基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法
【專利摘要】本發(fā)明基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，涉及短期負(fù)荷預(yù)測(cè)【技術(shù)領(lǐng)域】。本發(fā)明包括利用Matlab進(jìn)行相關(guān)性分析確認(rèn)輸入變量，利用經(jīng)過預(yù)處理之后的歷史數(shù)據(jù)建成橫縱坐標(biāo)分別為日期和平均溫度的智能網(wǎng)格，并通過智能網(wǎng)格選取與待預(yù)測(cè)日相似的歷史數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練以及預(yù)測(cè)，利用小波的去噪處理和結(jié)合燃?xì)庳?fù)荷預(yù)測(cè)過程因其復(fù)雜性以及受較多外界因素的影響，利用具有較高自適應(yīng)性的模糊神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)庳?fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè)，在訓(xùn)練過程中加入了通過誤差對(duì)模型參數(shù)進(jìn)行修正的過程，從而有利于提高最終的預(yù)測(cè)精度。本發(fā)明的方法可以對(duì)天然氣調(diào)度提供有力參考依據(jù)，符合市場(chǎng)發(fā)展需求的物質(zhì)技術(shù)基礎(chǔ)。
【專利說明】基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及短期負(fù)荷預(yù)測(cè)【技術(shù)領(lǐng)域】，具體指一種基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng) 絡(luò)的天然氣短期負(fù)荷預(yù)測(cè)方法。

【背景技術(shù)】
[0002] 現(xiàn)在，天然氣已經(jīng)成為世界第三大能源，我國(guó)目前也緊跟世界形勢(shì)，積極號(hào)召建設(shè) 環(huán)境友好型、資源節(jié)約型社會(huì)，在此期間天然氣的規(guī)劃需求將會(huì)比2005年翻一番。天然氣 年消費(fèi)量也將從現(xiàn)在的400多億立方米上升到1000億立方米，到2020年，將達(dá)到約2000 億立方米。所以天然氣的發(fā)展必將帶動(dòng)城市天然氣的快速發(fā)展。緊隨其后就面臨著一系列 的諸如：城市氣源更換、城市燃?xì)夤芫W(wǎng)規(guī)劃、儲(chǔ)氣設(shè)施的建設(shè)等問題。針對(duì)這些問題，燃?xì)庳?fù) 荷預(yù)測(cè)方法的研究工作就顯得尤為重要了。
[0003] 負(fù)荷預(yù)測(cè)方法的研究已經(jīng)經(jīng)歷了很長(zhǎng)一段時(shí)間，到目前為止仍然有層出不窮的新 方法新理論出現(xiàn)。目前比較成熟的預(yù)測(cè)方法主要分為兩類：傳統(tǒng)經(jīng)典數(shù)學(xué)方法和人工智能 方法。傳統(tǒng)經(jīng)典數(shù)學(xué)方法的主要思想就是基于負(fù)荷曲線形狀和函數(shù)形式的研究，并結(jié)合概 率論、數(shù)理統(tǒng)計(jì)等數(shù)學(xué)知識(shí)來對(duì)負(fù)荷進(jìn)行預(yù)測(cè)，主要包括：回歸分析法、灰度模型預(yù)測(cè)法和 分解模型法等；人工智能方法的主要思想是通過考慮除了負(fù)荷曲線形狀和函數(shù)形式等因素 夕卜，還會(huì)考慮影響負(fù)荷的眾多其他外在因素，如溫度，天氣，日期類型等。主要包括：人工神 經(jīng)網(wǎng)絡(luò)、專家系統(tǒng)、小波分析、支持向量機(jī)等。但是這些方法已經(jīng)漸漸的不能夠滿足現(xiàn)實(shí)中 越來越龐大且復(fù)雜的數(shù)據(jù)預(yù)測(cè)需求。
