基于粒子群优化的最小二乘支持向量机天然气负荷预测方法研究

                                     摘要

天然气是一种绿色、经济、高效、便捷、安全环保的能源,提高天然气在能源消费结构中的比例,不仅有利于促进节能减排,又能够促进经济与社会的可持续发展,同时天然气作为一种城市燃气,与人们生活和工业生产息息相关,是反映人们生活消费水平的一个重要指标。因此,科学的天然气负荷预测不仅仅关系着天然气公司的利益问题,同时还关系着整个天然气行业的建设和发展,与广大的人民生活也息息相关。

本文基于天然气负荷预测的背景、国内外研究现状以及课题意义的研究,分析天然气负荷的特点、规律及与各种影响因素之间的非线性关系,根据支持向量机(SVM)能够较好地解决非线性、高维数以及局部极小点等实际问题的优势,本文提出采用支持向量回归(SVR)方法建立天然气负荷预测模型并进入深入研究。首先基于SVR的研究,釆用训练误差的平方代替松弛变量,将不等式约束改进为等式约束,进而提出最小二乘支持向量回归(LS-SVR)的天然气负荷预测模型,从而避免求解二次规划问题,提高模型训练的速度,但是LS-SVR丢失了 SVR的松散性和鲁棒性,导致模型精确度产生一定影响,为解决这些问题,又提出基于加权最小二乘支持向量回归(WLS-SVR)的天然气负荷预测模型。

同时,考虑到模型参数对于预测结果精度的影响也至关重要,提出利用粒子群算法(PSO)来优化WLS-SVR中的参数,得到基于PSO-WLS-SVR的预测模型,以进一步提高预测精度。最后,本文使用天然气1980-2011年的相关数据进行研究,分别对基于SVR、WLS-SVR, PSO-WLS-SVR的预测模型进行仿真并比较。仿真结果表明:WLS-SVR的模型预测结果优于SVR模型,且PSO-WLS-SVR的预测模型预测误差更小,从而说明PSO进行参数优化对提高预测精度有一定的优势,也说明PSO-WLS-SVR方法具有一定的有效性和优越性,由此可以说明基于粒子群算法的最小二乘支持向量回归预测方法具有一定的研究价值和社会意义。

关键词:天然气负荷预测;支持向量机;最小二乘支持向量机;粒子群算法

目录

第1章绪论

1.1课题研究背景

1.1.1天然气负荷预测背景

1.1.2天然气负荷预测特点

1.1.3天然气负荷预测意义

1.2 负荷预测研究

1.2.1预测基本原则

1.2.2负荷预测分类

1.2.3 负荷预测方法

1.3 国内外研究动态

1.3.1 国外研究现状

1.3.2 国内研究现状

1.4本课题研究内容及章节安排

1.4.1 论文主要研究工作

1.4.2论文章节安排

第2章支持向量机

2.1机器学习

2.1.1 机器学习问题模型

2.1.2经验风险最小化

2.1.3 复杂性和推广能力

2.2统计学习理论

2.2.1 VC 维理论

2.2.2推广性的界

2.2.3 结构风险最小化

2.3支持向量机

2.3.1 SVM分类问题

2.3.2 SVM回归问题

2.3.3 核函数

2.4 最小二乘支持向量机

2.5 本章小结

第3章基于支持向量回归的天然气负荷预测

3.1天然气负荷预测分类和特点

3.1.1天然气负荷预测分类

3.1.2天然气负荷预测特点

3.2天然气负荷预测影响因素

3.3基于SVR的天然气负荷预测的建模方法

3.3.1 输入变量选择

3.3.2核函数及模型参数选择

3.3.3天然气负荷预测步骤

3.4基于SVR的天然气负荷预测模型的仿真和分析

3.5 本章小结

第4章基于最小二乘支持向量回归的天然气负荷预测

4.1 LS-SVM 与 SVM 比较

4.2 LS-SVM参数研究

4.3加权最小二乘支持向量回归

4.4加权LS-SVM天然气负荷预测模型仿真及分析

4.4.1 数据预处理

4.4.2 加权LS-SVM参数选择 

4.5 本章小结

第5章基于PSO-WLS-SVR的天然气负荷预测 

5.1粒子群算法概述 

5.1.1 PS?算法 

5.1.2粒子群算法流程 

5.2基于PSO-WLS-SVR的天然气负荷预测模型仿真及分析 

5.3 SVR、WLS-SVR、PSO-WLS-SVR 预测模型结果比较 

5.4 本章小结 

第6章总结与展望 

6.1 本文工作总结 

6.2展望 

参考文献

 

