北方农村燃气日负荷预测的BP神经网络优化

1 概述

双碳目标下，天然气作为介于煤炭、石油和可再生能源之间的优质低碳能源，成为减少碳排放和改善空气质量的重要过渡能源

。近年来煤改气用户增多，特别是农村地区的用气需求有了明显增长，局部地区出现了天然气供不应求的局面，保障农村生活和生产用气成为亟需解决的问题

。

对燃气负荷预测的研究始于20世纪60年代

。随着近年来信息技术的发展，机器学习逐渐被应用于燃气负荷预测领域。常用的算法包括BP神经网络(BPNN)

、长短期记忆神经网络(LSTM)

、支持向量机(SVM)

等。BP神经网络法具有优秀的处理非线性映射的能力和处理内部机制复杂问题以及自学习的能力，是多个领域应用较多的机器学习算法。但BP神经网络易陷入局部极值，初始权值和阈值随机产生，会造成最终预测精度的降低

。在近些年的研究中，更多学者尝试采用组合预测模型对BP神经网络进行优化。张少平等人

将自适应变异粒子群算法与BP神经网络相结合，优化了网络权重，提高了预测精度。余凤等人

提出了一种混沌遗传算法优化小波BP神经网络的模型，非线性拟合能力更好，预测精度得到提高。

本文在调研部分农村地区煤改气居民用户实际用气情况的基础上，建立了一种基于小波阈值去噪

和采用遗传算法

优化BP神经网络的短期燃气负荷(30 d以内的燃气负荷)预测模型(称为GA-BP神经网络预测模型)，并与BP神经网络预测模型进行对比。

2 数据分析与处理

2.1 历史负荷数据

本文以华北地区农村煤改气居民用户作为研究对象，对974户管道天然气居民用户的燃气日负荷进行采集与预测。对历史负荷的分析有助于发现数据特征和规律，以此来确定合适的影响因素和预测方法。图1为2018年1月—2021年12月974户居民用户的燃气日负荷曲线。

由图1可以看出，燃气日负荷整体呈现年周期性，但局部存在一些较大波动。对于实际用气过程中由于偶发情况或统计错误造成的异常值，不进行处理会增大误差，导致预测精度降低。

2.2 数据处理

通常情况下，现实中收集到的数据都含有一定噪声。区别于噪声，数据信号在时间和空间上往往具有一定连续性。对于小区域、长度有限、均值为0的小波波形信号进行数学变换处理，可以有效抑制噪声，保留有效信号，这种对含噪信号的处理方法称为小波阈值去噪

。小波阈值去噪的关键在于阈值函数和临界阈值的确定。首先，对含噪信号进行小波分解，分解产生的小波系数含有信号的重要信息。有效信号的小波系数较大，噪声的小波系数较小。对比确定的小波系数阈值，小波系数较大的信号予以保留，小波系数较小的信号被认为是噪声而予以去除。最后，利用逆小波变换将处理后获得的小波系数进行重构，得到去噪后信号

。

利用Matlab软件建立小波阈值去噪模型，使用wden函数，选择软阈值函数和无偏风险估计阈值，以信噪比和信号的均方根误差作为去噪效果的评价指标。信噪比指有效信号与噪声信号的比值，按照式 (1)计算。信噪比越大，说明混在信号中的噪声越少。信号的均方根误差按照式(2)计算。通常，信号的均方根误差小，说明去噪后信号与原始信号的偏差较小。

⑤ 供暖情况

(1)

(2)

式中

——信噪比

短视频不是过去传统媒体的替代，而应是一种全新的关系组建，旅游营销用短视频与用户建立新的对话关系，在这个平台里，每个用户都可以创造自我价值，每个用户都可以发表自己的观点，与平台内的用户进行讨论交流，利用自身所掌握的信息与其他人实现资讯共享，吸纳不同的信息资源，集聚平台用户众人智慧，发挥社群力量进行营销推广。

