一种每日天然气负荷预测方法

本发明属于时间序列分析和能源领域，具体涉及一种每日天然气负荷预测方法。

背景技术：

1、随着全球气候变化对人类生存环境产生的影响，越来越多的国家开始重视低碳绿色能源的发展，天然气作为一种绿色清洁能源在清洁能源体系中起到了关键支撑作用。天然气用量的增长要求燃气公司及时准确地预测不同时间段的天然气消耗量。预测天然气消耗量的模型主要分为以下三种：传统模型、人工智能模型、混合模型。传统模型难以处理具有非线性特征的天然气消耗量，且仅能对天然气消耗量做长期预测，无法进行短期预测。人工智能模型提高了对于非线性数据的处理能力，但其泛化能力和可解释性依然有待提升。单一的算法针对具体问题时难以避免存在缺陷，因此混合模型通过结合不同算法来进行算法优化，弥补单个预测算法存在的问题。目前常用的序列分解方法主要包括小波变换(wt)、经验模态分解(emd)、vmd，与其他模型相比，vmd能够有效避免预测的延迟现象。transformer模型是由谷歌在2017年提出的，在nlp领域其表现出对时间序列数据的强大建模能力，越来越多的学者将其用于时间序列数据预测中。

技术实现思路

1、为解决上述技术问题，本发明提供一种每日天然气负荷预测方法，该方法涵盖了天然气历史负荷数据及特征选择预处理模块、天然气负荷数据分解及特征选择模块和天然气负荷数据预测模块的设计，能够在负荷数据复杂度较高的情况下，实现对数据的预处理及深入特征挖掘，并对分解后的各子序列分别进行预测得到预测值，实现对每日天然气负荷数据的精准预测。

2、为达到上述目的，本发明采用如下技术方案：

3、一种每日天然气负荷预测方法，包括如下步骤：

4、步骤(1)、设计天然气历史负荷数据及特征数据预处理模块，完成负荷、特征数据的异常值、缺失值、重复值处理，进行平稳性、随机性检验，并完成数据归一化，包括：

5、步骤(1.1)对数据的异常值、缺失值、重复值进行处理包括首先剔除检测到的重复值，计算天然气负荷数据的标准差σ，然后根据3σ原则对异常值进行检测并删除异常值，最后采用插值填充法对缺失值进行处理，取前后值的均值进行填充；

6、步骤(1.2)对天然气负荷数据的平稳性和随机性进行检验，采用adf检验方法对数据进行平稳性检验，若结果大于0则判定为非平稳序列，构造q统计量对天然气负荷数据进行随机性检验，若检验结果小于0.05则判定为非纯随机序列，证明天然气负荷数据具有分析和预测的意义；

7、步骤(1.3)对天然气负荷数据和特征数据进行归一化处理，采用最值归一化，将不同量纲的数据映射到[0-1]之间，加快后续神经网络训练速度；

8、步骤(2)、设计天然气分解及特征选择模块，将预处理后的天然气负荷数据分解为多个不同的子序列，并对分解数量进行优化，随后对各子序列进行特征选择，包括：

9、步骤(2.1)采用变分模态分解对天然气负荷数据进行分解，将其分解为多个不同的子序列后再进行分析和预测，降低天然气负荷数据的复杂度；

10、步骤(2.2)设计特征匹配度最大化优化算法对子序列的数量进行优化，将天然气原始数据从2到特征数量的范围内进行循环，分别进行分解并计算特征匹配度，循环结束后进行特征匹配度的比较，取最大值为优化结果；

11、步骤(2.3)将分解后的子序列分别结合特征数据计算皮尔森相关系数，计算结果大于0.3的为相关特征；

12、步骤(3)、设计天然气负荷数据预测模块，首先对不同子序列进行预测，将预测结果进行信号重构，最终得到第二日的天然气负荷数据预测结果，包括：

13、步骤(3.1)构建改进的transformer模型对子序列进行预测，将transformer模型原有的decoder模块用全连接层进行代替获得transformer预测模型，并根据分解后的子序列分别训练transformer预测模型，并对每个子序列进行预测；

14、步骤(3.2)将各个子序列的预测结果进行重构，得到最终的第二日天然气负荷预测结果，实现对每日天然气负荷数据的精准预测。

15、进一步地，适用于不同城市、地区、企业的天然气负荷数据。

16、本发明与现有技术相比的有益效果在于：

17、(1)目前针对分解数量的优化方案大多是基于启发式搜索算法，优化效率较低且不适用于预测算法。本发明设计的特征匹配度最大化优化算法能够使每个分解后的子序列的特征数量尽量小且接近于一个，有利于提高后续深度学习算法的训练速度和精确度。

18、(2)当城市或地区位于亚热带甚至热带时，天然气负荷数据与气温相关性不大，影响因素难以评估，负荷数据呈现出非线性非稳定的特性，难以有效进行数据分析及特征挖掘。已有的研究中，大多数算法针对的是温带地区与温度相关性大的数据，所达到的预测精度较高。但当算法应用于亚热带或热带地区时，精度会出现明显下降。本发明方法通过对原始数据进行分解降低其数据复杂度，并设计改进的transformer模型提高子序列的长期依赖建模能力，最终针对不同地区都能实现较高的预测精度。

19、综上所述，本发明先对天然气负荷历史数据进行预处理，再利用模态分解方法对原始序列进行分解，并设计一种分解数量优化算法，实现高复杂度数据的分析及特征挖掘，并设计了改进transformer模型对子序列进行预测并进行信号合成，实现第二日天然气负荷数据的精准预测。

技术特征：

1.一种每日天然气负荷预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种每日天然气负荷预测方法，其特征在于，适用于不同城市、地区、企业的天然气负荷数据。

技术总结
本发明公开了一种每日天然气负荷预测方法，包括：设计天然气历史负荷数据及特征选择预处理模块，该模块完成了对负荷、特征数据的异常值、缺失值、重复值处理，进行平稳性、随机性检验，并完成了数据归一化；设计天然气负荷数据分解及特征选择模块，该模块将天然气原始数据分解为多个不同的子序列，并对分解数量进行优化，随后对各子序列进行特征选择；设计天然气负荷数据预测模块，该模块首先对不同子序列进行预测，将预测结果进行信号重构，最终得到第二日的天然气负荷数据预测结果。本发明针对复杂度高、非线性非稳定性的天然气数据进行分解及深度挖掘特征，并通过深度学习模型构建序列的长短期依赖，提高天然气负荷的预测精度。

技术研发人员：邹孝付,李鑫磊,陶飞
受保护的技术使用者：北京航空航天大学
技术研发日：
技术公布日：2024/1/15