                                第1章绪论

煤炭、石油、天然气是当今世界一次能源供应的三大支柱,也是促进和推动世界经济发展的三大动力能源。几个世纪以来,煤炭和石油在全球范围内得到广泛和大量的使用,伴随着全球经济的迅速发展,同时也给我们人类社会带来了不容忽视的环境问题,人类生存的自然环境受到了严重的污染。近年来,越来越多的绿色能源被我们所关注,绿色、环保日益提上我们的日程,成为国际趋势。在这种趋势下,天然气作为一种绿色、环保、清洁、高效的化石能源,它的开发和利用越来越受到世界范围内各国的重视。在全球范围内,不仅从储存量上还是从发展前景上看,天然气的优势都要远远大于石油等其他能源,因此,预计在不久以后,天然气将在一次能源消费比例中要与煤炭、石油齐头并进,共分分下,并最终超过石油,成为世界第一消费能源。因此,可以毫不犹豫的说,二十一世纪必将是天然气的时代。

1.1课题研究背景

1.1.1天然气负荷预测背景21世纪以来,随着全球经济的快速发展,人口的急骤增加,能源消费也不断增长,温室气体以及各种各样的有害物质排放的激增,人类的生存和生活环境都受到了极大的影响。在这种日益严峻的形势下,绿色能源越来越受到人们的重视,天然气做为一种绿色清洁能源的代表,逐渐薪露头角,成为人们的首要选择,同时,发展天然气也逐渐成为世界各国在改善生存环境和促进经济可持续发展政策上的最佳选择。首先,天然气是一种优质高效能源,在全球范围内得到广泛的发展,同时,天然气也是一种绿色清洁能源,可以有效的改善人们的居住环境,提高人们的生活质量。而且伴随着科学技术的不断发展,天然气不再局限于服务人们的日常生活,其应用范围也逐渐的扩展到汽车、化工、电力等领域。同时,随着人们对能源需求的不断提高,传统能源如石油、煤炭的日益枯竭,环境问题越来越突出,温室效应越来越严重,作为新能源的天然气以其自身的优势越来越受到人们的重视。美国、俄罗斯、中东等发达国家的天然气工业正高速发展,我国的天然气行业虽然起步较晚,但是也面临着快速发展的阶段。由天然气在世界能源消费的比例可知,天然气以由上世纪中叶的10%快速的增至今天的25%,而且其比重将会越来越大,逐渐成为世界第三大能源⑴。在我国,天然气消费增长越来越快,天然气市场也面临着高速发展阶段。

2000年,我国天然气的产量达到272.0亿立方米,消费量达到245.0亿立方米,天然气产量除满足自身需求外还有少量出口;从2007年开始,我国已成为天然气的净进口国;到2011年,我国天然气产量达到1025.3亿立方米,消费量达到1307.1亿立方米。从2000年至2011年,我国天然气消费量的复合增长率达到16.44%。在天然气消费量快速增长的情况下,进U量也不断提高。2007年我国天然气净进口量为12.83亿立方米,到2011年这一数值就增长到281.80亿立方米,对外依存度也从2007年的1.82%增长到2011年的21.56%。虽然我国天然气的消费量增长迅速,但天然气作为一种清洁高效的能源,目前在我国一次能源消费结构中的占比仍较低,仅在4?5%左右,未来天然气的消费量仍将保持高增速。根据国家发改委和有关部门研究的《天然气发展“十二五”规划》可知,2015年我国的天然气需求量将达到2300亿立方米,相比较2010年的数据显示,其增长率将增加1倍。

而2015年国内的天然气供应量约为1760亿立方米,其中常规天然气产量约为1385亿立方米、煤制气产量约为150-180亿立方米、煤层气产量约为160亿立方米、页岩气产量约为65亿立方米。可以看出,常规天然气将和非常规天然气共同发展,保障我国2015年的天然气供给。由此可见,我国天然气消费量的增加带来了需求量的供不应求,给天然气行业的发展带来了前所未有的商机[2,3]。因此,天然气市场面临着巨大的挑战,对天然气的负荷预测越来越受到重视。天然气的负荷预测,不仅给天然气供应商带来有效的预测数值,使其利益达到最大化,同时和国民经济、科技发展水平、工业生产力、人民生活水平以及社会的进步都是息息相关的。而且从某种意义上来说,天然气的消费量直接反映了未来的天然气需求量以及经济的活跃程度。因此,对天然气负荷进行预测,能够及时的了解天然气的需求动态,管理天然气的生产和调度,对天然气管网的设计、建设和运行都具有非常重要的意义。

