基于双储备池ESN和改进RBFNN的城市燃气负荷预测
基于改进Elman网络的燃气负荷预测
第36卷增刊(I)2006年7月 东南大学学报(自然科学版)JOURN AL OF SO UTHEAST UNI VERSITY (Natural S cience Edition )Vol 136S up (I)July 2006基于改进Elman 网络的燃气负荷预测苏 刚1 王玲玲2 徐永生2(1天津城市建设学院电子与信息工程系,天津300384)(2天津城市建设学院热能工程系,天津300384)摘要:为提高燃气负荷预测的精度,分析了燃气小时负荷的变化规律和影响因素,建立了燃气小时负荷预测模型,采用具有输出-输入反馈机制的改进Elman(OIF Elman)网络对燃气小时负荷进行预测.与传统的Elman 网络比较,OIF Elman 网络不仅计入了隐层节点的反馈,而且考虑输出层节点的反馈,以便从有限的训练样本中获得更多的信息.预测结果表明,在样本点较少时,无论在训练速度上,还是在预测精度上,OI F Elman 网络明显优于Elman 网络.OIF Elman 网络提高了网络的泛化能力,既降低了对训练样本个数的需求,又能提高预测精度,在燃气负荷预测中得到成功的应用.关键词:OIF Elman 网络;燃气负荷;预测中图分类号:TP273 文献标识码:A 文章编号:1001-0505(2006)增刊(I )20168204G a s load for ecasting w ith impr oved Elman net w or kS u G ang 1 Wang Lingling 2 Xu Y ongsheng2(1De partm ent of E lectron and In form ation Engineeri ng ,Tianjin Ins titute of Urban C ons tructi on ,T ianjin 300384,C hina)(2Departm ent of Therm al Engineering ,Tianji n Institute of Urban C ons truction ,Tianjin 300384,C hina )Abstract : In order to im pr ove the forecasti ng accuracy ,in acc ordance w ith the influence factors and charac 2teristics of h our gas load ,a m odel has been established to forecasting hour gas load w ith OIF (output 2input feedback)Elman netw ork.C ompared w ith convertional Elm an netw ork ,OIF Elm an netw ork takes into acc ount not only the hidden nodes feedback but also the output feedback so as to obtain more inf orm ation fr om limited sam pling spots.The emulation illustrates that OIF Elman netw ork i s better than E lman netw ork not only in training speed but also in accuracy when the sam pling spots are less.OIF Elman netw ork impr oves the general 2ization.I t als o improves the forecasting accuracy w ith less sampling spots.There fore it can be used successful 2ly to forecast the hour gas load.K ey w or ds : OIF Elman netw ork ;gas load ;forecasti ng 收稿日期622 基金项目天津市高等学校科技发展基金资助项目(3) 作者简介苏刚(6—),男,博士,副教授,@63国内近几年在天然气工业方面发展迅速,一些大型气田的相继发现和开发为天然气在我国的广泛应用奠定了基础.