论文部分内容阅读
天然气因其安全可靠、洁净环保的优点受到广泛的应用,目前,我国城市用气规模不断扩大,燃气管网也越来越复杂和庞大,对燃气管网的建设、维护、调峰以及储气等方面的要求也不断提高,负荷预测是上述工作的一个重要参考依据,所以负荷预测方法得以广泛的研究,改善预测精度也比较重要。本文首先对燃气负荷预测的研究背景和现状以及预测基础知识进行了介绍,由于系统或人为原因,必然会产生不良数据,真实的负荷变化规律就不能被发现,而历史负荷数据的准确性是影响预测精度的重要环节,所以对不良数据的发现及预处理进行了详细分析,包括缺失数据的填补、异常数据的修正和文字信息的量化处理。然后简要分析了文中建立负荷预测模型所用到的关键技术,包括BP神经网络、线性神经网络、粒子群算法以及经验模式分解的基本原理,为实验环节的燃气负荷预测模型的建立及仿真准备了理论基础。接着是文章的重要部分,即负荷预测模型的建立和仿真实验。由于粒子群算法的全局搜索能力,首先建立PSO_BP预测模型进行仿真。针对基本算法的缺点,本文做出了一些改进:采用根据适应值自适应调整的惯性权重w。当粒子的适应值小于平均适应值时,对应一个较小的权重,使粒子的局部能力增强;当粒子的适应值大于平均适应值时,说明粒子的质量不高,应该增大w,使粒子向更优的方向搜索,增加全局搜索能力;采用Logistic映射将粒子映射为混沌变量,利用混沌的遍历性进行搜索,避免PSO算法陷入局部极小值;局部搜索。对粒子群进行初始化,得到当前最优值之后,选出前1/5的最优粒子进行混沌搜索。最后提出了新的改进粒子群算法ACLSPSO,并建立ACLSPSO优化神经网络预测模型进行预测仿真,证明改进算法的有效性。最后,对燃气负荷特性进行了分析,提出在负荷预测模型中引入EMD设想,并分析了将EMD用于燃气负荷预测的可行性,建立经验模式分解和ACLSPSO优化神经网络预测模型进行预测仿真,燃气负荷被分解分解成几个模式分量,针对各分量建立合适的燃气负荷预测模型进行预测仿真,再拟合出总的预测结果,并给出预测结果和对比实验,对该模型的预测性能进行分析。