數(shù)據(jù)規(guī)格化在燃氣負荷預測的應用

摘 要

摘要：探討了燃氣負荷預測中規(guī)格化處理方法，建立了徑向基神經(jīng)網(wǎng)絡燃氣負荷預測模型。結(jié)合實例，對分別采用最大最小、零均值規(guī)格化處理的預測結(jié)果進行了比較，后者的精度較高。關(guān)鍵
摘要：探討了燃氣負荷預測中規(guī)格化處理方法，建立了徑向基神經(jīng)網(wǎng)絡燃氣負荷預測模型。結(jié)合實例，對分別采用最大最小、零均值規(guī)格化處理的預測結(jié)果進行了比較，后者的精度較高。
關(guān)鍵詞：燃氣負荷預測；神經(jīng)網(wǎng)絡；規(guī)格化
Application of Data Normalization to Gas Load Forecasting
LIANG Jin-feng，YANG Jun-jie，GAO Zhu
Abstract：The normalized treatment method in gas load forecasting is discussed，and a model for forecasting gas load based on radial basis function neural network is established. Combined with an example，the forecasting results using the maximum，minimum and zero average normalization are compared，and the latter has higher precision.
Key words：gas load forecasting；neural network；normalization
1 規(guī)格化處理方法
   燃氣負荷預測是從大量的歷史數(shù)據(jù)中找出一定的變化規(guī)律，進而實現(xiàn)對未來一定時間范圍內(nèi)的燃氣負荷進行預測。目前，用于燃氣負荷預測的方法很多，隨著人工神經(jīng)網(wǎng)絡的興起，不同的神經(jīng)網(wǎng)絡逐漸被引用到了燃氣負荷預測領(lǐng)域中來。然而單純地使用神經(jīng)網(wǎng)絡進行預測的結(jié)果是令人不滿意的，因此在進行預測運算前，將歷史數(shù)據(jù)進行前期處理是必不可少的。
   規(guī)格化[1]就是將一個屬性取值范圍投射到一個特定范圍之內(nèi)，以消除數(shù)值型因大小不一而造成預測結(jié)果的偏差。規(guī)格化處理常用于神經(jīng)網(wǎng)絡、基于距離計算的最近鄰分類和聚類的數(shù)據(jù)處理。常用的規(guī)格化處理方法有以下3種。
   ① 最大最小規(guī)格化方法
該方法是對初始數(shù)據(jù)進行的一種線性轉(zhuǎn)換。它是將屬性A的一個值v映射為v′且有v′∈[Anew,min，Anew,max]，具體映射計算式為：
 
式中Amin——屬性A的最小值
    Amax——屬性A的最大值
    Anew,max——規(guī)格化后屬性A新值的最大值
    Anew,min——規(guī)格化后屬性A新值的最小值
   ② 零均值規(guī)格化方法
該方法是根據(jù)屬性A的均值和方差來對A進行規(guī)格化，屬性4的值v可以通過以下計算式獲得其映射值v′：
 
式中Aave——屬性A的均值
    σA——屬性A的方差
   ③ 十基數(shù)變換規(guī)格化方法
該方法通過移動屬性A值的小數(shù)位數(shù)來達到規(guī)格化的目的。所移動的小數(shù)位數(shù)取決于屬性A絕對值的最大值。屬性A的值v可以通過以下計算式獲得其映射值v′：
 
式中j——使max(︱v′︱＜1成立的最小值
    目前，在使用人工神經(jīng)網(wǎng)絡進行燃氣負荷預測方面的研究中，大多數(shù)學者都在運算前對燃氣的歷史數(shù)據(jù)進行規(guī)一化處理，也就是最大最小值規(guī)格化處理，將數(shù)值映射到[0.1，0.9]范圍中。對于神經(jīng)網(wǎng)絡，采用規(guī)格化后的數(shù)據(jù)不僅有助于確保學習結(jié)果的正確性，而且也會幫助提高學習的速度。對于基于距離的計算，規(guī)格化方法可以幫助消除因?qū)傩匀≈捣秶煌绊懹嬎憬Y(jié)果的公正性。
2 燃氣負荷預測模型
    ① 徑向基神經(jīng)網(wǎng)絡預測模型
    徑向基神經(jīng)網(wǎng)絡[2]是一種兩層前向型神經(jīng)網(wǎng)絡，包含一個具有徑向基函數(shù)神經(jīng)元的隱層和一個具有線性神經(jīng)元的輸出層。在燃氣短期負荷預測領(lǐng)域中，它以訓練速度快、學習精度高的優(yōu)點開始逐漸嶄露頭角。考慮到燃氣日負荷受天氣狀況影響比較大，筆者以網(wǎng)絡的輸入為最低氣溫、最高氣溫，輸出為燃氣日負荷建立徑向基神經(jīng)網(wǎng)絡預測模型(見圖1)。
 

