基于小波变换和深度学习的短期天然气负荷预测研究

doi:10.3969/j.issn.1672-6952.2021.05.016

辽宁石油化工大学学报 ›› 2021, Vol. 41 ›› Issue (5): 91-96.DOI: 10.3969/j.issn.1672-6952.2021.05.016

• 信息与控制工程 • 上一篇

基于小波变换和深度学习的短期天然气负荷预测研究

田文才¹(), 乔伟彪¹(), 周国峰¹, 刘伟²

^1.华北水利水电大学环境与市政工程学院，河南郑州 450046
^2.重庆大学资源与安全学院，重庆 400044

收稿日期:2021-03-29 修回日期:2021-04-06 出版日期:2021-10-25 发布日期:2021-11-09
通讯作者: 乔伟彪
作者简介:田文才(1998⁃)，男，硕士研究生，从事供热、供燃气、通风及空调方面的研究；E⁃mail：thl980302@163.com。
基金资助:
重庆市基础研究与前沿探索项目(cstc2018jcyjAX0441)

Research on Short⁃Term Natural Gas Load Forecasting Based on Wavelet Transform and Deep Learning

Wencai Tian¹(), Weibiao Qiao¹(), Guofeng Zhou¹, Wei Liu²

^1.School of Environmental and Municipal Engineering，North China University of Water Resources and Electric Power，Zhengzhou Henan 450046，China
^2.School of Resources and Safety Engineering，Chongqing University，Chongqing 400044，China

Received:2021-03-29 Revised:2021-04-06 Published:2021-10-25 Online:2021-11-09
Contact: Weibiao Qiao

摘要/Abstract

摘要：

随着天然气在能源消耗中占比越来越大，如何准确预知未来的天然气消耗量，对天然气资源合理规划具有重大意义。针对此问题，提出一种基于小波变换和深度学习的短期天然气负荷预测模型。首先对所收集的天然气负荷数据利用不同小波变换进行分解，之后对其进行归一化处理；其次利用深度学习算法对数据进行训练与预测；然后利用小波重构对预测的数据分别进行整合；最后以平均绝对百分误差、平均绝对误差和均方根误差为评价指标，评价不同小波变换的预测结果，计算最优小波变换的最优阶数和层数。结果表明，Fk小波变换第22阶第6层相对于其他小波变换和直接利用LSTM进行预测具有更高的预测精度。

关键词: 深度学习, LSTM, 小波, 阶数, 层数

Abstract:

As natural gas accounts for an increasing proportion of energy consumption, how to accurately predict the future natural gas consumption is of great significance to the rational planning of natural gas. For this problem,a short?term natural gas load forecasting model based on wavelet transform and deep learning was proposed. First,the collected natural gas load was decomposed by using different wavelets , and then normalized it.Secondly, the data wes trained and predictd by using the deep learning algorithm Long Short?Term Memory (LSTM); then the predicted data was separately integrated by using wavelet reconstruction.Finally, the average absolute percentage error, average absolute error and root mean square error were used as evaluation indicators to evaluate the prediction results of different wavelets, and the optimal order and number of layers of the optimal wavelet were calculated.The examples show that the 22nd?order 6th layer of Fk wavelet transforms has higher prediction accuracy than other wavelets transforms and direct use of LSTM for prediction.

Key words: Deep learning, LSTM, Wavelet, Orders, Number of layers

中图分类号:

TE82

田文才, 乔伟彪, 周国峰, 刘伟. 基于小波变换和深度学习的短期天然气负荷预测研究[J]. 辽宁石油化工大学学报, 2021, 41(5): 91-96.

Wencai Tian, Weibiao Qiao, Guofeng Zhou, Wei Liu. Research on Short⁃Term Natural Gas Load Forecasting Based on Wavelet Transform and Deep Learning[J]. Journal of Liaoning Petrochemical University, 2021, 41(5): 91-96.