在市场经济不断完善的今天,天然气供求双方签订购销合同,卖方按照买方提供的供气计划供气,实行,“照付不议”的原则.天然气耗气量预测的准确度不仅与买方企业的经济利益密切相关,而且对产气方来讲,由于城市燃气输配管网系统建设投资占系统总投资50%以上,所以,输配管网的设计与运行管理质量直接影响供气系统的经济效益.准确的城市燃气负荷预测有助于做好城市燃气管网规划,从而保证燃气管网系统的投资效益和可靠性,以及整个城市燃气管网的优化运行.可靠的中长期负荷预报便于合理安排后期工程,确定生产能力,安排设备的更新维修等;准确的短期预报可用于指导安排燃气生产计划,确定燃气产量、存储量.因而燃气负荷的预测成为目前天然气工业急需解决的课题.1 E lman 网络及其改进网络111 Elman 网络 Elman 网络结构如图1所示,它除了输入层、隐层、输出层之外,还有一个特殊的联系单元.联系单元是用来记忆隐层单元以前时刻的输出值的,可认为是一个时延算子因此,这里前馈连接部分可以进行连:2000420.:2004101.:199sgltu ..图1 E lman 网络结构示意图接权修正,而递归部分则是固定的,即不能进行学习修正,设网络的输入层为r 个节点,隐层和联系单元为n 个节点,输出层为m 个节点,则网络输入u 为r 维向量,隐层输出x 及联系单元输出x c 为n 维向量,网络输出y 为m 维向量,连接权W 11为n ×n 维矩阵,W 12为n ×q 维矩阵,W 13为m ×n 维矩阵.网络的数学模型为[1]x (k )=f (W 11x c (k )+W 12u (k -1))(1)x c (k )=αx c (k -1)+x (k -1)(2)y (k )=W 13x (k )(3)式中,f (x )取为sigm oid 函数,即f (x )=11+e -x,0≤α<1为自连接反馈增益因子,当α固定为0时,此网络为标准的Elman 网络;当α≠0时,为修改的Elman 网络.设第k 步系统的实际输出为y d (k ),定义误差函数为E (k )=12(y d (k )-y (k ))T (y d (k )-y (k )),将E 对连接权W 11,W 12,W 13分别求偏导,由梯度下降法可得Elman 网络的学习算法:ΔW 13ij =η3δ0i x j (k ) i =1,2,…,m ;j =1,2,…,n (4)ΔW 12jq =η2δh j u q (k -1) j =1,2,…,n ;q =1,2,…,r (5)ΔW 11jl =η1∑mi =1(δ0i W 13ij )5x j (k )5W 11jl j =1,2,…,n ;l =1,2,…,n(6)其中,η1,η2,η3分别为W11,W 12,W 13的学习步长δ0i =(y di (k )-y i (k ))(7)δhj=∑mi =1(δ0i W 13ij )f ′j ()(8)5x j (k )5W 11jl =f ′j ()x l (k -1)+α5x j (k -1)5W 11jl(9)图2 OIF Elma n 网络结构示意图112 改进的Elman 网络在Elman 网络模型中,只计入了隐层节点的反馈,而没有考虑输出层节点的反馈.