基于广义动态模糊神经网络的燃气日负荷组合预报方法

摘要

本发明提供的是一种基于广义动态模糊神经网络的燃气日负荷组合预报方法。(1)采集城市燃气历史记录数据作为历史时间序列数据；(2)对历史时间序列数据进行异常数据判断和处理；(3)利用广义回归神经网络，对历史负荷时间序列即样本数据进行差分处理再通过网络进行预测；(4)利用灰色神经网络，将输入历史负荷时间序列的一次累加生成数据作为网络的输入，输出对应预测日负荷的一次累加生成数据，训练网络，最后将输出值进行一次累减逆生成处理；(5)将步骤(3)、(4)得到的预测值作为广义动态模糊神经网络的输入，并对数据进行分组。本发明针对燃气日负荷的随机性，不稳定性，周期性等特点，采用了组合预报的方法，预测精度更高。

主权项

1.一种基于广义动态模糊神经网络的燃气日负荷组合预报方法，其特征在于具体包括以下步骤：（1）由城市燃气调度中心采集城市燃气历史记录数据作为历史时间序列数据；（2）对历史时间序列数据进行异常数据判断和处理，异常数据判断和处理包括：参考相似日数据，进行平滑、修正、归一化、组成历史负荷时间序列；所述相似日是指离其最近的具有相近天气、温度、星期几的日期；（3）利用广义回归神经网络，对历史负荷时间序列即样本数据进行差分处理再通过网络进行预测，根据样本数据逼近隐含的预测映射关系，得到预测日负荷值；具体为：广义回归神经网络的输出为：$y^q=\underset{i=1}{\overset{n}{\Sigma }}{r}_i^q\times \omega 2_i---\left(1\right)$而$r_i^q=\exp (-{(\sqrt{\underset{j}{\Sigma }({\omega 1}_{\mathrm{ji}}-x_j^q{)}^2)}\times {b1}_i)}^2)---\left(2\right)$其中ω2_i，ω1_ji为网络权系数，b1_i为网络阈值，通过历史数据利用梯度法，通过改变步长，增加动量项自适应确定，y^q为网络输出，为网络输入值，i＝1,2,…,n，j＝1,2,…,m；通过对时间序列的差分来去除非平稳性，具体步骤为：1）将预处理后的时间序列进行差分得到的一个新的信号，χ⁽¹⁾(k)＝χ⁽⁰⁾(k)-χ⁽⁰⁾(k-1)        （3）作为网络训练时间序列；2）建立和训练广义回归神经网络；3）进行预测时，网络输出值即为预测日负荷量的一阶差分，经还原即得到预测的日负荷量；（4）利用灰色神经网络，将输入历史负荷时间序列的一次累加生成数据作为网络的输入，输出对应预测日负荷的一次累加生成数据，训练网络，最后将输出值进行一次累减逆生成处理，得到预测日负荷值；具体步骤为：1）将预处理后的时间序列{χ⁽⁰⁾(1),χ⁽⁰⁾(2),…χ⁽⁰⁾(n)}进行一次累加生成处理，得到χ⁽¹⁾＝{χ⁽¹⁾(1),χ⁽¹⁾(2),…χ⁽¹⁾(n)}，作为网络训练时间序列，其中；${\chi }^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\Sigma }}{\chi }^{\left(0\right)}\left(i\right),k=\mathrm{1,2},···,n---\left(4\right)$2）建立和训练广义回归神经网络；3）进行预测时，将输出值做累减还原：${\hat{\chi }}^{\left(o\right)}(k+1)={\hat{\chi }}^{\left(1\right)}(k+1)-{\hat{\chi }}^{\left(1\right)}\left(k\right)---\left(5\right)$得到预测日负荷值；（5）将步骤（3）、（4）得到的预测值作为广义动态模糊神经网络的输入，并对数据进行分组，最终得到预测日负荷值；具体方法为：1）初始化系统预定义参数ε_min，ε_max，k_s，k_err；2）当前第一个观察到来时产生第一个规则，确定第一个规则的参数，其高斯函数宽度根据ε-完备性确定，将当前输入训练样本作为新规则的高斯函数中心，其结论参数的确定采用最小二乘法；3）从第二组样本数据开始，每来一组样本，分别计算实际的输出误差e_k和马氏距离md_k(j)，找到$J={\mathrm{md}}_{k,\min }=\underset{1\le j\le u}{\arg \min }\left({\mathrm{md}}_k\left(j\right)\right)---\left(6\right)$（ⅰ）如果md_k，min>k_d且e_k>k_e，则产生一个新规则；(a)规则参数的确定同步骤（5）中的第2）步；(b)计算出误差减小率ρ_l和η_l，l＝1,2,…,u，若η_l<k_err，则删除第l个规则，否则调整结论参数；η_l:第l条规则的重要性；（ⅱ）如果md_k，min>k_d且e_k<k_e，只调整结论参数；（ⅲ）如果md_k，min<k_d且e_k>k_e，则调整已存在规则高斯函数宽度及调整结论参数；（ⅳ）如果md_k，min<k_d且e_k<k_e，调整结论参数。