——信号数量

——第

个原始信号

——第

个原始信号去噪后的信号

1.2 研究方法 采用自行设计的儿童基本情况调查表由专人向儿童家长调查儿童的基本情况。内容包括儿童出生时情况、儿童父母基本情况及保健当日的身高、体质量等情况。神经心理发育测查采用首都儿科研究所编制的《0～6岁儿童神经心理检查量表》，由专业人员对3岁以下儿童进行神经心理发育测查，并计算大运动、精细动作、适应能力、语言及社会行为五大能区的智龄和发育商。本研究主要对儿童的精细动作发育情况进行分析。

通常，RMSEA（近似均方根误差）被认为是结构方程拟配指标中最重要的信息，其理想值为0，小于0.05为优异，在0.05～0.08之间为良好，大于0.1 为不良，NFI、RFI、IFI、TLI、CFI的值大于 0.9 且接近1时，表明模型的拟配度越高[24]。由于本文样本量较大，因此，在其他拟配度指标比较理想的情况下，CMIN/DF为5.557也可接受。整体而言，构建的模型拟配度较理想。

——信号的均方根误差

对该974户居民用户的日负荷数据进行去噪，信噪比为95.5，信号的均方根误差为0.12 m

。图2为部分去噪后负荷数据与原始负荷数据的对比，可以看出去噪后负荷数据更平滑，局部波动更小，一些较大波动并未失去其实际用气特征，在保留了原有趋势的同时有效减少了异常值对预测的影响。

如果燃气负荷历史数据出现缺失，对缺失值作同日期替换(以前一年相同公历日期的燃气负荷代替缺失值)。

2.3 影响因素

居民用户的燃气日负荷具有一定随机性和不确定性。经实地调研和分析，确定以日平均温度、天气类型、节假日情况、前一日用气量、供暖期及供暖过渡期等影响因素作为重点研究对象。气象数据通过Python爬虫功能，使用urllib、requests、re等模块模拟浏览器访问网络，获取所需的数据。

① 日平均温度

气温直接影响燃气日负荷，是最主要的影响因素之一。例如燃气供暖期间，燃气日负荷与日平均温度呈现明显的负相关性，气温升高时燃气日负荷降低，气温降低时燃气日负荷增加。

④ 前一日用气量

但首先得澄清一个误区，孩子不是到了该添辅食的时间就会自愿爱上吃东西的。所以，也许你冲半天米粉娃连嘴都不张，也许你做半天菜泥娃吃一口还干呕。但这真的不是你的错，更不是宝宝的错。如果说吸吮能力是天生的，那么吞咽和咀嚼能力其实是后天习得，而我们添加辅食的意义正是帮孩子习得这些能力。

天气类型会影响人们出行和日常生活习惯，例如冬季雨雪天气会大大减少农村居民出行，导致室内供暖需求增加。天气类型是定性参数，不便于模型计算处理。根据不同天气类型对用气负荷的影响，对不同天气类型进行量化，见表1。

③ 节假日情况

式中

——隐层节点数

春节处于供暖期内，用气量较大，是对居民用气影响最大的节日。农村普遍存在一些传统过年习俗，并且没有统一的假期和返城务工日期。在北方，一般从小年(腊月廿三)左右就开始准备过年餐食，炊事用气增多。随着春节临近，外出务工人员返乡逐渐达到峰值，春节过后人员陆续离开。春节期间用气一般会在春节前一周开始升高，春节当天达到峰值，然后逐渐下降，最后回到正常供暖期用气水平。因此，定量值的确定需要考虑一个连续过渡过程，见表3。

非节假日定量值为0.8。

② 天气类型

前一日用气量和当日用气量关联性较强，其实质是相邻日期气温变化的延续，可以作为短期预测的重要参考。

式中,Hoi为在作物生长最优条件,即不受水分、温度等胁迫条件下第i天作物的株高,cm;Hoi-1为在最优条件下第i-1天作物的株高,cm;△H为作物生长阶段株高日实际增量,cm;Hi-1为第i-1天作物的实际株高,cm。