因为各层神经元的反馈信息都会影响网络的信号处理能力[2],所以本文考虑增加输出层节点的反馈,介绍的是具有输出2输入反馈机制的改进Elman 网络,即OIF Elman 网络[3](结构示意图如图2所示),OIF Elman 网络增加了输出节点的反馈,称之为联系单元2,并将它放在第1层,与输入单元和联系单元一起作为隐层节点的输入,0≤γ<1为它的自连接反馈增益因子,它的权值记为W 14.OIF Elman 网络数学模型和学习算法如下:OIF Elman 网络的数学模型为x (k )=f (W 11x c (k )+W 12u (k -1)+W 14y c (k ))(10)x c (k )=αx c (k -1)+x (k -1)(11)y c (k )=γy c (k -1)+y (k -1)(12)y (k )=W 13x (k )(13)OIF El man 网络的隐层节点中增加了联系单元2作为输入,所以对权值W 11,W 12,W 13的修正公式与网络的相同,分别由上一节中的式(6)、式(5)和式()给出,对于权值W 14的修正公式其推导和网络类似,直接给出如下ΔW j =η∑=(δW 3j )5x j ()5W j j =,,…,;=,,…,()961增刊(I )苏刚,等:基于改进Elm an 网络的燃气负荷预测Elman 4Elman :14s 4mi 1o i 1i k 14s 12n s 12m 145x j (k )5W 14js =f ′j ()y s (k -1)+γ5x j (k -1)5W 14js j =1,2,…,n ;s =1,2,…,m (15)式中,η4为W 14的学习步长;δoi 由式(7)给定.2 燃气负荷预测所谓负荷预测,是指在充分考虑一些重要的系统运行特性、增容决策和自然条件的情况下,系统地处理过去和未来负荷的方法,在一定精度意义下,估计未来某一待定时刻或某段特定时刻的负荷值.预测精度是负荷预测的主要指标.天然气作为一种特殊的商品,负荷预测作为天然气这种特殊“商品”的“市场调查”,指导着天然气的合理分配.准确预测城市燃气负荷有着非常重要的意义,它有助于管理部门做好城市燃气管网规划,从而保证燃气管网系统的投资效益和可靠性,以及整个城市燃气管网的优化运行;有助于燃气公司以最低的成本做好及时、合理的调度,保障输配系统的安全可靠地运行;有助于合理安排后期工程,安排设备的更新维修等;有助于指导安排燃气生产计划,确定燃气产量、存储量;有助于保证用气企业的经济利益,对企业本身的燃气需求做到心中有数,从而合理安排能源.目前,国内对城市燃气负荷预测越来越重视,但相对而言,研究还刚刚起步.不少研究人员分别采用回归分析法、时间序列分析法、人工神经网络法、灰色预测法和模糊神经网络技术对燃气负荷进行预测,并取得一定的成果[4].本文着重介绍改进Elman 神经网络对比于Elman 神经网络在负荷预测上的优越性.211 燃气负荷模型建立燃气负荷工况监控中,通过与天津某燃气公司调度人员了解情况,本系统选择某一门站燃气负荷数据建立模型预测燃气负荷的变化.根据燃气负荷的分析,由某星期类型某时刻的负荷构成一时间序列,分别对相对应的负荷进行预测,输入量为u 1=L (d ,h -1),u 2=L (d ,h ),u 3=L (d ,h +1),u 4=L (d -1,h -1)u 5=L (d -1,h ),u 6=L (d -1,h +1)输出量为y =L (d +1,h )式中,d 为日期;h 为预测小时;L (d ,h )为第d 天第h 小时的负荷.若预测y =L (d +1,h ),依次取y =L (d +1-7,h ),…,y =L (d +1-7×N ,h )及相应的输入量作为样本,用前述方法训练神经网络,利用训练所得网络参数进行预测.如果训练样本中含有节假日的数据,则去掉此数据,相应往后推另取样本数据.节假日负荷单独采用神经网络训练.神经网络结构参数选为输入神经元个数为6,隐层神经元和联系层神经元的个数为18,学习步长为012,输出神经元个数为1,本文使用的都是小时负荷,这样可以通过前几个时刻的小时负荷预测下一时刻或某一时刻这个站点的小时负荷[5-6].另外,网络训练结束的条件是网络的训练次数不超过5000,E <01001,负荷值通过以下式归一化为[0,1],并换算回负荷值[7]:x =Q -Q minQ max -Q min(16)Q =(Q max -Q m in )x +Q min(17)式中,Q max ,Q min 分别为小时负荷的最大值和最小值;x 表示归一化值;Q 表示小时负荷值.212 燃气负荷仿真在仿真中,用当天12:00时的负荷数据,实时预测当天4个典型时刻的燃气负荷变化.分别用改进Elman 和Elman 两种神经网络建模进行预测.图3和图4分别为某一时刻Elman 网络和改进Elman 网络训练误差曲线,由图可见,改进Elman 网络在训练初期,改进Elm an 网络不如E lman 网络训练速度快,但达到一定步数后,改进Elman 网络速度明显加快,且训练误差远小于网络这种趋势具有普遍性071东南大学学报(自然科学版)第36卷Elman ..表1为某日预测测试结果对比,由表可以看出,改进Elman 神经网络的负荷预测效果明显好于Elman 神经网络.表1 某日预测测试结果时刻实际负荷/(m 3h -1)改进Elm anElm an预测值/(m 3h -1)相对误差/%预测值/(m 3h-1)相对误差/%13:005435311632-2109456215903160815:004734711682-0127949718895126218:001331133813470155212371266-7104221:003493451065-111273211737-718123 结 语用改进Elman 神经网络对小时负荷进行预测,训练速度快、误差小,预测效果好于Elman 神经网络.如果在预测模型中加入气象参数(如温度、风力、降水等)的历史纪录,将会提高预测模型的预测精度.若能获得更全面的数据资料可以对这些量的影响程度进行分析.不过神经网络建模方法没有一定的理论可寻,模型结构需要建立者反复调试和修正,工作量较大.如果因为其他因素(如政府宏观调控等)造成描述的系统性质发生变化时,模型的适应性将会受到限制,必要时需要重新调整变量和结构,重新训练,或与其他预测方法相结合,以保证预测的准确性.但从整体上来说,神经网络模型还是以其优良的预测品质成为燃气负荷预测建模中的首选方法[8].参考文献(References)[1]Pham D T ,Liu X.T rain ing of elman netw orks and d ynamic system m odeling[J ].International Journal o f Systems Science ,1996,27(2):2212226.[2]Ren X uemei ,Chen Jie ,G ong Z hihao ,et al.A pprox imati on property o f the m od ified E lman netw ork[J ].Journal o f Beijing Institu te o fT echnology ,2002,11(1):19223.[3]时小虎,梁艳春,徐旭.改进的E lman 模型与递归反传控制神经网络[J ].软件学报,2003,14(6):111021119.Shi X iaohu ,Lian g Y anchun ,X u Xu.An improved Elman m odel and recurren t back 2propagation control neural netw orks[J ].J ournalo f So ftware ,2003,14(6):111021119.(in Chinese )[4]焦文玲,展长虹,廉乐明.城市燃气短期负荷预测的研究[J ].煤气与热力,2001,21(6):4832486.Jiao Wen ling ,Z han Changh ong ,Lian Y ueming.Study o f forecas ting for fhort term load of city gas[J ].Gas&H eat ,2001,21(6):4832486.(in Chinese )[5]飞思科技产品研发中心.神经网络理论与MAT LA B7实现[M ].北京:电子工业出版社,2005:1362141.[6]司风琪,洪军,徐治皋.基于改进E lman 网络的动态系统测量数据检测方法[J ].东南大学学报,2005,35(1):51254. Si Fengqi ,H ong Jun ,X u Z hig ao.D ynamic sys tem data validation meth od based on th e improved E lman netw ork[J ].Journal o fSou theast Univ ersity ,2005,35(1):51254.(in Chinese )[7]刘亚斌,刘雪田,肖文晖.基于改进E lman 神经网络的燃气管网实时预测[J ].系统工程学报,2003,18(5):4752479.Liu Y ab in ,Liu X uetian ,X iao Wenhu i.Forecast of gas line s tastus at real time bas ed on m od ifieled E lman neural netw ork[J ].J o ur 2f Sy ,3,(5)52()[]杨昭,刘燕,苗志彬,等人工神经网络在天然气负荷预测中的应用[]煤气与热力,3,3(6)323,36Y Z ,L Y ,M Z ,f 2f []G &,3,3(6)323,36()171增刊(I )苏刚,等:基于改进Elm an 网络的燃气负荷预测nal o stem Engin eering 20018:47479.in Chinese 8.J .2002:21222.an g hao iu an iao hibin et al.App lication o neural network in natural g as load orecasting J .as Heat 2002:21222.in Chinese。
城市燃气用气负荷预测及调峰储气与研究论文
国燃气事业发展极其缓慢。
最近几年，随着石油的短缺，圈家开始重视天然气行业，我国的燃气事业开始了快速的发展。
西气东输工程的完成，陕京复线的竣工等等，所有这些都在蜕明一个问题，即我国的天然气行ｊＩｋ正处丁大好的历史发展时期。
从下面对哈尔滨市的用气结构的分析中，我们不难得出这一结论。
哈尔滨市的城市用气存在多种气体并存的局面，其中有煤气、天然气、液化石油气等，由于煤气的热值较天然气低，而且煤气对火气的污染又较重，远没有天然气清洁。
因此，近几年天然气获得很大的发展。
在城市目前的用气结构中，煤气所占的份额在减少，而天然气所占的份额却在急速的上升。
哈尔滨市２００１年煤气的用量为２８９５８６ＫＮｍ３，天然气的用量为６４５１．９７７ＫＮｍ３，液化石油气的用量为２４３６６．２１Ｔ，如果按热值计算（煤气热值为３７００Ｋｃａｌ／Ｎｍ３，天然气热值为８１００Ｋｃａｌ／Ｎｍ３，液化石油气的热值为１０８１６Ｋｃａｌ／ｋｇ）其构成比例见图２．７。
哈尔滨市２００３年煤气的用量为３２９１２０ＫＮｍ３，天然气的用量为６４４８５２５ＫＮｍ３，液化石油气的用量为７９９９８Ｔ，按热值计算其构成比例见图２—８。
通过图可知，２００１年哈尔滨市的煤气、天然气、液化石油气所占的比重分别为７７．２４％、３．７７％、１９％。
而２００３年煤气、天然气、液化石油气所占的比重分些为２．２４％、９６．１７％、１．５９％。
可见，天然气的用量和比重都在急剧的增加。
虽然煤气的比重在减少，但是，煤气的用量却在增加。
液化石油气的用量也在增加而所占的比重在减少。
幽２—７２００１年哈尔滨市三种燃料的比例２－７Ｐｒｏｐｏｒｔｉｏｎｏｆｔｈｒｅｅｋｉｎｄｓｏｆｆｕｅｌｓｉｎ２００１ｉｎＨａｒｂｉｎＦｉｇｕｒｅ图２－８２００３年哈尔滨市三种燃料的比例Ｆｉｇｕｒｅ２－８Ｐｒｏｐｏｒｔｉｏｎｏｆｔｈｒｅｅｋｉｎｄｓｏｆｆｕｅｌｓｉｎ２００３ｉｎＨａｒｂｉｎ６、燃气价格的影响价格影响供求，燃气的价格在很大程度上能决定它的用户数量。
城市天然气负荷预测及调峰方案
需求侧管理调峰方案
总结词
需求侧管理调峰方案是一种通过控制和 调整天然气需求来平衡供求关系的调峰 策略。
VS
详细描述
需求侧管理调峰方案包括对城市天然气用 户进行分类，根据其用气特点制定不同的 调控措施。例如，对工业用户采取错峰生 产或调整生产班次等方式，降低高峰时段 用气需求；对商业用户和居民用户，则通 过宣传引导、优惠政策等措施，鼓励其在 低谷时段使用天然气。
储存设施调峰方案
总结词