[0004] 就目前來看，在負(fù)荷預(yù)測(cè)領(lǐng)域電力負(fù)荷預(yù)測(cè)是國(guó)內(nèi)外研究最多，成果最顯著的方 向，目前已經(jīng)有比較成熟的系統(tǒng)和預(yù)測(cè)方法應(yīng)用到了市場(chǎng)預(yù)測(cè)中。但是天然氣和電力本身 的物理特性、存儲(chǔ)方式以及運(yùn)輸方式等方面存在很大的差異，物理特性方面天然氣的物理 特性主要包括液態(tài)和氣態(tài)所以周圍溫度等外界條件對(duì)天然氣負(fù)荷預(yù)測(cè)的影響要遠(yuǎn)遠(yuǎn)大于 對(duì)電力負(fù)荷預(yù)測(cè)的影響；存儲(chǔ)方式方面天然氣需要通過管道進(jìn)行儲(chǔ)存，并且如果儲(chǔ)存過多 會(huì)造成管道壓力過大而產(chǎn)生危險(xiǎn)，過少又會(huì)造成壓力不夠不能滿足正常用氣需求，而電力 根本不用儲(chǔ)存；運(yùn)輸方式方面天然氣是通過管道運(yùn)輸所以不能像電力那樣通過電線運(yùn)輸可 以實(shí)時(shí)到達(dá)目的地。以上這些天然氣的特點(diǎn)都為燃?xì)庳?fù)荷預(yù)測(cè)增加了難度，所以即使電力 負(fù)荷預(yù)測(cè)已經(jīng)有了很多較為成熟的預(yù)測(cè)方法，但是對(duì)于天然氣負(fù)荷預(yù)測(cè)是不適用的，仍需 要尋找適合天然氣本身特點(diǎn)的負(fù)荷預(yù)測(cè)方法。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)存在的缺失和不足，尋找適合天然氣本身特點(diǎn)的 負(fù)荷預(yù)測(cè)方法，提出一種基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法。
[0006] 第一、通過Matlab對(duì)歷史數(shù)據(jù)中記錄的各個(gè)變量（日期、天氣溫度等）與燃?xì)庳?fù) 荷量進(jìn)行相關(guān)性分析，最后在這些變量中選擇與燃?xì)庳?fù)荷量的相關(guān)系數(shù)大于〇. 8的變量作 為預(yù)測(cè)系統(tǒng)的輸入變量。
[0007] 第二、對(duì)所有的歷史數(shù)據(jù)進(jìn)行預(yù)處理，去除一些因?yàn)橛涗浭д`而產(chǎn)生的壞數(shù)據(jù)，以 及一些反常數(shù)據(jù)如由于一些不可抗力因素或者局部地區(qū)活動(dòng)造成的反常數(shù)據(jù)，不包括因?yàn)?正常節(jié)假日而造成的偽反常數(shù)據(jù)，將這些壞數(shù)據(jù)和反常數(shù)據(jù)用最近一周相同日期類型的平 均值代替。
[0008] 第三、結(jié)合歷史記錄（包括日期，天氣，最高溫度，最低溫度，平均溫度，燃?xì)庳?fù)荷 的歷史數(shù)據(jù)）數(shù)據(jù)量大且燃?xì)庳?fù)荷受外界影響比較大的特點(diǎn)提出了通過智能網(wǎng)格分類技 術(shù)從大量的歷史數(shù)據(jù)中找出與待預(yù)測(cè)日的數(shù)據(jù)特征具有較大相似性的數(shù)據(jù)，然后利用這些 數(shù)據(jù)對(duì)預(yù)測(cè)模型進(jìn)行訓(xùn)練和預(yù)測(cè)，并且考慮到數(shù)據(jù)量過少或過大都會(huì)對(duì)預(yù)測(cè)模型的預(yù)測(cè)精 度產(chǎn)生影響，經(jīng)過大量實(shí)驗(yàn)證明對(duì)于燃?xì)鈹?shù)據(jù)來說，訓(xùn)練數(shù)據(jù)量在30到100天之間時(shí)預(yù)測(cè) 結(jié)果較為理想，所以對(duì)智能網(wǎng)格分類技術(shù)添加了智能控制輸出數(shù)據(jù)量的功能；考慮到一個(gè) 季度里的外界條件以及燃?xì)庳?fù)荷的相關(guān)性較大，所以可以根據(jù)月份按季度將所有的歷史數(shù) 據(jù)進(jìn)行劃分。具體實(shí)現(xiàn)步驟如下：