1.1.2天然气负荷预测特点负荷预测是指在充分考虑系统特性、增容决策、自然条件以及社会影响的条件下,研究或使用一套系统的处理过去和未来负荷的数学模型方法,在满足一定精度的前提下,确定未来某时刻的负荷值。天然气负荷预测就是根据实际的天然气历史消费数据,分析天然气消费数据与各种因素之间的关系,按照某种数学方法建立预测模型,预测未来某段时间内的用户用气负荷[4,5]。负荷预测是根据过去和现在的负荷数值来推出未来的负荷,它决定了负荷预测的研究对象不是一个特定事件,而是随机的、不确定的事件,这就需要使用适当的科学预测方法来推断其未来的发展趋势。对于负荷预测來讲,其基本特点如下[6,7]:

(1)不准确性。天然气负荷发展的趋势受到各种因素的影响,而这些因素都是不确定的,可改变的,这就导致了负荷预测具有不确定性,因此天然气负荷预测的结果也相对具有不准确性。

(2)时间性。天然气负荷预测是一项科学预测,通常在一定的时间范围内进行的,它需要一个确切的时间概念,因此,天然气负荷预测通常需要指定预测的时间。

(3)条件性。天然气负荷的预测结果是在综合考虑各种影响因素的条件下得出的,这些条件可分为必然条件和假设条件。必然条件带来的直接影响是预测结果相对都是可靠的,比如掌握了负荷的规律;然而,负荷的规律不容易确定,难以掌握,这就导致在大多数情况下,需要一些假设,而这些假设条件就是通过综合分析各种情况后,为了得到更加精确的预测结果而附加的前提条件。

(4)多方案性。负荷预测的目的只有一个,即预测未来的负荷数据值。但是负荷预测的方法是多种多样的,在考虑到不同的方法和不同的影响因素情况下,得到的预测模型也是不一样的,因此,负荷预测的方案也可以说是不确定、多种多样的。

1.1.3天然气负荷预测意义近年来,随着天然气消费市场的不断扩大,天然气的开发、输送管道的建设以及现有的天然气输送管网的运行维护和改善都面临着越来越大的挑战,也提出了更高层次的要求。对于世界天然气行业的发展来讲,我国的天然气行业起步较晚,但是伴随着改革幵发以来我国经济的快速发展,人们对能源的需求也日益增长,同时不可避免对能源质量的要求也越来越高,在这种情况下,天然气所具有的绿色、环保、资源丰富等一系列的优点都将为天然气在我国的发展打下了良好的基础。

如何满足现有和将来的天然气消费量使得天然气公司的利益最大化,如何建立完善的天然气供需系统,确保天然气的幵发和利用都能达到最大化,这不仅仅是每个天然气公司都追求的目标,同时也是政府部门制定和发布天然气相关计划和政策的前提基础,所以,在对天然气进行开发和建设之前,对天然气消费需求的预测也就提上日程,成为不可避免的一项科研项目。因此,科学的天然气负荷预测不仅仅关系着天然气公司的利益问题,同时还关系着整个天然气行业的建设和发展,与广大的人民生活也息息相关。在天然气供应系统中,中长期天然气负荷数据对城市燃气管网规划、燃气工程项目建设与设计、下游公司运营管理与调度以及工程经济技术分析都有着决定性意义。准确预测城市天然气中长期负荷,不仅是建立高效、合理、经济的天然气供应系统的基础,还为政府部门和运营企业制定宏观规划、产业政策和行业建设发展提供依据,更保障了国家能源安全和用气安全。通过天然气中长期负荷预测,可以预判未来一段时期内天然气的需求情况,从而了解地区对能源需求的活跃程度,甚至经济活跃程度。天然气负荷预测对天然气生产系统的生产计划有一定的指导作用,根据预测结果,可以保证居民的基本用气量;同时,还可以协助天然气生产流程各环节的安全生产,消除或减少系统各种故障的影响,提高系统的可靠性,更重要的是改善和优化天然气的调度。

因此,天然气的负荷预测是实现天然气管网系统优化调度的基础,而预测的精度又将直接影响到优化调度所产生的经济效益[8,9]。

(1)准确的天然气负荷预测是签订天然气合同的保证。无论是民用还是工业用气,天然气消费量都是一个随机变量,因此,天然气负荷预测的首要任务是确保适当的供应量,当天然气消耗量超过预期预测值,将直接影响居民的生活和工业的生产;当消耗量小于预测值,则将导致企业天然气的过量产出,提高天然气的储存成本。因此,只有准确地预测天然气消费量,才能更好的为企业增加效益。

(2)准确的天然气负荷预测是个管网优化设计和储存设施建造的依据。在管网设计阶段,设计师需要根据天然气负荷预测值来确定天然气输送管网的规模和各项技术指标,估算项目的预算成本。而天然气储存设施的建造同样也是基于天然气负荷的准确预测,储存天然气,对调峰起着至关重要的作用。

(3)天然气负荷预测是对天然气负荷进行合理的调度,调峰调压的重要依据。天然气是一种可压缩的绿色能源,在调峰过程中从开始到调用起到作用会有一些延迟,因此,只有在知道天然气负荷预测结果的前提下,提前做好防范措施,从而保证满足居民和工业的用气需求。

1.2负荷预测研究

1.2.1预测基本原则预测,是指通过调查和分析,对事物的动态和发展趋势做出事先的估计和评价。也可以说,预测是根据相关的信息,运用定性和定量的方法,对某一对象的发展趋势所做的判断和预见。一般来说,预测步骤分为:首先确定目标,研究对象各种影响条件下的变化;其次,数据的收集和分析;建模方法和算法的研究;数据的预处理;研究模型参数;根据获得的模型预测未来负荷。负荷预测的基本原则主要体现在四个方面:惯性原则,表现在任何事物的发展都有其内在的连续性,也就是说过去的行为不仅仅决定现在,还将影响未来。类推原则,表现在很多对象的发展与变化都是相似的。因此,可以利用预测对象和其他对象发展变化相似性的特点,来进行类推预测。相关原则,主要表现在任何事物的发展都不是独立的,而是与其他事物相互联系、相互影响,因此可以利用其相关性来建立数学模型进行预测。概率推断原则,表现在根据设定的检验水平,当推断预测结果概率比较大时,则假定的结果成立。

1.2.2负荷预测分类负荷预测根据不同的分类方法可以有很多种划分:根据预测方法原理不同,分为基于惯性原理的预测、基于类推原理的预测和基于相关原理的预测。根据预测方法特性的不同,可以分为经验预测和客观预测。其中,经验预测也可以称为定性预测,这种预测方法主要是依靠专家和有经验的从业人员的经验来进行判断,不依赖数学模型。预测的目的不是为了了解负荷变化的轨迹,而只是得到一个方向性的结论,其结果可以是数值。经验预测主要包括类比法、单耗法、弹性系数法。客观预测也可以称为定量预测,主要有概率统计法和人工智能方法。其中概率统计方法又可以分为回归方法和时间序列分析方法;人工智能方法则包含更多先进的算法,比如神经网络方法、支持向量机、模糊预测方法、专家系统方法、灰色系统理论等等。按照预测时间周期的长短,可以将负荷预测划分为:短期负荷预测,中期负荷预测和长期负荷预测。每种类型的预测所受到的影响因素各不相同,因此他们的变化规律也相对不同。短期负荷预测一般指未来一小时到几周内的负荷预测;中期负荷预测一般指未来一个月到一年的负荷预测;长期负荷预测一般指未来一年到几年甚至几十年的负荷预测。

1.2.3负荷预测方法负荷预测是一项极其重要的基础性工作,长期以来,国内外的研究学者对负荷预测进行了广泛的科学研究,已逐渐形成一些比较成熟的理论和方法。传统的预测方法主要包括指数平滑法、时间序列法、回归分析法、卡尔曼滤波法、.灰色预测法等。随着科学技术的发展,新理论的不断出现,新的预测方法也层出不穷,主要有小波分析法、专家系统、基于模糊理论的预测、支持向量机、人工神经网络等方法。每种方法都有各自的优缺点,可以说,不能保证其中一种方法的预测结果完全正确,所以要针对不同的预测情况,选择不同的预测方法。

(1)指数平滑法指数平滑法(Exponential Smoothing, ES)是预测中常用的一种方法。它是在移动平均法的基础上发展起来的一种时间序列分析预测法,通过计算指数平滑值,再配合一定的时间序列预测模型对未来进行预测。指数平滑法是一种曲线拟合方法,它认为不同历史时期的负荷值对未来负荷的影响不一样,历史时间越靠近当前时间的负荷对未来负荷的影响越大,反之越小。按照这种思想,负荷预测中的观测样本一般采用过去数周内同类型日相同时刻的负荷值,然后对该数组进行加权平均就可得到所需的负荷值。由此可知,这种方法不适合于中长期的负荷预测。

