满建峰,等.基于PSO-LSTM混合模型的天然气管道多用气节点负荷预测研究_行业动态_化工资讯

作者简介

第一作者：满建峰，男，1997 年生，硕士研究生。2020年毕业于中国石油大学（华东）油气储运工程专业，现在中国石油大学（北京），主要从事天然气管道系统供气可靠性评价方向的研究工作。 E-mail：。

通信作者：侯磊，男，1966年生，教授，博士生导师。2006年博士毕业于中国石油大学（北京）油气储运工程专业，现在中国石油大学（北京），主要从事油气管道输送与油气田集输相关技术的研究工作。E-mail：。

基于PSO-LSTM混合模型的天然气管道多用气节点负荷预测研究

满建峰 ^1,2 ，侯磊 ^1,2 ，杨凯 ¹ ，刘珈铨 ¹ ，张鑫儒 ¹ ，伍星光 ³ ，贺思宸 ¹

1.中国石油大学（北京）机械与储运工程学院；2.中国石油天然气集团有限公司油气地下储库工程重点实验室；3.国家管网西南管道公司

基金项目：国家自然科学基金资助项目（52174063）——机理与数据融合的复杂山地页岩气田集输管网积液预测研究

摘要

以往针对单一城市或地区的天然气短期负荷预测，对天然气管道系统而言是单节点的预测研究，对短期内管道系统最优生产调度计划的制订指导意义不足。以某天然气管道沿线4个城市用气节点为例，建立一种基于PSO（粒子群算法）优化LSTM（长短期记忆神经网络）的天然气短期负荷预测模型。针对负荷数据含噪问题，采用分解去噪算法进行数据去噪；针对LSTM网络超参数较难合理选取问题，通过PSO算法进行模型超参数寻优；针对多用气节点负荷预测问题，将节点间用气负荷相关性引入预测模型研究。结果表明，结合数据去噪与节点负荷相关性的PSO-LSTM混合模型具有较高的预测精度，针对用气负荷最高节点的决定系数 R ² 能够达到0.941。该方法能够用于准确预测天然气管道多用气节点短期负荷。

关键词

天然气管道；短期负荷预测；去噪分析；节点负荷相关性；长短期记忆神经网络

0 引言

随着天然气市场消费量的迅速增长，部分地区用气高月出现供气短缺现象，商业、工业乃至居民用户面临天然气减供甚至停气问题，准确预测天然气负荷是保障供气的关键 ^［1］。天然气负荷预测分为中长期与短期预测，中长期负荷预测（年、季、月）旨在获取宏观数据，为决策提供依据，短期负荷预测（周、日、时）旨在制订短时间内输气系统的调度计划及提高系统调峰能力 ^［2
-
3］。为优化输气系统调度方案及保障下游用户稳定用气，建立短期负荷预测模型具有重要意义。

根据所用负荷数据集及特征数据集特点，本研究进行时间颗粒度为日的天然气短期负荷预测。天然气短期日负荷预测研究一般从影响因素及预测模型两方面展开 ^［4］。气象条件、历史负荷、日期类型等因素能够作为单节点天然气短期日负荷的影响因素 ^［5
-
6］，但在多节点预测时需进一步考虑节点之间用气负荷的影响。针对天然气短期日负荷预测模型的研究，主要从3个方面展开，包括传统预测模型、机器学习预测模型及深度学习预测模型 ^［7
-
8］。

在天然气短期日负荷预测研究中，由于负荷数据集不同，考虑的负荷影响因素不同，预测模型各有优劣。传统预测模型主要包括回归模型和灰度模型，此类模型难以处理具有复杂非线性特征的天然气负荷数据，不能准确反映负荷与影响因素之间的非线性映射关系，无法基于少量数据集获得足量负荷数据信息 ^［9］。机器学习预测模型与传统预测模型相比，在处理复杂非线性数据方面具有明显优势。Szoplik ^［10］采用人工神经网络模型对波兰某地天然气负荷进行预测，模型考虑气象和日期因素对负荷的影响，能够预测一年中任意一天、任意时刻的用气负荷，但该模型未能考虑历史负荷因素。Wei等 ^［11］采用改进的遗传算法优化支持向量回归模型来预测天然气短期负荷，发现其预测性能优于人工神经网络模型，该模型实现了希腊3个代表性城市的日负荷预测。机器学习预测模型虽然比传统预测模型更适合于短期日负荷预测，但模型收敛速度慢、训练时间长、过拟合和欠拟合一直是机器学习预测模型的缺陷。深度学习预测模型中，LSTM（长短期记忆神经网络）能够有效学习到负荷数据的非线性与时序性特点，由此被广泛应用于天然气负荷及电力负荷预测领域 ^{［12
-
13］} 。朱汪友等 ^［14］基于多源异构海量数据进行短期负荷预测，采用LSTM建立了某城市天然气短期日负荷预测模型，预测精度满足工业化应用要求，并首次将短期负荷预测与天然气管道系统可靠性量化研究相结合。Peng等 ^［15］采用数据去噪算法，基于LSTM实现了英国伦敦市某年用气高月的日负荷预测，模型考虑日期类型及日最高温度对负荷的影响，但未将历史负荷因素纳入预测模型研究。Wei等 ^［16］采用改进的奇异谱分析将原始时序负荷分解为线性、周期及长期分量，有效降低了负荷数据复杂性，基于LSTM实现了希腊国家天然气管网内4个天然气下载点的日负荷预测。

上述研究对天然气短期日负荷预测模型的建立具有借鉴意义，但基于LSTM算法进行负荷预测时，存在LSTM网络超参数较难合理选取的问题。曹杰等 ^［17］在电采暖短期负荷预测中，利用PSO（粒子群算法）优化LSSVM（最小二乘支持向量机）的参数，结果表明所提出的PSO-LSSVM混合算法，具有更高的预测精度。以往基于LSTM算法进行天然气负荷预测时，少有研究将参数寻优算法与LSTM相结合来优化预测模型，为了解决LSTM网络超参数较难合理选取的问题，有必要引入参数寻优算法，建立天然气短期日负荷预测模型。

天然气短期日负荷预测能够为管道系统日常生产调度提供数据支撑，已有研究只实现了单一城市或地区的负荷预测，其实质是对管道系统众多用气节点中的单个节点进行负荷预测，对短期内整个管道系统最优调度计划的制订指导意义不足。本研究针对某天然气管道沿线4个城市用气节点，建立PSO-LSTM多节点短期日负荷预测模型，在特征选取时，将节点间用气负荷相关性引入预测模型，进行管道系统多用气节点短期日负荷预测。

1 PSO-LSTM天然气负荷预测模型

1.1　负荷数据分解与去噪模型

1.1.1　负荷数据分解

天然气负荷数据具有非线性及非平稳性的数据特征，利用数据分解算法将原始的天然气负荷数据进行分解，减小负荷数据的非平稳性。采用经典的模态分解算法进行负荷数据分解，EMD（Empirical Mode Decomposition，基于经验模态分解算法）进行负荷分解时，存在模态混叠问题，EEMD（Ensemble Empirical Mode Decomposition，基于集合经验模态分解算法）进行负荷分解时，存在分解效率低的问题。CEEMDAN（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，自适应噪声完备集合经验模态分解算法）是EMD和EEMD的一种改进算法，能够克服上述问题 ^［18］。基于此，采用CEEMDAN算法分解天然气负荷数据。具体分解步骤如下：

①对天然气负荷数据 C （ t ）进行EMD分解，获得模态分量 IMF ₁ ：

式中： E ₁ （·）——EMD产生的第1个模态分量的算子； ε ₀ ——噪声标准差，无量纲； W _i ——高斯白噪声（ i =1,2,…, N ），无量纲。

②获得余量信号 r ₁ （ t ）：

③对 r ₁ （ t ）进行EMD分解，获得模态分量 IMF ₂ ：

④重复步骤②③，获得第 m +1个模态分量：

式中： r _m _-1 （ t ）、 r _m （ t ）——产生的第 m -1个、第 m 个余量信号； IMF _m 、 IMF _m ₊₁ ——产生的第 m 个、第 m +1个模态分量，无量纲。

⑤重复上述步骤，直至不能获得符合规则的模态分量。天然气负荷数据分解为 m 个模态分量和1个剩余信号 R （ t ）：

1.1.2　小波阈值去噪

天然气负荷数据经过CEEMDAN算法分解，形成若干高低频信号，部分噪声数据涵盖其中。基于小波变换的信号去噪方法有模极大值法和阈值法。采用模极大值法进行信号去噪时，由于存在难以对信号进行快速处理和重构信号时存在偏差等问题，本研究采用适用性较强的小波阈值去噪算法，去噪流程见图1。含噪信号经过小波变换后，得到一系列小波分解系数，通过设置合理的阈值及阈值函数，使得负荷数据中的真实信号与噪声分离，去除天然气负荷数据中的噪声信号，并重构去噪后的负荷数据，实现数据去噪目的 ^［19］。

图1　小波阈值法去噪流程

天然气负荷受当地政策变化、重大事件及极端天气等影响而存在部分数据噪声，是模型预测难度增加的重要因素。采用CEEMDAN算法对天然气负荷数据进行分解，采用小波阈值去噪算法对分解后的数据进行去噪，剔除因上述因素引入的噪声数据，去噪后重构高低频负荷信号，为模型预测提供数据支撑。

1.2　PSO-LSTM短期日负荷预测模型

天然气负荷预测属于典型的时间序列问题，负荷数据具有时序性与非线性的特点，采用负荷预测领域中对这种数据性质具有优异预测性能表现的LSTM算法，展开天然气负荷预测研究。针对采用LSTM算法进行负荷预测时存在LSTM网络超参数较难合理选取的问题，通过PSO优化LSTM网络预测模型中的两个关键超参数，分别是隐层神经元个数和学习率，提高天然气短期日负荷预测精度。

1.2.1　PSO

PSO作为一种仿生优化算法，在聚类分析和神经网络超参数寻优等多领域有着广泛运用。PSO算法通过设置具有一定数量粒子的种群，对待优化问题进行全局寻优。每个粒子都被视作待优化问题的一个可行解，具有各自的速度、位置与个体极值，粒子间通过信息交互，确定问题的当前全局最优解。每个粒子不断更新自身速度与位置，调整个体极值，最终得到满足终止条件的目标函数最优解 ^［20］。利用PSO优化LSTM网络超参数的具体步骤如下 ^{［21
-
22］} ：

初始化PSO参数，包括寻优粒子数、迭代次数、权重系数及加速因子。

随机初始化每个粒子的位置和速度：

式中： k ——迭代次数； v _j （ k +1）和 x _j （ k +1）——粒子 j 在第 k +1次迭代时的速度、位置； ω ——权重系数，无量纲； c ₁ 、 c ₂ ——加速因子，无量纲； v _j （ k ）和 x _j （ k ）——粒子 j 在第 k 次迭代时的速度、位置，无量纲； r ₁ （ k ）和 r ₂ （ k ）——［0，1］内的随机数； p _best （ k ）和 g _best （ k ）——粒子 j 在第 k 次迭代的个体极值的位置、全局极值的位置。

将均方根误差 RMSE 设置为PSO的适应度函数 f （x）：

计算并比较粒子每次迭代时的适应度值，确定个体最优位置及全局最优位置，根据式（7）和式（8）不断更新粒子自身速度与位置，直到适应度函数达到最小，即确定LSTM网络模型最优超参数。

1.2.2　LSTM

LSTM是目前最流行的深度学习模型之一，它由循环神经网络改进而来 ^［23］，由于对时序性与非线性数据具有优异预测性能表现，被广泛应用于负荷预测问题中。LSTM通过增加输入门、遗忘门和输出门来处理数据信息 ^［24］，实现数据信息的长期记忆，有效提高天然气负荷预测精度。其中，输入门进行数据信息的更新，遗忘门进行数据信息的删减，输出门确定下一个时刻的数据信息。

针对天然气负荷数据含噪问题，进行数据预处理，通过CEEMDAN算法分解，形成若干模态分量 IMF _s 及剩余分量 R ，采用小波阈值去噪算法对所得分量进行去噪，减小噪声对模型预测精度的影响。通过特征分析，将节点间用气负荷相关性因素引入预测模型研究。根据PSO算法优化LSTM网络超参数，分别是隐层神经元个数和学习率，提高模型预测精度。图2所示为建立的PSO-LSTM天然气短期日负荷预测模型。

图 2　基于 PSO-LSTM 的天然气短期日负荷预测模型图

2 应用实例

2.1　数据来源

某地区天然气管道为沿线4个城市节点供气，图3所示为该天然气管道系统简化拓扑结构图。取2019年1月1日至2019年12月31日的4个节点日负荷数据与负荷主要影响因素数据，共计365组数据，数据采样周期为天，负荷及影响因素部分数据见表1。用气月不均匀系数显示4个节点用气负荷符合城市用气普遍规律，4—10月的月不均匀系数介于0.7 ~ 1，其余月份介于1 ~ 1.5。4个节点用气月不均匀系数见图4。

图3　天然气管道系统简化拓扑结构

图4　4个节点负荷月不均匀系数

表1　4个节点日负荷数据与影响因素数据部分展示

2.2　数据预处理

2.2.1　负荷数据分解结果

负荷数据经过CEEMDAN算法分解为若干模态分量（ IMF _s ）及1个剩余分量 R ，如，对节点D的负荷数据进行分解，对分解算法进行参数设置，实验次数 N 取100，噪声标准差 ε ₀ 取0.005，负荷分解结果见图5。

图 5　节点 D 负荷数据 CEEMDAN 分解结果

节点D原始用气负荷数据经过CEEMDAN分解后， IM F ₁ 与 IMF ₂ 为幅值较低的高频分量，部分噪声数据涵盖其中，是模型预测难度增加的重要因素，其余分量为中低频分量，波动较小。

2.2.2　负荷数据去噪及重构结果

针对分解后的负荷信号采用小波阈值去噪，对去噪算法主要参数进行设置，选取软阈值sqtwolog，分解层次设置为lev1。如，对节点D的负荷信号进行去噪及重构，其中模态分量 IMF ₁ 和 IMF ₂ 的数据去噪效果明显，其余分量信号去噪前后曲线趋于重合，即 IMF ₃ 、 IMF ₄ 、 IMF ₅ 及 R 在去噪前后曲线基本重合，本文列出 IMF ₁ 、 IMF ₂ 和 IMF ₃ 的去噪图说明去噪效果，节点D负荷去噪及重构结果见图6。针对4个节点用气负荷数据，经过CEEMDAN分解，进行小波阈值去噪及重构后为模型预测提供数据支撑。需要指出，模型将2019年前11月的数据作为训练集，12月的数据作为测试集，测试集中的待预测日负荷为各节点原始用气负荷，验证负荷数据去噪的有效性。

图 6　节点 D 负荷去噪及重构结果

2.3　负荷相关性分析及特征选取

相关性分析能够反映变量之间的相依程度，负荷相关性分析主要反映单个节点负荷的时间相依关系以及多个节点负荷之间的空间相依关系。单个节点负荷的时间相依关系，体现出相邻时刻节点负荷数据之间的相关性，如，当日负荷与前1日负荷的相关性。多个节点负荷之间的空间相依关系，体现出各个节点负荷数据之间的相关性。一条天然气管道通常为多个用气节点供气，本文所研究的天然气管道为沿线4个节点供气，由于各节点地理位置相近，气候条件相似，各节点用气负荷的变化规律具有一定的相似性。在对该天然气管道沿线4个节点的用气负荷进行预测时，应基于数据分析层面充分挖掘4个节点负荷数据间的相关性，考虑引入这种相关性因素作为模型的一个输入特征进行负荷预测，以提高模型预测精度。变量间的相关性通常采用皮尔逊相关系数法与斯皮尔曼相关系数法进行分析，其中斯皮尔曼系数法适用于分析非线性数据，能够用来度量多个节点间的负荷相关性。基于斯皮尔曼系数反映负荷相关性时，发现相关系数在［0.65，0.92］，即4个节点用气负荷之间具有一定相关性。节点间用气负荷相关性分析结果见图7。

图 7　节点间用气负荷相关性分析

不考虑节点间用气负荷相关性时，对4个节点的用气负荷进行独立预测。在输入历史负荷特征方面，将节点前1日负荷作为特征变量输入，选取日平均温度及日期类型定量值作为另外两个特征变量输入。日期类型定量值见表2。

表2　日期类型定量值

考虑节点间用气负荷相关性时，在测试集中，各节点当日的用气负荷属于待预测任务范畴，即各节点当日用气负荷未知，不能直接作为特征变量输入，综合考虑节点间用气具有时间负荷相关性和空间负荷相关性后，将节点间前1日负荷作为特征变量输入。如预测节点D12月的日负荷，模型的输入特征为日平均温度、节点D前1日负荷、日期类型、节点A前1日负荷、节点B前1日负荷以及节点C前1日负荷。

2.4　预测性能评价指标

为验证所提短期负荷预测模型的有效性，将决定系数 R ² 作为主要评价指标，将相对误差 RE 与均方根误差 RMSE 作为辅助评价指标，对PSO-LSTM用气负荷预测模型的预测性能进行评价。其中， R ² 值越接近于1，说明模型拟合越好， RE 值与 RMSE 值越小，说明模型预测越准确。3个指标计算公式如下：

2.5　预测结果分析

对4个用气节点建立3种不同的数据集，分别是原始数据不考虑节点负荷相关性、去噪数据不考虑节点负荷相关性和去噪数据考虑节点负荷相关性。对预测模型的主要参数进行设置，PSO算法中，寻优粒子数设置为20，加速因子为1.5，权重系数为0.8，最大迭代次数为200，LSTM算法中，输出层为1，失活比例为0.5，隐层神经元个数取值范围［20，200］，学习率取值范围［0.001，0.01］，PSO寻优过程中迭代次数达到10次后适应度曲线趋于平稳，算法获得最优适应度值。对建立的PSO-LSTM短期负荷预测模型在不同数据集下展开预测性能对比，结合评价指标验证负荷数据去噪的有效性和将节点间负荷相关性因素引入预测模型研究的合理性。

针对4个用气节点，对比分析模型在不同数据集下的预测值曲线与真实值曲线（见图8），发现模型对去噪数据考虑节点负荷相关性数据集的拟合程度最好。4个节点预测相对误差 RE 主要在［-10%，10%］区间内，且去噪数据考虑节点负荷相关性数据集的 RE 值集中在［-3%，3%］区间内，说明模型对此数据集预测效果较好。

图 8　基于不同数据集的各节点 PSO-LSTM 预测结果

为全面对比建立的PSO-LSTM模型对各用气节点在不同数据集下的预测性能，总结了模型预测得到的 RMSE 与 R ² 值，图9为4个节点在不同数据集下 RMSE 的直方图，图10为4个节点在不同数据集下 R ² 的直方图。

图9　各节点在不同数据集下的RMSE对比

图10　各节点在不同数据集下的R ² 对比

发现对各用气节点的负荷数据采用分解去噪算法进行数据去噪，剔除因极端天气、政策变化等因素引入的噪声数据，能够降低模型预测难度，使预测精度有明显提升。对比各节点在不同数据集下的预测结果，模型基于负荷数据去噪及考虑节点负荷相关性数据集进行预测时，各节点负荷预测精度最高，均方根误差 RMSE 最小，决定系数 R ² 最大。基于预测值曲线与真实值曲线的对比分析，通过预测性能评价指标的直观展示可见，进行负荷数据预处理去除噪声，将节点间负荷相关性因素引入预测模型研究，能够有效提高模型预测精度。

针对用气负荷最高的节点D，在负荷数据去噪及考虑节点间负荷相关性因素后，对比其他低负荷节点，PSO-LSTM混合模型对节点D的预测性能表现最好，决定系数 R ² 达到0.941。为进一步测试PSO-LSTM混合模型的预测性能，选取GRNN（广义回归神经网络）、CNN（卷积神经网络）和LSTM网络，基于节点D数据集，进行单模型与混合模型的预测性能对比。表3为不同数据集下4个模型预测得到的 RMSE 与 R ² 值，图11为不同数据集下4个模型的预测性能指标对比图。发现GRNN的预测误差在四者中最大，决定系数 R ² 较小，预测精度较低。在不同数据集下，对比单模型与PSO-LSTM混合模型，发现混合模型预测精度均最高，均方根误差 RMSE 最小，决定系数 R ² 最大，进一步验证了混合预测模型的优越性。随着城市化进程的加快，城市燃气需求高速增长，进行城市用气负荷影响因素研究，建立针对于高用气量城市的负荷预测模型，对于城市天然气保供显得日益重要。

表3　基于节点D数据集各模型预测得到的RMSE与 R ² 结果

图11　基于节点D数据集各模型预测性能指标对比

3 结论

天然气短期负荷预测精度受政策变化、重大事件及极端天气等影响，负荷数据存在部分数据噪声。针对某天然气管道沿线4个城市用气节点，通过CEEMDAN算法分解负荷数据，采用小波阈值去噪算法对分解后的数据进行去噪，发现对负荷数据进行分解去噪，4个节点的决定系数 R ² 分别提升5.8%、3.9%、0.6%和4.8%。

针对天然气管道系统多用气节点短期负荷预测，在特征选取时引入节点间负荷相关性，发现考虑相关性因素后，模型预测性能更好，最终4个节点的决定系数 R ² 分别提升9%、10%、2.7%和8.2%。同时，针对用气负荷最高节点，对比其他低负荷节点预测结果，发现模型对用气负荷最高的节点预测性能最好， R ² 能够达到0.941。

采用数据分解去噪算法，进行数据预处理，引入节点间负荷相关性因素，进行特征分析，针对某天然气管道沿线4个城市用气节点，建立了一种基于PSO-LSTM的多节点短期负荷预测模型，为管道系统的日常生产调度提供数据支撑，为准确预测天然气管道多用气节点短期负荷提供新的方法。

参考文献阅览

[1]刘定智,张元涛,梁严,等.基于“全国一张网”的天然气管输优化模型构建及应用[J].油气与新能源,2021,33(4):64-70.

[2]孙彬.某地区天然气短期负荷的特性研究及预测应用[D].武汉:华中科技大学,2019.

[3]李光越,王泽鑫,于文广,等.Z地区天然气管网平衡差影响因素分析与天然气需求短期预测[J].油气田地面工程,2021,40(6):62-70.

[4]LIU J Y, WANG S X, WEI N, et al.Natural Gas Consumption Forecasting:A Discussion on Forecasting History and Future Challenges[J].Journal of Natural Gas Science and Engineering,2021,90:103930.

[5]彭芳.天然气负荷预测及调峰方案研究[D].南京:南京理工大学,2015.

[6]罗敏.基于深度学习的燃气日负荷预测研究[D].重庆:重庆大学,2020.

[7]郑坚钦,王博弘,张浩然,等.天然气需求量预测研究进展[J].石油化工高等学校学报,2018,31(4):1-6.

[8]徐磊,侯磊,李雨,等.机器学习在油气管道的应用研究进展及展望[J].油气储运,2021,40(2):138-145.

[9]QIAO W B, YANG Z, KANG Z Y, et al.Short-term Natural Gas Consumption Prediction based on Volterra Adaptive Filter and Improved Whale Optimization Algorithm[J].Engineering Applications of Artificial Intelligence,2020,87:103323.

[10]SZOPLIK J.Forecasting of Natural Gas Consumption with Artificial Neural Networks[J].Energy,2015,85:208-220.

[11]WEI N, LI C J, LI C, et al.Short-term Forecasting of Natural Gas Consumption Using Factor Selection Algorithm and Optimized Support Vector Regression[J].Journal of Energy Resources Technology,2019,141(3).

[12]魏腾飞,潘庭龙.基于改进PSO优化LSTM网络的短期电力负荷预测[J].系统仿真学报,2021,33(8):1866-1874.

[13]葛磊蛟,赵康,孙永辉,等.基于孪生网络和长短时记忆网络结合的配电网短期负荷预测[J].电力系统自动化,2021,45(23):41-50.

[14]朱汪友,侯磊.基于人工智能技术的输气管道系统可靠性量化方法[J].天然气工业,2022,42(5):10.

[15]PENG S B, CHEN R L, YU B, et al.Daily Natural Gas Load Forecasting based on the Combination of Long Short Term Memory Local Mean Decomposition and Wavelet Threshold Denoising Algorithm[J].Journal of Natural Gas Science and Engineering,2021,95:104175.

[16]WEI N, YIN L H, LI C, et al.Short-term Load Forecasting Using Detrend Singular Spectrum Fluctuation Analysis[J].Energy,2022, 256:124722.

[17]曹杰,王维庆 ,王海云,等.基于改进PSO-LSSVM的电采暖短期负荷预测研究[J].计算机仿真,2022,3 9(2): 34-39.

[18]康文豪,徐天奇,王阳光,等.基于CEEMDAN-精细复合多尺度熵和Stacking集成学习的短期风电功率预测[J].水利水电技术(中英文),2022,53(2):163-172.

[19]严容.基于小波去噪的BP神经网络在变形预测中的应用[D].北京:中国地质大学(北京),2014.

[20]刘博.基于PSO-LSTM算法的短期电力负荷预测应用研究[D].长春:吉林大学,2020.

[21]ZHANG G D, GE Y S, PAN X T, et al.Optimization of Energy Consumption of A Green Building Using PSO-SVM Algorithm[J].Sustainable Energy Technologies and Assessments,2022,53:102667.

[22]高金武,贾志桓,王向阳,等.基于PSO-LSTM的质子交换膜燃料电池退化趋势预测[J].吉林大学学报(工学版),2022,52(9):2192-2202.

[23]HE W.Load Forecasting via Deep Neural Networks[J].Procedia Computer Science,2017, 122:308-314.

[24]陈振宇,刘金波,李晨,等.基于LSTM与XGBoost组合模型的超短期电力负荷预测[J].电网技术,2020, 44(2):614-620.

本文版权归《油气与新能源》编辑部所有

未经允许，不得转载

往期推荐

中国聚烯烃高端化产品发展现状及前景分析

中国储气库井口计量现状及建议

碳封存中超临界CO2注入泵的选用

中国地方炼厂发展现状分析与展望

地下储氢技术研究综述

超临界二氧化碳输送中的增压问题分析

编辑|陈潇

排版|陈潇

校对|倪杰清

审核|张曦

版权申明以上内容由网友或网络信息收集整理呈现，不代表本站立场和观点！如对内容有疑问，请联系cnmhg168@163.com，谢谢！下载内容仅供研究和学习使用，务必24小时删除。

• 广东省科学院生态环境与土壤研究所流域水环境团	• 汽轮机冲转暖机结束的标志到底是什么
• 超冷极性分子、不平衡拓扑系统、量子微波光子学	• 天体物理理解的进步
• 中国科学院新疆理化技术研究所痕量化学物质感知	• 必看 \| 2023复工复产落实“四不伤害”24条提示
• 安全生产百错图【视频讲解】你的安全意识过关吗	• 已致超3000人遇难！土耳其地震最新情况
• 【一轮通知重磅发布】2023（第十八届）青岛国际	• 浙江工业大学王红宇课题组CEJ：可见光催化的Fe(