图/表 8

参考文献 23

1	Ye Z H， Li Y K， Yan Q. Global natural gas consumption history and energy consumption pattern［M］. De Gruyter， Sydney：ESSE，2017：241⁃246.
2	黄献智，杜书成. 全球天然气和LNG供需贸易现状及展望［J］. 油气储运，2019，38（1）：12⁃19.
3	Jie G， Chen J， Hui S， et al. Current state and prospect of China natural gas industry［J］. China Oil & Gas， 2016， 23（1）：22⁃28.
4	Balitskiy S， Bilan Y， Strielkowski W， et al. Energy efficiency and natural gas consumption in the context of economic development in the European Union［J］. Renewable and Sustainable Energy Reviews， 2016， 55：156⁃168.
5	Fadiran G， Adebusuyi A T， Fadiran D. Natural gas consumption and economic growth： Evidence from selected natural gas vehicle markets in Europe［J］. Energy， 2019， 169：467⁃477.
6	王中元，罗东坤，刘璘璘. 我国城市燃气发展阶段及其主要特征［J］. 油气储运，2016，35（2）：115⁃123.
7	Kumar P， Dhal S， Kumar N. Neural network based forecasting model for natural gas consumption［J］. Communications on Applied Electronics， 2017， 7（11）：1⁃8.
8	Baldacci L， Golfarelli M， Lombardi D， et al. Natural gas consumption forecasting for anomaly detection［J］. Expert Systems with Application， 2016， 62（15）：190⁃201.
9	Furuoka F. Natural gas consumption and economic development in China and Japan： An empirical examination of the Asian context［J］. Renewable & Sustainable Energy Reviews， 2016， 56：100⁃115.
10	Akpinar M， Yumusak N. Day⁃ahead natural gas forecasting using nonseasonal exponential smoothing methods［C］// IEEE International Conference on Environment & Electrical Engineering， Milan：IEEE Press， 2017：1⁃4.
11	Hribar R， Papa G， Silc J. Prediction of natural gas consumption using empirical models［C］// 2017 International Conference on Smart Systems and Technologies （SST）， Osijek： IEEE Press， 2017.
12	Őzmen A， Yilmaz Y， Ozmen， Weber G W， et al. Natural gas consumption forecast with MARS and CMARS models for residential users［J］. Energy Economics， 2018， 70：357⁃381..
13	Sen D， Gunay M E， Tunc K. Forecasting annual natural gas consumptioin using socio⁃economic indicator for making future policies［J］. Energy，2019，173：1106⁃1118.
14	Beyca O F， Ervural B C， Tatoglu E， et al. Using machine learning tools for forecasting natural gas consumption in the province of Istanbul［J］. Energy Economics， 2019， 80：937⁃949.
15	杨梅，李忠，吴昊. 基于多尺度时间特征的LSTM短期负荷预测［EB/OL］.（2020⁃11⁃23）［2020⁃12⁃19］. https：//doi.org/10.14107/j.cnki.kzgc.20200542.
16	余凤，徐晓钟. 基于优化小波BP神经网络的燃气短期负荷预测［J］.计算机仿真. 2015，32（1），372⁃376.
17	乔伟彪，陈保东，卢泓方. 基于混沌理论和Volterra自适应滤波器的天然气负荷预测［J］. 中国科学（技术科学），2015，45（1），91⁃102.
18	Brinks P. Potential⁃analysis of grey energy limits for residential buildings in Germany［J］. Energy and Buildings，2016，127：571⁃579.
19	乔伟彪，陈保东.基于Haar小波变换和ARIMA⁃RBF的天然气时负荷预测［J］.石油化工高等学校学报，2015，28（4）：75⁃80.
20	刘春霞，李军，党伟超，等. 基于遗传算法优化小波神经网络的短期天然气负荷预测［J］. 计算机系统应用，2020，29（4）：175⁃180.
21	涂建维，高经纬，李召，等. 基于长短时记忆网络的结构智能控制算法研究［J］. 华中科技大学学报（自然科学版），2019，47（12）：110⁃115.
22	周帆，赵荣普，杨文镪，等. 长、短期电力负荷大数据下的智能预测实例分析［J］. 电气工程与自动化， 2019，36（6）：27⁃30.
23	罗航，王厚军，龙兵. 基于“松散型”小波神经网络的时间序列预测研究［J］. 计算机工程与应用， 2008， 44（8）： 16⁃19.

预测方法及阶层	MAPE/%	MAE	RMSE
SLSTM直接预测	3.51	181.33	49 906.45
Sym2阶6层	1.60	123.58	21 215.74
Sym3阶6层	1.15	104.08	15 503.20
Sym4阶9层	1.12	104.13	15 602.73
Sym5阶6层	0.89	93.14	12 411.02
Sym6阶6层	0.97	96.24	13 531.50
Sym7阶8层	0.81	87.77	10 510.65
Sym8阶6层	0.90	92.75	12 554.18
Coif1阶9层	1.58	123.14	21 394.27
Coif2阶9层	1.24	108.49	17 131.71
Coif3阶5层	0.99	97.13	14 305.03
Coif4阶6层	1.00	91.67	12 602.55
Coif5阶5层	0.82	88.75	11 819.61
Fk4阶3层	1.76	130.85	24 691.33
Fk6阶6层	1.10	102.25	14 920.89
Fk8阶6层	1.02	98.16	13 402.37
Fk14阶7层	0.77	85.41	10 212.18
Fk18阶6层	0.77	85.46	10 128.55
Fk22阶6层	0.71	82.19	9 222.59

