LSTM城市燃气负荷预测技术的研究与开发

发布时间：2025-05-04 18:42

　　作为能源消费领域领跑者的天然气凭借其安全、高效、环保、经济等绝对优势,近年来已广泛深入生产生活中的方方面面,起着不可或缺的作用。但是目前城市燃气在管网调度运行方面仍存在着供气不平稳、用户用气不规律等迫切需要解决的难题。为了更好的保障城市用户安全平稳用气,本文基于长短期记忆神经网络(LSTM,Long ShortTerm Memory)模型对城市燃气负荷预测技术进行研究及系统开发,以期为城市用气量预测提供前瞻性指导作用。首先,本文整体分析了燃气日负荷特点和影响因素对燃气负荷变化的影响机理。其次,对燃气历史数据进行预处理,在预测过程中,历史数据的完整性对预测结果的准确性极其重要,但历史数据往往存在部分缺失值和离群值,针对这个问题,本文通过SPSS软件对燃气历史负荷和影响因素的缺失值、异常数据进行检测并处理,通过历史离群数据的挖掘来进一步提高负荷预测模型的精度。接着,采用Pearson相关系数验证影响因素与历史负荷数据的显著性关系,确定预测模型的输入变量特征。最后,采用新兴的深度学习范畴的LSTM模型以及GM(1,1)、支持向量机、BP神经网络,结合A城市2年历史数据进行燃气日负荷预测,结果表...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 国外研究现状
        1.2.2 国内研究现状
        1.2.3 主要研究内容
        1.2.4 技术路线
    1.3 创新点
第二章 燃气日负荷特性分析及影响因素研究
    2.1 燃气负荷预测概念及特点
    2.2 燃气负荷预测步骤
    2.3 燃气负荷数据来源
    2.4 影响因素分析
        2.4.1 温度
        2.4.2 风力
        2.4.3 天气情况
        2.4.4 日期类型
        2.4.5 季节
        2.4.6 前一天负荷量
        2.4.7 节假日
    2.5 本章小结
第三章 燃气负荷数据预处理与相关性分析
    3.1 数据预处理
        3.1.1 燃气负荷缺失值处理
        3.1.2 影响因素缺失值处理
        3.1.3 异常数据检测与处理
    3.2 相关性分析
    3.3 数据归一化处理
    3.4 评价指标
    3.5 本章小结
第四章 燃气日负荷预测方法研究
    4.1 BP神经网络模型
        4.1.1 基本原理
        4.1.2 建模过程及参数
        4.1.3 模型结果分析
    4.2 LSTM模型
        4.2.1 基本原理
        4.2.2 建模过程及参数
        4.2.3 模型结果分析
        4.2.4 LSTM参数优化
    4.3 支持向量机模型
        4.3.1 基本原理
        4.3.2 建模过程及参数
        4.3.3 模型结果分析
    4.4 灰色预测模型
        4.4.1 基本原理
        4.4.2 建模过程及参数
        4.4.3 模型结果分析
    4.5 算法对比
        4.5.1 结果说明
        4.5.2 误差分析
    4.6 燃气日负荷预测系统
    4.7 本章小结
第五章 结论与建议
    5.1 结论
    5.2 建议
致谢
参考文献
攻读学位期间参加科研情况及获得的学术成果



本文编号：4042728