[0009] 利用經(jīng)過預(yù)處理之后的歷史數(shù)據(jù)建成橫縱坐標(biāo)分別為日期和平均溫度的智能網(wǎng) 格。
[0010] 對(duì)某一天的燃?xì)饬窟M(jìn)行預(yù)測(cè)時(shí)將這一天的日期和平均溫度T輸入智能網(wǎng)格，智能 網(wǎng)格會(huì)首先將歷史數(shù)據(jù)中所有與輸入的日期所屬的月份Μ同一季度的數(shù)據(jù)提取出來組成 數(shù)據(jù)集D(數(shù)據(jù)集D包括日期、天氣、最高溫度、最低溫度、平均溫度、燃?xì)庳?fù)荷等屬性）；考 慮到平均溫度與燃?xì)庳?fù)荷的相關(guān)性最大，將D中的平均溫度按照下面三個(gè)區(qū)間公式： _1] [2*(Tmax-Tmin)/3+Tmin，Tmax]
[0012] [ (Tmax-Tmin) /3+Tmin, 2* (Tmax-Tmin) /3+Tmin]
[0013] [Tmin, (Tmax-Tmin)/3+Tmin]
[0014] 分成三部分，其中Tmax和Tmin分別是數(shù)據(jù)集D中平均溫度的最大值和最小值，與此 同時(shí)數(shù)據(jù)集D就分成了相對(duì)高溫?cái)?shù)據(jù)集D1，相對(duì)中溫?cái)?shù)據(jù)集D2和相對(duì)低溫?cái)?shù)據(jù)集D3三部 分，然后根據(jù)系統(tǒng)輸入的平均溫度T判斷屬于Dl，D2, D3中的哪一個(gè)（假設(shè)屬于D1)，統(tǒng)計(jì) D1數(shù)據(jù)量Size (D1)，如果Size (D1)小于30天則智能網(wǎng)格會(huì)自動(dòng)將該區(qū)域的平均溫度最小 值減0.Γ最大值加0.Γ以增加 D1的數(shù)據(jù)量；如果Size (D1)大于100天則智能網(wǎng)格會(huì)自 動(dòng)將該區(qū)域的平均溫度最小值加0.Γ最大值減0.Γ以減少D1的數(shù)據(jù)量；最終將和待預(yù) 測(cè)數(shù)據(jù)具有高度相關(guān)性的歷史數(shù)據(jù)量Size (D1)控制在30到100天之間（如果屬于D2，D3 操作類似）。
[0015] 第四、結(jié)合燃?xì)庳?fù)荷預(yù)測(cè)過程的復(fù)雜性以及受較多外界因素的影響，提出了先利 用小波去噪對(duì)選出的歷史數(shù)據(jù)進(jìn)行去噪處理然后再利用具有較高自適應(yīng)性的模糊神經(jīng)網(wǎng) 絡(luò)對(duì)燃?xì)庳?fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè)，并且在訓(xùn)練過程中加入了通過誤差對(duì)模型參數(shù)進(jìn)行修正的 過程，從而有利于增強(qiáng)預(yù)測(cè)模型的強(qiáng)壯性，進(jìn)而有利于提高最終的預(yù)測(cè)精度，具體操作如 下：
[0016] 利用小波變換對(duì)智能網(wǎng)格輸出的歷史數(shù)據(jù)進(jìn)行去噪處理。
[0017] 進(jìn)行系統(tǒng)建模，根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)輸入/輸出節(jié)點(diǎn)數(shù)、模糊隸 屬度函數(shù)個(gè)數(shù)構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)，然后對(duì)模糊神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化。