预测方法及阶层	MAPE/%	MAE	RMSE
SLSTM直接预测	3.51	181.33	49 906.45
Sym2阶6层	1.60	123.58	21 215.74
Sym3阶6层	1.15	104.08	15 503.20
Sym4阶9层	1.12	104.13	15 602.73
Sym5阶6层	0.89	93.14	12 411.02
Sym6阶6层	0.97	96.24	13 531.50
Sym7阶8层	0.81	87.77	10 510.65
Sym8阶6层	0.90	92.75	12 554.18
Coif1阶9层	1.58	123.14	21 394.27
Coif2阶9层	1.24	108.49	17 131.71
Coif3阶5层	0.99	97.13	14 305.03
Coif4阶6层	1.00	91.67	12 602.55
Coif5阶5层	0.82	88.75	11 819.61
Fk4阶3层	1.76	130.85	24 691.33
Fk6阶6层	1.10	102.25	14 920.89
Fk8阶6层	1.02	98.16	13 402.37
Fk14阶7层	0.77	85.41	10 212.18
Fk18阶6层	0.77	85.46	10 128.55
Fk22阶6层	0.71	82.19	9 222.59

小波类型及阶层	MAPE/%	MAE	RMSE
直接预测误差	6.28	149.04	31 782.80
Sym 8阶5层	1.14	71.25	6 615.22
Coif 5阶6层	1.35	69.92	6 210.37
Fk 22阶6层	1.13	64.48	5 301.71

小波类型及阶层	MAPE/%	MAE	RMSE
直接预测误差	6.28	149.04	31 782.80
Sym 8阶5层	1.14	71.25	6 615.22
Coif 5阶6层	1.35	69.92	6 210.37
Fk 22阶6层	1.13	64.48	5 301.71

[1]	张春雨, 刘长福, 朱晓丹, 于新丽, 罗星辰, 陆天昊, 李冰杰. 基于动态特性和小波包的铣削颤振识别[J]. 辽宁石油化工大学学报, 2023, 43(6): 75-81.
[2]	侯健, 刘恒, 刘琳珂, 潘斌, 张玉萍. 基于位置自适应的三维点云处理模型[J]. 辽宁石油化工大学学报, 2023, 43(6): 89-96.
[3]	韩江雪, 郭小明, 汤永恒, 王丽鑫, 潘斌. 基于孪生网络的协作机器人目标追踪[J]. 辽宁石油化工大学学报, 2022, 42(6): 90-96.
[4]	李文娜. 基于小波变换⁃海森伯格矩阵⁃奇异值分解的图像水印算法[J]. 辽宁石油化工大学学报, 2022, 42(5): 84-89.
[5]	刘晓琴，王晨旭，孙海军，王千. 基于小波和贝叶斯网络的智能建筑供配电系统故障诊断研究[J]. 辽宁石油化工大学学报, 2020, 40(6): 78-84.
[6]	史长青，郎宪明，张琳，李平. 基于改进LMD及LSTSVM的管道泄漏检测与定位[J]. 辽宁石油化工大学学报, 2019, 39(6): 84-90.
[7]	赵士龙,李维军,石成江. 基于红外成像技术的铝箔封口密封完整性检测研究[J]. 辽宁石油化工大学学报, 2018, 38(02): 80-84.
[8]	王晓蕾,阚哲,张雷雷. 基于小波原理和流体静电信号诊断矿用液压系统故障原理[J]. 辽宁石油化工大学学报, 2015, 35(3): 65-68.
[9]	周伟强,侯立刚,苏成利. 基于时间 - 小波能量包络谱的滚动轴承特征提取[J]. 辽宁石油化工大学学报, 2014, 34(3): 75-78.
[10]	翁和标,侯立刚,苏成利. 基于改进QPSO算法的小波神经网络参数优化[J]. 辽宁石油化工大学学报, 2013, 33(4): 91-94.
[11]	张宇佳. MIR和NIR光谱技术比较及在烃源岩分析中的应用[J]. 辽宁石油化工大学学报, 2013, 33(3): 19-23.
[12]	刘暋达,翟春艳,李书臣,苏成利. 汽轮机转子故障诊断算法应用研究[J]. 辽宁石油化工大学学报, 2013, 33(3): 67-69.
[13]	李文娜. 基于Haar特征级联强分类器和肤色模型的人脸检测[J]. 辽宁石油化工大学学报, 2010, 30(3): 61-64.
[14]	刘伟,纪玉波. 一种改进的人眼特征检测方法[J]. 辽宁石油化工大学学报, 2010, 30(3): 68-71.
[15]	刘晓琴. 基于小波神经网络的化学反应器故障模式识别[J]. 辽宁石油化工大学学报, 2010, 30(3): 79-81.

基于小波变换和深度学习的短期天然气负荷预测研究

Research on Short⁃Term Natural Gas Load Forecasting Based on Wavelet Transform and Deep Learning

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 8

参考文献 23

相关文章 15

编辑推荐

Metrics