專(zhuān)利名稱(chēng)：基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法，具體的說(shuō)是一種運(yùn)用多種神經(jīng)網(wǎng) 絡(luò)模型進(jìn)行燃?xì)馊肇?fù)荷預(yù)報(bào)并最終由廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)膺M(jìn)行組合預(yù)報(bào)的新方 法。
背景技術(shù)：
燃?xì)忸A(yù)測(cè)的研究依賴(lài)于天然氣具有的周期性、趨勢(shì)性、隨機(jī)性等特點(diǎn)。影響燃?xì)庳?fù) 荷的因素也很多，例如，溫度、氣候條件、節(jié)假日、居民生活水平、生活習(xí)慣、能源政策以及社 會(huì)經(jīng)濟(jì)發(fā)展水平等，這些影響使得如何準(zhǔn)確預(yù)測(cè)更加具有挑戰(zhàn)性。燃?xì)忸A(yù)測(cè)在我國(guó)已經(jīng)有了一定的發(fā)展，但由于我國(guó)天然氣作為一種新能源使用時(shí) 間還不長(zhǎng)，可供預(yù)測(cè)使用的數(shù)據(jù)和經(jīng)驗(yàn)還很不足。目前傳統(tǒng)的預(yù)測(cè)方法有回歸分析法，時(shí)間序列分析法、神經(jīng)網(wǎng)絡(luò)法、灰色理論法、 模糊邏輯法，組合預(yù)測(cè)等方法。各種方法各有自己的特點(diǎn)。比如時(shí)間序列法具有原理成熟、 應(yīng)用簡(jiǎn)便、所需歷史數(shù)據(jù)少、工作量少等優(yōu)點(diǎn)；灰色預(yù)測(cè)具有要求負(fù)荷數(shù)據(jù)少，建模比較簡(jiǎn) 單，在數(shù)據(jù)缺乏時(shí)十分有效。但是這些方法也具有一定的缺點(diǎn)和局限性。比如時(shí)間序列法有對(duì)數(shù)據(jù)的要求較 高，不能方便地考慮天氣情況等對(duì)負(fù)荷有重要影響的相關(guān)因素，只致力于數(shù)據(jù)的擬合，對(duì)規(guī) 律性的處理不足等缺點(diǎn)?；疑A(yù)測(cè)比較適合具有指數(shù)增長(zhǎng)規(guī)律的負(fù)荷的預(yù)測(cè)，當(dāng)負(fù)荷增長(zhǎng) 速度較慢，即對(duì)應(yīng)的指數(shù)函數(shù)X =|a|較小時(shí)，預(yù)測(cè)精度較高，a|較大時(shí)，預(yù)測(cè)精度變差。燃?xì)庳?fù)荷預(yù)測(cè)方法很多，但各方法的適用條件和特點(diǎn)不同，各調(diào)度期內(nèi)燃?xì)庳?fù)荷 有時(shí)既具有一種方法的特點(diǎn)，又具有另一種方法的特點(diǎn)，那么就可以將幾種方法進(jìn)行優(yōu)化 組合，其預(yù)測(cè)效果將得到大大提高。它能避免單一預(yù)測(cè)方法丟失有用信息的缺陷，減少隨機(jī) 性。提高預(yù)測(cè)精度。

發(fā)明內(nèi)容
本發(fā)明的目的在于提供一種預(yù)報(bào)結(jié)果準(zhǔn)確性及精度高，相對(duì)誤差小的基于廣義動(dòng) 態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法。本發(fā)明的目的是這樣實(shí)現(xiàn)的(1)由城市燃?xì)庹{(diào)度中心采集城市燃?xì)鈿v史記錄數(shù)據(jù)作為歷史時(shí)間序列數(shù)據(jù)；(2)對(duì)歷史時(shí)間序列數(shù)據(jù)進(jìn)行異常數(shù)據(jù)判斷和處理，異常數(shù)據(jù)判斷和處理包括 參考相似日數(shù)據(jù)，進(jìn)行平滑、修正、歸一化、組成歷史負(fù)荷時(shí)間序列；所述相似日即是離其最 近的具有相近天氣、溫度、星期幾；(3)利用廣義回歸神經(jīng)網(wǎng)絡(luò)，對(duì)歷史負(fù)荷時(shí)間序列即樣本數(shù)據(jù)進(jìn)行差分處理再通 過(guò)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)，根據(jù)樣本數(shù)據(jù)逼近隱含的預(yù)測(cè)映射關(guān)系，得到預(yù)測(cè)日負(fù)荷值；(4)利用灰色神經(jīng)網(wǎng)絡(luò)，將輸入歷史負(fù)荷時(shí)間序列的一次累加生成數(shù)據(jù)作為網(wǎng)絡(luò)CN 102073785 A
