基于改进遗传算法的短期天然气负荷组合预测方法技术

本发明专利技术属于天然气负荷预测方法技术领域，具体涉及基于改进遗传算法的短期天然气负荷组合预测方法。本发明专利技术提供的预测方法是从城市天然气门站采集数据，首先，采用高斯加权移动平均滤波器对采集的数据进行平滑处理，应用经验模态分解对处理后的数据进行分解，对分解出来的若干个IMF(基本模式分量)和趋势项进行归一化处理；其次，针对遗传算法在进行优化时，交叉概率和变异概率不改变的问题，提出了自适应的交叉概率和变异概率的改进方法；最后，提出采用改进遗传算法优化最小二乘支持向量机对归一化后的分量进行预测，并对预测结果进行重构，得到最终预测结果，并将预测结果与单独采用最小二乘支持向量机预测的结果进行对比。本发明专利技术对短期天然气负荷预测有较高的预测精度，是一种高效的天然气短期负荷预测方法。

Short-term natural gas load combination forecasting method based on Improved Genetic Algorithm

The invention belongs to the technical field of natural gas load forecasting method, and specifically relates to a short-term natural gas load combination forecasting method based on improved genetic algorithm. The forecasting method provided by the invention is to collect data from urban natural gas gate stations. Firstly, the collected data are smoothed by using a Gaussian weighted moving average filter, and the processed data are decomposed by using empirical mode decomposition, and the decomposed IMF (basic mode component) and trend items are normalized; secondly, the genetic algorithm is optimized. When the crossover probability and mutation probability remain unchanged, an improved method of adaptive crossover probability and mutation probability is proposed. Finally, an improved genetic algorithm is proposed to optimize the least squares support vector machine to predict normalized components, and the prediction results are reconstructed to obtain the final prediction results, and the prediction results and the least squares support vector alone are used. The results of computer prediction are compared. The invention has high prediction accuracy for short-term natural gas load forecasting, and is an efficient short-term natural gas load forecasting method.

【技术实现步骤摘要】
基于改进遗传算法的短期天然气负荷组合预测方法
本专利技术属于天然气负荷预测方法
，具体涉及基于改进遗传算法的短期天然气负荷组合预测方法。
技术介绍
随着中国工业化和城市化进程的加速推进，各行各业对天然气的需求与日俱增，由于天然气产能严重不足和消费量快速增长，已对部分城市造成“气荒”，具体表现为：高峰时段，需求量过大，管网内气压相对较低，导致许多用户不能正常用气；低谷时段，需求量较少，燃气管网内部气压过高，威胁设备安全，使得管网运行效率低下。因此，短期天然气负荷预测的研究，对于保证天然气管网用气量、优化管网的调度和设备维修具有极其重要的意义。然而，天然气负荷除具有以周、日的周期变化特点外，还受到天气、季节、节假日等诸多因素影响，导致天然气负荷波动十分频繁，呈高度非线性、时变性、分散性和随机性等特点，准确预测难度大。传统的天然气负荷预测方法包括线性回归分析法、时间序列法和灰色系统理论，但这些方法大多是基于线性数据预测的模型，因此不适合复杂的天然气负荷预测。BP神经网络具有非线性映射、任意精度逼近、有很强的泛化能力和自学习等优势，但也存在局部最小、过学习以及隐层网络节点数选取缺乏理论指导等缺陷，削弱了其预测能力。由于经验模态分解具有自适应的分解能力，既可以处理平稳信号也可以处理非平稳信号，因此，截至目前发现它在电力、医学、交通、机械等多个领域都具有较高的应用意义。EMD分解过程中，信号具有以下假设：①信号至少具有一个极小值点和一个极大指点；②定义时间尺度为相邻极值点之间的时间间隔；③如果信号仅具有拐点而没有极值点，在对信号进行分解前，首先要对信号进行微分(一次或多次)，为获得极值点，然后对微分后的结果进行积分，则可获得信号的相应分量。遗传算法的特点是能够进行并行的随机搜索，从而进行最优化的计算，由于遗传算法具有的很多优点，已经被应用到多个领域的优化计算中，取得了较好的效果。最小二乘支持向量机是在标准支持向量机的基础上进行改进得到，其可将耗时的二次规划问题转变成线性方程组求解问题，有效地降低了计算复杂度，加快了运算速度。该预测模型的关键是选取合适的输入向量和模型参数。而遗传算法用遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向，全局搜索能力较强。将优化的遗传算法和最小二乘支持向量机预测模型结合，为短期天然气负荷预测提供了新思路。如上所述，现有的短期天然气负荷预测方法，常采用预测模型直接对其进行预测，预测精度不高，为了获得短期天然气负荷时间序列的更多信息，前人在进行研究时，往往采用小波分析，但小波分析存在两个方面的问题，而遗传算法在进行优化时，交叉概率和变异概率往往不变化，因此，提出了一种新的短期天然气负荷组合预测方法意义重大。
技术实现思路
本专利技术的目的在于针对现有技术中存在的问题提供基于改进遗传算法的短期天然气负荷组合预测方法，该方法能够提高短期天然气负荷时间序列预测的预测精度。本专利技术的技术方案是：基于改进遗传算法的短期天然气负荷组合预测方法，其特征在于，包括如下步骤：(1)采集某市某天然气站的时负荷时间序列数据，对实际采集的短期天然气时负荷时间序列的原始数据进行高斯平滑处理，采用经验模态分解方法对短期天然气负荷时间序列进行分解，分解出IMF(基本模式分量)和趋势项，并对分解出的IMF和趋势项进行归一化，构建基于改进遗传算法的短期天然气负荷组合预测模型；(2)使用针对自适应的交叉、变异概率进行改进的遗传算法进行参数优化；(3)对经验模态分解出来的分量，采用最小二乘支持向量机分别进行预测，应用改进遗传算法对最小二乘支持向量机中的两个重要参数正则化参数和核参数进行优化；(4)对采用基于改进遗传算法优化最小二乘支持向量机预测的预测结果进行重构，得出最终预测结果，并将该预测结果与单独采用最小二乘支持向量机预测的预测结果进行对比，以确定构建的预测模型的预测精度和有效性。具体的，所述的步骤(1)的具体过程为：①设短期天然气负荷时间序列为x(i),i＝1,2,…,N；②为了提高预测精度，采用高斯加权移动平均滤波器对短期天然气负荷时间序列进行平滑处理，也就是滤掉高斯噪音；③采用经验模态分解对处理过的短期天然气负荷时间序列进行分解，分解出若干个IMF分量和趋势项；④采用归一化法对分解出来的IMF分量和趋势项进行归一化处理。具体的，所述的步骤(2)的具体过程为：Pc0(t)＝pc0(1+t/maxT)Pm0(t)＝pm0(1+t/maxT)式中：Pc0(t)和Pm0(t)为第t次迭代时的基础交叉和变异概率，Pci(t)和Pmi(t)为第t次迭代时的第i个个体的交叉和变异概率，pc0和pm0为程序预设的交叉和变异基础概率。具体的，所述的步骤(3)采用改进遗传算法优化最小二乘支持向量机对经经验模态分解分解出来的IMF1、IMF2、直到IMFn和趋势项进行预测，采用最小二乘支持向量机预测的具体过程为：给定训练样本集(xi,yi),i＝1,…,m,xi∈Rn,yi∈R，选择一非线性映射把样本的输入向量空间映射到高维空间F，然后在此空间上构造最优线性决策函数。根据结构风险最小化(structureriskminimization，SRM)原理，引入间隔的概念，并考虑拟合误差和函数的复杂度，得出优化问题为：约束条件为：式中：ei为误差；e∈Rl×1为误差向量；γ为正则化参数，控制对误差的惩罚程度。引入Lagrange乘子αi，αi∈Rl×1则其对偶问题的Lagrange多项式为：根据KKT(Karush-Kuhn-Tucker)条件可得上式：从而求解的优化问题可以转化为求解下式中的线性方程组问题；式中：I＝[1,1，…，1]T，α＝(α1,α2…,αl)T，y＝[y1,y2,…,yl]T，A＝ZZT+γ-1I，i＝1,2,…,l式中：K(xi,x)是最小二乘支持向量机的核函数，研究表明在回归预测中效果较好的是RBF径向基核函数，如下所示：式中：σ为核宽度，反映了边界封闭包含的半径。具体的，所述的步骤(4)的具体过程为：对经改进遗传算法优化最小二乘支持向量预测的每一个IMF和趋势项进行反归一化，进行重构，得出最终的预测结果，并将预测结果与单独采用最小二乘支持向量机预测的结果进行对比，以确定构建的预测模型的预测精度和有效性，采用如下三个评价标准进行误差评价分析，分别为RSME(均方根误差)、MAE(平均绝对误差)、MAPE(平均绝对百分误差)，具体公式为：式中：N为误差对比的总数量；lactual为实际采集的天然气负荷；lforecast为预测的天然气负荷。本专利技术所提供的方法中的步骤(1)中的经验模态分解具体分解过程为：①确定短期天然气负荷时间序列x(i)的所有极小值点和极大值点；②所有极小值点和极大值点由三次样条插值连接，构造上下包络线，即xmax(i)和xmin(i)。包络均值m1(i)的计算：m1(i)＝[xmax(i)+xmin(i)]/2③计算x(i)和m1(i)之差,记为h1(i)，h1(i)＝x(i)-m1(i)，如果h1(i)满足IMF上述的两个条件，记c1(i)＝h1(i)，则c1(i)就是第一个IMF分量；若h1(i)不是IMF，则将h1(i)视为新的信号x(i)，重复以上步骤直到h1(i)是一个IMF，本文档来自技高网...

