天燃气负荷预测模型设计及应用

1引言

随着我国人口急剧增加和经济快速发展，能源消费不断增长，各种有害物质排放和温室气体激增，环境受到极大挑战，因此，天燃气作为一种清洁、高效的能源日益受到人们重视，在工业、民用等各个领域得到了广泛的应用［1］。在系统总投资中，天燃气输配管网系统建设占总投资50%以上，因此输配管网的设计与运行管理质量对供气系统正常运行起着直接影响，而对天燃气负荷进行准确预测是燃气管网的优化的基础，天燃气负荷的预测成为目天燃气工业中的一个重要课题。

早在上世纪60年代，国内有学者对开始对天燃气负荷预测进行研究，最早的预测方法就是线性回归分析方法，该模型假设系统的输入与输出间是一种线性关系，对于天燃气系统来说，具有大的局限性，因为天燃报导负荷输入与输出间的是一种非线性关系，难以找到理想的数学模型来描述，模型缺乏自学习能力，因此预测精度不高［2］。指数平滑法根据不同时期的历史负荷数据对未来负荷的影响是不同的来建模的，能较好的应用于日负荷的预测，但是不宜用于过长时期的负荷预测。时间序列法将天燃气负荷数据看成一组时间序列，主要模型有自回归模型(AR)、自动平均模型(MA)、自回归移动平均模型(ARMA)、累积式自回归移动平均模型(ARIMA)等，这些模型比较适用于短期天燃气负荷预测，但是对使用者的理论知识要求相当的高，模型只考虑了负荷的历史发展趋势，无法考虑气象、日期特征等敏感因素对燃气负荷的影响，当天气突变或者节假日等情况，预测误差较大，且预测步数越长，预测精度越差，这些缺陷限制了该方法的应用［3］。

1983年3月，我国学者邓聚龙提出了灰色系统理论，将天燃气管网负荷系统看作灰色系统，通过累加生成法达到对燃气负荷预测，该方法具有计算方便、原理简单、所需样本数据少、预测精度高等优点，用于城市燃气管网负荷长、中、短期预测，但是其原始数据序列不按指数规律变化，灰色系统预测模型精度就差，是重要的是这些方法都是基于线性数据预测的模型，因此不适合复杂的天燃气负荷预测［4］。近年来，神经网络因其具有非线性映射、任意精度逼近、有很强的泛化能力和自学习等优势，在模式识别、评价、预报等领域获得广泛的应用，为解决天燃气负荷预测提供了一种有效途径［5］，因此，本文针对当前天燃气负荷预测存在的一些难题，提出一种基于RBF神经网络天燃气负荷预测预测方法，并通过仿真对其预测精度进行验证。

2天燃气预测原理

天燃气负荷预测就是利用天燃气历史负荷运行数据和相应的气象数据等，采用一定技术，建立一种适当的预测模型，通过预测模型对将来天燃气的负荷值进行估计的过程。设影响天燃气负荷的影响因子为{Xi}={xi1，xi2，…，xim)，其中m表示影响因子的数目，相应的天燃气负荷值为{Yi}，那么天燃气负荷的预测可以描述为:^Yi=f(xi1，xi2，…，xim)(1)其中，f(•)表示预测方法。天燃气荷除具有以周、日的周期变化特点外，而且由于受到天气、季节、节假日等因素影响，如:春节、元旦、雪，诸多因素影响的复杂性导致天燃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，传统线性预测方法无法全面描述天燃气负荷变化规律，使模型预测精度常不尽人意。RBF神经网络是一种比较成熟的人工智能技术，具有非线性逼近、自适应学习能力，既能描述天燃气管负荷周期性，又能反映负荷影响因素对负荷的变化作用，非常适合复杂、非线性的天燃气负荷预测，因此本文采用RBF神经网络对天燃气负荷预测，以提高天燃气负荷预测的精度。

3RBF神经网络算法

3．1RBF神经网络概述

RBF神经网络又称径向基函数神经网络，是一种多输入单输出的前馈神经网络，其结构如图1所示。RBF神经网络包括输入层、隐含层和输出层，RBF神经网络与其它神经网络不同，隐含层采用激励函数为基向基函数，不是传统神经网络的tansig或logsig函数，通过径向基函数将输入空间映射到一个新的空间，执行一种固定不变的非线性变换，这样就可以能够以任意精度逼近任意连续函数［6］。在RBF神经网络中，输入层的节点决定了隐含层神经图1RBF神经网络示意图元的数量，设第i个样本点的输入向量为Xi(i=1，2，…，n)，那么网络的输出为:Yij=wi0+∑kwikf(xj－ck)=∑nck=0wikf(ck－xj)(2)其中，wi0为第i个节点的阈值，wij为第j个隐含层单元和第i个输出节点间的权值。f表示径向基函数，本文的径向基函数采用高斯函数，定义如下:Ri(x)=exp(x－ci2σ2i)i=1，2，…，m(3)

