【技术实现步骤摘要】
基于分段图卷积和时间注意力机制的天然气流量预测方法
[0001]本专利技术涉及时序数据预测领域,尤其涉及一种基于分段图卷积和时间注意力机制的天然气流量预测方法。
技术介绍
[0002]天然气是现代社会不可或缺的重要能源,广泛用于家庭、工业、商业和交通等领域。为了能源市场供需平衡
‑
预测天然气用量有助于平衡天然气市场的供应和需求。准确预测其用量可以为天然气供应商、管道运营商和市场决策者提供有效的参考信息,以平衡天然气供需市场。同时通过准确预测天然气用量,天然气供应商也可以更好地规划天然气调度计划、采购计划,提高配置效率。因此,总体而言,为有效管理和分配天然气资源,对精准预测气量的需求越来越强烈。
[0003]在目前的天然气行业中,燃气公司将天然气通过城市燃气管道输送到各用气点,部署在用气点的工商业燃气流量计等仪表可自动采集天然气使用的相关数据,并通过物联网技术定时上传到燃气公司的数据库中。因此,这些由不同传感器记录的时间序列数据,为天然气的用量预测奠定了数据基础。
[0004]天然气用量的时序数据是一种典型由多传感器同步的多元时间序列数据,现有技术在进行多元时间序列预测时,需要同时对序列间相关性和序列内部的特征进行建模。传统的基于统计的方法,如VAR和GP,只能挖掘多元实现序列的各变量存在线性关系。目前基于递归神经网络和卷积神经网络的方法,如LSTNet和TPA
‑
LSTM,能够处理单序列在时间维度上的规律,对多元时间序列的所有变量同时做出预测,但提取成对变量的关联信 ...
【技术保护点】
【技术特征摘要】
1.一种基于分段图卷积和时间注意力机制的天然气流量预测方法,其特征在于,包括以下步骤:S1、针对用户需要监控的各个目标流量传感器,获取由各个目标流量传感器记录的天然气流量历史时间序列,对各序列进行归一化后再使用固定长度的时间窗口在序列上进行滑动提取,生成带标签的训练样本并构建训练样本集合;每个训练样本的输入为各目标流量传感器在一个时间窗口内的天然气流量数据组成的多元时间序列段,标签为该时间窗口后指定时间步上各目标流量传感器的记录值;所有带标签的训练样本构成训练样本集合;S2、利用S1中得到的训练样本集合,对基于分段图卷积和时间注意力机制的多元时间序列预测模型进行模型训练,直到模型收敛,使其能够预测输入数据所在时间窗口后指定时间步上各目标流量传感器的记录值;所述基于分段图卷积和时间注意力机制的多元时间序列预测模型包括一个分段图卷积模块、一个时间膨胀卷积模块和一个时间信息增强模块,模型的输入为多元时间序列段;所述分段图卷积模块将输入的多元时间序列段按照时间维度进行分段,根据段内序列间的余弦相似度构建分段邻接矩阵,再进行多层分段图卷积,提取序列间的相关性,得到第一输出信号;所述时间膨胀卷积模块将分段图卷积模块输出的第一输出信号输入多层堆叠的带有膨胀卷积的门限控制单元中,进一步提取每条序列内的特征并降维,得到第二输出信号;所述时间信息增强模块将输入的多元时间序列段输入到LSTM网络,对LSTM网络各隐藏步的信号按照时间进行分组,并对各组应用注意力机制提取分段上下文向量,然后在分段上下文向量上继续应用注意力机制生成时间上下文向量,最后将时间上下文向量与LSTM网络隐藏层的最后一个信号进行拼接,并将拼接结果经过一层全连接层,得到第三输出信号;最后将第二输出信号和第三输出信号相加,经过反归一化后得到多元时间序列预测模型的最终预测输出;S3、在实际预测时,从各目标流量传感器记录数据中获取当前最近一个时间窗口内的天然气流量数据并构成实时多元时间序列段,将实时多元时间序列段归一化后输入经过训练的所述多元时间序列预测模型中,预测未来指定时间步时各目标流量传感器对应的天然气流量值。2.如权利要求1所述的基于分段图卷积和时间注意力机制的天然气流量预测方法,其特征在于,所述S1具体包括以下子步骤:S11、获取用户需要监控的N个目标流量传感器记录的天然气流量历史时间序列每条天然气流量历史时间序列以各自的最大值作为标度值归一化,形成归一化时间序列由所有归一化时间序列组成多元时间序列S12、以固定长度W的时间窗口在多元时间序列上按照预设步长s进行滑动,滑动过程中每个时间窗口从多元时间序列中提取窗口内的多元时间序列段X∈R
{N
×
W}
,并以多元时间序列上位于时间窗口后第h个时间步处的值Y∈R
{N}
作为模型的回归标签,生成模型的训练数据集,数据集中每个样本表示为{X∈R
{N
×
W}
,Y∈R
{N}
}。3.如权利要求1所述的基于分段图卷积和时间注意力机制的天然气流量预测方法,其特征在于,所述S2中,基于分段图卷积和时间注意力机制的多元时间序列预测模型中的具
体处理过程如下:S21、将输入模型的多元时间序列段X输入分段图卷积模块中,首先根据预设的分段数量超参数P,对输入的多元时间序列段X在时间维度上平均分割为P段,每一分段表示为X
k
∈R
{N
×
S}
,S=W/P;然后以分段X
k
内的各目标流量传感器对应的序列为节点,使用余弦相似度来计算分段X
k
内节点的邻接度,得到分段X
k
对应的图邻接矩阵A
′
k
∈R
{N
×
N}
,A
′
k
中任意节点i和节点j在同一分段X
k
中连接边的强度表示为:式中:X
k,i
和X
k,j
分别代表分段X
k
内的第i个和第j个目标流量传感器对应的序列;再使用Softmax函数对所述图邻接矩阵A
′
k
按照行进行归一化,形成归一化后的图邻接矩阵A
k
,其中A
k
中与A
′
k,i,j
对应的邻接度A
k,i,j
计算式为:最后对每一个分段X
k
,根据得到的分段邻接矩阵A
k
通过图卷积网络进行总共G层图卷积计算,输出最终图卷积结果H
(G)
;且图卷积网络中第l层的图卷积过程表示如下:其中D
k
为邻接矩阵A
k
的度矩阵,为可训练参数矩阵,是前一个图卷积层的最终输出经过分解后的第k个分段;l=1,2,
…
,G,图卷积网络将第l层图卷积得到的分段卷积结果在时间维度上进行重组拼接,得到第l层图卷积的输出:图卷积网络将第l层图卷积结果与原始输入的多元时间序列段X进行残差连接,得到第l层...
【专利技术属性】
技术研发人员:孙笑笑,叶春毅,李中阳,黄博祎,俞东进,
申请(专利权)人:杭州电子科技大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。