农村煤改气居民用户采用供暖热水炉供暖。不同于城镇集中供暖，供暖热水炉供暖用户可自行调节供暖，从而影响燃气使用量。当地城镇集中供暖时间是11月15日至次年3月15日，供暖起止日期明确，过渡时段燃气公司会对供气量作相应调度调整。农村煤改气居民用户可自行控制供暖时间，依据的是用户对环境的个体感受，温度低至一定程度，用户才会考虑供暖。每年集中供暖开始前，遇气温突降，用户热舒适性变差，部分有条件的用户会先行启动供暖；集中供暖结束后，部分用户仍存在一定供暖需求，会延续一段时间供暖。因此，相比于城镇集中供暖，对农村煤改气居民用户的供暖时间做一定范围延伸考虑。另外，由于人员对热舒适的适应过程，在开启供暖后的一段时间内用气量会逐渐增加而不是陡增；供暖结束前会逐渐减少用气量，直到完全停止供暖。将农村煤改气居民用户集中供暖开始前和结束后的供暖时间、集中供暖开始后用气量逐渐增加以及集中供暖结束前用气量逐渐减少的时段称为供暖过渡期。本文的供暖过渡期指11月1—20日和次年3月9—31日。

在我国许多省份和城市，对于建筑节能和绿色建筑的工作，相关的行政管理部门还没有给予足够的关注，未将其列入政府的公共管理职能的组成部分。各级政府在“三定”方案中均没有绿色建筑和建筑节能工作的相关职能和编制，在管理上很薄弱，一些地方甚至放任自流。

根据实际情况，考虑供暖过渡期这个影响因素可以减小误差。供暖过渡期定量值与集中供暖期定量值见表4。其他日期定量值为0.2。

——常数，取1～10的整数

3 预测模型介绍

3.1 BP神经网络

燃气负荷存在周期性变化，并且受天气、节假日等多因素共同影响，呈现复杂的非线性和随机性等特点，传统预测方法难以准确把握燃气负荷的变化规律，预测效果较差。

对所有个体，使用适应度依次进行选择、交叉、变异等操作，得到新的进化后的种群，种群中的所有个体分别通过BP神经网络进行计算，再次得到新的适应度。不断进行上述操作直至达到最大进化代数。以进化过程中得到的具有最大选择概率(为适应度的函数)的个体作为最优个体。最优个体解码后得到最佳的网络权值和阈值，输入BP神经网络继续进行模型预测。

3.2 GA-BP神经网络

BP神经网络具备优异性能的同时也存在一些不足。传统BP神经网络的初始权值和阈值随机产生，通过沿局部改善的方向逐渐调整，易陷入局部极值，导致训练失败

。

为解决上述问题，使模型预测效果进一步提升，需要对其进行优化和改进。遗传算法(Genetic Algorithm，GA)通过模拟自然进化过程，对BP神经网络的初始权值和阈值进行全局搜寻最优解，将问题的求解过程转化为类似生物进化中染色体基因的交叉、变异等过程，使优化后的BP神经网络在处理一些复杂的组合优化问题时有更好的效果。研究表明，GA-BP神经网络迭代步数更少，能更快达到目标值，模型稳定性高

。

根据样本数据得到神经网络拓扑结构，包括输入层、隐层、输出层各层节点数，确定网络初始权值和阈值。对初始权值和阈值进行编码，得到初始种群，每个种群包含多个个体, 个体中包含权值和阈值的信息。

种群中的所有个体分别通过BP神经网络进行计算。即当确定某个个体时，用训练集数据训练BP神经网络后，用测试集测试，各样本的误差绝对值之和作为该个体的适应度。

机器学习中的BP神经网络算法是一种按照误差逆向传播的多层前馈神经网络，具有对任意复杂模式的分类能力和优秀的多维函数映射能力，能对大量的非结构性、非精确性规律进行自适应计算

