本文關(guān)鍵詞：川渝地區(qū)城鎮(zhèn)冬季燃?xì)馊肇?fù)荷特性分析及預(yù)測(cè)方法研究

  更多相關(guān)文章： 燃?xì)馊肇?fù)荷 用氣結(jié)構(gòu) 小波 組合預(yù)測(cè) 支持向量機(jī)

【摘要】：準(zhǔn)確預(yù)測(cè)城鎮(zhèn)燃?xì)夤芫W(wǎng)各用氣終端的日負(fù)荷,是上游供氣企業(yè)制定合理的生產(chǎn)銷售計(jì)劃、中游燃?xì)夤芫W(wǎng)規(guī)劃設(shè)計(jì)與下游各城市燃?xì)夤緝?yōu)化調(diào)峰調(diào)度和實(shí)現(xiàn)供需平衡的前提條件。在我國(guó)現(xiàn)有儲(chǔ)氣設(shè)施較少、冬季供氣緊張且用戶需求不斷增長(zhǎng)的情況下,冬季城鎮(zhèn)燃?xì)馊肇?fù)荷預(yù)測(cè)具有重要的研究?jī)r(jià)值。然而,不同用氣結(jié)構(gòu)城鎮(zhèn)的冬季燃?xì)馊肇?fù)荷特性不同,且同一城鎮(zhèn)冬季不同時(shí)段的燃?xì)馊肇?fù)荷特性以及日負(fù)荷不同頻段分量的特性也不同,造成冬季燃?xì)馊肇?fù)荷預(yù)測(cè)模型對(duì)不同用氣結(jié)構(gòu)城鎮(zhèn)的適應(yīng)性和準(zhǔn)確性不夠穩(wěn)定。因此,分析不同用氣結(jié)構(gòu)的城鎮(zhèn)的冬季燃?xì)馊肇?fù)荷特性,分別建立冬季日負(fù)荷分時(shí)段預(yù)測(cè)模型和分頻組合預(yù)測(cè)模型,對(duì)于提高不同類型城鎮(zhèn)的冬季燃?xì)馊肇?fù)荷預(yù)測(cè)模型的精度與適應(yīng)性具有重要研究?jī)r(jià)值。為此,本文開(kāi)展了以下幾方面的研究工作：(1)采用小波奇異性檢測(cè)和小波閾值降噪法分別對(duì)冬季城鎮(zhèn)燃?xì)馊肇?fù)荷異常數(shù)據(jù)進(jìn)行了識(shí)別與修正,通過(guò)與基于k最鄰近算法的異常數(shù)據(jù)識(shí)別方法及基于特征曲線的加權(quán)修正法進(jìn)行對(duì)比,結(jié)果表明：基于小波奇異性檢測(cè)的燃?xì)馊肇?fù)荷異常數(shù)據(jù)識(shí)別方法更準(zhǔn)確；小波閾值降噪法的異常數(shù)據(jù)修正效果較好且方法可靠,同時(shí)能更好地保留日負(fù)荷的有用信息。(2)分別分析以民用氣為主的D市和以工業(yè)用氣為主的X市的冬季燃?xì)馊肇?fù)荷整體的趨勢(shì)性和局部的隨機(jī)性、波動(dòng)性與周期性,采用相關(guān)分析及偏相關(guān)分析研究了兩類城市冬季燃?xì)馊肇?fù)荷的變化規(guī)律及其影響因素的作用機(jī)理。結(jié)果表明：D市日負(fù)荷的隨機(jī)性和波動(dòng)性較強(qiáng),局部波動(dòng)幅度大,而是X市日負(fù)荷的隨機(jī)性和局部波動(dòng)性弱,相似性強(qiáng)；兩類城市日負(fù)荷的主要影響因素是氣溫與日期類型；其中,氣溫具有累積效應(yīng),氣溫對(duì)D市的影響程度大于X市,日期類型對(duì)X市的影響程度大于D市；日最高氣溫與日平均溫度對(duì)日負(fù)荷的影響作用大于日最低氣溫,氣溫在5～10℃、13～19℃和溫降在1～3℃范圍時(shí),D市日負(fù)荷變化較顯著；當(dāng)氣溫在4～10℃和11～18℃時(shí),X市日負(fù)荷變化較明顯,且當(dāng)氣溫下降1～2℃時(shí),燃?xì)馊肇?fù)荷平均增加幅度大于D市；用氣結(jié)構(gòu)影響燃?xì)馊肇?fù)荷的波動(dòng)規(guī)律和幅度。(3)采用k折交叉驗(yàn)證法優(yōu)化了支持向量機(jī)(support vector machine, SVM)的模型參數(shù),分別建立了適用于民用氣為主的D市與工業(yè)用氣為主的X市冬季降溫時(shí)段和非降溫時(shí)段燃?xì)馊肇?fù)荷的SVM預(yù)測(cè)模型。通過(guò)對(duì)兩類城市的SVM分時(shí)段預(yù)測(cè)模型進(jìn)行精度與適應(yīng)性對(duì)比分析,結(jié)果表明：基于SVM的分時(shí)段預(yù)測(cè)模型的日負(fù)荷精度優(yōu)于不分時(shí)段,平均絕對(duì)百分比誤差MAPE在2%到3.8%之間；冬季降溫時(shí)段日負(fù)荷的預(yù)測(cè)誤差大于非降溫時(shí)段；工業(yè)用氣為主的城市春節(jié)期間日負(fù)荷變化幅度大于其他時(shí)段,為提高其預(yù)測(cè)精度,預(yù)測(cè)天數(shù)建議設(shè)為2～4天。(4)采用小波變換將兩類城鎮(zhèn)的冬季燃?xì)馊肇?fù)荷分解為體現(xiàn)日負(fù)荷隨機(jī)性的高頻分量與體現(xiàn)日負(fù)荷趨勢(shì)性的低頻分量,提出了日負(fù)荷分頻組合預(yù)測(cè)模型的兩種子模型組合方案。第一種方案為時(shí)間序列模型預(yù)測(cè)低頻分量且SVM模型預(yù)測(cè)高頻分量,第二種方案是SVM模型預(yù)測(cè)低頻分量且時(shí)間序列模型預(yù)測(cè)高頻分量。分別分析了D市與X市冬季燃?xì)馊肇?fù)荷分頻預(yù)測(cè)的模型組合方案的精度與適應(yīng)性,結(jié)果表明：組合方案二的預(yù)測(cè)精度高于組合方案一和相應(yīng)的單一預(yù)測(cè)模型；相比于分時(shí)段模型,分頻組合模型整體預(yù)測(cè)精度更高；但對(duì)于工業(yè)用氣為主的城鎮(zhèn),采用分頻組合方法預(yù)測(cè)春節(jié)期間燃?xì)馊肇?fù)荷的預(yù)測(cè)效果稍弱,建議該類城鎮(zhèn)春節(jié)期間采用適合小樣本的SVM模型進(jìn)行預(yù)測(cè),非春節(jié)時(shí)段采用分頻組合預(yù)測(cè)模型；對(duì)于民用氣為主的城鎮(zhèn),建議其冬季燃?xì)馊肇?fù)荷預(yù)測(cè)采用分頻組合預(yù)測(cè)法。
【學(xué)位授予單位】：西南石油大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TU996.3

