基于PCA-LSTM的城市燃气日负荷预测

【摘要】：对于燃气管网运维系统而言,精准的短期负荷预测可以为规划燃气供应、实现管网维护和优化调度提供根本依据,能有效减少能源损耗,提升管网运行安全和效率。现有的负荷预测方法很少考虑到数据内部的时序相关性,本文通过研究历史数据潜在的时序性特征,采用长短时记忆网络,建立了一种基于深度学习PCA-LSTM网络的城市燃气日负荷预测模型。将6个影响因素引入混合预测模型的输入数据集,对三种不同用气结构城市A区,B市和C市的历史负荷数据进行了验证。结果表明,混合模型PCA-LSTM的性能优于单一LSTM模型、反向传播神经网络模型(BPNN)和自回归积分滑动平均模型(ARIMA),三个城市日负荷预测平均相对百分误差均为最小,分别为3.07%,2.39%,2.14%。