數據規格化在燃氣負荷預測的應用

摘 要

摘要：探討了燃氣負荷預測中規格化處理方法，建立了徑向基神經網絡燃氣負荷預測模型。結合實例，對分別采用最大最小、零均值規格化處理的預測結果進行了比較，后者的精度較高。關鍵
摘要：探討了燃氣負荷預測中規格化處理方法，建立了徑向基神經網絡燃氣負荷預測模型。結合實例，對分別采用最大最小、零均值規格化處理的預測結果進行了比較，后者的精度較高。
關鍵詞：燃氣負荷預測；神經網絡；規格化
Application of Data Normalization to Gas Load Forecasting
LIANG Jin-feng，YANG Jun-jie，GAO Zhu
Abstract：The normalized treatment method in gas load forecasting is discussed，and a model for forecasting gas load based on radial basis function neural network is established. Combined with an example，the forecasting results using the maximum，minimum and zero average normalization are compared，and the latter has higher precision.
Key words：gas load forecasting；neural network；normalization
1 規格化處理方法
   燃氣負荷預測是從大量的歷史數據中找出一定的變化規律，進而實現對未來一定時間范圍內的燃氣負荷進行預測。目前，用于燃氣負荷預測的方法很多，隨著人工神經網絡的興起，不同的神經網絡逐漸被引用到了燃氣負荷預測領域中來。然而單純地使用神經網絡進行預測的結果是令人不滿意的，因此在進行預測運算前，將歷史數據進行前期處理是必不可少的。
   規格化[1]就是將一個屬性取值范圍投射到一個特定范圍之內，以消除數值型因大小不一而造成預測結果的偏差。規格化處理常用于神經網絡、基于距離計算的最近鄰分類和聚類的數據處理。常用的規格化處理方法有以下3種。
   ① 最大最小規格化方法
該方法是對初始數據進行的一種線性轉換。它是將屬性A的一個值v映射為v′且有v′∈[Anew,min，Anew,max]，具體映射計算式為：
 
式中Amin——屬性A的最小值
    Amax——屬性A的最大值
    Anew,max——規格化后屬性A新值的最大值
    Anew,min——規格化后屬性A新值的最小值
   ② 零均值規格化方法
該方法是根據屬性A的均值和方差來對A進行規格化，屬性4的值v可以通過以下計算式獲得其映射值v′：
 
式中Aave——屬性A的均值
    σA——屬性A的方差
   ③ 十基數變換規格化方法
該方法通過移動屬性A值的小數位數來達到規格化的目的。所移動的小數位數取決于屬性A絕對值的最大值。屬性A的值v可以通過以下計算式獲得其映射值v′：
 
式中j——使max(︱v′︱＜1成立的最小值
    目前，在使用人工神經網絡進行燃氣負荷預測方面的研究中，大多數學者都在運算前對燃氣的歷史數據進行規一化處理，也就是最大最小值規格化處理，將數值映射到[0.1，0.9]范圍中。對于神經網絡，采用規格化后的數據不僅有助于確保學習結果的正確性，而且也會幫助提高學習的速度。對于基于距離的計算，規格化方法可以幫助消除因屬性取值范圍不同而影響計算結果的公正性。
2 燃氣負荷預測模型
    ① 徑向基神經網絡預測模型
    徑向基神經網絡[2]是一種兩層前向型神經網絡，包含一個具有徑向基函數神經元的隱層和一個具有線性神經元的輸出層。在燃氣短期負荷預測領域中，它以訓練速度快、學習精度高的優點開始逐漸嶄露頭角。考慮到燃氣日負荷受天氣狀況影響比較大，筆者以網絡的輸入為最低氣溫、最高氣溫，輸出為燃氣日負荷建立徑向基神經網絡預測模型(見圖1)。
 

