷历史数据分为6组，以每2个月为一组建立预测模型，并进行数据预处理。
数据预处理的作用主要是防止异常数据的波动引起训练时间的增加，严重时可能会导致预测算法无法收敛，需要对原始数据进行归一化技术处理。在训练样本中采用式(1)将参数归一化到[0,1]中。
Figure GDA0003783626280000101
而在输出层中，用式(2)换算得到的数值就是燃气日负荷预测值。
X＝Xmin+(Xmax-Xmin)Xi (2)
其中，Xmax是训练样本的最大值，Xmin是训练样本的最小值，Xi表示归一化后的数据，X代表反归一化后得到的燃气日负荷预测值。
为了避免不稳定数据对网络训练的干扰，可以在归一化前留出余量，使其归一化后的数值落在[0.1,0.9]中，对归一化公式重新进行推导，由于ln0.1＝-2.3026，ln0.9＝-0.1054，使
Figure GDA0003783626280000102
可以推导出新的归一化公式：
Figure GDA0003783626280000103
反归一化公式为：
Figure GDA0003783626280000104
其中，exp表示以自然常数e为底的指数函数，ln表示以e为底的对数,根据公式(3)和(4)可将数据归一化到[0.1,0.9]中。
第二步：利用广义回归神经网络预测器(GRNN)，灰色-GRNN和梯度-GRNN进行城市燃气日负荷预测。
广义回归神经网络预测器(GRNN)技术来源于文献《陈芳,楼文高.基于广义回归神经网络的蔬菜市场日价格预测[J].浙江农业学报.2015,25(7):1253-1258》，灰色-GRNN和梯度-GRNN工作过程与GRNN相似，不同之处是在数据输入和输出上进行灰化、梯度和白化等技术处理，具体方法来源于文献《陈虹丽，刘纹岩，牛一宁.梯度RBF在城市燃气负荷短期预测中的应用[J].仪器仪表学报.2009,30(6增刊):443-444》。
具体技术过程：对燃气日负荷历史数据进行训练建模，神经网络输入节点取4个(预测日前三天的燃气日负荷数据和一周前一天的日负荷数据)；输出节点取1个,即预测日燃气负荷。列出的某年某市1月25日至31日(以下同)的燃气日负荷预测(相对)误差见图2。预测的相对误差公式如下：
Figure GDA0003783626280000111
在GRNN中，平滑系数σ＝0.12。GRNN燃气日负荷预测数据在1月27日、29日和30日出现非常大的误差，可能是由于燃气日负荷数据发生突变或预测模型故障导致的。可以通过其它预测模型进行验证或进行组合预测提高其预测精度。图3是在全年范围内剔除1月27日、29日和30日，GRNN预测数据(精度＝1-相对误差)。
灰色-GRNN的平滑系数是σ＝0.35，灰色-GRNN在27日的预测精度为8.133％，由此，说明GRNN模型在27日的预测中发生了故障。梯度-GRNN的平滑系数σ＝0.27，梯度-GRNN在27日的预测精度也没有像GRNN那样出现较大的误差，这同样可以说明使用GRNN在27日发生故障，才导致它在27日的预测中出现非常大的误差。
在全年范围内，剔除1月29日和30日预测数据，灰色-GRNN和梯度-GRNN的预测数据见图3。
第三步：随机集组合预测器
随机集是指取值为集合的随机元，是概率论中随机变量概念的推广，实际上就是元素及其个数都是随机变量的集合。随机集在目标跟踪等领域具有较好的应用。
本实施例尝试将随机集作为一种基于信息融合的组合预测技术方法为燃气日负荷预测问题提供一种新的解决途径。在城市燃气日负荷预测过程中，燃气日负荷及其预测(值)具有很强的随机性，是一个随机变量，并且，在基于信息融合的组合预测时，考虑到某些预测模型会发生故障(单一预测模型可能会发生故障，发生故障的预测模型剔除，譬如GRNN在1月27日发生了故障)，即预测模型的数量将是一个随机变量，这些随机变量都具有随机性和不确定性。采用随机集，以望能够有效的剔除随机变量的随机性和不确定性，提高燃气日负荷的预测精度。
广义回归神经网络预测器(GRNN)，灰色-GRNN和梯度-GRNN的预测结果作为随机集组合预测器输入。设广义回归神经网络预测器(GRNN)，灰色-GRNN和梯度-GRNN预测结果分别为y1，y2，y3。则随机集组合预测器输出
Figure GDA0003783626280000112
为其输入的组合，即：
Figure GDA0003783626280000113
其中参数aj利用基于改进羊群算法的参数寻优器获得，
Figure GDA0003783626280000114
为随机集组合预测器的预测值。