【技术保护点】
1.基于改进遗传算法的短期天然气负荷组合预测方法，其特征在于，包括如下步骤：(1)采集某市某天然气站的时负荷时间序列数据，对实际采集的短期天然气时负荷时间序列的原始数据进行高斯平滑处理，采用经验模态分解方法对短期天然气负荷时间序列进行分解，分解出IMF和趋势项，并对分解出的IMF和趋势项进行归一化，构建基于改进遗传算法的短期天然气负荷组合预测模型；(2)使用针对自适应的交叉、变异概率进行改进的遗传算法进行参数优化；(3)对经验模态分解出来的分量，采用最小二乘支持向量机分别进行预测，应用改进遗传算法对最小二乘支持向量机中的两个重要参数正则化参数和核参数进行优化；(4)对采用基于改进遗传算法优化最小二乘支持向量机预测的预测结果进行重构，得出最终预测结果，并将该预测结果与单独采用最小二乘支持向量机预测的预测结果进行对比，以确定构建的预测模型的预测精度和有效性。

【技术特征摘要】
1.基于改进遗传算法的短期天然气负荷组合预测方法，其特征在于，包括如下步骤：(1)采集某市某天然气站的时负荷时间序列数据，对实际采集的短期天然气时负荷时间序列的原始数据进行高斯平滑处理，采用经验模态分解方法对短期天然气负荷时间序列进行分解，分解出IMF和趋势项，并对分解出的IMF和趋势项进行归一化，构建基于改进遗传算法的短期天然气负荷组合预测模型；(2)使用针对自适应的交叉、变异概率进行改进的遗传算法进行参数优化；(3)对经验模态分解出来的分量，采用最小二乘支持向量机分别进行预测，应用改进遗传算法对最小二乘支持向量机中的两个重要参数正则化参数和核参数进行优化；(4)对采用基于改进遗传算法优化最小二乘支持向量机预测的预测结果进行重构，得出最终预测结果，并将该预测结果与单独采用最小二乘支持向量机预测的预测结果进行对比，以确定构建的预测模型的预测精度和有效性。2.根据权利要求1所述基于改进遗传算法的短期天然气负荷组合预测方法，其特征在于，所述的步骤(1)的具体过程为：①设短期天然气负荷时间序列为x(i),i＝1,2,…,N；②为了提高预测精度，采用高斯加权移动平均滤波器对短期天然气负荷时间序列进行平滑处理，也就是滤掉高斯噪音；③采用经验模态分解对处理过的短期天然气负荷时间序列进行分解，分解出若干个IMF分量和趋势项；④采用归一化法对分解出来的IMF分量和趋势项进行归一化处理。3.根据权利要求1所述基于改进遗传算法的短期天然气负荷组合预测方法，其特征在于，所述的步骤(2)的具体过程为：Pc0(t)＝pc0(1+tmaxT)Pm0(t)＝pm0(1+tmaxT)式中：Pc0(t)和Pm0(t)为第t次迭代时的基础交叉和变异概率，Pci(t)和Pmi(t)为第t次迭代时的第i个个体的交叉和变异...

【专利技术属性】
技术研发人员：乔伟彪，唐兴华，刘德绪，银永明，仝淑月，尚德彬，龚金海，王利畏，王军，邵子璇，
申请(专利权)人：中石化石油工程技术服务有限公司，中石化中原石油工程设计有限公司，
类型：发明
国别省市：北京,11