储存设施调峰方案是通过建设和管理天然气储存设施，如地 下储气库、液化天然气（LNG）接收站等，实现天然气的调 峰。
详细描述
储存设施调峰方案可以在天然气需求低谷期储存多余的天然 气，并在需求高峰期释放储存的天然气，以平衡市场供需。 同时，储存设施还可以作为应急备用，应对突发事件和管道 故障等情况。
3. 结合智能技术、大数据等先进手段，实现城市天然气负荷 预测及调峰方案的智能化管理；
4. 开展跨学科、跨领域合作，共同推进城市能源规划与管 理的研究与实践。
感谢您的观看
THANKS
预测方法 采用历史数据法，通过对过去几 年的用气数据进行分析，预测未 来各时段用气量。
调峰方案 在用气高峰期，通过增加天然气 储备、提高输气设备输气能力、 推广错峰用气等方式进行调峰。
某省天然气负荷预测及调峰方案案例
背景介绍
该省是能源消费大省，天然气消费量逐年上升，为满足全 省各区域的用气需求，需要进行全省范围内的天然气负荷 预测及调峰方案设计。
预测方法
采用多元回归分析法，通过对全省各区域的用气历史数据 进行分析，建立数学模型，预测未来各区域的用气量。
调峰方案
在全省范围内建立多级天然气储备基地，提高输气设备的 输气能力，推广集中供气和分布式能源等方式进行调峰。
燃气负荷智能预测研究及其实现的开题报告
燃气负荷智能预测研究及其实现的开题报告题目：燃气负荷智能预测研究及其实现一、研究背景及意义随着城市化进程的加速，城市燃气供应压力越来越大。
如何合理、高效地利用燃气资源，提高燃气供应质量，是城市燃气供应管理面临的一个新问题。
对于燃气供应企业来说，如何在不断增长的需求下合理规划和优化资源，减少生产成本，提高服务水平，成为企业发展的核心竞争力。
因此，燃气负荷预测成为燃气供应企业和燃气消费者的关键技术。
它可以为燃气供应企业提前预测未来的燃气需求，有效规划生产计划，减少生产成本，提高效益；对于燃气消费者来说，可以帮助他们在用气高峰期提前合理规划用气，避免燃气供应紧张和价格上涨等问题。
二、研究内容和方法本论文旨在通过对燃气负荷进行智能预测，提高燃气供应企业的生产效率和服务质量。
具体研究内容和方法如下：1. 收集和整理燃气用气数据，建立燃气负荷预测模型。
通过对历史数据的分析，运用机器学习算法和时间序列分析方法，建立燃气负荷预测模型，并优化模型，提高预测精度。
2. 针对各行业的用气特点，建立行业预测模型。
通过对各行业燃气用气特点的分析，建立不同行业的燃气负荷预测模型，提高预测精度。
3. 研究和设计预测系统。
根据建立的预测模型，设计并实现一个燃气负荷预测系统，包括数据接入、数据处理、数据预处理等模块。
4. 系统评估和优化。
通过对实时数据的预测准确率评估和系统的反馈，优化预测模型和系统，提高预测精度和稳定性。
三、拟解决的问题和预期成果通过本研究的燃气负荷智能预测技术和燃气负荷预测系统，能够有效解决以下几个问题：1. 提高燃气供应企业的生产效率和服务质量，减少生产成本，提高效益；2. 帮助燃气消费者在用气高峰期提前合理规划用气，避免燃气供应紧张和价格上涨等问题；3. 提高燃气行业的智能化水平和核心竞争力，促进行业的可持续发展。
预期成果如下：1. 建立具有可行性和有效性的燃气负荷智能预测模型。
2. 设计和实现一套稳定、高效、易用的燃气负荷预测系统。
城市燃气负荷预测的研究
城市燃气负荷预测的研究城市燃气负荷预测的研究随着城市化进程的加快和人们对生活质量的要求不断提高，城市的燃气需求日益增长。
合理预测城市燃气负荷，在避免能源浪费和满足居民需求之间找到合适的平衡点，成为了许多研究者关注的焦点。
城市燃气负荷预测是指通过分析历史数据和现有信息，利用数学和统计模型，对未来一段时间内城市燃气需求的数量和趋势进行预测的技术。
这种方法不仅能够帮助燃气公司和相关政府部门进行合理的资源调配和规划，还能够促进燃气供应链的优化和能源消费的合理分配。
城市燃气负荷预测的研究可分为多个方面。
首先，对历史数据进行分析是预测模型的基础。
通过对过去几年的燃气需求数据进行分析，找出其中的规律和趋势，可以为未来的预测提供重要依据。
例如，将历史数据分析后发现，城市燃气需求在冬季明显高于夏季，且在工作日比非工作日要大等。