3．2RBF神经网络参数优化

RBF神经网络输出权重(wi)，隐含层单元中心(ci)和宽度(σi)RBF网络性能有着很大影响，因此要获取最优天燃气预测精度，那么首先需要选择最优的wij，ci，σi，从而建立最优的天燃气预测模型。传统上，RBF神经网络网络采用经验法或梯度下降法选择wij，ci，σi值，经验法具有很大的主观性、随意性，参数选择过程耗时长，很难获最优值，导致RBF神经网络收敛相当慢。而梯度下降算法对初始的wij，ci，σi相当的敏感，得到的参数易是局部最优，导致RBF神经网络的结构过于复杂，预测精度不高，因此针对传统RBF神经参数优化算法存在的缺陷，本文采用全局搜索能力强的遗传算法对wij，ci，σi进行选择。

基于遗传算法的RBF神经网络参数优化步骤为:

1)设置RBF神经网络wij，ci，σi初始值。

2)设置遗传算法初始参数值，具体为:最大迭代代数、种群数目、交叉、变异概率等。

3)采用二进制编码对wij，ci，σi进行编码，并生成初始种群。4)对每一个个体的适应度值进行计算。

5)对种群中的个体进行选择、交叉和变异等操作，产生新一代的种群。

6)判断是否满足寻优结果条件，如果满足，则得到最优个体，并反编码为RBF神经网络最优参数，否则转4)，继续执行。

4RBF神经网络的天燃气负荷预测过程

基于RBF神经网络的天燃气负荷预测过程具体为:

1)收集天燃气负荷原始数据。

2)由于系统故障、设备大修以及人为等因素的影响，造成天燃气历史负荷记录中存在一些不良数据，即异常数据，这些数据对预测结果有不利影响，因此必须对其进行清除。具体处理方式为:用同一类型日的前一天和后一天的数据平均值代。

3)归一化处理。由于天燃气负荷数据是一种非平稳数据，便于计算，可加快训练速度，通过式(4)将天燃气负荷数据归一化到［0.1，0.9］。x'=0．1+0．8(x－xmin)xmax－xmin(4)

4)将天燃气负荷数据分成两部分，一部分为训练集，另一部分为测试集，训练集用于参数优化，建立最优预测模型，测试集用于对建立的模型性能进行检验。

5)设置RBF神经网络参数的初始值。

6)将其信号输入RBF神经网络进行学习和训练，，同时设置期望输出。

7)通过遗传算法对RBF神经网络参数进行动态调整。

8)利用优化得到的最优RBF神经网络参数建立预测模型。

9)对天燃气负荷进行预测。并输出预测结果。

基于RBF神经网络的天燃气负荷预测的流程如图2所示。

图2天燃气负荷预测流程

5仿真研究

5．1天然气负荷历史数据

为了检验本文模型的有效性，采用某企业1997－2003的天然气负荷作为实例进行仿真，其中将数据分成两部分，1997－2002年的数据作为训练集，2003的数据作为测试集，数据具体见表1。

5．3数据集构造

天燃气负荷输出结果的时间间隔1个月，那么输入为一组阵列形式的负荷值:x(0)，x(1)，…，x(n－1)(5)对未来的天燃气负荷预测值可采用如下的形式描述:xn=f(x0，x1，…，xn－m)(6)本文确定的m为12，即采用前12个月的天燃气负荷值作为输入，对下一个月的天燃气负荷进行预测，这样数据集构造的结果如表3所示。

5．4结果与分析

图3为利用RBF神经网络对天然气负荷预测的结果，为了比较本文方法与其它天燃气预测方法的优缺点，同时采用ARIMA和灰色关联模型作为对比模型，其预测结果如图3所示。从图3可知，RBF神经网络预测方法比两种对比预测方法对实际天燃气负荷有更好的逼近结果，预测结果更好。为定量地评价几种天燃气负荷预测方法的预测精度，本文同时采使用绝对平均误差(MAPE)这个性能指标对其进行评价，其定义为MAPE=∑ni=1(yi－^yi)/yin×100，n=12(7)其中，yi和^yi分别表示天燃气负荷实际值和预测值。

3种天燃气负荷预测方法的结果如表4所示。

表43各种方法的天燃气负荷预测结果

从表4可知，所有预测方法中，本文的RBF神经网络的天燃气预测误差最小，预测精度最高，对比结果表明，RBF神经网络是一种高精度、有效的天燃气预测方法，利用RBF神经网络对天燃气负荷进行动态预测是可行的。

6结束语

天燃气负荷预测对于保证管网用气量，进行管网的优化调度具有极其重要的意义，本文针对天燃气负荷变化的特点，提出一种基于RBF神经网络的天燃气负荷预测模型，并通过某企业天燃气负荷对模型性能进行验证，仿真结果表明RBF神经网络模型有较高的预测精度，适应性和灵活性较强的，预测结果可为天燃气管网的调度提供重要的依据，可应用于工程实际。