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GRA-ABC-BPNN模型的城市燃气日负荷预测

城市燃气负荷预测对于合理高效地调配燃气资源、解决城市燃气用户用气问题具有重要意义。通过灰色关联分析法(Grey Relation Analysis,GRA)对所确定的11个影响燃气日负荷的因素进行分析,依据关联度大小进行筛选,逐个剔除关联度较低的影响因素,将剩余关联度较高的影响因素作为BP神经网络(Back Propagation Neural Network,BPNN)的输入;采用人工蜂群(Artificial Bee Colony,ABC)算法优化BPNN权值和阈值;搭建GRA-ABC-BPNN预测模型预测城市燃气日负荷,并对其准确性和有效性进行验证。结果显示:GRA-ABC-BPNN模型预测的城市燃气日负荷的平均绝对百分比误差(Mean Absolute Percentage Error,MAPE)值为0.5528%,而遗传算法优化BPNN(Genetic Algorithm-BPNN,GA-BPNN)模型及ABC-BPNN模型的MAPE值分别为1.4913%、0.6369%,证明了GRA-ABC-BPNN预测模型是一种有效且精度可观的城市燃气日负荷预测方法,为城市燃气日负荷预测提供了新的途径。

鞍山市燃气日负荷预测的研究

结合鞍山市燃气日负荷预测,论述了历史燃气负荷数据的处理方法。运用GCAQBP神经网络对鞍山市2002年燃气日负荷进行了预测,预测的平均相对误差为4.1%。研究表明,这种预测方法可行。

城镇燃气日负荷预测模型比较研究

依据A、C市2015-2017年以及B市2016-2018年历史日负荷数据,针对不同用气结构城市不同季节的燃气日负荷进行预测,比较ARIMA模型、BP模型、RNN模型、LSTM网络模型的预测精度。结果表明,不同模型不同用气结构城市的预测精度不同,LSTM网络模型的适用性和预测精度在各城市均比较高。

基于SVR的燃气日负荷预测

提出燃气日负荷预测模型选取和变量选取的原则,给出数据处理的方法。以西南某市为例,依据该地天然气公司实际数据,给出基于支持向量回归(SVR)的燃气日负荷预测模型的创建流程,进行日负荷预测,将日负荷预测值与实际值进行比较,分析相对误差产生的原因。探讨运用SVR模型建设信息化系统的相关问题。