这种周期性规律的发现，可以帮助预测模型更准确地预测未来的燃气负荷。
其次，利用数学和统计模型进行预测是一种常用的方法。
根据历史数据的分析结果，可以选择适合的模型，如回归模型、时间序列模型等，进行预测。
回归模型可以通过研究燃气需求与各种因素（如气温、人口数量、赛事活动等）之间的关系，进行燃气负荷的预测。
时间序列模型则可以通过对时间序列数据进行建模，找出其中的周期性、趋势性和随机性等特点，进而对未来的燃气需求进行预测。
另外，数据挖掘和人工智能技术的应用也为燃气负荷预测提供了新的思路。
通过采集大量的实时数据，如天气数据、人口数据、燃气使用设备的信息等，利用数据挖掘技术分析其与燃气负荷之间的关系，可以建立更为准确的预测模型。
而人工智能技术，如神经网络和遗传算法等，可以进一步提高预测模型的准确性和稳定性，帮助预测人员更好地预测城市燃气负荷。
此外，城市燃气负荷预测研究还需要考虑到城市发展的可持续性。
在预测过程中，需要综合考虑可再生能源的利用、能源消费的减排和能源供需之间的平衡等方面的因素。
只有在可持续发展的基础上进行燃气负荷预测，才能更好地满足城市居民的需求，并为城市的发展提供可靠的能源保障。
城市燃气负荷预测技术研究方法分析
城市燃气负荷预测技术研究方法分析
廖泽辉
【期刊名称】《石化技术》
【年(卷),期】2016(023)007
【摘要】本文介绍了燃气负荷预测方法,并选用灰色—神经网络预测方法进行实例考核,表明灰色—神经网络预测方法使预测精度得到了明显的提高,降低了实际负荷值和预测值之间的平均绝对误差和平均相对误差.
【总页数】1页(P140)
【作者】廖泽辉
【作者单位】西安石油大学陕西西安 710065;陕西省天然气股份有限公司陕西西安 710016
【正文语种】中文
【相关文献】
1.城市燃气负荷预测分析 [J], 张德建
2.差分进化极限学习机城市燃气负荷预测 [J], 何方舟;姚安林;刘源海;宋承恩;翁祥
3.城市燃气负荷预测方法及其分析 [J], 朱雪鹏
4.基于ESN和改进RBFNN的城市燃气负荷预测 [J], 徐玚;徐晓钟
5.城市燃气小时负荷预测模型研究 [J], 刘金源
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进RBF网络算法的电力系统短期负荷预测
基于改进RBF网络算法的电力系统短期负荷预测
郭伟伟;刘家学;马云龙;李书琰
【期刊名称】《电力系统保护与控制》
【年(卷),期】2008(036)023
【摘要】提出了一种交替梯度算法对径向基函数(RBF)神经网络的训练方法进行改进,并将之运用于电力系统短期负荷预测.交替梯度算法通过优化输出层权值和优化RBF函数的中心与标准偏差值来实现.改进的算法与传统梯度下降算法相比,具有更快的收敛速度和更高的预测精度.所构建的负荷预测模型综合考虑了气象、日类型等影响负荷变化的因素,并在预测形式上做了巧妙处理.预测结果表明改进的RBF网络算法具有一定的实用性.
【总页数】4页(P45-48)
【作者】郭伟伟;刘家学;马云龙;李书琰
【作者单位】许昌供电公司,河南,许昌,461000;深圳供电局,广州,深圳,518020;许昌供电公司,河南,许昌,461000;许昌供电公司,河南,许昌,461000
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于大数据简约及PCA改进RBF网络的短期电力负荷预测 [J], 张淑清;任爽;陈荣飞;钱磊;姜万录;李盼
2.一种改进的RBF网络在电力系统短期负荷预测中的应用 [J], 张晓亮
3.基于改进BP算法的短期电力系统负荷预测 [J], 林俐;汤亚芳;张尚然
4.基于改进随机森林算法的电力系统短期负荷预测模型 [J], 邢书豪;孙文慧;颜勇;张智晟
5.电力系统短期负荷预测的改进BP神经网络算法比较 [J], 程超
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进灰色GM(1,1)模型的天然气负荷预测
