[发明专利]基于小波理论和神经网络的短期天然气负荷预测模型

说明书

本发明属于天然气负荷预测的方法，具体涉及基于小波理论和神经网络的短期天然气负荷预测模型。以城市天然气门站实际采集的数据为基础，应用小波理论将实际采集的短期天然气负荷时间序列进行分解，特别涉及Deaubechies小波，分解的层数为5层，分解的阶数为5阶，将分解出来的高频分量采用GRNN神经网络进行预测，分解出来的低频分量采用Elman神经网络进行预测，最后逐层进行重构，得到最终的预测结果，并将该结果与单独使用GRNN神经网络和Elman神经网络进行预测的预测结果进行对比，验证本发明提出的基于小波理论和神经网络的短期天然气负荷预测模型的有效性和先进性。对比分析结果表明，本发明是一种高精度且有效的短期天然气负荷预测模型。

技术领域

本发明属于天然气负荷预测的方法，具体涉及基于小波理论和神经网络的短期天然气负荷预测模型。

背景技术

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。

发明内容

本发明的目的在于针对现有技术中存在的问题提供一种基于小波理论和神经网络的短期天然气负荷预测模型，该发明将Daubechies小波理论和GRNN神经网络、Elman神经网络进行结合，与单独应用GRNN神经网络和Elman神经网络进行预测相比，该预测模型能够提高短期天然气负荷时间序列预测的预测精度。

本发明的技术方案是：

基于小波理论和神经网络的短期天然气负荷预测模型，包括如下方法步骤：

(1)采集某市某天然气站的时负荷时间序列数据，采用Daubechies小波函数对实际采集的短期天然气时负荷时间序列进行分解，分解出高频分量和低频分量，构建基于小波理论和神经网络的短期天然气负荷预测模型；

(2)应用GRNN神经网络对经Daubechies小波分解出来的高频分量进行预测，运用Elman神经网络对分解出来的低频分量进行预测；

(3)对GRNN神经网络的预测结果和Elman神经网络的预测结果进行重构，并将重构结果与单独应用GRNN神经网络和Elman神经网络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：采用Daubechies小波函数对短期天然气时负荷时间序列进行分解，分解阶数为5阶，分解层数为5层，分解出来5个高频分量，分别为第一层高频分量、第二层高频分量、第三层高频分量、第四层高频分量和第五层高频分量；分解出来5个低频分量，分别为第一层低频分量、第二层低频分量、第三层低频分量、第四层低频分量和第五层低频分量。

Mallat算法是一种按正交小波展开时间序列的分解算法和重构算法，该算法与快速Fourier变换类似，具有运算快捷，设计简单等特点，是一种纯数字的递推快速算法，因此受到越来越多的应用，本文采用Mallat小波快速分解算法，将信号分解为不同频带分量，从而可以更深入分析信号的特点，若将d₀理解为待分解的离散信号，根据Mallat分解算法可得分解过程如图2所示。图2分解过程所依据的公式如下：

d_j＝ld_j+1,j＝1,2,…,N