北方農村燃氣日負荷預測的BP神經網絡優化

1 概述

雙碳目標下，天然氣作為介于煤炭、石油和可再生能源之間的優質低碳能源，成為減少碳排放和改善空氣質量的重要過渡能源

。近年來煤改氣用戶增多，特別是農村地區的用氣需求有了明顯增長，局部地區出現了天然氣供不應求的局面，保障農村生活和生產用氣成為亟需解決的問題

。

對燃氣負荷預測的研究始于20世紀60年代

。隨著近年來信息技術的發展，機器學習逐漸被應用于燃氣負荷預測領域。常用的算法包括BP神經網絡(BPNN)

、長短期記憶神經網絡(LSTM)

、支持向量機(SVM)

等。BP神經網絡法具有優秀的處理非線性映射的能力和處理內部機制復雜問題以及自學習的能力，是多個領域應用較多的機器學習算法。但BP神經網絡易陷入局部極值，初始權值和閾值隨機產生，會造成最終預測精度的降低

。在近些年的研究中，更多學者嘗試采用組合預測模型對BP神經網絡進行優化。張少平等人

將自適應變異粒子群算法與BP神經網絡相結合，優化了網絡權重，提高了預測精度。余鳳等人

提出了一種混沌遺傳算法優化小波BP神經網絡的模型，非線性擬合能力更好，預測精度得到提高。

本文在調研部分農村地區煤改氣居民用戶實際用氣情況的基礎上，建立了一種基于小波閾值去噪

和采用遺傳算法

優化BP神經網絡的短期燃氣負荷(30 d以內的燃氣負荷)預測模型(稱為GA-BP神經網絡預測模型)，并與BP神經網絡預測模型進行對比。

2 數據分析與處理

2.1 歷史負荷數據

本文以華北地區農村煤改氣居民用戶作為研究對象，對974戶管道天然氣居民用戶的燃氣日負荷進行采集與預測。對歷史負荷的分析有助于發現數據特征和規律，以此來確定合適的影響因素和預測方法。圖1為2018年1月—2021年12月974戶居民用戶的燃氣日負荷曲線。

由圖1可以看出，燃氣日負荷整體呈現年周期性，但局部存在一些較大波動。對于實際用氣過程中由于偶發情況或統計錯誤造成的異常值，不進行處理會增大誤差，導致預測精度降低。

2.2 數據處理

通常情況下，現實中收集到的數據都含有一定噪聲。區別于噪聲，數據信號在時間和空間上往往具有一定連續性。對于小區域、長度有限、均值為0的小波波形信號進行數學變換處理，可以有效抑制噪聲，保留有效信號，這種對含噪信號的處理方法稱為小波閾值去噪

。小波閾值去噪的關鍵在于閾值函數和臨界閾值的確定。首先，對含噪信號進行小波分解，分解產生的小波系數含有信號的重要信息。有效信號的小波系數較大，噪聲的小波系數較小。對比確定的小波系數閾值，小波系數較大的信號予以保留，小波系數較小的信號被認為是噪聲而予以去除。最后，利用逆小波變換將處理后獲得的小波系數進行重構，得到去噪后信號

。

利用Matlab軟件建立小波閾值去噪模型，使用wden函數，選擇軟閾值函數和無偏風險估計閾值，以信噪比和信號的均方根誤差作為去噪效果的評價指標。信噪比指有效信號與噪聲信號的比值，按照式 (1)計算。信噪比越大，說明混在信號中的噪聲越少。信號的均方根誤差按照式(2)計算。通常，信號的均方根誤差小，說明去噪后信號與原始信號的偏差較小。

⑤ 供暖情況

(1)

(2)

式中

——信噪比

短視頻不是過去傳統媒體的替代，而應是一種全新的關系組建，旅游營銷用短視頻與用戶建立新的對話關系，在這個平臺里，每個用戶都可以創造自我價值，每個用戶都可以發表自己的觀點，與平臺內的用戶進行討論交流，利用自身所掌握的信息與其他人實現資訊共享，吸納不同的信息資源，集聚平臺用戶眾人智慧，發揮社群力量進行營銷推廣。

