冷跻峰,徐晓钟

(上海师范大学 信息与机电工程学院,上海 201400)

随着人工智能技术的发展,燃气公司的智能化成为全球燃气行业关注的焦点.天然气负荷预测的结果是燃气集团对燃气系统进行决策的依据.燃气负荷预测可用于燃气系统的生产调度和安全评估.准确的预测结果有助于提高燃气系统的效率,降低运营成本,促进整个燃气行业健康地发展.国内外许多研究学者都在燃气负荷预测领域投入大量的精力[1].美国能源信息署(EIA)预测了美国长期的天然气资源需求,发现美国的天然气需求在2035年将达到7518 亿立方米,年需求量将增加0.7%.因此天然气作为清洁能源,其准确的预测对于燃气系统的健康发展具有重要的意义.

在过去的二十年中,燃气负荷的常用方法主要有时间序列模型、线性回归模型、SVM 和神经网络模型.但是,与单模型方法相比,组合模型可以更好地发挥各个模型的优势,规避缺点,在解决复杂的非线性问题中展现了更高的可靠性和准确性[2].

燃气负荷预测的难点在于具有燃气变化趋势具有较大的复杂性和特征因子具有较大的冗余性.

集合经验模态分解法 (Ensemble Empirical Mode Decomposition,EEMD) 是针对传统 EMD 在处理非平稳的时间序列信号时会出现模态混叠的情况而提出的改进算法,将离散无序信号分解成不同频率的相互独立平稳的特征模态函数[3].剥离出来的有限本征模函数IMF 分量代表了原始信号不同时间尺度的特征,这非常适合复杂的……