說(shuō)明書(shū)
2/6頁(yè)
的輸入，輸出對(duì)應(yīng)預(yù)測(cè)日負(fù)荷的一次累加生成數(shù)據(jù)，訓(xùn)練網(wǎng)絡(luò)，最后將輸出值進(jìn)行一次累減 逆生成處理，得到預(yù)測(cè)日負(fù)荷值；(5)將( (4)得到的預(yù)測(cè)值作為廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸入，并對(duì)數(shù)據(jù)進(jìn)行分 組，最終得到預(yù)測(cè)日負(fù)荷值。本發(fā)明還可以包括1、所述采集的城市燃?xì)鈿v史記錄數(shù)據(jù)是指城市燃?xì)馊肇?fù)荷用氣量；2、用于組合預(yù)測(cè)的廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)開(kāi)始時(shí)不設(shè)定模糊規(guī)則，系統(tǒng)通過(guò)學(xué)習(xí) 在線自動(dòng)產(chǎn)生和修剪模糊規(guī)則，參數(shù)自適應(yīng)計(jì)算，并和結(jié)構(gòu)辨識(shí)同時(shí)進(jìn)行。3、所述的基于差分處理的廣義回歸神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)各種單一預(yù)測(cè)方法無(wú) 需對(duì)天氣和星期類(lèi)型進(jìn)行特殊考慮。4、所述的數(shù)據(jù)分組形式是指廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)所采用的燃?xì)馊肇?fù)荷數(shù)據(jù)要 根據(jù)節(jié)假日的情況分組。本發(fā)明的基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)，對(duì)數(shù)據(jù)要求不高，無(wú)需考慮 天氣情況等因素，能夠逼近(燃?xì)馊肇?fù)荷)時(shí)間序列的變化規(guī)律。本發(fā)明針對(duì)燃?xì)夤芫W(wǎng)調(diào)度系統(tǒng)中軟件平臺(tái)的后臺(tái)部分也就是燃?xì)庹{(diào)度系統(tǒng)執(zhí)行 預(yù)測(cè)的部分，提出了 一種新的燃?xì)馊肇?fù)荷預(yù)測(cè)方法，利用智能自適應(yīng)組合預(yù)測(cè)方法得到燃 氣日負(fù)荷歷史數(shù)據(jù)和未來(lái)待預(yù)測(cè)日負(fù)荷量之間的關(guān)系。發(fā)明中首先采用了基于差分處理的廣義回歸神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)單一預(yù)測(cè)方 法分別進(jìn)行預(yù)測(cè)，然后將其預(yù)測(cè)結(jié)果作為廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸入進(jìn)行組合預(yù)測(cè)，得 到最終的智能自適應(yīng)組合預(yù)測(cè)方法。本發(fā)明的主要特點(diǎn)包括1、分別采用兩種單一預(yù)測(cè)方法進(jìn)行預(yù)測(cè)，并且對(duì)節(jié)假日情況不做特殊考慮；2、針對(duì)各單一預(yù)測(cè)方法的預(yù)測(cè)結(jié)果設(shè)計(jì)準(zhǔn)確性更高的組合預(yù)測(cè)方法；3、應(yīng)用廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)；4、組合預(yù)測(cè)結(jié)果的檢驗(yàn)采用不同的數(shù)據(jù)分組形式；5、將廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸出作為整個(gè)預(yù)測(cè)系統(tǒng)的輸出，并利用歷史數(shù)據(jù)進(jìn) 行檢驗(yàn)，得到相對(duì)誤差，并對(duì)相對(duì)誤差結(jié)果進(jìn)行分析。