——信號數量

——第

個原始信號

——第

個原始信號去噪后的信號

1.2 研究方法 采用自行設計的兒童基本情況調查表由專人向兒童家長調查兒童的基本情況。內容包括兒童出生時情況、兒童父母基本情況及保健當日的身高、體質量等情況。神經心理發育測查采用首都兒科研究所編制的《0～6歲兒童神經心理檢查量表》，由專業人員對3歲以下兒童進行神經心理發育測查，并計算大運動、精細動作、適應能力、語言及社會行為五大能區的智齡和發育商。本研究主要對兒童的精細動作發育情況進行分析。

通常，RMSEA（近似均方根誤差）被認為是結構方程擬配指標中最重要的信息，其理想值為0，小于0.05為優異，在0.05～0.08之間為良好，大于0.1 為不良，NFI、RFI、IFI、TLI、CFI的值大于 0.9 且接近1時，表明模型的擬配度越高[24]。由于本文樣本量較大，因此，在其他擬配度指標比較理想的情況下，CMIN/DF為5.557也可接受。整體而言，構建的模型擬配度較理想。

——信號的均方根誤差

對該974戶居民用戶的日負荷數據進行去噪，信噪比為95.5，信號的均方根誤差為0.12 m

。圖2為部分去噪后負荷數據與原始負荷數據的對比，可以看出去噪后負荷數據更平滑，局部波動更小，一些較大波動并未失去其實際用氣特征，在保留了原有趨勢的同時有效減少了異常值對預測的影響。

如果燃氣負荷歷史數據出現缺失，對缺失值作同日期替換(以前一年相同公歷日期的燃氣負荷代替缺失值)。

2.3 影響因素

居民用戶的燃氣日負荷具有一定隨機性和不確定性。經實地調研和分析，確定以日平均溫度、天氣類型、節假日情況、前一日用氣量、供暖期及供暖過渡期等影響因素作為重點研究對象。氣象數據通過Python爬蟲功能，使用urllib、requests、re等模塊模擬瀏覽器訪問網絡，獲取所需的數據。

① 日平均溫度

氣溫直接影響燃氣日負荷，是最主要的影響因素之一。例如燃氣供暖期間，燃氣日負荷與日平均溫度呈現明顯的負相關性，氣溫升高時燃氣日負荷降低，氣溫降低時燃氣日負荷增加。

④ 前一日用氣量

但首先得澄清一個誤區，孩子不是到了該添輔食的時間就會自愿愛上吃東西的。所以，也許你沖半天米粉娃連嘴都不張，也許你做半天菜泥娃吃一口還干嘔。但這真的不是你的錯，更不是寶寶的錯。如果說吸吮能力是天生的，那么吞咽和咀嚼能力其實是后天習得，而我們添加輔食的意義正是幫孩子習得這些能力。

天氣類型會影響人們出行和日常生活習慣，例如冬季雨雪天氣會大大減少農村居民出行，導致室內供暖需求增加。天氣類型是定性參數，不便于模型計算處理。根據不同天氣類型對用氣負荷的影響，對不同天氣類型進行量化，見表1。

③ 節假日情況

式中

——隱層節點數

春節處于供暖期內，用氣量較大，是對居民用氣影響最大的節日。農村普遍存在一些傳統過年習俗，并且沒有統一的假期和返城務工日期。在北方，一般從小年(臘月廿三)左右就開始準備過年餐食，炊事用氣增多。隨著春節臨近，外出務工人員返鄉逐漸達到峰值，春節過后人員陸續離開。春節期間用氣一般會在春節前一周開始升高，春節當天達到峰值，然后逐漸下降，最后回到正常供暖期用氣水平。因此，定量值的確定需要考慮一個連續過渡過程，見表3。

非節假日定量值為0.8。

② 天氣類型

前一日用氣量和當日用氣量關聯性較強，其實質是相鄰日期氣溫變化的延續，可以作為短期預測的重要參考。

式中,Hoi為在作物生長最優條件,即不受水分、溫度等脅迫條件下第i天作物的株高,cm;Hoi-1為在最優條件下第i-1天作物的株高,cm;△H為作物生長階段株高日實際增量,cm;Hi-1為第i-1天作物的實際株高,cm。

