石油化工高等学校学报
石油化工高等學校學報
석유화공고등학교학보
JOURNAL OF PETROCHEMICAL UNIVERSITIES
2015年
4期
75-80
,共6页
天然气时负荷%Haar 小波变换%ARIMA%RBF%预测
天然氣時負荷%Haar 小波變換%ARIMA%RBF%預測
천연기시부하%Haar 소파변환%ARIMA%RBF%예측
Gas hour load%Haar wavelet transform%ARIMA%RBF%Forecast
针对天然气时负荷预测问题,提出了一种基于 Haar 小波变换和 ARIMA-RBF 的天然气时负荷组合预测模型。首先,对天然气时负荷数据样本时间序列进行小波分解,采用 Mallat 快速算法,母小波为 Haar 小波,对分解出来的高频分量进行 ARIMA 预测,低频分量进行 RBF 预测;其次,对高频分量预测结果和低频分量预测结果进行 Haar 小波重构;最后,以某市实际采集的天然气时负荷为例进行研究,并与自组织特征映射(Self-organizing Feature Map,SOFM)网络和多层感知器(Multilayer Perceptron,MLP)网络(SOFM+MLP)组合预测模型进行对比分析。结果表明,组合预测模型较 SOFM+MLP 预测模型的 MAPE 值指标高出2.5932%,预测精度显著提高,为实际工程的在线应用提供了有益参考。
針對天然氣時負荷預測問題,提齣瞭一種基于 Haar 小波變換和 ARIMA-RBF 的天然氣時負荷組閤預測模型。首先,對天然氣時負荷數據樣本時間序列進行小波分解,採用 Mallat 快速算法,母小波為 Haar 小波,對分解齣來的高頻分量進行 ARIMA 預測,低頻分量進行 RBF 預測;其次,對高頻分量預測結果和低頻分量預測結果進行 Haar 小波重構;最後,以某市實際採集的天然氣時負荷為例進行研究,併與自組織特徵映射(Self-organizing Feature Map,SOFM)網絡和多層感知器(Multilayer Perceptron,MLP)網絡(SOFM+MLP)組閤預測模型進行對比分析。結果錶明,組閤預測模型較 SOFM+MLP 預測模型的 MAPE 值指標高齣2.5932%,預測精度顯著提高,為實際工程的在線應用提供瞭有益參攷。
침대천연기시부하예측문제,제출료일충기우 Haar 소파변환화 ARIMA-RBF 적천연기시부하조합예측모형。수선,대천연기시부하수거양본시간서렬진행소파분해,채용 Mallat 쾌속산법,모소파위 Haar 소파,대분해출래적고빈분량진행 ARIMA 예측,저빈분량진행 RBF 예측;기차,대고빈분량예측결과화저빈분량예측결과진행 Haar 소파중구;최후,이모시실제채집적천연기시부하위례진행연구,병여자조직특정영사(Self-organizing Feature Map,SOFM)망락화다층감지기(Multilayer Perceptron,MLP)망락(SOFM+MLP)조합예측모형진행대비분석。결과표명,조합예측모형교 SOFM+MLP 예측모형적 MAPE 치지표고출2.5932%,예측정도현저제고,위실제공정적재선응용제공료유익삼고。
A resultant forecast model for prediction of hourly load of natural gas is proposed based on Haar wavelet transforming and ARIMA-RBF in this paper.Firstly,adopting Mallat fast algorithm and choosing Haar wavelet as mother wavelet,the gas hour load is decomposed,then the high frequency signals are predicted with ARIMA,and the low frequency is predicted with RBF.Secondly,the high frequency and the low frequency are reconstructed by Haar wavelet.Finally,taking gas hour load of a city for example,the effectiveness of prediction model is verified and compared with SOFM+MLP.The results indicate that the MAPE of the combination forecasting model is higher than 2.593 2%,the prediction accuracy is significantly improved in this paper,which provide a new useful reference for the short-term forecasting in online engineering application.