。BP神经网络算法能在分析燃气负荷序列特征的基础上，反映多种影响因素对负荷变化的影响，非常适合复杂的、存在非线性关系的燃气负荷预测。BP神经网络的具体计算可以分为信号的正向传递和误差反向传播两个过程，根据梯度下降法计算并反复修正网络的权值和阈值，可以得到更精确的训练效果。

4 实例分析

4.1 数据来源与预处理

本文中的数据来源于华北某地区974户农村煤改气用户的实际用气数据，为2018年1月—2021年12月期间的1 461个燃气日负荷数据。对燃气日负荷历史数据进行分析，检验异常值，对异常值作小波阈值去噪处理。根据实际调研情况和典型工况分析，确定日平均温度、天气类型、节假日情况、前一日用气量、供暖情况5个主要影响因素作为特征。每日的5个特征和处理后的日负荷组成1个样本，共1 460个样本。将1 460个样本划分为训练集和测试集，考虑到燃气负荷存在年周期性，划分时将2018、2019、2020年共1 095个样本作为训练集，2021年共365个样本作为测试集。为避免预测过程中由于量纲和物理意义不同产生的差异，对数据采用最大最小值法进行归一化处理。

4.2 模型参数设置

使用Matlab软件编写预测模型程序并进行仿真实验。BP神经网络采用最常用的3层结构，输入层神经元数量为5，对应5个特征。过多的隐层层数会增加网络复杂度和过拟合的倾向，本实例不需要过多的隐层层数，因此设为1层。隐层节点数量的选择对网络很重要，节点太少无法训练出合适的网络，节点过多则会导致网络泛化能力降低，需要寻找一个最佳的隐层节点数。根据经验公式(3)计算隐层节点数。

(3)

节假日的影响主要体现在用气习惯上。与城镇不同，农村居民普遍没有明确的休假时段，实际连续休假少于5 d的节假日对日负荷的影响不大。其中，元旦作为供暖期内的节假日，相比于非供暖期的端午、中秋等节假日，由于较大的供暖用气需求，对日负荷的影响较大。因此，重点考虑元旦和实际连续休假5 d及以上节假日对负荷的影响。春节假期除外的节假日定量值见表2。

——输入层节点数量

表面复合离子处理技术通过两种或多种表面技术制备复合涂层，提高了薄膜的致密度，消除或减轻了膜层的本征应力，改善了膜层的结合性能，涂层的硬度较高，对于硬质薄涂层，常采用的方法有划痕法、压痕法等，但这些方法是以涂层从基体剥离的瞬间对应的临界载荷来表征结合强度，而针对实际服役条件的动态结合强度测定法是对涂层体系施加持续载荷并观测其剥落情况，与实际应用中涂层体系基本处于反复载荷下的条件较为接近，对工程更具有实际的指导意义，主要包括单摆冲击划痕法、解除疲劳法等。

——输出层节点数量

通过来说，人们欣赏画面多是从远景入手，然后再近景，先整体进行欣赏，然后再局部欣赏。因此，在电视节目后期制作过程中，应该遵循人欣赏事物的原则，才能保证画面的流畅性。例如，在刻画一个人物形象时，应该保证该人物形象占据主要镜头，不能出现其他的事物抢镜头。在一些访谈类节目中，人物的面部特写十分重要，也是吸引观众注意力的主要因素；同时，镜头的推进也具有良好的过渡效果，也是突出人物的主要方式，只有这样才能保证任人物和画面能够完美融合，提升画面美感。

分别计算

取值为1～10的隐层节点数，通过编写代码建立神经网络，以训练集对神经网络进行训练，以测试集测试，计算不同隐层节点数下的均方误差。在本预测实例中，隐层节点数为11时的均方误差最小，因此确定隐层节点数为11。输出层神经元数量为1，对应燃气日负荷。

