基于SARIMA模型的短期天然气负荷区间预测.pdf
《基于SARIMA模型的短期天然气负荷区间预测.pdf》由会员分享,可在线阅读,更多相关《基于SARIMA模型的短期天然气负荷区间预测.pdf(6页珍藏版)》请在咨信网上搜索。
1、计算机与现代化JISUANJI YU XIANDAIHUA2023年第8期总第336期收稿日期:2022-09-08;修回日期:2022-10-19基金项目:国家自然科学基金资助项目(62072363)作者简介:邵必林(1965),男,云南腾冲人,教授,博士生导师,研究方向:信息系统理论与技术,存储安全技术,大数据技术,工程管理与管理科学,E-mail:;通信作者:程婉荣(1997),女,安徽合肥人,硕士研究生,研究方向:管理科学与工程,E-mail:。文章编号:1006-2475(2023)08-0054-060引言近年来,我国相继出台的关于能源转型、新能源开发等相关文件以及国家开展的“十三
2、五”规划和“十四五”规划,都明确提出有序引导天然气消费,大力推动天然气与多种能源融合发展理念1-2。因此,构建预测模型来明确不同时间段天然气负荷预测的精准度,对于国家天然气行业的高质量发展,碳达峰、碳中和目标的顺利实现具有重要意义3。针对此问题,Szoplik等人4研究预测天然气负荷的呈现趋势建立了神经网络模型;田文才等人5-6构建预测模型对短期天然气负荷进行预测;朱瑞金等人7考虑了天然气的负荷因素影响,利用卷积网络构建编码器得出影响负荷的潜在因素,计算研究天然气负荷与电负荷之间的关联性;姚渝琪等人8研究发现大数据算法预测特定条件下的天然气产量较传统方案相比精度更高;樊士豪9通过分析天然气负荷
3、的平稳性特征以及随机性检验,研究天然气负荷序列的特性得出天然气负荷序列是一组平稳性低,无纯随机性的时间序列;葛昶等人10研究发现灰色模型(GreyModel,GM(1,1)较稳定且预测精度较高,可以作为确定天然气消费量的重要参考依据;高磊11根据我国近年来天然气的发展趋势,对不同领域内,如居民、工业等场地使用的天然气月负荷进行相关分析,计算得出影响各种负荷变化的主要影响因素;Shahbaz等人12使用多变量框架模型研究巴基斯坦经济增长和基于SARIMA模型的短期天然气负荷区间预测邵必林,程婉荣(西安建筑科技大学管理学院,陕西 西安 710055)摘要:天然气负荷预测对居民生活、商业发展、工业生
4、产等领域都起着决定性作用,且精确的短期负荷预测可以有效量化天然气负荷预测的不确定性,对于能源系统运行调度避险十分关键。天然气负荷由于受到季节的影响会出现巨峰特征,传统的点预测模型没有考虑到天然气的季节性影响,预测结果的准确性偏低。SARIMA模型可以处理具有季节性波动趋势和随机干扰的时间序列数据。因此,采用 SARIMA模型对天然气负荷进行去日、季、周期性以及一阶差分的处理,捕获时间序列中的线性特征与季节性特征,依据赤池信息准则与网格搜索确定最优参数模型,按比例划分短期区间预测数值。以西安市天然气用量为例,与传统模型对比,结果表明采用SARIMA模型在序列强季节性区间内误差小,具有较高的准确性
5、。关键词:SARIMA模型;季节性;天然气;区间预测中国分类号:TP391文献标识码:ADOI:10.3969/j.issn.1006-2475.2023.08.009Short-Term Natural Gas Load Forecasting Based on SARIMA ModelSHAO Bi-lin,CHENG Wan-rong(School of Management,Xi an University of Architecture and technology,Xi an 710055,China)Abstract:Natural gas load forecasting pl
6、ays a decisive role in residential life,commercial development and industrial production.And accurate short-term load forecasting can effectively quantify the uncertainty of natural gas load forecasting,which iscritical for energy system operation and scheduling risk avoidance.The natural gas load a