本發(fā)明的特點(diǎn)還可以包括1、所述的種單一預(yù)測(cè)方法為廣義回歸神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方法、灰色神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)方 法，并且利用廣義回歸神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)時(shí)，對(duì)(燃?xì)馊肇?fù)荷)時(shí)間序列進(jìn)行差分處理；2、所述的準(zhǔn)確性更高的組合預(yù)測(cè)方法是指將廣義回歸神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò) 各單一預(yù)測(cè)方法的輸出作為組合預(yù)測(cè)的輸入，并通過(guò)廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)組合預(yù) 測(cè)；3、所述的數(shù)據(jù)分組形式是指廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)所采用的檢驗(yàn)數(shù)據(jù)要根據(jù)節(jié) 假日的情況分組。而各對(duì)單一預(yù)測(cè)方法進(jìn)行檢驗(yàn)無(wú)需數(shù)據(jù)分組；4、所述誤差分析是指采用廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行組合預(yù)測(cè)所產(chǎn)生的相對(duì)誤 差與各種單一預(yù)測(cè)方法相對(duì)誤差進(jìn)行比較，進(jìn)而評(píng)價(jià)各預(yù)測(cè)方法的好壞。本發(fā)明的工作原理是本發(fā)明的核心部分是燃?xì)馊肇?fù)荷組合預(yù)測(cè)方法的設(shè)計(jì)、實(shí) 現(xiàn)及檢驗(yàn)。此預(yù)測(cè)系統(tǒng)是基于差分處理的廣義回歸神經(jīng)網(wǎng)絡(luò)、灰色神經(jīng)網(wǎng)絡(luò)各單一預(yù)測(cè)方
4法通過(guò)廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行組合的燃?xì)馊肇?fù)荷預(yù)測(cè)系統(tǒng)。所述的燃?xì)庳?fù)荷預(yù)測(cè)方法，具體包括以下步驟1.考慮到一種預(yù)測(cè)方法不能完全反映所有數(shù)據(jù)信息，確定了基于廣義動(dòng)態(tài)模糊神 經(jīng)網(wǎng)絡(luò)的自適應(yīng)智能組合預(yù)測(cè)方法，見(jiàn)

圖1，并以基于差分處理的廣義回歸神經(jīng)網(wǎng)絡(luò)、灰色 神經(jīng)網(wǎng)絡(luò)單一預(yù)測(cè)方法輸出作為其輸入。數(shù)據(jù)預(yù)處理流程見(jiàn)圖2。2.建立基于差分處理的廣義回歸神經(jīng)網(wǎng)絡(luò)輸出輸入關(guān)系。廣義回歸神經(jīng)網(wǎng)絡(luò)(GeneralizedRegres sion Neural Network，GRNN)結(jié)構(gòu)見(jiàn)圖 3。其輸出為
權(quán)利要求
1.一種基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法，其特征在于具體包括 以下步驟(1)由城市燃?xì)庹{(diào)度中心采集城市燃?xì)鈿v史記錄數(shù)據(jù)作為歷史時(shí)間序列數(shù)據(jù)；(2)對(duì)歷史時(shí)間序列數(shù)據(jù)進(jìn)行異常數(shù)據(jù)判斷和處理，異常數(shù)據(jù)判斷和處理包括參考 相似日數(shù)據(jù)，進(jìn)行平滑、修正、歸一化、組成歷史負(fù)荷時(shí)間序列；所述相似日是指離其最近的 具有相近天氣、溫度、星期幾的日期；(3)利用廣義回歸神經(jīng)網(wǎng)絡(luò)，對(duì)歷史負(fù)荷時(shí)間序列即樣本數(shù)據(jù)進(jìn)行差分處理再通過(guò)網(wǎng) 