[0018] 對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練過程中不斷利用前一次訓(xùn)練的誤差對(duì)系統(tǒng)的參 數(shù)進(jìn)行修正，直到達(dá)到最大迭代次數(shù)，經(jīng)過大量實(shí)驗(yàn)表明，迭代次數(shù)過多就會(huì)出現(xiàn)過訓(xùn)練情 況，過少就會(huì)造成訓(xùn)練不充分從而影響模型的預(yù)測(cè)精確度，最終確定迭代次數(shù)為100的時(shí) 候預(yù)測(cè)結(jié)果較為理想。
[0019] 對(duì)待預(yù)測(cè)日的燃?xì)庳?fù)荷進(jìn)行預(yù)測(cè)，將待預(yù)測(cè)日的輸入變量值分別輸入訓(xùn)練好的模 糊神經(jīng)網(wǎng)絡(luò)即可獲得待預(yù)測(cè)日的燃?xì)庳?fù)荷預(yù)測(cè)值。

【專利附圖】

【附圖說明】
[0020] 圖1為本發(fā)明基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法的流程 框圖；
[0021] 圖2、圖2-1、圖2-2、圖2-3為本發(fā)明的智能網(wǎng)格分類技術(shù)的操作流程框圖及其模 塊圖；
[0022] 圖3為本發(fā)明的模糊神經(jīng)網(wǎng)絡(luò)的工作流程框圖。

【具體實(shí)施方式】
[0023] 以下結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步的描述
[0024] 利用經(jīng)過預(yù)處理之后的歷史數(shù)據(jù)建成橫縱坐標(biāo)分別為日期和平均溫度的智能網(wǎng) 格，經(jīng)小波的去噪處理和結(jié)合燃?xì)庳?fù)荷預(yù)測(cè)過程因其復(fù)雜性以及受較多外界因素的影響， 利用具有較高自適應(yīng)性的模糊神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)庳?fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè)的本發(fā)明實(shí)施例如 下：
[0025] 通過Matlab對(duì)各個(gè)變量與燃?xì)庳?fù)荷量做相關(guān)性分析，最后確定用每日的日期、天 氣、最高溫度、最低溫度、平均溫度、前一天的燃?xì)庳?fù)荷值做為輸入變量，然后對(duì)所有的歷史 數(shù)據(jù)進(jìn)行預(yù)處理。
[0026] 對(duì)2009年7月1日的燃?xì)庳?fù)荷進(jìn)行預(yù)測(cè)，將這一天所屬的月份7和平均溫度 25.9°輸入智能網(wǎng)格，首先智能網(wǎng)格會(huì)將所有歷史數(shù)據(jù)中的第三季度的數(shù)據(jù)全部取出組成 數(shù)據(jù)集D，然后智能網(wǎng)格會(huì)自動(dòng)將數(shù)據(jù)集D平均分成三部分Dl(16°，22. 3° )，D2(22.4°， 28.6° )，D3(28.7°，35° )，因?yàn)檩斎胫悄芫W(wǎng)格的平均溫度為25.9°所以屬于數(shù)據(jù)集D2， 因?yàn)镾ize (D2) = 75天在30到100天之間，所以D2就是要找的歷史數(shù)據(jù)集。
[0027] 利用小波對(duì)D2進(jìn)行去噪處理得到數(shù)據(jù)集D2'，將D2'作為模糊神經(jīng)網(wǎng)絡(luò)的訓(xùn)練 數(shù)據(jù)對(duì)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)束后再把2009年7月1日的天氣、最高溫度、最低溫 度、平均溫度、周三以及前一天的燃?xì)庳?fù)荷值作為輸入變量輸入到訓(xùn)練好的模糊神經(jīng)網(wǎng)絡(luò) 中得到最終的預(yù)測(cè)結(jié)果。
[0028] 最終的預(yù)測(cè)誤差為0. 0239,符合市場(chǎng)所需要的最大0. 05的預(yù)測(cè)誤差要求。