基于改进灰色GM(1,1)模型的天然气负荷预测孙相博;王岳【摘要】构建三种改进的灰色预测模型,提高传统预测方法的精度.以北京市2007—2015年天然气负荷量作为原始数据建立模型,并用2016年数据进行结果检验.依次对三种改进灰色GM(1,1)模型分析和比较,选出最佳的改进模型与新陈代谢模型结合,替换旧数据、填补新数据,依次建模,构建北京市2017—2020年天然气负荷量预测模型.结果表明,组合后的模型可降低原始数据对预测系统的干扰,预测精度符合实际要求,且精度远高于传统的灰色模型,能真实反映未来天然气年负荷量的发展趋势,预测结果具有可靠性和实用性.同时,也为燃气市场的规划和调控提供参考.【期刊名称】《辽宁石油化工大学学报》【年(卷),期】2019(039)003【总页数】6页(P52-57)【关键词】天然气;年负荷量;灰色模型;改进;预测【作者】孙相博;王岳【作者单位】辽宁石油化工大学石油天然气工程学院,辽宁抚顺 113001;辽宁石油化工大学石油天然气工程学院,辽宁抚顺 113001【正文语种】中文【中图分类】TE89目前，天然气需求快速增长，合理预测某地区的天然气负荷量，是合理规划管道调度之前的重要环节，同时为未来国家政策的制定提供参考[1]。
目前天然气负荷预测方法主要有线性拟合法、灰色模型法、时间序列法、神经网络法、弹性系数法等[2-6]。
由于天然气负荷量的影响因素众多，如天然气价格、政府政策、替代品价格、国民经济、产业结构等，因而运用因素间相互动力关系的模型对天然气负荷量进行预测，实际误差较大，没有达到预测目标[7]。
灰色模型对原始数据没有特殊的要求，尤其对短时间序列、少原始数据系统的建模和预测具有较高的精度，可用于天然气负荷量的中长期预测[8]，但灰色模型对于数据波动性较大的序列很难达到较为理想的效果[9]。
灰色模型与马尔科夫模型、神经网络模型的组合，首先将模型目标参数进行优化，不断提高预测精度[10-11]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
基于双储备池ESN和改进RBFNN的城市燃气负荷预测
在可持续发展的背景下,天然气作为一种清洁型能源,符合“建设智慧绿色城市”的主题。
城市燃气负荷预测是城市燃气管网系统运行调度中的重要内容,对燃气公司的供气系统、管道建设、优化调度等具有重要意义。
针对燃气负荷数据的周期性和非线性特点,以及单一模型存在的局限性,本文采用一种基于双储备池ESN(Echo State Network,回声状态网络)和改进RBFNN(Radial Basis Function Neural Network,径向基函数神经网络)的组合预测模型。
本文所用数据是上海市某地区2005年—2014年的燃气负荷数据,将数据用于预测前,首先进行了数据预处理。
双储备池回声状态网络(bi-reservoir ESN,BRESN)分别对负荷序列和参数序列建模,将两个储备池的输出进行整合,以得到预测结果,提高了预测精度。
BRESN的网络性能由四个参数(规模、谱半径、伸缩尺度和稀疏度)决定,本文选择计算量较小的果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对这四个参数进行了优化。
作为本文组合模型的另一个算法,改进的RBF网络将优化后的BRESN网络的输出结果作为输入,也就是,将BRESN和RBF神经网络串行组合,BRESN作初步预测,RBF作残差修正,以弥补单一算法的局限性。
关于RBF算法的优化,本文用混合编码的方法对每个节点同时进行二进制编码和实数编码,将差分进化(Differential Evolution,DE)算法与梯度下降算法相结合,对RBFNN的结构和参数同时进行优化,增强了算法的局部搜索能力,加快了收敛速度。
本文的最后一部分是实验验证,为了说明本文模型的性能,将本文研究的组合模型与基于经典的SVM、BP神经网络、RBF神经网络、BRESN和未优化的
BRESN-RBF的预测模型进行对比,比较各自的MAE(平均绝对误差)、RMSE(均方根误差)、MAPE(平均绝对百分误差)和MSE(均方误差)。
实验结果表明,本文模型的预测精度更高。