直接通过随机集进行燃气日负荷组合预测，譬如某市某年在1月27日、29日和30日出现非常大的误差，见图4所示。通过与GRNN，灰色-GRNN和梯度-GRNN的预测结果相比较，可以断定在1月29日、30日这两日燃气日负荷数据可能发生了突变，将基于突变理论使用异常数据检测器进行判别，对可能发生突变的时间点进行预测。但在1月27日预测误差较大主要是因为训练样本中GRNN的预测数据在27日的相对误差较大导致的(GRNN在1月27日出现故障)。
下面利用随机集的性质，剔除1月27日训练样本中GRNN的预测数据，再次利用随机集技术进行燃气日负荷组合预测，此时燃气日负荷预测相对误差明显改善，剔除故障后，燃气日负荷真实值与预测相对误差见图5所示。
由预测结果可见，当单一预测模型在某日的预测过程中出现故障时，随机集技术就显示出其突出的优势。
随机集是利用组合预测技术进行燃气日负荷预测的。剔除1月27日的故障模型后进行信息融合，剔除1月29日、30日可能发生突变的数据，在全年范围内，随机集组合预测的最大预测(相对)误差为7.236％，平均(预测)精度为94.565％。预测的平均使用时间是0.432秒，最大预测时间0.897秒。
随机集组合预测(技术)的预测精度要高于GRNN、灰色-GRNN和梯度-GRNN的预测精度，而且在GRNN、灰色-GRNN和梯度-GRNN出现故障时，随机集组合预测的优势更明显。
第四步：参数寻优器
参数寻优器利用改进羊群智能算法对参数aj寻优，具体步骤：
1.初始化参数。种群数M＝5，最大迭代次数T＝20，维度D＝3-n(n为故障模型个数，本实施例中GRNN模型在1月27日发生故障，则n＝1)，阈值ε＝10-4，常数c为[0,2]区间上的可调参数，ωmax＝0.5，ωmin＝0.01，求解空间的上限ub＝1和下限lb＝0，初始种群x0＝(a1 0,a2 0,…aD 0)按着[0,1]均匀分布产生，性能指标函数取
Figure GDA0003783626280000121
y为预测日燃气负荷真实值，e为预测误差，优化参数x＝(a1,a2,…aD)，使J最小，即
Figure GDA0003783626280000122
将种群代入J，即求得min(J1,J2,…JM)所在羊的设置为头羊。
2.按式(7)调整各自羊的位置，若移动后性能
Figure GDA0003783626280000123
没有变好，则放弃本次更新。
Figure GDA0003783626280000124
式中：gk表示第k代头羊所在位置；rand为0到1的随机数；
Figure GDA0003783626280000125
为第i(i＝1,2,…M-1)个个体移动后的位置。
3.第i只羊
Figure GDA0003783626280000131
会随机选择另一只羊
Figure GDA0003783626280000132
进行互动，如果
Figure GDA0003783626280000133
所在位置优于
Figure GDA0003783626280000134
则
Figure GDA0003783626280000135
向
Figure GDA0003783626280000136
靠近，
Figure GDA0003783626280000137
按式(8)进行移动，
Figure GDA0003783626280000138
按式(9)在自身周围小步搜索。两只羊互动后，与互动前的值进行比较，若性能没有变好，则放弃更新。
Figure GDA0003783626280000139
Figure GDA00037836262800001310
式中：
Figure GDA00037836262800001311
为扰动算子。
4.判断是否陷入局部最优(当本代头羊与上代头羊的差值小于一定阈值ε时，则算法有可能陷入某个局部最优解)，若陷入局部最优，转至5，执行牧羊犬监督机制；否则转至6。
5.执行牧羊犬监督机制，若当前个体满足被放牧条件(q<p)，q取[0,1]的随机数，p为重置概率
Figure GDA00037836262800001312
式中，ωmax和ωmin分别为最大放牧概率和最小放牧概率。则对当前羊进行放牧，按式(11)更新位置。
Figure GDA00037836262800001313
若不满足被放牧条件，随机选择一只被放牧的羊
Figure GDA00037836262800001314
按式(12)调整位置，若移动效果(性能)不好，则不更新。
Figure GDA00037836262800001315
6.若达到最大迭代次数，转至第8；否则转至7。
7.每隔一定迭代次数，重新排序，确定羊群的位置，转至2。
8.输出当前最优解，算法结束。
第五步：异常数据检测器
