天然气工业
天然氣工業
천연기공업
NATURAL GASINDUSTRY
2014年
9期
118-124
,共7页
乔伟彪%陈保东%吴世娟%李朝阳%毛建设%马剑林
喬偉彪%陳保東%吳世娟%李朝暘%毛建設%馬劍林
교위표%진보동%오세연%리조양%모건설%마검림
天然气日负荷%小波分解%LSSVM%DE%ANN%小波重构%预测%精度
天然氣日負荷%小波分解%LSSVM%DE%ANN%小波重構%預測%精度
천연기일부하%소파분해%LSSVM%DE%ANN%소파중구%예측%정도
gas daily load%wavelet decomposition%LSSVM-DE%ANN%wavelet reconstruction%forecast
为了提高天然气短期负荷的预测精度,提出了基于小波变换和LSSVM-DE(Least Squares Support Vector Machine-Differential Evolution)的天然气日负荷组合预测模型,首先,采用Mallat快速算法对天然气日负荷实际采集数据样本时间序列进行小波分解;其次,对分解出来的高频分量和低频分量分别建立LSSVM预测模型,各分量的模型参数分别采用DE进行优化,以期得到更准确的预测结果;最后,分别对各分量的预测结果进行小波重构.以某市实际采集的样本数据为例,并将重构结果与单独应用LSSVM预测模型及ANN(Artificial Neural Networks)预测模型进行对比分析.结果表明:小波变换和LSSVM-DE预测模型的预测精度分别比单独应用LS-SVM和ANN预测模型高出1.662％、1.14％、3.96％、2.99％、15.53％和1.942％、1.01％、3.07％、1.86％、12.26％.该结论预示着将小波变换和LSSVM-DE理论相结合对天然气日负荷时间序列进行预测是一种行之有效的方法.
為瞭提高天然氣短期負荷的預測精度,提齣瞭基于小波變換和LSSVM-DE(Least Squares Support Vector Machine-Differential Evolution)的天然氣日負荷組閤預測模型,首先,採用Mallat快速算法對天然氣日負荷實際採集數據樣本時間序列進行小波分解;其次,對分解齣來的高頻分量和低頻分量分彆建立LSSVM預測模型,各分量的模型參數分彆採用DE進行優化,以期得到更準確的預測結果;最後,分彆對各分量的預測結果進行小波重構.以某市實際採集的樣本數據為例,併將重構結果與單獨應用LSSVM預測模型及ANN(Artificial Neural Networks)預測模型進行對比分析.結果錶明:小波變換和LSSVM-DE預測模型的預測精度分彆比單獨應用LS-SVM和ANN預測模型高齣1.662％、1.14％、3.96％、2.99％、15.53％和1.942％、1.01％、3.07％、1.86％、12.26％.該結論預示著將小波變換和LSSVM-DE理論相結閤對天然氣日負荷時間序列進行預測是一種行之有效的方法.
위료제고천연기단기부하적예측정도,제출료기우소파변환화LSSVM-DE(Least Squares Support Vector Machine-Differential Evolution)적천연기일부하조합예측모형,수선,채용Mallat쾌속산법대천연기일부하실제채집수거양본시간서렬진행소파분해;기차,대분해출래적고빈분량화저빈분량분별건립LSSVM예측모형,각분량적모형삼수분별채용DE진행우화,이기득도경준학적예측결과;최후,분별대각분량적예측결과진행소파중구.이모시실제채집적양본수거위례,병장중구결과여단독응용LSSVM예측모형급ANN(Artificial Neural Networks)예측모형진행대비분석.결과표명:소파변환화LSSVM-DE예측모형적예측정도분별비단독응용LS-SVM화ANN예측모형고출1.662％、1.14％、3.96％、2.99％、15.53％화1.942％、1.01％、3.07％、1.86％、12.26％.해결론예시착장소파변환화LSSVM-DE이론상결합대천연기일부하시간서렬진행예측시일충행지유효적방법.