(2)回归分析法回归分析法是在掌握大量观察数据的基础上,利用数理统计方法建立因变量与自变量之间的回归关系函数表达式(称回归方程式)。它也是一种曲线拟合的方法,在回归分析中,当研究的因果关系只涉及因变量和一个自变量时,叫做一元回归分析;当研究的因果关系涉及因变量和两个或两个以上自变量时,叫做多元回归分析。此外,在回归分析中,又依据描述自变量与因变量之间因果关系的函数表达式是线性的还是非线性的,分为线性回归分析和非线性回归分析。通常线性回归分析法是最基本的分析方法,遇到非线性回归问题可以借助数学手段化为线性回归问题处理。回归分析法预测是利用回归分析方法,根据一个或一组自变量的变动情况预测与其有相关关系的某随机变量的未来值。

(3)时间序列法时间序列预测法是一种根据动态数据揭示系统动态结构和规律的统计方法,也是一种定量预测方法,可以称为简单外延方法。一段由历史负荷资料组成的时间序列可以看成是一个随机过程,某一时刻的负荷与它过去的负荷关系紧密,是在过去负荷基础上的随机波动。这种相关关系可以用自协方差函数和自相关函数来描述,时间序列法正是通过研究这种相关关系来建立模型和进行预测的。时间序列模型可分为自回归(AR)、动平均(MA)等。一般可以通过分析原时间序列来确定模型的类型。在模型辨识之后,利用原序列有关的样本数据对模型参数进行估计,然后建立模型。用时间序列法建立的模型必须满足平稳性和可逆性。通用的时间序列法虽然考虑了负荷的历史发展趋势,但是由于无法计算天气、Fi期特征等敏感因素对负荷的影响,所以预测精度不是很高。

(4)灰色预测法灰色理论[15,16]中将各种各样的系统划分为白色、黑色和灰色系统。白色系统指的是信息完全已知的系统,黑色系统则代表信息完全未知,灰色系统则是信息不完全,即系统中既包含已知信息又包含未知信息。灰色预测是就灰色系统所做的预测。一般地说,社会系统、生态系统、经济系统都是灰色系统。灰色系统理论认为对既含有己知信息又含有未知或非确定信息的系统进行预测,就是对在一定方位内变化的、与时间有关的灰色过程的预测。尽管过程中所显示的现象是随机的、杂乱无章的,但毕竟是有序的、有界的,因此这一数据集合具备潜在的规律,灰色预测就是利用这种规律建立灰色模型对灰色系统进行预测。灰色预测通过鉴别系统因素之间发展趋势的相异程度,即进行关联分析,并对原始数据进行生成处理来寻找系统变动的规律,生成有较强规律性的数据序列,然后建立相应的微分方程模型,从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测模型,预测未来某一时刻的特征量,或达到某一特征量的时间。

(5)卡尔曼滤波法 …卡尔曼滤波法(optimal recursive data processing algorithm)[丨7’"8】又称状态空间法。对于解决大部分的预测问题,它是最优、效率最高甚至是最有用的预测方法。其应用广泛,包括控制、机器人导航、传感器、数据融合甚至在军事方面的雷达系统以及导弹追踪等等。近年来更是被应用于计算机图像处理,例如图像分割、头脸识别、图像边缘检测等等。该预测方法是把负荷变量分解为确定分量和随机分量,其中,确定分量用一阶线性模型描述,随机分量用状态变量表示,通过建立状态空间模型进行负荷预测,以最小均方误差为估计的最佳准则,来寻求一套递推估计的算法,其基本思想是:采用信号与噪声的状态空间模型,利用前一时刻地估计值和现时刻的观测值来更新对状态变量的估计,求出现时刻的估计值。

(6)小波分析法小波分析是近年来数学研究中一个杰出的代表。作为数学的一个分支,它借鉴吸收了现代分析科学中的部分精华,如数值分析、泛函分析、样条分析、傅立叶分析、调和分析等,小波分析算法在理论上很成熟,并且应用很广泛,在短短的几年中,受到了各界的高度重视,并且在信号处理、图像处理、模式识别、故障诊断、状态监视、CT成像、语言识别等学科领域中得到广泛应用。小波分析是种时域-频域分析方法,它在时域和频域同时具有良好的局部化性质。众所周知,负荷预测系统具有各自的特性,针对天然气负荷预测系统来讲,天然气负荷具有周期性,并以円、周、年为周期波动。其中,小波变换能将各种交织掺杂在一起的不同频率的混合信号分解为不同频带上面的块信号。将小波变换应用到负荷预测上时,可以将负荷序列的各子序列投影到不同的尺度上面,而这些子序列则分别代表了原负荷序列中的不同“频域”分量,因此各子序列的周期性也更加明显,就可以针对不同的子序列分别进行预测,再通过序列重构得到完整的负荷序列预测的结果。