7、ffected by the seasonal effects will appear giant peak characteristics,the traditional point prediction model does not take into account the seasonal effects of naturalgas,the accuracy of the prediction results is low.The SARIMA model can handle time series data with seasonal fluctuationtrends and s
8、tochastic disturbances.Therefore,the SARIMA model is used to de-periodize the natural gas load as well as thefirst-order difference,capture the linear and seasonal features in the time series,determine the optimal parameter model basedon the red pool information criterion and grid search,and proport
9、ionally divide the short-term interval forecast values.Taking thenatural gas usage in Xi an as an example,the results show that the SARIMA model used has a small error in the strong seasonalinterval of the series and has a high accuracy when compared with the traditional model.Key words:SARIMA model
10、;seasonality;gas;interval forecast2023年第8期天然气需求之间的相关性;徐诗鸿等人13提出了一种基于改进评价指标的区间预测方法,学者们从区间的宽度与累计误差这2个角度改进现有区间预测评价指标,提高了预测结果的合理性;佟敏等人14构建人工神经网络模型用于中长期天然气负荷预测;高俊莲等人15通过建立的差分整合移动平均自回归模型(AutoRegressiveIntegratedMovingAverage,ARIMA)预测与分析中国天然气消费量;周浩等人16-18将一种季节性差分自回归移动平均模型(Seasonal Auto Regressive Integrate
11、d Moving Average,SARIMA)分别应用于手足口病发病率的预测、医院门诊人次的预测以及铜价未来走势的预测;马超逸等人19-20研究证明 SARIMA 模型适用于短期预测;Arlt等人21-22提出了一种全新的自动 SARIMA 建模方法,并与传统模型相比较,研究表明该模型精度远远优于深度学习模型。研究发现现有多种模型用于天然气负荷预测中,如神经网络模型、长短期记忆网络模型(Long Short-Term Memory,LSTM)、GM(1,1)模型等,但大多数预测模型没有考虑到天然气负荷随机性更强,且具有强季节波动性和尖峰厚尾特征23。运行过程中未完全提取出天然气负荷的季节性波
12、动信息,使得预测结果精度相对偏低。天然气负荷的季节性特征往往掩盖了时间序列所要反映的真实信息和基本变化,并且难以反映出该数据集的非季节性特征,这可能导致不准确的估计。因此,本文构建SARIMA模型可精确提取天然气负荷原始时间序列中的线性特征与季节波动性特征,通过季节性差分消除季节产生的影响使序列平稳化,同时将去值拟合后产生的误差作为分析要素并对原序列的周期性变化、趋势性变化和随机扰动进行完全量化,从而提取和预测出原序列所要表达的全部真实信息,提高预测精准度并降低负荷异常造成的经济损失。最后与传统的ARIMA、BP(Back Propagation)神经网络以及LSTM 模型对比预测精度。1模型
13、与评价指标1.1SARIMA模型博克思-詹金斯(Box-Jenkins)方法是比较完善和精准的预测算法,其常见模型有:自回归模型(Auto Regressive,AR)、移动平均模型(Moving Average,MA)、自回归-移动平均模型(Auto Regressive Moving Average,ARMA)以及ARIMA模型24。ARIMA(p,d,q)模型可以表示为:()1-i=1piLs()1-LdXt=()1+i=1qiLst(1)式中p是非季节自回归的最大滞后阶数,q是移动平均算子的最大滞后阶数,d 是非季节性差分次数,L(Lag operator)为滞后算子,tZ,d0。SA