    ② 燃氣負荷的降噪處理
    燃氣負荷預測用到的歷史負荷數據，來源主要是燃氣部門的調度報表。各種計量儀表的偏差或人工抄表的疏忽，往往造成負荷實際值與記錄值差別很大。有時設備維修、燃氣泄漏等原因也造成負荷數據偏離合理值，導致采集到的數據為染噪數據。染噪的出現，打破了負荷所具有的周期性及規律性，因此有必要將染噪數據進行降噪處理。
    信號降噪[3]實質上是抑制信號中的無用部分，恢復信號中的有用部分的過程。燃氣負荷可視為非平穩的一維數字信號。對這種信號進行降噪處理時，由于傳統的傅里葉變換完全是在頻率域中對信號進行分析，它不能給出信號在某個時間點上的變化情況，因此分辨不出信號在時間軸上的任何一個突變。但是小波分析能同時在頻率域內對信號進行分析，因此它能有效地區分信號中的突變部分和噪聲，從而實現對非平穩信號的降噪。而小波包分析[4]能夠為信號提供一種更加精細的分析方法，它將頻段進行多層次劃分，對沒有細分的高頻部分進一步分解，并能夠根據被分析信號的特征，自適應地選擇相應頻帶，使之與信號頻譜相匹配，從而提高時頻分辨率，因此小波包分析方法具有廣泛的應用價值。
    數據采用2002年某市燃氣相關歷史數據，運用小波包分析方法對燃氣日負荷進行降噪處理，部分計算結果見.表1。
表1 燃氣日負荷降噪處理結果
日期
最低氣溫/℃
最高氣溫/℃
真實日負荷/(m3·d-1)
降噪后日負荷/(m3·d-1)
2002年2月1日
-8
-1
40.15×104
40.07×104
2002年2月2日
-5
6
37.80×104
37.70×104
2002年2月3日
-9
-1
41.75×104
41.64×104
2002年2月4日
-1
10
41.40×104
41.24×104
2002年2月5日
-12
-10
40.70×104
40.71×104
2002年2月6日
-6
5
40.85×104
40.98×104
2002年2月7日
-8
6
43.65×104
43.64×104
    ③ 預測結果的相對誤差
在網絡學習前，將樣本數據進行了最大最小規格化處理，即將樣本數值映射到[0.1，0.9]范圍中。考慮到燃氣日負荷受人們的日常生活規律影響具有以周為單位的周期性，訓練樣本為預測起始日前的4周數據。網絡學習完畢后，輸入預測日的最低、最高氣溫，進行仿真。采用徑向基神經網絡預測模型，分別運用最大值最小值、零均值規格化方法，得到的該市2002年預測日燃氣日負荷預測結果，見表2。表2中，預測值1、相對誤差1分別表示采用最大最小規格化的計算結果及對于真實日負荷的相對誤差；預測值2、相對誤差2表示采用零均值規格化的計算結果及對真實日負荷的相對誤差。由表2可知，采用零均值規格化方法的預測精度高于采用最大最小規格化的預測精度。
表2 燃氣日負荷預測結果
日期
預測值1/(m3·d-1)
相對誤差1/%
預測值2/(m3·d-1)
相對誤差2/%
2002年2月1日
41.62×104
3.66
40.90×104
1.87
2002年2月2日
39.32×104
4.0l
40.26×104
6.50
2002年2月3日
41.30×104
-1.08
41.05×104
-1.67
2002年2月4日
35.48×104
-14.30
35.96×104
-13.13
2002年2月5日
43.38×104
6.57
42.34×104
4.03
2002年2月6日
40.20×104
-1.59
40.13×104
-1.77
2002年2月7日
40.36×104
-7.55
40.68×104
-6.79
3 結論
① 數據的規格化處理對于預測精度有一定的影響，采用徑向基神經網絡進行燃氣日負荷預測時，經過零均值規格化處理得到的數據預測精度要相對高一些。
② 徑向基神經網絡預測模型不但考慮到了天氣變化對燃氣日負荷的影響，還反映出了燃氣日負荷以周為單位的周期變化規律。
參考文獻：
[1] 朱明.數據挖掘[M].北京：中國科學技術大學出版社，2002.
[2] 周開利，康耀紅.神經網絡模型及其MATLAB仿真程序設計[M].北京：清華大學出版社，2005.
[3] 飛思科技產品研發中心.小波分析理論與MATLAB7實現[M].北京：電子工業出版社，2004.
[4] 成禮智，王紅霞，羅永.小波的理論與應用[M].北京：科學出版社，2004.
 
(本文作者：梁金鳳 楊俊杰 高鑄 新奧燃氣技術研究發展有限公司 河北廊坊 065001)