[发明专利]一种基于信息融合的城市燃气日负荷组合预测方法

权利要求书

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为：

其中，a_j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a_j寻优，性能指标函数取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,…J_M)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ω_max，最小放牧概率ω_min，求解空间的上限ub，求解空间的下限lb；初始种群x₀＝(a₁⁰,a₂⁰,a₃⁰)按着[0,1]均匀分布产生，性能指标函数取其中y为真实值，e为预测误差；

步骤3.2：调整各自羊的位置，若移动后性能没有变小，则放弃本次更新；调整的公式为：

式中：g^k表示第k代头羊所在位置；rand为0到1的随机数；为第i(i＝1,2,…M-1)个个体移动后的位置；

步骤3.3：第i只羊随机选择另一只羊进行互动，如果所在位置优于则向靠近，在自身周围小步搜索；的移动公式为：

的移动公式为：

两只羊互动后，与互动前的值进行比较，若移动后性能没有变小，则放弃本次更新；式中：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qp，其中q取[0,1]的随机数，p为重置概率；

式中，ω_max和ω_min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；

若不满足被放牧条件，随机选择一只被放牧的羊按下式调整位置，若移动后性能没有变小，则放弃本次更新；

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；

其中，X_max是训练集中的最大值，X_min是训练集中的最小值，X_i表示归一化后的数据；反归一化的公式为：

X＝X_min+(X_max-X_min)X_i

在输出时，用反归一化公式换算得到的数值就是预测值。