基于多维动态隶属度的模糊时间序列的天然气月负荷预测
准确的天然气负荷预测对于完善城市燃气供需系统与提高能源利用效率都大有裨益.由于燃气负荷序列受到多种不确定因素的影响,为了捕捉月度负荷的模糊性和非线性等复杂特征,本文结合模糊理论和长短时记忆神经网络(LSTM)的特性,提出了一种基于多维动态隶属度的模糊时间序列的预测新方法.首先,利用模糊C均值聚类(FCM)从原始数据中构建多维隶属度序列;其次,利用LSTM对多维隶属度序列同时进行预测,得到其动态隶属度;最后,去模糊化得到燃气负荷的预测值.应用该模型对四川成都某地区的天然气月度负荷进行了未来三个月的预测,并与经典模糊时间序列(FTS)、ARI-MA模型、BP神经网络(BPNN)、LSTM等模型进行对比.实验结果表明,新模型的MAE、RMSE以及MAPE均优于其他模型.因此,本文提出的模型可对城市燃气供给和调度提供有价值的参考.
城市天然气、月度负荷、动态隶属度、模糊时间序列、LSTM神经网络
37
TP301(计算技术、计算机技术)
四川省自然科学基金资助项目2022NSFSC0283
2023-06-25(万方平台首次上网日期,不代表论文的发表时间)
共10页
134-143