本实施例异常数据检测器可以通过数据预处理(技术)和神经网络预测器(包括GRNN、灰色-GRNN和梯度-GRNN)及随机集组合预测器检测出异常数据，譬如GRNN、灰色-GRNN和梯度-GRNN及随机集组合预测的预测精度明显异常(很大)，则可断定数据异常，随即可以基于突变理论进行判别。如果燃气日负荷发生突变，实际上我们就可以先假设这是一个具有突变性的系统，然后选择其中比较合理的控制变量，同时选择突变模型。
使用随机集进行城市燃气日负荷组合预测时发现。譬如，在1月29日和1月30日两天，燃气日负荷可能发生突变，导致非突变情况建立的预测模型预测不准。发生突变的原因较多，可能是由于人口、温度因素或春节等节假日导致的，并且无法通过正常手段预测可能发生突变时间点的燃气日负荷值。
在实际生活中，影响燃气日负荷的因素较多，主要包括温度(气候)、人口、星期几(生活习惯、节假日、当地风俗)、天然气价格(经济)等因素。短期内天然气价格等变化不大，神经网络预测器中已经考虑了星期几因素(输入节点取预测日前三天的燃气日负荷数据和一周前一天的日负荷数据，输出节点取预测日燃气负荷)，本实施例控制变量选择温度和人口，由于控制(变)量有两个，所以采用尖点型突变模型进行研究较为合适。通过建立尖点型突变模型预测燃气日负荷可能发生突变的时间点。
根据城市燃气日负荷短期变化规律，设其尖点突变模型的势函数为
Figure GDA0003783626280000141
其中，x为燃气日负荷真实值，d是人口控制量，c是温度控制量。
1、需要辨识参数a、x0、b、c0、d0的值
对V(x)求导可以得到突变流型：
V′(x)＝a(x-x0)3+b(c+c0)(x-x0)+d+d0＝0 (14)
然后对V(x)求二阶导得到：
V″(x)＝3a(x-x0)2+b(c+c0)＝0 (15)
由式(14)和(15)，利用最小二乘法，以前面的数据(某市某年1月的相关人口和温度数据)为例进行突变模型势函数参数辨识，算出x0＝114.2、c0＝24.5。a＝0.324、d0＝-303.4，b＝1.131，
联立式(14)和(15)，求出分叉(点)集方程：
8.74(d-303.4)2+5.79(c+24.5)3＝0 (16)
然后根据突变理论，当人口控制变量d和温度控制变量c满足式(17)时，燃气日负荷值便会发生突变。
Δ＝8.74(d-303.4)2+5.79(c+24.5)3＜0 (17)
根据式(17)，对燃气日负荷值进行突变检测，检测结果如图6所示。
由图6可以看出，在1月29日和30日两天，Δ＜0，说明在这两天内燃气日负荷值发生了突变，将这一结果与燃气日负荷历史数据进行对比，发现在1月29日和30日燃气日负荷预测值与真实值之间的相对误差非常大，发生了突变。发生突变的原因是人口变化不大，而温度变为零下较低缘故。由式(17)可知，只有温度达到零下，燃气日负荷才有发生突变的可能。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于信息融合的城市燃气日负荷组合预测方法，其特征在于，包括以下步骤：
步骤1：获取历史数据，包括日期、人口、温度及城市燃气日负荷量，构成训练集，对训练集中的数据进行预处理；
步骤2：将训练集输入到神经网络预测器中，神经网络预测器的输入为某一日期对应的人口、温度，输出为城市燃气日负荷预测值；所述的神经网络预测器包括GRNN、灰色-GRNN和梯度-GRNN，其中GRNN的预测结果为y1，灰色-GRNN的预测结果为y2，梯度-GRNN的预测结果为y3；
步骤3：将神经网络预测器的预测结果输入到随机集组合预测器中，随机集组合预测器的输出
Figure FDA0003783626270000011
为：
Figure FDA0003783626270000012
其中，aj通过参数寻优器计算，参数寻优器采用改进羊群智能算法对参数aj寻优，性能指标函数取
Figure FDA0003783626270000013
y为真实值，e为预测误差；优化参数x＝(a1,a2,a3)，使J最小，即求得min(J1,J2,…JM)所在羊的设置为头羊，具体步骤为：
步骤3.1：初始化参数；
设定种群数M，最大迭代次数T，重新排序的迭代次数，阈值ε，最大放牧概率ωmax，最小放牧概率ωmin，求解空间的上限ub，求解空间的下限lb；初始种群x0＝(a1 0,a2 0,a3 0)按着[0,1]均匀分布产生，性能指标函数取
Figure FDA0003783626270000014
其中y为真实值，e为预测误差；
步骤3.2：调整各自羊的位置，若移动后性能
Figure FDA0003783626270000015
没有变小，则放弃本次更新；调整的公式为：