[0029] 綜上所述，本發(fā)明利用經(jīng)過預(yù)處理之后的歷史數(shù)據(jù)建成橫縱坐標(biāo)分別為日期和平 均溫度的智能網(wǎng)格，利用小波的去噪處理和結(jié)合燃?xì)庳?fù)荷預(yù)測(cè)過程因其復(fù)雜性以及受較多 外界因素的影響，利用具有較高自適應(yīng)性的模糊神經(jīng)網(wǎng)絡(luò)對(duì)燃?xì)庳?fù)荷進(jìn)行訓(xùn)練和預(yù)測(cè)，在 訓(xùn)練過程中加入了通過誤差對(duì)模型參數(shù)進(jìn)行修正的過程，從而有利于增強(qiáng)預(yù)測(cè)模型的強(qiáng)壯 性，進(jìn)而有利于提高最終的預(yù)測(cè)精度。該方法是可以對(duì)天然氣調(diào)度提供有力參考依據(jù)，是符 合市場(chǎng)發(fā)展需求的物質(zhì)技術(shù)基礎(chǔ)。
【權(quán)利要求】
1. 一種基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，包含智能網(wǎng)格和模 糊神經(jīng)網(wǎng)絡(luò)，其特征在于，包括步驟：第一：確定輸入變量；第二：預(yù)處理；第三：建立智能 網(wǎng)格；第四：參數(shù)輸入智能網(wǎng)格并輸出歷史數(shù)據(jù)；第五：小波去噪；第六：模糊神經(jīng)網(wǎng)絡(luò)的 訓(xùn)練以及預(yù)測(cè)。
2. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第一：確定預(yù)測(cè)系統(tǒng)的輸入變量，通過Matlab對(duì)各個(gè)變量與燃?xì)庳?fù)荷 量進(jìn)行相關(guān)性分析，最后確定選擇與燃?xì)庳?fù)荷量相關(guān)系數(shù)大于〇. 8的變量作為預(yù)測(cè)系統(tǒng)的 輸入變量。
3. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第二：歷史數(shù)據(jù)預(yù)處理，主要包括去除一些因?yàn)橛涗浭д`而產(chǎn)生的一些 壞數(shù)據(jù)、以及一些反常數(shù)據(jù)如由于一些不可抗力因素或者局部地區(qū)活動(dòng)造成的反常數(shù)據(jù)， 采用最近一周相同日期類型的平均值代替。
4. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第三：建立智能網(wǎng)格，以歷史數(shù)據(jù)的日期和平均溫度構(gòu)成智能網(wǎng)格的橫 縱坐標(biāo)。
5. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第四：參數(shù)輸入智能網(wǎng)格并輸出歷史數(shù)據(jù)，將待預(yù)測(cè)日所屬的月份和平 均溫度輸入智能網(wǎng)格，智能網(wǎng)格自動(dòng)提取出相似的歷史數(shù)據(jù)并且將數(shù)據(jù)量控制在30到100 天。
6. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第五：小波去噪，對(duì)選出來的歷史數(shù)據(jù)進(jìn)行小波去噪處理。
7. 如權(quán)利要求1所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方法，其 特征在于，所述步驟第六：模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和預(yù)測(cè)，還包括： 第六.1根據(jù)訓(xùn)練樣本維數(shù)確定模糊神經(jīng)網(wǎng)絡(luò)輸入/輸出節(jié)點(diǎn)數(shù)、模糊隸屬度函數(shù)個(gè)數(shù) 構(gòu)建模糊神經(jīng)網(wǎng)絡(luò)； 第六.2模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，在訓(xùn)練過程中不斷利用前一次訓(xùn)練的誤差對(duì)系統(tǒng)的 參數(shù)進(jìn)行修正，直到達(dá)到最大迭代次數(shù)； 第六.3利用訓(xùn)練后的模糊神經(jīng)網(wǎng)絡(luò)對(duì)待預(yù)測(cè)日的燃?xì)庳?fù)荷進(jìn)行預(yù)測(cè)。
8. 如權(quán)利要求1或5所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方 法，其特征在于，所述步驟第四：參數(shù)輸入智能網(wǎng)格并輸出歷史數(shù)據(jù)，還包括： 第四.1輸入待預(yù)測(cè)日所屬月份Μ和平均溫度T ; 第四.2智能網(wǎng)格根據(jù)月份Μ得到數(shù)據(jù)集D ; 第四.3智能網(wǎng)格將數(shù)據(jù)集分為Dl，D2, D3 ; 第四.4若Τ在D1范圍內(nèi)，計(jì)算D1數(shù)據(jù)量Size (D1)，若Size (D1)在30天到100天之 間則輸出D1，若小于30天則將D1中平均溫度最小值減0. Γ，最大值加0. Γ，若大于100 天則將D1中平均溫度最小值加0. Γ，最大值減0. Γ，若T不在D1范圍內(nèi)則執(zhí)行下一步； 第四.5若T在D2范圍內(nèi)，計(jì)算D2數(shù)據(jù)量Size (D2)，若Size (D2)在30天到100天之 間則輸出D2,若小于30天則將D2中平均溫度最小值減0. Γ，最大值加0. Γ，若大于100 天則將D2中平均溫度最小值加0. Γ，最大值減0. Γ，若T不在D2范圍內(nèi)則執(zhí)行下一步； 第四.6計(jì)算D3數(shù)據(jù)量Size (D3)，若Size (D3)在30天到100天之間則輸出D3,若小 于30天則將D3中平均溫度最小值減0. Γ，最大值加0. Γ，若大于100天則將D3中平均 溫度最小值加〇. Γ，最大值減〇. Γ。
9. 如權(quán)利要求1或7所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù)測(cè)方 法，其特征在于，所述步驟最大迭代次數(shù)為100。
10. 如權(quán)利要求1或5或8所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù) 測(cè)方法，其特征在于，所述步驟第四：參數(shù)輸入智能網(wǎng)格并輸出歷史數(shù)據(jù)，第四.2智能網(wǎng)格 根據(jù)月份Μ得到數(shù)據(jù)集D，將歷史數(shù)據(jù)中所有與月份Μ屬于同一個(gè)季度的數(shù)據(jù)提取出來組成 數(shù)據(jù)集D。
11. 如權(quán)利要求1或5或8所述的基于智能網(wǎng)格分類和模糊神經(jīng)網(wǎng)絡(luò)的天然氣負(fù)荷預(yù) 測(cè)方法，其特征在于，所述步驟第四：參數(shù)輸入智能網(wǎng)格并輸出歷史數(shù)據(jù)，第四.3智能網(wǎng)格 將數(shù)據(jù)集分為Dl，D2, D3,首先將數(shù)據(jù)集D中的平均溫度按照區(qū)間公式： [2* (Tmax-Tmin) /3+Tmin, Tmax] [(T-_Tmin) /3+Tmin, 2* (T--Tmin) /3+Tmin] [Tmin, (Tmax_Tmin)/3+Tmin] 分成三份，與此同時(shí)數(shù)據(jù)集D就分成了相對(duì)高溫?cái)?shù)據(jù)集Dl，相對(duì)中溫?cái)?shù)據(jù)集D2,相對(duì)低 溫?cái)?shù)據(jù)集D3。
【文檔編號(hào)】G06Q10/04GK104123591SQ201410334523
【公開日】2014年10月29日 申請(qǐng)日期:2014年7月14日 優(yōu)先權(quán)日:2014年7月14日
【發(fā)明者】徐曉鐘, 李龍康, 孔德鳳, 張相芬, 馬燕 申請(qǐng)人:上海師范大學(xué)