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 喬偉彪;陳保東;盧泓方;;基于混沌理論和Volterra自適應(yīng)濾波器的天然氣負(fù)荷預(yù)測(cè)[J];中國(guó)科學(xué):技術(shù)科學(xué);2015年01期

2 喬偉彪;陳保東;吳世娟;李朝陽(yáng);毛建設(shè);馬劍林;;基于小波變換和LSSVM-DE的天然氣日負(fù)荷組合預(yù)測(cè)模型[J];天然氣工業(yè);2014年09期

3 張超;劉奕;張輝;黃弘;;基于支持向量機(jī)的城市燃?xì)馊肇?fù)荷預(yù)測(cè)方法研究[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年03期

4 楊杰;翁文國(guó);;基于改進(jìn)無(wú)偏灰色模型的燃?xì)夤饬康念A(yù)測(cè)[J];清華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

5 HASSANI Hossein;ABDOLLAHZADEH Majid;IRANMANESH Hossein;MIRANIAN Arash;;A SELF-SIMILAR LOCAL NEURO-FUZZY MODEL FOR SHORT-TERM DEMAND FORECASTING[J];Journal of Systems Science & Complexity;2014年01期

6 劉輝舟;周開(kāi)樂(lè);胡小建;;基于模糊負(fù)荷聚類的不良負(fù)荷數(shù)據(jù)辨識(shí)與修正[J];中國(guó)電力;2013年10期

7 康琪;林軍;;分解組合模型在短期燃?xì)忸A(yù)測(cè)中的應(yīng)用[J];微型機(jī)與應(yīng)用;2013年16期

8 溫錦斌;王昕;李立學(xué);鄭益慧;周荔丹;邵鳳鵬;;基于頻域分解的短期風(fēng)電負(fù)荷預(yù)測(cè)[J];電工技術(shù)學(xué)報(bào);2013年05期

9 何春蕾;段言志;鄔宗婧;楊光道;;基于氣溫的城市燃?xì)舛唐谌肇?fù)荷預(yù)測(cè)模型——以四川省成都地區(qū)為例[J];天然氣工業(yè);2013年04期

10 郭微;姜德義;;基于支持向量機(jī)的燃?xì)舛唐谪?fù)荷預(yù)測(cè)[J];煤氣與熱力;2013年03期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 苗艷姝;城市燃?xì)庳?fù)荷預(yù)測(cè)的研究[D];哈爾濱工業(yè)大學(xué);2006年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前6條

1 何洋;城市燃?xì)庳?fù)荷智能預(yù)測(cè)系統(tǒng)的開(kāi)發(fā)及應(yīng)用[D];上海師范大學(xué);2015年

2 賴兆林;基于SVM組合模型的燃?xì)庳?fù)荷預(yù)測(cè)研究[D];上海師范大學(xué);2012年

3 劉晶;基于相似日和支持向量機(jī)的短期負(fù)荷預(yù)測(cè)研究[D];華南理工大學(xué);2010年

4 張楠;關(guān)于支持向量機(jī)中的參數(shù)優(yōu)化的研究[D];西北大學(xué);2008年

5 吳明圣;徑向基神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的參數(shù)優(yōu)化方法研究及應(yīng)用[D];中南大學(xué);2007年

6 薛美娟;基于數(shù)據(jù)挖掘技術(shù)的電力系統(tǒng)短期負(fù)荷預(yù)測(cè)[D];西安理工大學(xué);2007年

，

本文編號(hào)：1208859