GA-BP神经网络参数设置见表5。

4.3 模型训练和测试

在实际工程应用中，燃气负荷预测中的气温、天气类型等影响因素应选用气象部门给出的预测值。本文是对历史日期的数据进行分析和预测，日平均温度和天气类型均已知，比气象部门给出的预测值更容易获得，因此使用的是实际日平均温度和天气类型。本文中前一日用气量采用实际值。在进行未知预测时，可以采用同日期替换的方式，选用前一年相同公历日期的前一日用气量作为影响因素输入。

所谓侦查成本，主要是指侦查机关和侦查人员在侦查过程中所投入的一切资源，包括侦查人员、侦查经费、侦查时间等。所谓效益，是指一个生产过程以最小的投入总成本生产出既定水平的产出，或一个生产过程使既定的投入组合可得到的产出水平达到最大。［12］在侦查中，效益则主要指的是侦查活动所实现的预期目标是否实现或实现的程度。以侦查成本与侦查效益来评价和衡量侦查决策时，无论是社会大众还是侦查人员都会追求两个准则:最小成本准则与最大效益准则。然而在实际评价时，则需要对成本和效益进行综合的考量。

物联网智能节点与底层模块之间数据传输基于Modbus协议，Modbus协议具有完善的应答机制和数据包校验方法，使无线传感网络的数据传输过程更加透明、清晰，提高了数据传输的可靠性。

模型训练时，将训练集样本中的5个特征作为模型的输入，日负荷作为模型输出。模型测试时，将测试集样本中的5个特征作为模型的输入，输出日负荷。

将样本数据分别导入BP神经网络和GA-BP神经网络预测模型中进行训练和测试。选取2021年具有代表性的4个时段的预测数据与实际数据对比，判断预测效果。在确认实际不存在特殊用气情况的前提下，以2021年供暖时段(1月1—15日)、春节时段 (2月4—18日，农历北方小年至正月初七)、供暖过渡时段(3月16—31日)、非供暖时段(5月1—15日)共4个时段的数据为例进行模型验证。具有代表性的4个时段燃气日负荷预测值与真实值对比见图3。

为定量评价两种燃气负荷预测模型的预测精度，分别以平均绝对误差(MAE)、均方误差(MSE)、均方根误差(RMSE)、平均绝对百分比误差(MAPE)作为评价指标，对比结果见表6。由表6可知，GA-BP神经网络预测模型比BP神经网络预测模型预测精度高。

从图3和表6可以看出，GA-BP神经网络预测模型的预测结果比BP神经网络预测模型更贴近真实值，预测效果更好。GA-BP神经网络预测模型应用于燃气负荷预测是可行的。

5 结论

在调研部分农村地区煤改气居民用户实际用气情况的基础上，建立了一种基于小波阈值去噪和采用遗传算法优化BP神经网络的短期燃气负荷预测模型(称为GA-BP神经网络预测模型)。以华北地区农村煤改气居民用户作为研究对象，对974户管道天然气居民用户2018年1月—2021年12月的日用气量进行采集。对采集数据进行小波阈值去噪处理，进行日负荷预测影响因素的选择及量化。将负荷预测影响因素和日负荷组成的数据集划分为训练集和测试集，对BP神经网络预测模型、GA-BP神经网络预测模型进行训练和测试。将两种模型的日负荷预测值与真实值进行对比，并将两种模型的评价指标进行对比，验证两种预测模型的准确性。研究结论如下。

① 小波阈值去噪处理去噪效果良好，可用于燃气日负荷预测数据预处理。

坚持节约优先，加强源头管控，转变发展方式，培育壮大新兴产业，推动传统产业智能化、清洁化改造，加快发展节能环保产业，全面节约能源资源，协同推动经济高质量发展和生态环境高水平保护。促进经济绿色低碳循环发展。推进能源资源全面节约。引导公众绿色生活。加强生态文明宣传教育。

