基于灰色模型与神经网络的天然气需求预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于灰色模型与神经网络的天然气需求预测方法及装置，所述方法包括：采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。本发明专利技术可以利用灰色模型对各类相关因素和信息进行深层挖掘，再利用深层挖掘的信息对组合模型进行模型训练以及需求预测，通过各类深层挖掘信息的映射和关联进行模型训练，能提高模型预测的准确率，减少预测的误差。的误差。的误差。

【技术实现步骤摘要】
基于灰色模型与神经网络的天然气需求预测方法及装置


[0001]本专利技术涉及能源预测
的
，尤其涉及一种基于灰色模型与神经网络的天然气需求预测方法及装置。

技术介绍

[0002]随着天然气的技术逐渐发展与成熟，天然气已经渐渐成为世界第三大能源，其年消费量也逐年上升。为了让能让天然气普及应用，需要解决一些列的应用难题，包括：城市气源更换、城市燃气管网规划、储气设施的建设等。针对这些问题，关于天然气需求预测的研究工作就显得尤为重要。
[0003]目前常用的天然气需求预测的方法：人工智能法，具体是先确定天然气需求的历史数据，以及用户设定的其它能影响负荷的外在因素(如温度，天气，日期类型等宏观影响因素)，基于历史数据与外在因素进行模型训练(包括：BP神经网络、遗传算法、支持向量机等)得到预测模型，最后利用预测模型见需求预测。
[0004]但目前常用的预测方法有如下技术问题：天然气的短期需求容易受到各种不同的主观因素或客观因素影响，且各个因素也相互影响，仅仅以历史数据与部分用户设定的宏观影响因素进行模型训练，不符合天然气的短期应用过需求，导致模型的预测结果与实际结果相比误差较大，准确率较低。