Figure FDA0003783626270000016
式中：gk表示第k代头羊所在位置；rand为0到1的随机数；
Figure FDA0003783626270000017
为第i(i＝1,2,…M-1)个个体移动后的位置；
步骤3.3：第i只羊
Figure FDA0003783626270000018
随机选择另一只羊
Figure FDA0003783626270000019
进行互动，如果
Figure FDA00037836262700000110
所在位置优于
Figure FDA00037836262700000111
则
Figure FDA00037836262700000112
向
Figure FDA00037836262700000113
靠近，
Figure FDA00037836262700000114
在自身周围小步搜索；
Figure FDA00037836262700000115
的移动公式为：
Figure FDA00037836262700000116
Figure FDA0003783626270000021
的移动公式为：
Figure FDA0003783626270000022
两只羊互动后，与互动前的值进行比较，若移动后性能
Figure FDA0003783626270000023
没有变小，则放弃本次更新；式中：
Figure FDA0003783626270000024
为扰动算子，常数c为[0,2]区间上的可调参数；
步骤3.4：判断是否陷入局部最优；若本代头羊与上代头羊的差值小于阈值ε时，则判定陷入局部最优；若陷入局部最优，则执行步骤3.5；若为陷入局部最优，则执行步骤3.6；
步骤3.5：执行牧羊犬监督机制，判断当前个体是否满足被放牧条件，被放牧条件为q<p，其中q取[0,1]的随机数，p为重置概率；
Figure FDA0003783626270000025
式中，ωmax和ωmin分别为最大放牧概率和最小放牧概率；
若满足被放牧条件，则对当前羊进行放牧，按下式更新位置；
Figure FDA0003783626270000026
若不满足被放牧条件，随机选择一只被放牧的羊
Figure FDA0003783626270000027
按下式调整位置，若移动后性能
Figure FDA0003783626270000028
没有变小，则放弃本次更新；
Figure FDA0003783626270000029
步骤3.6：判断是否达到最大迭代次数；若已达到最大迭代次数，则输出当前最优解；若未达到最大迭代次数，则执行步骤3.7；
步骤3.7：判断是否达到重新排序的迭代次数；若达到重新排序的迭代次数，则重新排序，确定羊群的位置后，返回步骤3.2；若未达到重新排序的迭代次数，则返回步骤3.2；
步骤4：将神经网络预测器与随机集组合预测器的输出结果输入到异常数据检测器中；若异常数据检测器检测出异常数据，则判定数据异常，随即基于突变理论进行判别是否是一个具有突变性的系统，选择控制变量和突变模型，并返回步骤2；
步骤5：将待预测的日期对应的人口、温度输入到训练好的随机集组合预测器中，得到该日的城市燃气日负荷预测结果。
2.根据权利要求1所述的一种基于信息融合的城市燃气日负荷组合预测方法，其特征在于：所述的步骤1中对训练集中的数据进行预处理的方法具体为：
数据预处理的作用主要是防止异常数据的波动引起训练时间的增加，严重时可能会导致预测算法无法收敛，需要对原始数据进行归一化技术处理；在训练集中采用下式将参数归一化到[0,1]中；
Figure FDA0003783626270000031
其中，Xmax是训练集中的最大值，Xmin是训练集中的最小值，Xi表示归一化后的数据；反归一化的公式为：
X＝Xmin+(Xmax-Xmin)Xi
在输出时，用反归一化公式换算得到的数值就是预测值。
CN201911360951.9A 2019-12-26 2019-12-26 一种基于信息融合的城市燃气日负荷组合预测方法 Active CN111144649B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911360951.9A CN111144649B (zh) 2019-12-26 2019-12-26 一种基于信息融合的城市燃气日负荷组合预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911360951.9A CN111144649B (zh) 2019-12-26 2019-12-26 一种基于信息融合的城市燃气日负荷组合预测方法