①进行实验分组和操作自变量：自变量为不同分解条件，依据单一变量原则，实验分成4组，设置常温、高温、FeCl3溶液和过氧化氢酶4种分解条件。通过以上分析，学生意识到可根据自变量种类进行实验分组，再对每组自变量施加不同处理，让各组形成对照关系。

② 日平均温度、天气类型、节假日情况、前一日用气量、供暖情况是影响燃气日负荷预测的5个主要影响因素。

强调标记语在语步4中出现最频繁。高频使用强调词语是汉语说理性文章写作的特点，丰富的强调词语可以构建作者不容置疑的坚定立场，可以有力地强调作者的观点以及增加文章的说服力。汉语的政论性文章写作比较注重事实，立场鲜明，富有战斗性。强调标记可以表达元旦社论作者对于所论述命题的确定性，“毫无疑问”、“前所未有”、“必将”等强调标记体现出对于过去一年成绩的肯定和新一年任务重要性的认识。

③ 有必要关注供暖过渡期的日负荷变化。这段时期温差变化大，用气情况复杂多变，对供气不确定性影响较大。对这部分的合理处理可以有效减小预测误差。

④ 日平均温度是影响农村居民用气非常重要的因素。

⑤ 遗传算法对BP神经网络的优化，可以很好地为网络初始权值和阈值的确定提供依据，优化了网络参数。相较于BP神经网络，GA-BP神经网络的稳定性提高，预测误差减小，预测精度提高。GA-BP神经网络预测模型应用于燃气日负荷预测是可行的。

[1] 仲冰，张博，唐旭，等. 碳中和目标下我国天然气行业甲烷排放控制及相关科学问题[J]. 中国矿业，2021 (4)：1-9.

[2] 陈占明，朱梦舒. “煤改气”后河北省居民采暖用气需求预测——基于大样本农村家庭能源消费微观层面调查数据[J]. 中国物价，2018(7)：64-66.

[3] MATHEWMAN P D，NICHOLSON H. Techniques for load prediction in the electricity supply industry[J]. Proceedings of the IEEE，1968(10)：1450-1457.

[4] 韩力群. 人工神经网络教程[M]. 北京:北京邮电大学出版社，2006：58-63.

[5] 郭琳. LSTM城市燃气负荷预测技术的研究与开发(硕士学位论文) [D]. 西安:西安石油大学,2020：31-35.

[6] 张学工. 关于统计学习理论与支持向量机[J]. 自动化学报，2000(1):36-46.

[7] 李灿. 基于改进BP神经网络的负荷预测问题研究(硕士学位论文)[D]. 西安:西安理工大学,2018：30-31.

[8] 张少平，徐晓钟，代军委. 基于自适应变异粒子群算法和BP神经网络的短期燃气负荷预测[J]. 计算机应用，2016(S1)：103-105，153.

[9] 余凤，徐晓钟. 基于优化小波BP神经网络的燃气短期负荷预测[J]. 计算机仿真，2015(1)：372-376.

[10] 吴伟,蔡培升. 基于MATLAB的小波去噪仿真[J]. 信息与电子工程，2008(3):220-222.

[11] 郑树泉. 工业智能技术与应用[M]. 上海：上海科学技术出版社，2019：250-251.

[12] 陈晓曦，王延杰，刘恋. 小波阈值去噪法的深入研究[J]. 激光与红外，2012(1)：105-110.

[13] 陈佳. 基于小波的阈值去噪方法改进及其评价研究(硕士学位论文)[D]. 沈阳:沈阳航空航天大学,2012：1-2.

[14] HORNIK K，STINCHCOMBE M，WHITE H. Multilayer feedforward networks are universal approximators [J]. Neural Networks，1989(5)：359-366.

[15] 黄富程，刘德新，辛博鹏，等. 基于遗传算法(GA)优化BP神经网络的船舶交通流量预测[J]. 广州航海学院学报，2020(1)：10-13.

[16] 刘春艳，凌建春，寇林元，等. GA-BP神经网络与BP神经网络性能比较[J]. 中国卫生统计，2013(2)：173-176.