絡(luò)進(jìn)行預(yù)測(cè)，根據(jù)樣本數(shù)據(jù)逼近隱含的預(yù)測(cè)映射關(guān)系，得到預(yù)測(cè)日負(fù)荷值；(4)利用灰色神經(jīng)網(wǎng)絡(luò)，將輸入歷史負(fù)荷時(shí)間序列的一次累加生成數(shù)據(jù)作為網(wǎng)絡(luò)的輸 入，輸出對(duì)應(yīng)預(yù)測(cè)日負(fù)荷的一次累加生成數(shù)據(jù)，訓(xùn)練網(wǎng)絡(luò)，最后將輸出值進(jìn)行一次累減逆生 成處理，得到預(yù)測(cè)日負(fù)荷值；(5)將步驟(3)、(4)得到的預(yù)測(cè)值作為廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸入，并對(duì)數(shù)據(jù)進(jìn)行 分組，最終得到預(yù)測(cè)日負(fù)荷值。
2.根據(jù)權(quán)利要求1所述的基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法，其 特征在于所述采集的城市燃?xì)鈿v史記錄數(shù)據(jù)是指城市燃?xì)馊肇?fù)荷用氣量。
3.根據(jù)權(quán)利要求2所述的基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法，其 特征在于用于組合預(yù)測(cè)的廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)開(kāi)始時(shí)不設(shè)定模糊規(guī)則，系統(tǒng)通過(guò)學(xué)習(xí)在 線自動(dòng)產(chǎn)生和修剪模糊規(guī)則，參數(shù)自適應(yīng)計(jì)算，并和結(jié)構(gòu)辨識(shí)同時(shí)進(jìn)行。
4.根據(jù)權(quán)利要求3所述的基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法，其 特征在于所述的數(shù)據(jù)分組形式是指廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)所采用的燃?xì)馊肇?fù)荷數(shù)據(jù)根據(jù) 節(jié)假日的情況分組。
全文摘要
本發(fā)明提供的是一種基于廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的燃?xì)馊肇?fù)荷組合預(yù)報(bào)方法。(1)采集城市燃?xì)鈿v史記錄數(shù)據(jù)作為歷史時(shí)間序列數(shù)據(jù)；(2)對(duì)歷史時(shí)間序列數(shù)據(jù)進(jìn)行異常數(shù)據(jù)判斷和處理；(3)利用廣義回歸神經(jīng)網(wǎng)絡(luò)，對(duì)歷史負(fù)荷時(shí)間序列即樣本數(shù)據(jù)進(jìn)行差分處理再通過(guò)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)；(4)利用灰色神經(jīng)網(wǎng)絡(luò)，將輸入歷史負(fù)荷時(shí)間序列的一次累加生成數(shù)據(jù)作為網(wǎng)絡(luò)的輸入，輸出對(duì)應(yīng)預(yù)測(cè)日負(fù)荷的一次累加生成數(shù)據(jù)，訓(xùn)練網(wǎng)絡(luò)，最后將輸出值進(jìn)行一次累減逆生成處理；(5)將步驟(3)、(4)得到的預(yù)測(cè)值作為廣義動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的輸入，并對(duì)數(shù)據(jù)進(jìn)行分組。本發(fā)明針對(duì)燃?xì)馊肇?fù)荷的隨機(jī)性，不穩(wěn)定性，周期性等特點(diǎn)，采用了組合預(yù)報(bào)的方法，預(yù)測(cè)精度更高。
文檔編號(hào)G06F19/00GK102073785SQ20101056121
公開(kāi)日2011年5月25日 申請(qǐng)日期2010年11月26日 優(yōu)先權(quán)日2010年11月26日
發(fā)明者李少陽(yáng), 王巖, 王輝, 鄭薇, 陳虹麗, 齊紅芳 申請(qǐng)人:哈爾濱工程大學(xué)