基于XGB-LSTM模型的燃气日负荷预测

燃气日负荷预测是优化气源采购、调节供需平衡、提升燃气企业经营效率的重要手段。燃气日负荷受多种因素共同影响,具有时序特征和非线性特征。本文提出一种融合XGBoost和LSTM模型的燃气日负荷预测方法XGB-LSTM。该方法通过XGBoost的特征选择方法,对燃气日负荷影响因素进行特征提取和排序,去除不相关特征,降低模型复杂度;随后利用LSTM网络进行预测,以提高预测精度。以华东W市日负荷数据进行分析,实验结果表明,与其他深度学习方法相比,XGB-LSTM模型提高了预测精度,同时减小了模型的复杂度,获得了更好的预测效果。

基于自编码器的调压器在线故障诊断方法

通过对多台在役调压器的出口压力数据进行分析,提出一种基于自编码器的燃气调压器在线故障诊断系统。该系统工作流程主要包括数据预处理、特征自动提取、出口压力稳定值判断、调压器故障诊断及早期预警。对每个工作流程进行介绍。每分钟采集一次调压器的出口压力,将预处理后的所有调压器出口压力数据分割成时间长度为24 h的样本(每组样本为1440维,即1440个数据)。将每组样本输入稀疏自编码器,得到200个稀疏特征。对出口压力稳定点预测模型,输入数据为200个稀疏特征,输出数据为1个出口压力稳定值。对调压器故障检测模型,输入数据为200个稀疏特征和1个出口压力稳定值,输出数据为1个调压器故障类型编号。设计了一种基于自编码器重构误差的用户习惯刻画方式,将自编码器的重构误差用来衡量调压器运行数据偏离历史数据的程度,重构误差越大偏离程度越大。当新的样本重构误差过高时则需要进行预警;若新样本持续偏离原有数据特征,且经排查后调压器运行正常,则说明用户习惯发生了改变,需要对历史数据库进行更新。