[发明专利]燃气日负荷预测方法、装置及设备

说明书

本发明的实施例提供了燃气日负荷预测方法、装置及设备。所述方法包括获取燃气日负荷历史特征数据；对历史特征数据中的异常值和噪声值进行预处理；采用VMD变分模态分解法，将日负荷数据分解为特征互异的IMF分量；将获取的IMF分量结合外部温度、日期类型、相似日等特征进行相关性分析，筛选特征，根据相关性分析结果，分别对每个IMF分量建立GRU‑Attention网络模型；将各分量的预测结果进行反归一化处理，重构叠加各分量预测值，得到最终的负荷预测结果。本发明的实施例中，模型基于“分解‑预测‑集合”的思想，以此模型进行预测，能够提高燃气日负荷预测的准确性，改善燃气公司的运营效率，并且降低采购成本。

技术领域

本发明涉及利用机器学习和燃气负荷预测技术领域，具体涉及燃气日负荷预测方法、装置及设备。

背景技术

随着我国社会经济发展和能源结构、环保政策的演变，城市燃气的需求量不断增加，保障城市燃气供应是个重大课题。然而，由于燃气基础设施不完善以及负荷预测精度不足，燃气的供需矛盾日益突出。如何保障燃气供应的稳定性和可靠性是目前亟待解决的民生问题。准确的燃气负荷预测对于优化气源采购、调节供需平衡、提升燃气企业经营管理水平具有重要意义。

燃气负荷受城市人口规模、经济发展、气候条件、生产经营和突发事件等多种因素共同影响，具有一定的非平稳性和周期性。目前对燃气负荷影响因素的研究较成熟，主要集中在对负荷预测方法的研究上。包括传统的基于数理统计的方法，如回归分析、时间序列等，探索历史负荷序列的发展规律，建立合适的非线性方程组，求解负荷结果，所构建的预测模型一般较为简单，对负荷序列的平稳性要求较高，不能准确反映负荷数据的非线性特点；基于机器学习的预测方法，如BP神经网络、SVM支持向量机和小波变换等，研究负荷相关影响因素，提取特征之间的非线性关系，与传统预测方法相比，拥有强大的自主学习能力和非线性组合能力，具有较高的预测精度和适应性，但当处理大量数据时，计算复杂度较高，预测能力有限。深度学习方法逐渐成为研究的焦点，其中的长短期记忆(Long Short-TermMemory,LSTM)网络常被用来进行负荷预测；门控循环单元(Gated Recurrent Unit,GRU)对LSTM进行了改进，将其两个门结构合成为一个门，因此训练参数较少，收敛速度更快，同时预测性能良好；Attention机制能够捕获时间序列关键特征的优势，解决了传统时间序列预测算法对重要特征不敏感导致预测精度不高的问题。组合预测方法对不同预测模型对比总结，结合不同模型的优势，或采用优化算法规避预测模型自身的不足，以提高预测精度。其中利用信号分解方法，将复杂度较高的非平稳原始负荷序列分解为多个特征互异的分量单独建模预测，可以获得较好的预测效果。

发明内容

本发明的实施例，针对城市燃气运营中日负荷预测的问题，提供了一种燃气日负荷预测方案，本方案是能够准确预测燃气日负荷，同时降低模型复杂度，减少预测工作量。

在本发明的第一方面，提供了一种燃气日负荷预测方法。该方法包括：

获取燃气日负荷历史特征数据；

对所述日负荷历史特征数据中的异常值和噪声值进行预处理，并对得到的历史特征数据进行标准化处理；

针对燃气日负荷数据的复杂性和非平稳性，采用VMD方法对燃气日负荷数据进行变分模态分解处理，获取多个特征互异的IMF分量；

根据所述燃气日负荷历史特征数据中的非时序特征数据的相关性，将所述IMF分量进行特征筛选；

根据筛选到的特征，分别对每个IMF分量建立GRU-Attention网络模型，进行模型训练和预测；

将各IMF分量的预测结果进行反归一化处理，重构叠加各分量预测值，得到日负荷预测结果。

进一步地，所述燃气日负荷历史特征数据包括时序特征数据和非时序特征数据；其中，时序特征数据为日负荷总量数据；非时序特征数据为负荷日的最高温度、最低温度、日期类型、相似日。