基于在线学习的燃气负荷预测方法研究

With the construction of intelligent pipeline network and the popularization of intelligent gas meters, gas load data will form a large-scale data flow with non-stationary, non-linear, random and dynamic characteristics. It is difficult to predict gas load accurately. In view of the important role of gas load data in guaranteeing the smooth operation of gas pipeline network, we intend to study the theory and method of gas load forecasting under the background of data flow. The main contents of this project include: 1) The Support Vector Regression model and the Random Vector Functional Link Network based on online learning are studied. The Support Vector Regression model based on kernel function and stochastic gradient descent method is constructed, and the Random Vector Functional Link Network model with online learning based on single increment and block increment is established. 2）The ensemble model based on online learning is studied. Hybrid Ensemble Empirical Mode Decomposition method based on Entropy Weight TOPSIS is proposed. A single prediction model and a multi-prediction model based on "decomposition before ensemble " are constructed. 3）The urban gas load data is taken as the research object to carry out prediction and analysis. The research work of this project will promote the development of forecasting theory and method under the background of dynamic data, and provide theoretical basis and technical support for the safe and stable operation of gas system.

随着智能管网的建设和智能燃气表的普及，燃气负荷数据会形成大规模的数据流，呈现非平稳性、非线性、随机性和动态性等特征，很难进行精确的预测。鉴于燃气负荷数据在保障燃气管网平稳运行中的重要作用，本课题拟对数据流背景下的燃气负荷预测方法开展研究，以提高其预测精度。本项目的主要内容包括：1）对基于在线学习的支持向量回归模型和随机向量泛函连接网络进行研究，构建基于多核学习方法和随机梯度下降法的支持向量回归模型，并建立基于单增量和块增量的随机向量泛函连接网络在线学习模型。2）对基于在线学习的集成模型展开研究，提出基于熵权TOPSIS的混合集成经验模态分解方法，并构建基于“先分解后集成”的单项预测集成模型和多项预测集成模型。3）以城市燃气负荷数据为研究对象开展预测和分析。本项目的研究工作将对动态数据背景下预测理论和方法的发展有一定的推动作用，而且能够为燃气系统的安全平稳运行提供理论基础和技术支持。

我国正处于能源结构转型时期，天然气作为清洁能源得到了进一步的推广使用，燃气行业进入快速发展期。燃气负荷预测对于天然气管网系统运行、能源市场供应、燃气行业发展等具有重要的参考意义。本课题围绕数据流环境下燃气负荷预测问题，运用统计学、机器学习、信号分解等多种方法展开了深入研究，解决了燃气负荷影响因素分析、历史负荷数据预处理、燃气负荷的在线分解采样和在线预测等问题。具体来说，（1）在数据特征选取方面，从燃气负荷自身历史数据出发，设计在线分解技术深入挖掘数据的主要特征。（2）在机器学习预测模型方面，设计在线支持向量回归算法，研究深度RVFL算法和在线RVFL算法，并利用网格搜索方法和BOA算法进行模型参数寻优，提高燃气负荷预测模型的准确度。（3）将逐步分解和在线分解的数据预处理技术与机器学习预测模型相结合，构建适应于动态数据的燃气负荷预测方法。研究表明，分解集成方法能更好的挖掘负荷序列的隐藏信息，深度学习算法和在线学习算法适用于流数据环境下的燃气负荷预测问题，所提出的理论和方法可以为燃气系统的安全运行和合理调度提供有效的技术支持。