技术实现思路

[0005]本专利技术提出一种基于灰色模型与神经网络的天然气需求预测方法及装置，所述方法可以利用灰色模型对各类相关因素和信息进行深层挖掘，再利用深层挖掘的信息对组合模型进行模型训练以及需求预测，通过各类深层挖掘信息的映射和关联进行模型训练，能提高模型预测的准确率，减少预测的误差。<br/>[0006]本专利技术实施例的第一方面提供了一种基于灰色模型与神经网络的天然气需求预测方法，所述方法包括：
[0007]采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；
[0008]利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；
[0009]获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。
[0010]在第一方面的一种可能的实现方式中，所述利用WOA算法对所述灰色模型进行优化，得到优化模型，包括：
[0011]将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果；
[0012]利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值；
[0013]采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。
[0014]在第一方面的一种可能的实现方式中，所述模型求解结果，如下式所示：
[0015][0016]上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b
i
称为驱动系数，称为驱动项，是1
‑
AGO累加序列，是特征数据集，为的紧邻均值生成序列，包括时间特征数据和相关因素特征数据
[0017]在第一方面的一种可能的实现方式中，所述利用所述特征数据集构建灰色模型，包括：
[0018]累加所述特征数据集生成1
‑
AGO累加序列；
[0019]采用所述1
‑
AGO累加序列构建生成灰色模型。
[0020]在第一方面的一种可能的实现方式中，所述灰色模型为GM(1,N|τ,γ)，如下式所示：
[0021][0022]上式中，a称为系统发展系数，b
i
称为驱动系数，称为驱动项，是1
‑
AGO累加序列，是特征数据集，为的紧邻均值生成序列，包括时间特征数据和相关因素特征数据
[0023]其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：
[0024][0025]上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。
[0026]在第一方面的一种可能的实现方式中，所述预设的组合神经网络是由CNN和BiLSTM组合的CNN
‑
BiLSTM神经网络模型；
[0027]所述获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，包括：
[0028]获取所述优化模型对所述特征数据集进行初始预测后输出的初始预测数据，并将所述初始预测数据进行归一化处理，得到归一化数据集；
[0029]利用所述归一化数据集与所述特征数据集对所述CNN
‑
BiLSTM神经网络模型进行模型训练，得到预测模型。
[0030]在第一方面的一种可能的实现方式中，所述调用所述预测模型进行短期需求预测，包括：
[0031]获取所述预测模型输出的中间预测值，将所述中间预测值与所述特征数据集输入至所述预测模型中得到初始预测值；
[0032]对所述初始预测值进行反归一处理得到目标预测结果。
[0033]在第一方面的一种可能的实现方式中，在所述采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型的步骤后，所述方法还包括：
[0034]分别计算所述预测模型的均方根误差和平均百分数误差；
[0035]基于所述均方根误差和所述平均百分数误差确定所述预测模型的预测性能。
[0036]在第一方面的一种可能的实现方式中，所述均方根误差，如下式所示：
[0037][0038]所述平均百分数误差，如下式所示：
[0039][0040]上式中，R
MSE
为均方根误差，M
APE
为平均百分数误差，y
i
为第i个样本的真实值，y
fi
为第i个样本的预测值，N为样本个数。
[0041]本专利技术实施例的第二方面提供了一种基于灰色模型与神经网络的天然气需求预测装置，所述装置包括：
[0042]采集模块，用于采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；
[0043]构建与优化模块，用于利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；
[0044]训练与预测模块，用于获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。
[0045]相比于现有技术，本专利技术实施例提供的一种基于灰色模型与神经网络的天然气需求预测方法及装置，其有益效果在于：本专利技术可以利用预测所需的特征数据构建灰色模型，将灰色模型与CNN
‑
BiLSTM模型串联应用并进行预测，从而能充分考虑了多变量少信息不确定系统的延迟性与时间变化，并协调了多个因子对行为变量的影响关系。而且组合模型具有更强更好的迭代学习率，能够开展更深层次的建模分析，对能源预测中多敏感因子耦合的数据完成特征提取，建立起高维的映射关系，进而能提取连续序列间的潜在特征，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述方法包括：采集关于天然气需求特征的特征数据集，所述特征数据集包括时间特征数据和相关因素特征数据；利用所述特征数据集构建灰色模型，并利用WOA算法对所述灰色模型进行优化，得到优化模型；获取所述优化模型的初始预测数据，采用所述初始预测数据对预设的组合神经网络进行模型训练生成预测模型，并调用所述预测模型进行短期需求预测。2.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述利用WOA算法对所述灰色模型进行优化，得到优化模型，包括：将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果；利用WOA优化算法计算所述模型求解结果的最优值，得到求解最优值；采用所述求解最优值对所述灰色模型进行迭代更新，得到优化模型。3.根据权利要求2所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述模型求解结果，如下式所示：上式中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b
i
称为驱动系数，称为驱动项，是1
‑
AGO累加序列，是特征数据集，为的紧邻均值生成序列，包括时间特征数据和相关因素特征数据4.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述利用所述特征数据集构建灰色模型，包括：累加所述特征数据集生成1
‑
AGO累加序列；采用所述1
‑
AGO累加序列构建生成灰色模型。5.根据权利要求4所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在于，所述灰色模型为GM(1,N|τ,γ)，如下式所示：上式中，a称为系统发展系数，b
i
称为驱动系数，称为驱动项，是1
‑
AGO累加序列，是特征数据集，为的紧邻均值生成序列，包括时间特征数据和相关因素特征数据其中，灰色模型为GM(1,N|τ,γ)的近似时间响应式为：
上式中，k≥2，τ为延迟时间，γ为时间变化灰输入的次数且γ≥0。6.根据权利要求1所述的基于灰色模型与神经网络的天然气需求预测方法，其特征在...

【专利技术属性】
技术研发人员：龚贤夫，彭勃，左婧，徐蔚，李耀东，钟俊琛，张天任，黄玉萍，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：