農村煤改氣居民用戶采用供暖熱水爐供暖。不同于城鎮集中供暖，供暖熱水爐供暖用戶可自行調節供暖，從而影響燃氣使用量。當地城鎮集中供暖時間是11月15日至次年3月15日，供暖起止日期明確，過渡時段燃氣公司會對供氣量作相應調度調整。農村煤改氣居民用戶可自行控制供暖時間，依據的是用戶對環境的個體感受，溫度低至一定程度，用戶才會考慮供暖。每年集中供暖開始前，遇氣溫突降，用戶熱舒適性變差，部分有條件的用戶會先行啟動供暖；集中供暖結束后，部分用戶仍存在一定供暖需求，會延續一段時間供暖。因此，相比于城鎮集中供暖，對農村煤改氣居民用戶的供暖時間做一定范圍延伸考慮。另外，由于人員對熱舒適的適應過程，在開啟供暖后的一段時間內用氣量會逐漸增加而不是陡增；供暖結束前會逐漸減少用氣量，直到完全停止供暖。將農村煤改氣居民用戶集中供暖開始前和結束后的供暖時間、集中供暖開始后用氣量逐漸增加以及集中供暖結束前用氣量逐漸減少的時段稱為供暖過渡期。本文的供暖過渡期指11月1—20日和次年3月9—31日。

在我國許多省份和城市，對于建筑節能和綠色建筑的工作，相關的行政管理部門還沒有給予足夠的關注，未將其列入政府的公共管理職能的組成部分。各級政府在“三定”方案中均沒有綠色建筑和建筑節能工作的相關職能和編制，在管理上很薄弱，一些地方甚至放任自流。

根據實際情況，考慮供暖過渡期這個影響因素可以減小誤差。供暖過渡期定量值與集中供暖期定量值見表4。其他日期定量值為0.2。

——常數，取1～10的整數

3 預測模型介紹

3.1 BP神經網絡

燃氣負荷存在周期性變化，并且受天氣、節假日等多因素共同影響，呈現復雜的非線性和隨機性等特點，傳統預測方法難以準確把握燃氣負荷的變化規律，預測效果較差。

對所有個體，使用適應度依次進行選擇、交叉、變異等操作，得到新的進化后的種群，種群中的所有個體分別通過BP神經網絡進行計算，再次得到新的適應度。不斷進行上述操作直至達到最大進化代數。以進化過程中得到的具有最大選擇概率(為適應度的函數)的個體作為最優個體。最優個體解碼后得到最佳的網絡權值和閾值，輸入BP神經網絡繼續進行模型預測。

3.2 GA-BP神經網絡

BP神經網絡具備優異性能的同時也存在一些不足。傳統BP神經網絡的初始權值和閾值隨機產生，通過沿局部改善的方向逐漸調整，易陷入局部極值，導致訓練失敗

。

為解決上述問題，使模型預測效果進一步提升，需要對其進行優化和改進。遺傳算法(Genetic Algorithm，GA)通過模擬自然進化過程，對BP神經網絡的初始權值和閾值進行全局搜尋最優解，將問題的求解過程轉化為類似生物進化中染色體基因的交叉、變異等過程，使優化后的BP神經網絡在處理一些復雜的組合優化問題時有更好的效果。研究表明，GA-BP神經網絡迭代步數更少，能更快達到目標值，模型穩定性高

。

根據樣本數據得到神經網絡拓撲結構，包括輸入層、隱層、輸出層各層節點數，確定網絡初始權值和閾值。對初始權值和閾值進行編碼，得到初始種群，每個種群包含多個個體, 個體中包含權值和閾值的信息。

種群中的所有個體分別通過BP神經網絡進行計算。即當確定某個個體時，用訓練集數據訓練BP神經網絡后，用測試集測試，各樣本的誤差絕對值之和作為該個體的適應度。

機器學習中的BP神經網絡算法是一種按照誤差逆向傳播的多層前饋神經網絡，具有對任意復雜模式的分類能力和優秀的多維函數映射能力，能對大量的非結構性、非精確性規律進行自適應計算

。BP神經網絡算法能在分析燃氣負荷序列特征的基礎上，反映多種影響因素對負荷變化的影響，非常適合復雜的、存在非線性關系的燃氣負荷預測。BP神經網絡的具體計算可以分為信號的正向傳遞和誤差反向傳播兩個過程，根據梯度下降法計算并反復修正網絡的權值和閾值，可以得到更精確的訓練效果。

4 實例分析

4.1 數據來源與預處理

本文中的數據來源于華北某地區974戶農村煤改氣用戶的實際用氣數據，為2018年1月—2021年12月期間的1 461個燃氣日負荷數據。對燃氣日負荷歷史數據進行分析，檢驗異常值，對異常值作小波閾值去噪處理。根據實際調研情況和典型工況分析，確定日平均溫度、天氣類型、節假日情況、前一日用氣量、供暖情況5個主要影響因素作為特征。每日的5個特征和處理后的日負荷組成1個樣本，共1 460個樣本。將1 460個樣本劃分為訓練集和測試集，考慮到燃氣負荷存在年周期性，劃分時將2018、2019、2020年共1 095個樣本作為訓練集，2021年共365個樣本作為測試集。為避免預測過程中由于量綱和物理意義不同產生的差異，對數據采用最大最小值法進行歸一化處理。

4.2 模型參數設置

使用Matlab軟件編寫預測模型程序并進行仿真實驗。BP神經網絡采用最常用的3層結構，輸入層神經元數量為5，對應5個特征。過多的隱層層數會增加網絡復雜度和過擬合的傾向，本實例不需要過多的隱層層數，因此設為1層。隱層節點數量的選擇對網絡很重要，節點太少無法訓練出合適的網絡，節點過多則會導致網絡泛化能力降低，需要尋找一個最佳的隱層節點數。根據經驗公式(3)計算隱層節點數。

(3)

節假日的影響主要體現在用氣習慣上。與城鎮不同，農村居民普遍沒有明確的休假時段，實際連續休假少于5 d的節假日對日負荷的影響不大。其中，元旦作為供暖期內的節假日，相比于非供暖期的端午、中秋等節假日，由于較大的供暖用氣需求，對日負荷的影響較大。因此，重點考慮元旦和實際連續休假5 d及以上節假日對負荷的影響。春節假期除外的節假日定量值見表2。

——輸入層節點數量

表面復合離子處理技術通過兩種或多種表面技術制備復合涂層，提高了薄膜的致密度，消除或減輕了膜層的本征應力，改善了膜層的結合性能，涂層的硬度較高，對于硬質薄涂層，常采用的方法有劃痕法、壓痕法等，但這些方法是以涂層從基體剝離的瞬間對應的臨界載荷來表征結合強度，而針對實際服役條件的動態結合強度測定法是對涂層體系施加持續載荷并觀測其剝落情況，與實際應用中涂層體系基本處于反復載荷下的條件較為接近，對工程更具有實際的指導意義，主要包括單擺沖擊劃痕法、解除疲勞法等。

——輸出層節點數量

通過來說，人們欣賞畫面多是從遠景入手，然后再近景，先整體進行欣賞，然后再局部欣賞。因此，在電視節目后期制作過程中，應該遵循人欣賞事物的原則，才能保證畫面的流暢性。例如，在刻畫一個人物形象時，應該保證該人物形象占據主要鏡頭，不能出現其他的事物搶鏡頭。在一些訪談類節目中，人物的面部特寫十分重要，也是吸引觀眾注意力的主要因素；同時，鏡頭的推進也具有良好的過渡效果，也是突出人物的主要方式，只有這樣才能保證任人物和畫面能夠完美融合，提升畫面美感。

分別計算

取值為1～10的隱層節點數，通過編寫代碼建立神經網絡，以訓練集對神經網絡進行訓練，以測試集測試，計算不同隱層節點數下的均方誤差。在本預測實例中，隱層節點數為11時的均方誤差最小，因此確定隱層節點數為11。輸出層神經元數量為1，對應燃氣日負荷。

GA-BP神經網絡參數設置見表5。

4.3 模型訓練和測試

在實際工程應用中，燃氣負荷預測中的氣溫、天氣類型等影響因素應選用氣象部門給出的預測值。本文是對歷史日期的數據進行分析和預測，日平均溫度和天氣類型均已知，比氣象部門給出的預測值更容易獲得，因此使用的是實際日平均溫度和天氣類型。本文中前一日用氣量采用實際值。在進行未知預測時，可以采用同日期替換的方式，選用前一年相同公歷日期的前一日用氣量作為影響因素輸入。

所謂偵查成本，主要是指偵查機關和偵查人員在偵查過程中所投入的一切資源，包括偵查人員、偵查經費、偵查時間等。所謂效益，是指一個生產過程以最小的投入總成本生產出既定水平的產出，或一個生產過程使既定的投入組合可得到的產出水平達到最大。［12］在偵查中，效益則主要指的是偵查活動所實現的預期目標是否實現或實現的程度。以偵查成本與偵查效益來評價和衡量偵查決策時，無論是社會大眾還是偵查人員都會追求兩個準則:最小成本準則與最大效益準則。然而在實際評價時，則需要對成本和效益進行綜合的考量。

物聯網智能節點與底層模塊之間數據傳輸基于Modbus協議，Modbus協議具有完善的應答機制和數據包校驗方法，使無線傳感網絡的數據傳輸過程更加透明、清晰，提高了數據傳輸的可靠性。

模型訓練時，將訓練集樣本中的5個特征作為模型的輸入，日負荷作為模型輸出。模型測試時，將測試集樣本中的5個特征作為模型的輸入，輸出日負荷。

將樣本數據分別導入BP神經網絡和GA-BP神經網絡預測模型中進行訓練和測試。選取2021年具有代表性的4個時段的預測數據與實際數據對比，判斷預測效果。在確認實際不存在特殊用氣情況的前提下，以2021年供暖時段(1月1—15日)、春節時段 (2月4—18日，農歷北方小年至正月初七)、供暖過渡時段(3月16—31日)、非供暖時段(5月1—15日)共4個時段的數據為例進行模型驗證。具有代表性的4個時段燃氣日負荷預測值與真實值對比見圖3。

為定量評價兩種燃氣負荷預測模型的預測精度，分別以平均絕對誤差(MAE)、均方誤差(MSE)、均方根誤差(RMSE)、平均絕對百分比誤差(MAPE)作為評價指標，對比結果見表6。由表6可知，GA-BP神經網絡預測模型比BP神經網絡預測模型預測精度高。

從圖3和表6可以看出，GA-BP神經網絡預測模型的預測結果比BP神經網絡預測模型更貼近真實值，預測效果更好。GA-BP神經網絡預測模型應用于燃氣負荷預測是可行的。

5 結論

在調研部分農村地區煤改氣居民用戶實際用氣情況的基礎上，建立了一種基于小波閾值去噪和采用遺傳算法優化BP神經網絡的短期燃氣負荷預測模型(稱為GA-BP神經網絡預測模型)。以華北地區農村煤改氣居民用戶作為研究對象，對974戶管道天然氣居民用戶2018年1月—2021年12月的日用氣量進行采集。對采集數據進行小波閾值去噪處理，進行日負荷預測影響因素的選擇及量化。將負荷預測影響因素和日負荷組成的數據集劃分為訓練集和測試集，對BP神經網絡預測模型、GA-BP神經網絡預測模型進行訓練和測試。將兩種模型的日負荷預測值與真實值進行對比，并將兩種模型的評價指標進行對比，驗證兩種預測模型的準確性。研究結論如下。

① 小波閾值去噪處理去噪效果良好，可用于燃氣日負荷預測數據預處理。

堅持節約優先，加強源頭管控，轉變發展方式，培育壯大新興產業，推動傳統產業智能化、清潔化改造，加快發展節能環保產業，全面節約能源資源，協同推動經濟高質量發展和生態環境高水平保護。促進經濟綠色低碳循環發展。推進能源資源全面節約。引導公眾綠色生活。加強生態文明宣傳教育。

①進行實驗分組和操作自變量：自變量為不同分解條件，依據單一變量原則，實驗分成4組，設置常溫、高溫、FeCl3溶液和過氧化氫酶4種分解條件。通過以上分析，學生意識到可根據自變量種類進行實驗分組，再對每組自變量施加不同處理，讓各組形成對照關系。

② 日平均溫度、天氣類型、節假日情況、前一日用氣量、供暖情況是影響燃氣日負荷預測的5個主要影響因素。

強調標記語在語步4中出現最頻繁。高頻使用強調詞語是漢語說理性文章寫作的特點，豐富的強調詞語可以構建作者不容置疑的堅定立場，可以有力地強調作者的觀點以及增加文章的說服力。漢語的政論性文章寫作比較注重事實，立場鮮明，富有戰斗性。強調標記可以表達元旦社論作者對于所論述命題的確定性，“毫無疑問”、“前所未有”、“必將”等強調標記體現出對于過去一年成績的肯定和新一年任務重要性的認識。

③ 有必要關注供暖過渡期的日負荷變化。這段時期溫差變化大，用氣情況復雜多變，對供氣不確定性影響較大。對這部分的合理處理可以有效減小預測誤差。

④ 日平均溫度是影響農村居民用氣非常重要的因素。

⑤ 遺傳算法對BP神經網絡的優化，可以很好地為網絡初始權值和閾值的確定提供依據，優化了網絡參數。相較于BP神經網絡，GA-BP神經網絡的穩定性提高，預測誤差減小，預測精度提高。GA-BP神經網絡預測模型應用于燃氣日負荷預測是可行的。

[1] 仲冰，張博，唐旭，等. 碳中和目標下我國天然氣行業甲烷排放控制及相關科學問題[J]. 中國礦業，2021 (4)：1-9.

[2] 陳占明，朱夢舒. “煤改氣”后河北省居民采暖用氣需求預測——基于大樣本農村家庭能源消費微觀層面調查數據[J]. 中國物價，2018(7)：64-66.

[3] MATHEWMAN P D，NICHOLSON H. Techniques for load prediction in the electricity supply industry[J]. Proceedings of the IEEE，1968(10)：1450-1457.

[4] 韓力群. 人工神經網絡教程[M]. 北京:北京郵電大學出版社，2006：58-63.

[5] 郭琳. LSTM城市燃氣負荷預測技術的研究與開發(碩士學位論文) [D]. 西安:西安石油大學,2020：31-35.

[6] 張學工. 關于統計學習理論與支持向量機[J]. 自動化學報，2000(1):36-46.

[7] 李燦. 基于改進BP神經網絡的負荷預測問題研究(碩士學位論文)[D]. 西安:西安理工大學,2018：30-31.

[8] 張少平，徐曉鐘，代軍委. 基于自適應變異粒子群算法和BP神經網絡的短期燃氣負荷預測[J]. 計算機應用，2016(S1)：103-105，153.

[9] 余鳳，徐曉鐘. 基于優化小波BP神經網絡的燃氣短期負荷預測[J]. 計算機仿真，2015(1)：372-376.

[10] 吳偉,蔡培升. 基于MATLAB的小波去噪仿真[J]. 信息與電子工程，2008(3):220-222.

[11] 鄭樹泉. 工業智能技術與應用[M]. 上海：上海科學技術出版社，2019：250-251.

[12] 陳曉曦，王延杰，劉戀. 小波閾值去噪法的深入研究[J]. 激光與紅外，2012(1)：105-110.

[13] 陳佳. 基于小波的閾值去噪方法改進及其評價研究(碩士學位論文)[D]. 沈陽:沈陽航空航天大學,2012：1-2.

[14] HORNIK K，STINCHCOMBE M，WHITE H. Multilayer feedforward networks are universal approximators [J]. Neural Networks，1989(5)：359-366.

[15] 黃富程，劉德新，辛博鵬，等. 基于遺傳算法(GA)優化BP神經網絡的船舶交通流量預測[J]. 廣州航海學院學報，2020(1)：10-13.

[16] 劉春艷，凌建春，寇林元，等. GA-BP神經網絡與BP神經網絡性能比較[J]. 中國衛生統計，2013(2)：173-176.