(7)专家系统法专家系统[23]是一个智能计算机程序系统,其内部含有大量的某个领域专家水平的知识与经验,能够利用人类专家的知识和解决问题的方法来处理该领域问题。也就是说,专家系统是一个具有大量的专门知识与经验的程序系统,它应用人工智能技术和计算机技术,根据某领域一个或多个专家提供的知识和经验,进行推理和判断,模拟人类专家的决策过程,以便解决那些需要人类专家处理的复杂问题,简而言之,专家系统是一种模拟人类专家解决领域问题的计算机程序系统。专家系统可以模拟科学专家的思维决策过程,对问题进行求解并给出相当于专家水平的答案,具有跟专家一样的决策功能。一个完善的专家系统通常由知识库、推理机、数据库、知识获取部分、解释部分组成。在天然气负荷预测中,可以借助专家系统,考虑各种影响因素,按一定的规则推理并进行预测。但其知识库的形成过程非常复杂,且工作量大。尽管如此,专家系统对于解决不确定性问题和非规律性问题仍然是一个强有力的工具。

(8)支持向量机支持向量机[24]是Vapnik等人根据统计学习理论中结构风险最小化原则提出的,具有良好的泛化性能,SVM在处理小样本非线性问题时具有较明显的优势。国内外很多学者对支持向量机方法进行研究、建模并对负荷进行预测。彭亦功等人应用支持向量机对屮国能源消费总量进行了预测。于卫平在分析了核函数类型对能源供需预测影响的基础上,应用基于组合核函数的支持向量方法对能源供需进行建模,克服了单一核函数非线性映射能力的不足。陈刚等人对灰色GM (1, 1)、神经网络和支持向量机三种预测模型进行了研究,以某城市的1999-2006年能源需求为例,分别应用三种模型对能源需求进行了预测,指出支持向量机方法的能源需求的建模性能更为优秀。吴良海提出基于粒子群优化的支持向量机(PSO-SVM)的石油需求预测方法,采用粒子群优化算法优化SVM参数,以获得较优的SVM预测模型。

(9)人工神经网络法在20世纪90年代,人工神经网络(Artificial Neural Network,简称ANN)以其大规模分布并行处理、非线性、自组织、自学习、联想记忆和很强的容错性和鲁棒性等优良特性在负荷预测领域得到广泛应用。人工神经网络是由许多并行运算的神经单元组成,是一个非线性的动力学系统。每一个神经元的作用是实现输入到输出的一个非线性函数关系。它们之间广泛复杂的连接组合就使得整个神经网络具有了复杂的非线性特性。现在,越来越多的神经网络技术应用到负荷预测上,它以传统函数的自变量和因变量作为网络的输入和输出,将传统的函数关系转化为高维的非线性映射。但是,由于其本身结构和训练方法的特性,对负荷样本的数量有一定的要求,且受到网络结构复杂性和样本复杂性的影响较大,容易出现“过学习”或低泛化能力。

(10)多Agent预测方法多Agent方法丨27]产生于美国Simon教授的“有限理性”理论和Minsky的“心智社会”理论,多Agent方法是针对复杂系统建模问题而提出的,它强调从整体上对多个Agent的集体行为进行研究分析,非常适合用于解决具有模块化、分散性和动态特性的一些复杂问题,在处理系统非线性、动态性及复共线性上具有十分明显的优势。

1.3国内外研究动态长期以来,国内外众多学者对负荷预测的理论和方法做了大量的研究,提出了各种各样的预测方法。国外的预测研究起步较早,也已经取得了显著的成绩,国内的研究成果也在层出不穷,其中关于电力负荷预测方面的研究占主导部分,天然气的预测相对较少。就预测方法来讲,天然气负荷预测和电力负荷预测具有很大的共性,相比较电力负荷预测的成熟和系统,天然气负荷预测的研究还是处于相对滞后的状态,但是两者之间可以互相借鉴,共同进步。天然气负荷预测与电力负荷预测的相同之处在于都具有周期性、趋势性的特点,不同之处在于和电力负荷相比天然气具有可存储性,可以存储在管道内,所以天然气在管网内的动态变化规律和电力负荷的传输过程也有较大的差别,总的来说,天然气负荷显示了更高的非线性和随机性,天然气负荷预测也呈现出了更高的难度。

1.3.1国外研究现状

2006 年,M. J. Mahjoob, M. Abdollahzade, R. Zarringhalam[28】采用混合遗传算法结合最小二乘支持向量机算法来进行建模,针对两种不同的电力市场进行市场清算价格的预测。同时,将预测结果和神经网络方法、时间序列模型、模糊神经网络的预测结果分别进行比较,而且经过综合的比较之后,证明了本文所提出的方法的具有显著的准确性和有效性。2007年,A.Azadeh,S.F.G.haderi,S.Tarverdian[29]等人提出将遗传算法和人工神经网络进行结合对电力能源消费进行预测,利用遗传算法用来确定神经网络系统的最优系数,使得误差达到最小化,再利用神经网络对屯力消费进行预测,预测结果显示,遗传算法和人工神经网络技术的结合相对于时间序列方法来讲,平均绝对误差更小。