Publications (2)

Publication Number Publication Date
CN111144649A CN111144649A (zh) 2020-05-12
CN111144649B true CN111144649B (zh) 2023-04-07

Family

ID=70520223

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911360951.9A Active CN111144649B (zh) 2019-12-26 2019-12-26 一种基于信息融合的城市燃气日负荷组合预测方法

Country Status (1)

Country Link
CN (1) CN111144649B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073785A (zh) * 2010-11-26 2011-05-25 哈尔滨工程大学 基于广义动态模糊神经网络的燃气日负荷组合预报方法
CN107730054A (zh) * 2017-11-15 2018-02-23 西南石油大学 一种基于支持向量回归的燃气负荷组合预测方法
CN109767029A (zh) * 2018-12-14 2019-05-17 华北电力大学 局域能源互联网中冷热电三联供系统容量配置方法及系统
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11009865B2 (en) * 2016-05-09 2021-05-18 Strong Force Iot Portfolio 2016, Llc Methods and systems for a noise pattern data marketplace in an industrial internet of things environment

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102073785A (zh) * 2010-11-26 2011-05-25 哈尔滨工程大学 基于广义动态模糊神经网络的燃气日负荷组合预报方法
CN107730054A (zh) * 2017-11-15 2018-02-23 西南石油大学 一种基于支持向量回归的燃气负荷组合预测方法
CN109767029A (zh) * 2018-12-14 2019-05-17 华北电力大学 局域能源互联网中冷热电三联供系统容量配置方法及系统
CN110110930A (zh) * 2019-05-08 2019-08-09 西南交通大学 一种改进鲸鱼算法的循环神经网络短期电力负荷预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
"源-网-荷-储"协调控制系统研究及应用;张楠 等;《2017智能电网新技术发展与应用研讨会》;310-315 *
WANG Han 等."Application Research of Combined Forecasting Based on Induced Ordered Weighted Averaging Operator".《Management Science and Engineering》.2014,第8卷(第3期), *
城市燃气日负荷组合预测方法研究;李强;《中国优秀硕士学位论文全文数据库（工程科技Ⅱ辑）》(第3期);C038-1075 *

Also Published As

Publication number Publication date
CN111144649A (zh) 2020-05-12

Similar Documents

Publication Publication Date Title
CN109902801B (zh) 一种基于变分推理贝叶斯神经网络的洪水集合预报方法
Heydari et al. A novel composite neural network based method for wind and solar power forecasting in microgrids
CN111783953B (zh) 一种基于优化lstm网络的24点电力负荷值7日预测方法
CN110163410B (zh) 一种基于神经网络-时间序列的线损电量预测方法
CN103577694B (zh) 一种基于多尺度分析的水产养殖水质短期组合预测方法
CN107092582A (zh) 一种基于残差后验的异常值在线检测及置信度评估方法
CN110163429B (zh) 一种基于相似日优化筛选的短期负荷预测方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN112990500B (zh) 基于改进加权灰色关联分析的台区线损分析方法及系统
CN110571792A (zh) 一种电网调控系统运行状态的分析评估方法及系统
CN108805743A (zh) 一种电网企业售电公司运营效益评价方法
CN112734128A (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
Ji et al. Urban water demand forecasting by LS-SVM with tuning based on elitist teaching-learning-based optimization
Dang et al. A novel multivariate grey model for forecasting periodic oscillation time series
CN103676649A (zh) 局部自适应小波神经网络训练系统、设备及方法
CN106296434B (zh) 一种基于pso-lssvm算法的粮食产量预测方法
CN114169639A (zh) 一种企业用电量预测方法
CN116578551A (zh) 一种基于gru-gan的电网数据修复方法
CN112036598A (zh) 一种基于多信息耦合的充电桩使用信息预测方法
CN111311026A (zh) 一种顾及数据特征、模型和校正的径流非线性预测方法
CN114861555A (zh) 一种基于Copula理论的区域综合能源系统短期负荷预测方法
CN111144649B (zh) 一种基于信息融合的城市燃气日负荷组合预测方法
Wang et al. Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises
CN113762591A (zh) 一种基于gru和多核svm对抗学习的短期电量预测方法及系统
Rojek Neural networks as prediction models for water intake in water supply system

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant