城市燃气输配调度系统的研究

《城市燃气输配调度系统的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要摘要城市燃气短期负荷预测是城市燃气输配调度系统的重要组成部分。它对于确定最佳的进气计划和调峰措施，保证管网供气量，进行管嘲的优化调度等也具有重要的意义。本文中作者将小波分析方法、数据挖掘知识、人工神经网络方法相结合作为新的研究方法运用到了燃气短期负荷预测当中。作者采用小波包降噪，对历史数据进行了合理修『F，引用了数据挖掘知识体系中的零均值规格化方法对数据进行转换，不但确保了神经网络学爿结果的正确性，而且也帮助提高了网络的学习速度。作者分别建立了三种改进的BP神经网络预测模型对某市燃气同负荷进行预测。其中，带动量项的自适应BP神经网络预测模

2、型预测精度高、收敛速度快。改进的BP神经网络模型，虽然有较高的预测精度，但是它的网络结构设计比较繁琐，不易推广。为了克服这些缺点，作者建立了径向基神经网络预测模型，并采用此模型对某市2002年的燃气闩负荷进行预测，2月份的平均相对误差为4．02％，3月份的平均相对误差为6．94％。利用此模型，作者对另一城市2004年的燃气日负荷进行预测，2月份的平均相对误差为3．11％，3月份的平均相对误差为1．99％。通过实例验证，径向基神经网络预测模型不但解决了神经网络需要事先设定层数、神经元数的问题，而且其预测精度已经能够满足实际工程的需要，并且具有较

3、高的适应性、灵活性，易于推广。关键词：燃气输配，负荷预测，小波分析，数据挖掘，神经网络辽宁科技大学硕士论文AbstractShorttermgasloadforecastingistheimportantpartofthegastransmissionanddistributionsystem．Themostimportantsignificanceisthatpeoplecandefinethebestinletgasplanandpeakloadmethodwithit，anditcanhelppeopleguaranteethegasl

4、oadandoptimizeddispatchingofthepipenetwork．Inthistext，theauthorcombinethewaveletmethod，dataexcavationandartificialneuralnetworkthatnewresearchmethodtoforecastshorttermgasload．Withthewaveletpackanalysismethod，theauthordenoisethehistoricaldata，Zeroequalizingvaluenormalization

5、fromwhichdataexcavationisnotonlyguaranteeingtheprecisionofthestudyresultofneuralnetwork，butalsohelpingtoincreasethestudyspeedofneuralnetwork．TheauthorusethreeimprovedBPneuralnetworkforecastedmodelthatestablishedtoforecastonecitydailygasload．Amongthethreemodels，theimprovedBP

6、neuralnetworkforecastedmodelwithinputtingmomentumselfadaptingalgorithmhashighprecisionandspeedoffastconvergence．TheimprovedBPneuralnetworkforecastingmodelshashighprecision，butthenetworkstructureisverycomplex，hardpopular，Toovercometheseshortcoming，theauthorusetheforecastingm

7、odelofRadialBasisFunctionneuralnetworktoforecastonecitydailygasloadin2002，theaveragerelativeerroris4．02％inFebruary，theaveragerelativeerroris6．94％inMarch．Withthesamemodel，theauthorforecastanothercitydailygasloadin2004，theaveragerelativeerroris3．11％inFebruary，theaveragerelati

8、veerroris1．99％inMarch．TheforecastingmodelofRadialBasisFunctionneuralnetworkissettl