    ② 燃氣負荷的降噪處理
    燃氣負荷預測用到的歷史負荷數(shù)據(jù)，來源主要是燃氣部門的調(diào)度報表。各種計量儀表的偏差或人工抄表的疏忽，往往造成負荷實際值與記錄值差別很大。有時設備維修、燃氣泄漏等原因也造成負荷數(shù)據(jù)偏離合理值，導致采集到的數(shù)據(jù)為染噪數(shù)據(jù)。染噪的出現(xiàn)，打破了負荷所具有的周期性及規(guī)律性，因此有必要將染噪數(shù)據(jù)進行降噪處理。
    信號降噪[3]實質(zhì)上是抑制信號中的無用部分，恢復信號中的有用部分的過程。燃氣負荷可視為非平穩(wěn)的一維數(shù)字信號。對這種信號進行降噪處理時，由于傳統(tǒng)的傅里葉變換完全是在頻率域中對信號進行分析，它不能給出信號在某個時間點上的變化情況，因此分辨不出信號在時間軸上的任何一個突變。但是小波分析能同時在頻率域內(nèi)對信號進行分析，因此它能有效地區(qū)分信號中的突變部分和噪聲，從而實現(xiàn)對非平穩(wěn)信號的降噪。而小波包分析[4]能夠為信號提供一種更加精細的分析方法，它將頻段進行多層次劃分，對沒有細分的高頻部分進一步分解，并能夠根據(jù)被分析信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高時頻分辨率，因此小波包分析方法具有廣泛的應用價值。
    數(shù)據(jù)采用2002年某市燃氣相關(guān)歷史數(shù)據(jù)，運用小波包分析方法對燃氣日負荷進行降噪處理，部分計算結(jié)果見.表1。
表1 燃氣日負荷降噪處理結(jié)果
日期
最低氣溫/℃
最高氣溫/℃
真實日負荷/(m3·d-1)
降噪后日負荷/(m3·d-1)
2002年2月1日
-8
-1
40.15×104
40.07×104
2002年2月2日
-5
6
37.80×104
37.70×104
2002年2月3日
-9
-1
41.75×104
41.64×104
2002年2月4日
-1
10
41.40×104
41.24×104
2002年2月5日
-12
-10
40.70×104
40.71×104
2002年2月6日
-6
5
40.85×104
40.98×104
2002年2月7日
-8
6
43.65×104
43.64×104
    ③ 預測結(jié)果的相對誤差
在網(wǎng)絡學習前，將樣本數(shù)據(jù)進行了最大最小規(guī)格化處理，即將樣本數(shù)值映射到[0.1，0.9]范圍中?？紤]到燃氣日負荷受人們的日常生活規(guī)律影響具有以周為單位的周期性，訓練樣本為預測起始日前的4周數(shù)據(jù)。網(wǎng)絡學習完畢后，輸入預測日的最低、最高氣溫，進行仿真。采用徑向基神經(jīng)網(wǎng)絡預測模型，分別運用最大值最小值、零均值規(guī)格化方法，得到的該市2002年預測日燃氣日負荷預測結(jié)果，見表2。表2中，預測值1、相對誤差1分別表示采用最大最小規(guī)格化的計算結(jié)果及對于真實日負荷的相對誤差；預測值2、相對誤差2表示采用零均值規(guī)格化的計算結(jié)果及對真實日負荷的相對誤差。由表2可知，采用零均值規(guī)格化方法的預測精度高于采用最大最小規(guī)格化的預測精度。
表2 燃氣日負荷預測結(jié)果
日期
預測值1/(m3·d-1)
相對誤差1/%
預測值2/(m3·d-1)
相對誤差2/%
2002年2月1日
41.62×104
3.66
40.90×104
1.87
2002年2月2日
39.32×104
4.0l
40.26×104
6.50
2002年2月3日
41.30×104
-1.08
41.05×104
-1.67
2002年2月4日
35.48×104
-14.30
35.96×104
-13.13
2002年2月5日
43.38×104
6.57
42.34×104
4.03
2002年2月6日
40.20×104
-1.59
40.13×104
-1.77
2002年2月7日
40.36×104
-7.55
40.68×104
-6.79
3 結(jié)論
① 數(shù)據(jù)的規(guī)格化處理對于預測精度有一定的影響，采用徑向基神經(jīng)網(wǎng)絡進行燃氣日負荷預測時，經(jīng)過零均值規(guī)格化處理得到的數(shù)據(jù)預測精度要相對高一些。
② 徑向基神經(jīng)網(wǎng)絡預測模型不但考慮到了天氣變化對燃氣日負荷的影響，還反映出了燃氣日負荷以周為單位的周期變化規(guī)律。
參考文獻：
[1] 朱明.數(shù)據(jù)挖掘[M].北京：中國科學技術(shù)大學出版社，2002.
[2] 周開利，康耀紅.神經(jīng)網(wǎng)絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.
[3] 飛思科技產(chǎn)品研發(fā)中心.小波分析理論與MATLAB7實現(xiàn)[M].北京：電子工業(yè)出版社，2004.
[4] 成禮智，王紅霞，羅永.小波的理論與應用[M].北京：科學出版社，2004.
 
(本文作者：梁金鳳 楊俊杰 高鑄 新奧燃氣技術(shù)研究發(fā)展有限公司 河北廊坊 065001)