[发明专利]一种基于LSTM循环神经网络的天然气负荷预测方法

说明书

本发明涉及一种基于LSTM循环神经网络的天然气负荷预测方法，涉及短期负荷预测技术领域。本发明包括利用python进行数据采集、整合、预处理和特征子集选择，对训练集数据利用进行LSTM循环神经网络训练，根据验证集的预测效果对模型中各别预测误差较大的数据提出修正方式，最后利用LSTM循环神经网络进行负荷预测。本发明的方法可以对天然气市场提供有力参考。并且本发明针对特征子集的特征筛选使用了三种算法，因此预测结果更加精确。

技术领域

本发明涉及短期负荷预测技术领域，尤其是涉及一种基于LSTM循环神经网络的天然气负荷预测方法。

背景技术

燃气负荷预测是提供城市燃气规划、设计的基础依据，是确定工程系统配置规模大小、设备选型、计算项目经济性和确定建设资金的依据；科学、准确地预测负荷，可实现科学、经济、合理地规划设计。生产运行中各时段的负荷预测，可提供气源生产计划，是实现管网检修计划、输配调度的基础。准确及时的负荷预测，可优化输配调度，提高运行效率，节约能源，降低成本。燃气负荷的准确预测是实现科学调度、精细调度不可缺少的工具，对城市输配系统运行的经济性和可靠性具有重要意义。准确的燃气负荷预测对燃气市场开发投资者的经营管理和利润分配提供参考，为财务计划进度的控制提供参考，准确预测市场价值，决定其投资效益的风险程度，可降低经营成本。

学者对负荷预测方面已有一段时间的研究，新方法也不断涌现。目前常见预测方法主要包括传统数学方法和机器学习方法。传统数学方法结合概率论和统计学等学科对数据进行方程拟合，方程形式有着明确的意义。近年来新兴的机器学习结合影响负荷的外在因素，通过对大量的数据进行数学处理，来进行高精度的预测。

负荷预测领域成果最为显著的可以说是电力行业。但由于天然气和电在物化状态以及生产和使用规律上有着明显的差异，将电力预测方法直接迁移至天然气负荷的预测上是不合理的，因此十分有必要研究适合天然气本身特点的负荷预测方法。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于LSTM循环神经网络的天然气负荷预测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于LSTM循环神经网络的天然气负荷预测方法，该方法包括以下步骤：

步骤1：在互联网上采集与燃气负荷预测相关的信息，并与燃气用量资料相整合，得到历史数据；

步骤2：对所有历史数据进行预处理；

步骤3：通过特征子集选择针对经过预处理的历史数据进行特征筛选，得到作为预测中使用的特征；

步骤4：构建LSTM循环神经网络模型并利用预测中使用的特征的训练集对其进行训练；

步骤5：利用预测中使用的特征的验证集修正优化LSTM循环神经网络模型，得到最终训练完毕的LSTM循环神经网络模型；

步骤6：将待预测日的特征输入值训练完毕的LSTM循环神经网络模型中得到待预测日的燃气负荷预测值。

进一步地，所述的步骤1中的与燃气负荷预测相关的信息包括天气温度、气象条件、风速和节日情况。

进一步地，所述的步骤1中的燃气用量资料包括用气量和各类用户数量。

进一步地，所述的步骤2中的预处理包括属性构造、数据清洗、数据变换。

进一步地，所述的数据清洗具体包括：删除原始数据集中的无关数据、重复数据和平滑噪声数据，并筛选掉与挖掘无关的数据，处理缺失值和异常值。

进一步地，所述的数据变换具体包括：对原始数据集进行规范化处理，即将数据转换成设定的格式。