14、RIMA模型是在ARIMA模型的基础上增加了3个超参数P、D、Q,以及一个额外的季节性周期参数S,能够采用Box-Jenkins方法的模型识别、估计和预测程序,因此方便随着更多历史数据的获得而对模型进行实时调整,其一般表达式为:()1-i=1piLsAP()Ls()1-LdDsXt=()1+i=1qiLsBQ()Lst(2)其中,P为季节自回归的最大滞后阶数,Q为周期性移动平均算子的最大滞后阶数,D是季节性差分次数。当P=D=Q=0时,SARIMA模型相当于ARIMA模型。1.2构建方法网格搜索法25是定阶的方法,搜索的是参数,即在指定的参数范围内,按步长依次调整参数,利用调整的参数训练学习器
15、,从所有的参数中找到在验证集上精度最高的参数。本文训练和比较的过程如图1所示,即先排列组合可能取值的参数,列举出不同的组合参数生成网格,对各组参数进行SVM训练提炼出不同组合下的误差值,并对其进行交叉验证,最后评估出验证集误差最小的超参数组合。图1本文方法流程图赤 池 信 息 准 则(Akaike Information Criterion,AIC)26是拟合精度和参数个数的加权函数,它建立在熵的概念上,提供了权衡估计模型复杂度和拟合数据优良性的标准,AIC不仅要提高模型拟合度,而且引入了惩罚项,使模型参数尽可能少,有助于降低过拟合的可能性。定义如下式所示:AIC=2K-2ln(L)(3)当n
16、为观察数,RSS为剩余平方和时,AIC表达为:AIC=2K+nlnRSSn(4)其中,K是参数的数量,L是似然函数。当参数增加时,AIC值变小,模型表现越优。训练模型时,增加参数数量,会增大似然函数,但是也会导致过拟合现象。因此,贝叶斯信息准则(Bayesian Information Criterion,BIC)在 AIC 的基础上考虑了样本数量,当样本数量过多时能有效防止模型精度过高造成的过拟合现象。BIC定义公式如下所示:BIC=Kln(n)-2ln(L)(5)其中,n为样本数量,样本数量变大时,BIC值变小,模型表现越优。1.3SARIMA模型预测流程本文模型预测流程如图2所示。首先,
17、通过绘制原始时间序列的时序图,分别以日期和对应的用量为横轴和纵轴坐标经行绘图从而确定时间序列的成本即影响因素;若时间序列图出现明显的突然递增或递减趋势,说明该序列图存在不稳定性,需先将非平稳的时间序列转换为平稳的时间序列数据后方可建模,可通过对数列进行一阶逐期差分和季节性差分去除非平稳状态。其次,对转换后的序列采取单位根检验27(AugmentedDickey-Fullertest,ADF)与(KwiatkowskiPhillips-Schmidt-Shin test,KPSS)方法进行单位根检验以确定是否达到平稳状态,如序列达到平稳状态排列组合生成网格SVM训练交叉验证评估邵必林,等:基于S
18、ARIMA模型的短期天然气负荷区间预测55计算机与现代化2023年第8期则开始白噪声检验,Ljung 和 Box 于 1979 年推导出Ljung-Box(LB)统计量,基于此可精准判断其是否为白噪声序列28;采用网格搜索法搜索负荷预测天然气负荷序列的参数组,结合AIC+BIC准则法,确定模型最优参数。最后,拟合参数模型,显著性检验模型中每个变量的系数,白噪声检验残差序列以及分析残差序列标准正态分布图等,以此判断该参数是否为最优参数值并将天然气负荷序列划分为真实值与检验值2个区间,捕获分析真实值区间序列的线性特征,并基于参数模型运行出预测值,采用评价指标计算预测值与检验值的误差,最终判断SAR
19、IMA模型是否适用于天然气负荷短期区间预测。2实例仿真2.1数据来源及整理数据来源为西安各区近些年的天然气日负荷,表1为提取的部分数据。从表1中可以得出原始数据包含了日期、天然气15个用户用量指标。日期包括年、月、日的信息以及对应总负荷值。数据集有17列,15个用户对象,22050个用户观察值和1470个总负荷值。图2本文模型预测流程图时间序列转化为平稳序列模型效果评价平稳性检验白噪声模型确定模型参数模型拟合模型检验模型预测分析终止YNNY表1提取的部分数据日期xxxxxxxxxxxx.xxx用户195790984599305599019.98030用户29839210902810606510
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 SARIMA 模型 短期 天然气 负荷 区间 预测
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。