2007年,M. DuranToksari_利用粒子群算法对土耳其能源需求进行预测,作者利用土耳其人口数据,GDP以及能源进口和出口数据作为模型的输入变量,并利用粒子群算法建立一次线性模型和二次模型。并将预测结果同其他方法进行比较,二次模型显示出了更高的精确度。

2009 年,Vincenzo Bianco, Oronzio Manca, Sergio Nardini[3il利用线性回归方法建立预测模型对意大利的电力消费进行预测,采用了四个输入变量,即历史电力负荷数据,GDP,人口和人均生产总值。最后将预测结果与官方数据进行比较,也显示出了更为精确的结果。2010年,E.Assareh,M.Behrang, M.R.Assari[32l等人提出了利用粒子群算法和遗传算法用于伊朗的石油需求估计。作者分别对每个算法分别建立了两个模型,指数模型和线性模型。并用1981-2005年的数据确定模型中的权重参数。之后使用3种不同的方案对伊朗2006-2030的石油需求进行预测。结果显示了 PSO和GA模型都得到了较好的结果,其中PSO的线性模型得到的结果最好。

2010年,希腊学者L.Eknoinou[33]利用人工神经网络技术来进行希腊长期能源消费的预测,他在神经网络方法中利用多层感知器模型来选择一个网络泛化性能最好的模型结构进行预测。并同时釆用线性回归方法,支持向量机分别进行建模,最后拿三种预测方法的预测结果,与实际能源消费数据相比较,人工神经网络技术比起线性回归方法显示出了更高的精确度,而与支持向量机方法的预测结果颇为近似,这也说明支持向量机在小样本、非线性预测领域有着很大的优势。

2010年,EhabE.Elattar[34]提出了一个用来解决电力负荷预测的新方法,该方法称为局部加权支持向量回归(LWSVR)。这个方法结合了 SVR和LWR,并且使用了马氏距离来优化加权函数的带宽。在文章的最后,使用两个真实的数据集来评估所提出的新模型的性能,并且将之与局部SVR以及一些前人所提出的模型进行比较。实验结果显示出基于LWSVR的新模型与其他方法相比具有更优异的性能。

1.3.2国内研究现状国内天然气预测研究起步相对来讲较晚,但在众多研究学者的努力之下,我国的天然气预测研究也取得了明显的进步。

2001年,焦文玲,展长虹等人[35]首先分析了城市燃气负荷的特点和影响因素,根据指数平滑预测法的原理,建立了城市燃气短期负荷预测线性模型和二次曲线模型。实际预测结果表明,指数平滑预测法具有模型简单,计算速度快,对模型参数有动态确定的能力,其应用范围十分广泛,对不同城市的燃气日负荷,根据其变化规律,通过选择适合的平滑常数和数学模型,利用指数平滑预测法可以得到较满意的结果。

2003年,杨昭等人[36]提出了一种基于神经网络的天然气负荷预测模型,模型中考虑了影响负荷变化的各种因素。釆用列温伯格-马尔奎特优化方法,并利用Visual C++和Matlab软件进行计算机仿真,已用于实例。仿真结果表明该方法具有较好的准确性。

2004年,刘涵,刘丁等人[37]提出了最小二乘支持向量机的天然气负荷预测模型。该模型以统计学习理论为基础,在支持向量机的基本原理上进行改进,通过结构风险最小化来提高泛化能力,在许多领域都得到了广泛的应用。作者通过对西安地区的城市天然气负荷数据进行分析预测,预测结果表明该模型具有较好的拟合效果和预测精度。

2005年,刘涵,刘丁,郑岗,梁炎明通过对城市天然气负荷变化规律和影响因素的分析,提出了一种将自组织特征映射(SOFM)网络和多层感知器网络(MLP)相混合,建立城市天然气短期负荷预测模型的方法。研究结果表明,该方法具有较高的预测精度。

2008年,王晶,刘博,冯艳红[39]将粒子群算法作为BP神经网络的学习算法,通过对某电力系统的短期负荷预测的计算表明,与传统的BP神经网络相比,有较强的自适应能力。

