基于BP組合模型的燃氣負荷預測的研究.pdf

1、隨著燃氣市場的不斷發(fā)展，燃氣負荷預測工作成為燃氣系統(tǒng)管理部門的一項重要工作。準確地進行燃氣負荷預測可以更好地制定燃氣管網規(guī)劃方案，可以更加合理地調度燃氣。對于提高燃氣公司企業(yè)的經濟效益和社會效益、保持燃氣系統(tǒng)的安全穩(wěn)定運行、保障人們日常生活的有序進行具有重要的意義。
　　本文首先介紹了燃氣負荷預測的研究背景、研究意義以及國內外研究現狀，并且敘述了燃氣負荷預測的基本理論；其次，敘述了燃氣負荷自身的特點以及燃氣負荷的影響因素，并且對燃

2、氣負荷數據所做的數據預處理工作，為負荷預測提供理論基礎和準備工作。
　　接著本文主要敘述對于燃氣負荷預測所用的方法，由于燃氣負荷預測是一項十分具有挑戰(zhàn)性的工作，其影響因素多、數據變化大，預測很難達到令人滿意的精度。為確定更加合適于燃氣負荷的預測模型，本文從多模型比較以及優(yōu)化兩個方面進行了探索。本文研究的方法是在傳統(tǒng)成熟理論的基礎上建立灰色理論模型、支持向量機模型和BP神經網絡模型，通過對比分析得到最為合適的模型；在此基礎上，本文針

3、對BP神經網絡收斂速度慢，容易陷入局部最小值的缺點，在模型的優(yōu)化上進行了進一步探索研究，具體要用到兩個主要方案，即參數優(yōu)化以及數據分類。其中為優(yōu)化預測模型參數，本文引入了遺傳算法、粒子群優(yōu)化算法和布谷鳥算法這幾種屬于生物學領域的參數尋優(yōu)算法來分別對BP神經網絡進行參數尋優(yōu)。經過三種參數優(yōu)化算法得到適應度較好的種群個體作為 BP神經網絡的權值和閾值組合進行網絡訓練和預測。通過實驗分析，布谷鳥搜索算法對BP神經網絡的參數尋優(yōu)效果更好，模型預

4、測精度更高，因此本文最終用到的燃氣負荷預測模型為CS-BP神經網絡模型。
　　另一方面，本文提出將負荷數據分為兩類：一類為平常日的負荷數據，一類為特殊日（主要為節(jié)假日）的負荷數據，其做法主要是將特殊日分離出來單獨建立預測模型，并對特殊日負荷預測引入相似日方法，通過計算特征向量的模糊化篩選到候選相似日，再通過與預測日相似度以及灰色關聯(lián)度的計算，當相似度度量a?0.5以及灰色關聯(lián)度排序在前10的數據，選為最終相似日。又由于節(jié)假日的負荷