基于PCA-LSTM的城市燃气日负荷预测

天然气是一种优质的低碳能源,燃气负荷预测可为燃气规划及调配提供重要依据。为寻求更精确的负荷预测方法,提出一种基于PCA-LSTM的燃气负荷预测模型,通过主成分分析对燃气日负荷影响因素特征提取,随后采用LSTM网络进行预测。并且由于不同时期的负荷具有不同的特点,将全部数据分为供暖季、过渡季及非供暖季3个时期分别进行预测,并与基于全年数据的预测模型进行对比。实验结果表明,与其他预测模型相比,基于数据分组的情况下,采用PCA-LSTM模型可以得到更好的预测效果,为城市燃气日负荷预测提供了一种更为有效的预测方法。

基于Dropout-LSTM模型的城市燃气日负荷预测

提出采用Dropout技术的长短期记忆神经网络模型(Dropout-LSTM模型),对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点,将全年分为供暖期、过渡期及非供暖期,分别对3个时期的日负荷和影响因素进行相关性分析,确定3个模型的输入特征,建立3个时期的日负荷预测Dropout-LSTM模型,采用平均绝对百分比误差对模型预测效果进行评价。Dropout-LSTM模型可以很好地预测城市燃气日负荷,比BP模型、LSTM模型以及SVM模型有更好的预测效果。与基于全年数据的全年预测模型相比,分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强,对供暖期的日负荷预测精度最高,非供暖期次之,由于过渡期日负荷波动大,预测效果是3个时期中最差的。