2010年,朱小梅,杨先凤,张群燕[4°]在介绍最小二乘支持向量机(LS-SVM)及遗传算法(GA)的原理基础上,建立LS-SVM-GA模型,并用该模型对某气田天然气产量进行预测。通过二个性能指标将其与LS-SVM和BP神经网络模型进行对比,结果表明,在样本有限保证一定精度的情况下,LS-SVM-GA模型的预测精度较高,范化能力较强,能够利用该模型对气田天然气产量进行预测。

1.4本课题研究内容及章节安排

1.4.1论文主要研究工作本文旨在借鉴和吸收国内外相关研究成果的基础上,针对天然气负荷问题,提出了基于粒子群优化的最小二乘支持向量回归预测方法,主要研究工作如下:

(1)针对天然气负荷高度非线性,随机性的特点,本文分析支持向量机(SupportVector Machines, SVM)建模方法在解决非线性样本上的优势,同时也指出其中的缺点,比如求解速度慢,优化参数过多。因此,在深入分析SVM和LS-SVM基本原理的基础上,提出基于最小二乘支持向量机(Least Squares Support Vector Machines, LS-SVM)方法,该方法将模型的训练过程归结为求解一个线性方程组,避免SVM中的求解二次规划问题,从而简化计算过程,大大降低计算复杂度,提高求解速度,同时,为了克服LS-SVM缺失鲁棒性和精度不高的问题,提出加权最小二乘支持向量机(WLS-SVM)算法,在标准LS-SVM的回归算法中引入权值系数,建立WLS-SVM模型。

(2)由于预测模型输入变量的选择对其泛化能力有重要的影响,因此在众多影响因素中提取具有重要特征的影响因素作为输入变量是非常有必要的。影响天然气负荷的因素是复杂多样的,本文对影响天然气负荷变化的因素进行分析,选择了 GDP、人口总数、城镇人口比、天然气占能源消费比重、煤炭占能源消费比重、工业生产总值、居民消费水平以及天然气消费数据作为输入变量进行建模。

(3) LS-SVM方法中有两个参数(惩罚参数C、核函数参数cr)需要确定,一般情况下是根据实验者的经验自行设定的。不过这些参数的合适与否对预测模型的性能影响非常大,所以本文提出粒子群优化算法(PSO)来寻找最优的参数值,建立PSO-WLS-SVR模型。

(4)本文以1980年到2011年的天然气的历史消费数据以及GDP、人口总数、城镇人口比、天然气占能源消费比重、煤炭占能源消费比重、工业生产总值、居民消费水平作为研究对象。分别用SVR、WLS-SVR. PSO-WLS-SVR三种方法建立预测模型,并用Matlab2011b进行仿真,最后对预测结果进行比较分析。

1.4.2论文章节安排本文研究天然气负荷预测方法,全文共分六章来阐述:

第1章是绪论。本章介绍了天然气负荷预测的背景、概念及分类。详细总结了国内外学者在天然气负荷预测研究中所做的努力,并分析该课题的研究意义。

第2章首先介绍机器学习和统计学习的理论,了解经验风险最小化原则和结构风险最小化原则。然后着重介绍支持向量的方法,分别从线性可分和非线性可分两个方面推导支持向量机算法,进而介绍支持向量机的推广应用一支持向量回归,最后再继续介绍最小二乘支持向量机的基本原理。

第3章提出基于SVR的天然气负荷预测模型。本章首先分析天然气负荷的特性,再具体分析影响天然气负荷预测的主要影响因子,然后重点介绍利用SVR方法建立负荷预测模型,并对天然气2007年到2011年的负荷进行预测。通过Matlab进行仿真,分析结果的平均相对误差。

第4章针对SVR的不足,提出基于LS-SVR的天然气负荷预测模型,并加以改进进而提出基于WLS-SVR的天然气负荷预测模型。本章首先介绍了 LS-SVR与SVR之间的联系和区别,进而介绍WLS-SVR的基本原理和LS-SVM参数的优化方法。然后利用WLS-SVR方法建立负荷预测模型,对天然气2007年到2011年的负荷进行预测。通过Matlab进行仿真,分析预测结果。

第5章针对最小二乘支持向量机参数优化问题,为了进一步提高预测精度,提出基于PSO-WLS-SVR的天然气负荷预测。本章首先介绍PSO算法及其改进方法,然后利用PSO-WLS-SVR方法建立负荷预测模型,对天然气2007年到2011年的负荷进行预测,并分析预测结果。本章最后对SVR、WLS-SVR、PSO-WLS-SVR三种方法建立的模型进行比较,指出PSO-WLS-SVR建模方法在天然气负荷预测问题上的优越性。

第6章是全文总结与展望。本章对作者的主要工作做了总结,并提出了有待进一步研究的问题。