基于 H a a r小波变换和AR I MA - R B F的天然气时负荷预测

doi:10.3969/j.issn.1006-396X.2015.04.016

石油化工高等学校学报 ›› 2015, Vol. 28 ›› Issue (4): 75-80.DOI: 10.3969/j.issn.1006-396X.2015.04.016

基于 H a a r小波变换和AR I MA - R B F的天然气时负荷预测

乔伟彪^{1, 2, 3}, 陈保东²

( 1. 中国石油大学( 华东) 储运与建筑工程学院, 山东青岛2 6 6 5 8 0; 2. 辽宁石油化工大学石油天然气工程学院,
辽宁抚顺1 1 3 0 0 1; 3. 华润( 南京) 市政设计有限公司, 江苏南京2 1 0 0 0 0)

收稿日期:2014-06-03 修回日期:2015-06-20 出版日期:2015-08-25 发布日期:2015-08-25
作者简介:乔伟彪( 1 9 8 5 - ) , 男, 博士研究生, 从事城市天然气负荷短期预测、调峰及管网场站安全评估研究; E - m a i l : s t e v e n w b q@s i n a. c o m。
基金资助:
中国石油集团公司重点研究项目资助( KY 2 0 1 1 - 1 3) 。

Hourly Load Prediction for Natural Gas Based on Haar  Wavelet Tansforming and ARIMARBF

(1. College of Pipeline and Civil Engineering,China Petroleum University,Qingdao Shandong 266580, China;  2. College of Oil and Gas Engineering, Liaoning Shihua University,Fushun Liaoning 113001, China; 3.China Resource(Nanjing) Municipal Design Co., Ltd., Nanjing Jiangsu,210000，China)

Received:2014-06-03 Revised:2015-06-20 Published:2015-08-25 Online:2015-08-25

摘要/Abstract

摘要： 针对天然气时负荷预测问题, 提出了一种基于 H a a r小波变换和 AR I MA - R B F的天然气时负荷组合预测模型。首先, 对天然气时负荷数据样本时间序列进行小波分解, 采用 M a l l a t快速算法, 母小波为 H a a r小波, 对分解出来的高频分量进行 AR I MA预测, 低频分量进行R B F预测; 其次, 对高频分量预测结果和低频分量预测结果进行 H a a r小波重构; 最后, 以某市实际采集的天然气时负荷为例进行研究, 并与自组织特征映射( S e l f - o r g a n i z i n g F e a t u r eM a p, S OFM) 网络和多层感知器( Mu l t i l a y e rP e r c e p t r o n, ML P) 网络( S OFM+ML P) 组合预测模型进行对比分析。结果表明, 组合预测模型较S OFM+ML P预测模型的 MA P E值指标高出2. 5 9 32%, 预测精度显著提高, 为实际工程的在线应用提供了有益参考。

关键词: 天然气时负荷, H a a r小波变换, AR I MA, R B F, 预测

Abstract: A resultant forecast model for prediction of hourly load of natural gas is proposed based on Haar wavelet transforming and ARIMARBF in this paper. Firstly, adopting Mallat fast algorithm and choosing Haar wavelet as mother wavelet, the gas hour load is decomposed, then the high frequency signals are predicted with ARIMA, and the low frequency is predicted with RBF. Secondly, the high frequency and the low frequency are reconstructed by Haar wavelet. Finally, taking gas hour load of a city for example, the effectiveness of prediction model is verified and compared with SOFM+MLP. The results indicate that the MAPE of the combination forecasting model is higher than 2.593 2%, the prediction accuracy is significantly improved in this paper, which provide a new useful reference for the shortterm forecasting in online engineering application.

Key words: Gas hour load, , Haar wavelet transform, , ARIMA, , RBF, , Forecast

乔伟彪, 陈保东. 基于 H a a r小波变换和AR I MA - R B F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.

Qiao Weibiao,Chen Baodong. Hourly Load Prediction for Natural Gas Based on Haar  Wavelet Tansforming and ARIMARBF [J]. Journal of Petrochemical Universities, 2015, 28(4): 75-80.

[1]	李雨, 侯磊, 徐磊, 白小众, 刘金海, 孙欣, 谷文渊. 基于混合BP神经网络的原油管道电耗预测研究[J]. 石油化工高等学校学报, 2022, 35(2): 68-73.
[2]	刘德俊，亓立鹏. 海底砂岩水合物生成机理及储量预测研究进展[J]. 石油化工高等学校学报, 2021, 34(2): 76-84.
[3]	于涛，展明达，张文瑄，胡静. 长输热油管道非稳态油温预测[J]. 石油化工高等学校学报, 2020, 33(6): 71-78.
[4]	杨永超，吕昕倩，尚庆华，郭茂雷，白艳伟. 空气泡沫驱油藏含水及产气特征规律研究[J]. 石油化工高等学校学报, 2020, 33(2): 29-36.
[5]	周润楠，魏建光. 基于蒸汽驱精细储层拟合的井网加密调整研究[J]. 石油化工高等学校学报, 2019, 32(3): 76-81.
[6]	洪博岩. 乙烯裂解炉平均COT温度先进控制系统的开发与应用[J]. 石油化工高等学校学报, 2019, 32(2): 92-97.
[7]	兰金玉. 断层附近砂体精细预测方法研究[J]. 石油化工高等学校学报, 2019, 32(1): 47-51.
[8]	郑坚钦,王博弘,张浩然,梁永图. 天然气需求量预测研究进展[J]. 石油化工高等学校学报, 2018, 31(04): 1-6.
[9]	任喜东，李咏洲. Z油田大斜度压裂井产能数值模拟研究[J]. 石油化工高等学校学报, 2018, 31(02): 76-81.
[10]	李时光,吕宇玲. 旋风分离器性能预测模型研究进展[J]. 石油化工高等学校学报, 2017, 30(3): 89-94.
[11]	侯亚伟,张东,朱玉国,刘博伟,牟松茹. 底水油藏水平井见水后动态预测模型的建立与应用[J]. 石油化工高等学校学报, 2016, 29(6): 51-55.
[12]	孙强,王丹,郭绪强,刘爱贤,刘晓冬. 直链烷烃动力黏度与声速关系研究[J]. 石油化工高等学校学报, 2016, 29(1): 1-5.
[13]	乔文波, 李海涛, 张富畋, 张岭, 张美, 李龙飞. 基于正交设计与统计分析的注水井储层伤害预测[J]. 石油化工高等学校学报, 2015, 28(6): 44-48.
[14]	桑宇, 杨胜来, 陈浩, 李圣涛. 压裂气井产量影响因素及压裂设计优化方法研究[J]. 石油化工高等学校学报, 2015, 28(5): 41-48.
[15]	周俊, 王强, 伊鸣, 王帅. 基于小波变换与R B F网络的声发射信号识别[J]. 石油化工高等学校学报, 2015, 28(3): 80-85.

基于 H a a r小波变换和AR I MA - R B F的天然气时负荷预测

Hourly Load Prediction for Natural Gas Based on Haar  Wavelet Tansforming and ARIMARBF

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics