北方農(nóng)村燃?xì)馊肇?fù)荷預(yù)測的BP神經(jīng)網(wǎng)絡(luò)優(yōu)化

1 概述

雙碳目標(biāo)下，天然氣作為介于煤炭、石油和可再生能源之間的優(yōu)質(zhì)低碳能源，成為減少碳排放和改善空氣質(zhì)量的重要過渡能源

。近年來煤改氣用戶增多，特別是農(nóng)村地區(qū)的用氣需求有了明顯增長，局部地區(qū)出現(xiàn)了天然氣供不應(yīng)求的局面，保障農(nóng)村生活和生產(chǎn)用氣成為亟需解決的問題

。

對(duì)燃?xì)庳?fù)荷預(yù)測的研究始于20世紀(jì)60年代

。隨著近年來信息技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)逐漸被應(yīng)用于燃?xì)庳?fù)荷預(yù)測領(lǐng)域。常用的算法包括BP神經(jīng)網(wǎng)絡(luò)(BPNN)

、長短期記憶神經(jīng)網(wǎng)絡(luò)(LSTM)

、支持向量機(jī)(SVM)

等。BP神經(jīng)網(wǎng)絡(luò)法具有優(yōu)秀的處理非線性映射的能力和處理內(nèi)部機(jī)制復(fù)雜問題以及自學(xué)習(xí)的能力，是多個(gè)領(lǐng)域應(yīng)用較多的機(jī)器學(xué)習(xí)算法。但BP神經(jīng)網(wǎng)絡(luò)易陷入局部極值，初始權(quán)值和閾值隨機(jī)產(chǎn)生，會(huì)造成最終預(yù)測精度的降低

。在近些年的研究中，更多學(xué)者嘗試采用組合預(yù)測模型對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。張少平等人

將自適應(yīng)變異粒子群算法與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合，優(yōu)化了網(wǎng)絡(luò)權(quán)重，提高了預(yù)測精度。余鳳等人

提出了一種混沌遺傳算法優(yōu)化小波BP神經(jīng)網(wǎng)絡(luò)的模型，非線性擬合能力更好，預(yù)測精度得到提高。

本文在調(diào)研部分農(nóng)村地區(qū)煤改氣居民用戶實(shí)際用氣情況的基礎(chǔ)上，建立了一種基于小波閾值去噪

和采用遺傳算法

優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期燃?xì)庳?fù)荷(30 d以內(nèi)的燃?xì)庳?fù)荷)預(yù)測模型(稱為GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型)，并與BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行對(duì)比。

2 數(shù)據(jù)分析與處理

2.1 歷史負(fù)荷數(shù)據(jù)

本文以華北地區(qū)農(nóng)村煤改氣居民用戶作為研究對(duì)象，對(duì)974戶管道天然氣居民用戶的燃?xì)馊肇?fù)荷進(jìn)行采集與預(yù)測。對(duì)歷史負(fù)荷的分析有助于發(fā)現(xiàn)數(shù)據(jù)特征和規(guī)律，以此來確定合適的影響因素和預(yù)測方法。圖1為2018年1月—2021年12月974戶居民用戶的燃?xì)馊肇?fù)荷曲線。

由圖1可以看出，燃?xì)馊肇?fù)荷整體呈現(xiàn)年周期性，但局部存在一些較大波動(dòng)。對(duì)于實(shí)際用氣過程中由于偶發(fā)情況或統(tǒng)計(jì)錯(cuò)誤造成的異常值，不進(jìn)行處理會(huì)增大誤差，導(dǎo)致預(yù)測精度降低。

2.2 數(shù)據(jù)處理

通常情況下，現(xiàn)實(shí)中收集到的數(shù)據(jù)都含有一定噪聲。區(qū)別于噪聲，數(shù)據(jù)信號(hào)在時(shí)間和空間上往往具有一定連續(xù)性。對(duì)于小區(qū)域、長度有限、均值為0的小波波形信號(hào)進(jìn)行數(shù)學(xué)變換處理，可以有效抑制噪聲，保留有效信號(hào)，這種對(duì)含噪信號(hào)的處理方法稱為小波閾值去噪

。小波閾值去噪的關(guān)鍵在于閾值函數(shù)和臨界閾值的確定。首先，對(duì)含噪信號(hào)進(jìn)行小波分解，分解產(chǎn)生的小波系數(shù)含有信號(hào)的重要信息。有效信號(hào)的小波系數(shù)較大，噪聲的小波系數(shù)較小。對(duì)比確定的小波系數(shù)閾值，小波系數(shù)較大的信號(hào)予以保留，小波系數(shù)較小的信號(hào)被認(rèn)為是噪聲而予以去除。最后，利用逆小波變換將處理后獲得的小波系數(shù)進(jìn)行重構(gòu)，得到去噪后信號(hào)

。

利用Matlab軟件建立小波閾值去噪模型，使用wden函數(shù)，選擇軟閾值函數(shù)和無偏風(fēng)險(xiǎn)估計(jì)閾值，以信噪比和信號(hào)的均方根誤差作為去噪效果的評(píng)價(jià)指標(biāo)。信噪比指有效信號(hào)與噪聲信號(hào)的比值，按照式 (1)計(jì)算。信噪比越大，說明混在信號(hào)中的噪聲越少。信號(hào)的均方根誤差按照式(2)計(jì)算。通常，信號(hào)的均方根誤差小，說明去噪后信號(hào)與原始信號(hào)的偏差較小。

⑤ 供暖情況

(1)

(2)

式中

——信噪比

短視頻不是過去傳統(tǒng)媒體的替代，而應(yīng)是一種全新的關(guān)系組建，旅游營銷用短視頻與用戶建立新的對(duì)話關(guān)系，在這個(gè)平臺(tái)里，每個(gè)用戶都可以創(chuàng)造自我價(jià)值，每個(gè)用戶都可以發(fā)表自己的觀點(diǎn)，與平臺(tái)內(nèi)的用戶進(jìn)行討論交流，利用自身所掌握的信息與其他人實(shí)現(xiàn)資訊共享，吸納不同的信息資源，集聚平臺(tái)用戶眾人智慧，發(fā)揮社群力量進(jìn)行營銷推廣。

——信號(hào)數(shù)量

——第

個(gè)原始信號(hào)

——第

個(gè)原始信號(hào)去噪后的信號(hào)

1.2 研究方法 采用自行設(shè)計(jì)的兒童基本情況調(diào)查表由專人向兒童家長調(diào)查兒童的基本情況。內(nèi)容包括兒童出生時(shí)情況、兒童父母基本情況及保健當(dāng)日的身高、體質(zhì)量等情況。神經(jīng)心理發(fā)育測查采用首都兒科研究所編制的《0～6歲兒童神經(jīng)心理檢查量表》，由專業(yè)人員對(duì)3歲以下兒童進(jìn)行神經(jīng)心理發(fā)育測查，并計(jì)算大運(yùn)動(dòng)、精細(xì)動(dòng)作、適應(yīng)能力、語言及社會(huì)行為五大能區(qū)的智齡和發(fā)育商。本研究主要對(duì)兒童的精細(xì)動(dòng)作發(fā)育情況進(jìn)行分析。

通常，RMSEA（近似均方根誤差）被認(rèn)為是結(jié)構(gòu)方程擬配指標(biāo)中最重要的信息，其理想值為0，小于0.05為優(yōu)異，在0.05～0.08之間為良好，大于0.1 為不良，NFI、RFI、IFI、TLI、CFI的值大于 0.9 且接近1時(shí)，表明模型的擬配度越高[24]。由于本文樣本量較大，因此，在其他擬配度指標(biāo)比較理想的情況下，CMIN/DF為5.557也可接受。整體而言，構(gòu)建的模型擬配度較理想。

——信號(hào)的均方根誤差

對(duì)該974戶居民用戶的日負(fù)荷數(shù)據(jù)進(jìn)行去噪，信噪比為95.5，信號(hào)的均方根誤差為0.12 m

。圖2為部分去噪后負(fù)荷數(shù)據(jù)與原始負(fù)荷數(shù)據(jù)的對(duì)比，可以看出去噪后負(fù)荷數(shù)據(jù)更平滑，局部波動(dòng)更小，一些較大波動(dòng)并未失去其實(shí)際用氣特征，在保留了原有趨勢(shì)的同時(shí)有效減少了異常值對(duì)預(yù)測的影響。

如果燃?xì)庳?fù)荷歷史數(shù)據(jù)出現(xiàn)缺失，對(duì)缺失值作同日期替換(以前一年相同公歷日期的燃?xì)庳?fù)荷代替缺失值)。

2.3 影響因素

居民用戶的燃?xì)馊肇?fù)荷具有一定隨機(jī)性和不確定性。經(jīng)實(shí)地調(diào)研和分析，確定以日平均溫度、天氣類型、節(jié)假日情況、前一日用氣量、供暖期及供暖過渡期等影響因素作為重點(diǎn)研究對(duì)象。氣象數(shù)據(jù)通過Python爬蟲功能，使用urllib、requests、re等模塊模擬瀏覽器訪問網(wǎng)絡(luò)，獲取所需的數(shù)據(jù)。

① 日平均溫度

氣溫直接影響燃?xì)馊肇?fù)荷，是最主要的影響因素之一。例如燃?xì)夤┡陂g，燃?xì)馊肇?fù)荷與日平均溫度呈現(xiàn)明顯的負(fù)相關(guān)性，氣溫升高時(shí)燃?xì)馊肇?fù)荷降低，氣溫降低時(shí)燃?xì)馊肇?fù)荷增加。

④ 前一日用氣量

但首先得澄清一個(gè)誤區(qū)，孩子不是到了該添輔食的時(shí)間就會(huì)自愿愛上吃東西的。所以，也許你沖半天米粉娃連嘴都不張，也許你做半天菜泥娃吃一口還干嘔。但這真的不是你的錯(cuò)，更不是寶寶的錯(cuò)。如果說吸吮能力是天生的，那么吞咽和咀嚼能力其實(shí)是后天習(xí)得，而我們添加輔食的意義正是幫孩子習(xí)得這些能力。

天氣類型會(huì)影響人們出行和日常生活習(xí)慣，例如冬季雨雪天氣會(huì)大大減少農(nóng)村居民出行，導(dǎo)致室內(nèi)供暖需求增加。天氣類型是定性參數(shù)，不便于模型計(jì)算處理。根據(jù)不同天氣類型對(duì)用氣負(fù)荷的影響，對(duì)不同天氣類型進(jìn)行量化，見表1。

③ 節(jié)假日情況

式中

——隱層節(jié)點(diǎn)數(shù)

春節(jié)處于供暖期內(nèi)，用氣量較大，是對(duì)居民用氣影響最大的節(jié)日。農(nóng)村普遍存在一些傳統(tǒng)過年習(xí)俗，并且沒有統(tǒng)一的假期和返城務(wù)工日期。在北方，一般從小年(臘月廿三)左右就開始準(zhǔn)備過年餐食，炊事用氣增多。隨著春節(jié)臨近，外出務(wù)工人員返鄉(xiāng)逐漸達(dá)到峰值，春節(jié)過后人員陸續(xù)離開。春節(jié)期間用氣一般會(huì)在春節(jié)前一周開始升高，春節(jié)當(dāng)天達(dá)到峰值，然后逐漸下降，最后回到正常供暖期用氣水平。因此，定量值的確定需要考慮一個(gè)連續(xù)過渡過程，見表3。

非節(jié)假日定量值為0.8。

② 天氣類型

前一日用氣量和當(dāng)日用氣量關(guān)聯(lián)性較強(qiáng)，其實(shí)質(zhì)是相鄰日期氣溫變化的延續(xù)，可以作為短期預(yù)測的重要參考。

式中,Hoi為在作物生長最優(yōu)條件,即不受水分、溫度等脅迫條件下第i天作物的株高,cm;Hoi-1為在最優(yōu)條件下第i-1天作物的株高,cm;△H為作物生長階段株高日實(shí)際增量,cm;Hi-1為第i-1天作物的實(shí)際株高,cm。

農(nóng)村煤改氣居民用戶采用供暖熱水爐供暖。不同于城鎮(zhèn)集中供暖，供暖熱水爐供暖用戶可自行調(diào)節(jié)供暖，從而影響燃?xì)馐褂昧俊．?dāng)?shù)爻擎?zhèn)集中供暖時(shí)間是11月15日至次年3月15日，供暖起止日期明確，過渡時(shí)段燃?xì)夤緯?huì)對(duì)供氣量作相應(yīng)調(diào)度調(diào)整。農(nóng)村煤改氣居民用戶可自行控制供暖時(shí)間，依據(jù)的是用戶對(duì)環(huán)境的個(gè)體感受，溫度低至一定程度，用戶才會(huì)考慮供暖。每年集中供暖開始前，遇氣溫突降，用戶熱舒適性變差，部分有條件的用戶會(huì)先行啟動(dòng)供暖；集中供暖結(jié)束后，部分用戶仍存在一定供暖需求，會(huì)延續(xù)一段時(shí)間供暖。因此，相比于城鎮(zhèn)集中供暖，對(duì)農(nóng)村煤改氣居民用戶的供暖時(shí)間做一定范圍延伸考慮。另外，由于人員對(duì)熱舒適的適應(yīng)過程，在開啟供暖后的一段時(shí)間內(nèi)用氣量會(huì)逐漸增加而不是陡增；供暖結(jié)束前會(huì)逐漸減少用氣量，直到完全停止供暖。將農(nóng)村煤改氣居民用戶集中供暖開始前和結(jié)束后的供暖時(shí)間、集中供暖開始后用氣量逐漸增加以及集中供暖結(jié)束前用氣量逐漸減少的時(shí)段稱為供暖過渡期。本文的供暖過渡期指11月1—20日和次年3月9—31日。

在我國許多省份和城市，對(duì)于建筑節(jié)能和綠色建筑的工作，相關(guān)的行政管理部門還沒有給予足夠的關(guān)注，未將其列入政府的公共管理職能的組成部分。各級(jí)政府在“三定”方案中均沒有綠色建筑和建筑節(jié)能工作的相關(guān)職能和編制，在管理上很薄弱，一些地方甚至放任自流。

根據(jù)實(shí)際情況，考慮供暖過渡期這個(gè)影響因素可以減小誤差。供暖過渡期定量值與集中供暖期定量值見表4。其他日期定量值為0.2。

——常數(shù)，取1～10的整數(shù)

3 預(yù)測模型介紹

3.1 BP神經(jīng)網(wǎng)絡(luò)

燃?xì)庳?fù)荷存在周期性變化，并且受天氣、節(jié)假日等多因素共同影響，呈現(xiàn)復(fù)雜的非線性和隨機(jī)性等特點(diǎn)，傳統(tǒng)預(yù)測方法難以準(zhǔn)確把握燃?xì)庳?fù)荷的變化規(guī)律，預(yù)測效果較差。

對(duì)所有個(gè)體，使用適應(yīng)度依次進(jìn)行選擇、交叉、變異等操作，得到新的進(jìn)化后的種群，種群中的所有個(gè)體分別通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算，再次得到新的適應(yīng)度。不斷進(jìn)行上述操作直至達(dá)到最大進(jìn)化代數(shù)。以進(jìn)化過程中得到的具有最大選擇概率(為適應(yīng)度的函數(shù))的個(gè)體作為最優(yōu)個(gè)體。最優(yōu)個(gè)體解碼后得到最佳的網(wǎng)絡(luò)權(quán)值和閾值，輸入BP神經(jīng)網(wǎng)絡(luò)繼續(xù)進(jìn)行模型預(yù)測。

3.2 GA-BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)具備優(yōu)異性能的同時(shí)也存在一些不足。傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值隨機(jī)產(chǎn)生，通過沿局部改善的方向逐漸調(diào)整，易陷入局部極值，導(dǎo)致訓(xùn)練失敗

。

為解決上述問題，使模型預(yù)測效果進(jìn)一步提升，需要對(duì)其進(jìn)行優(yōu)化和改進(jìn)。遺傳算法(Genetic Algorithm，GA)通過模擬自然進(jìn)化過程，對(duì)BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值進(jìn)行全局搜尋最優(yōu)解，將問題的求解過程轉(zhuǎn)化為類似生物進(jìn)化中染色體基因的交叉、變異等過程，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)在處理一些復(fù)雜的組合優(yōu)化問題時(shí)有更好的效果。研究表明，GA-BP神經(jīng)網(wǎng)絡(luò)迭代步數(shù)更少，能更快達(dá)到目標(biāo)值，模型穩(wěn)定性高

。

根據(jù)樣本數(shù)據(jù)得到神經(jīng)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)，包括輸入層、隱層、輸出層各層節(jié)點(diǎn)數(shù)，確定網(wǎng)絡(luò)初始權(quán)值和閾值。對(duì)初始權(quán)值和閾值進(jìn)行編碼，得到初始種群，每個(gè)種群包含多個(gè)個(gè)體, 個(gè)體中包含權(quán)值和閾值的信息。

種群中的所有個(gè)體分別通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行計(jì)算。即當(dāng)確定某個(gè)個(gè)體時(shí)，用訓(xùn)練集數(shù)據(jù)訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)后，用測試集測試，各樣本的誤差絕對(duì)值之和作為該個(gè)體的適應(yīng)度。

機(jī)器學(xué)習(xí)中的BP神經(jīng)網(wǎng)絡(luò)算法是一種按照誤差逆向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，具有對(duì)任意復(fù)雜模式的分類能力和優(yōu)秀的多維函數(shù)映射能力，能對(duì)大量的非結(jié)構(gòu)性、非精確性規(guī)律進(jìn)行自適應(yīng)計(jì)算

。BP神經(jīng)網(wǎng)絡(luò)算法能在分析燃?xì)庳?fù)荷序列特征的基礎(chǔ)上，反映多種影響因素對(duì)負(fù)荷變化的影響，非常適合復(fù)雜的、存在非線性關(guān)系的燃?xì)庳?fù)荷預(yù)測。BP神經(jīng)網(wǎng)絡(luò)的具體計(jì)算可以分為信號(hào)的正向傳遞和誤差反向傳播兩個(gè)過程，根據(jù)梯度下降法計(jì)算并反復(fù)修正網(wǎng)絡(luò)的權(quán)值和閾值，可以得到更精確的訓(xùn)練效果。

4 實(shí)例分析

4.1 數(shù)據(jù)來源與預(yù)處理

本文中的數(shù)據(jù)來源于華北某地區(qū)974戶農(nóng)村煤改氣用戶的實(shí)際用氣數(shù)據(jù)，為2018年1月—2021年12月期間的1 461個(gè)燃?xì)馊肇?fù)荷數(shù)據(jù)。對(duì)燃?xì)馊肇?fù)荷歷史數(shù)據(jù)進(jìn)行分析，檢驗(yàn)異常值，對(duì)異常值作小波閾值去噪處理。根據(jù)實(shí)際調(diào)研情況和典型工況分析，確定日平均溫度、天氣類型、節(jié)假日情況、前一日用氣量、供暖情況5個(gè)主要影響因素作為特征。每日的5個(gè)特征和處理后的日負(fù)荷組成1個(gè)樣本，共1 460個(gè)樣本。將1 460個(gè)樣本劃分為訓(xùn)練集和測試集，考慮到燃?xì)庳?fù)荷存在年周期性，劃分時(shí)將2018、2019、2020年共1 095個(gè)樣本作為訓(xùn)練集，2021年共365個(gè)樣本作為測試集。為避免預(yù)測過程中由于量綱和物理意義不同產(chǎn)生的差異，對(duì)數(shù)據(jù)采用最大最小值法進(jìn)行歸一化處理。

4.2 模型參數(shù)設(shè)置

使用Matlab軟件編寫預(yù)測模型程序并進(jìn)行仿真實(shí)驗(yàn)。BP神經(jīng)網(wǎng)絡(luò)采用最常用的3層結(jié)構(gòu)，輸入層神經(jīng)元數(shù)量為5，對(duì)應(yīng)5個(gè)特征。過多的隱層層數(shù)會(huì)增加網(wǎng)絡(luò)復(fù)雜度和過擬合的傾向，本實(shí)例不需要過多的隱層層數(shù)，因此設(shè)為1層。隱層節(jié)點(diǎn)數(shù)量的選擇對(duì)網(wǎng)絡(luò)很重要，節(jié)點(diǎn)太少無法訓(xùn)練出合適的網(wǎng)絡(luò)，節(jié)點(diǎn)過多則會(huì)導(dǎo)致網(wǎng)絡(luò)泛化能力降低，需要尋找一個(gè)最佳的隱層節(jié)點(diǎn)數(shù)。根據(jù)經(jīng)驗(yàn)公式(3)計(jì)算隱層節(jié)點(diǎn)數(shù)。

(3)

節(jié)假日的影響主要體現(xiàn)在用氣習(xí)慣上。與城鎮(zhèn)不同，農(nóng)村居民普遍沒有明確的休假時(shí)段，實(shí)際連續(xù)休假少于5 d的節(jié)假日對(duì)日負(fù)荷的影響不大。其中，元旦作為供暖期內(nèi)的節(jié)假日，相比于非供暖期的端午、中秋等節(jié)假日，由于較大的供暖用氣需求，對(duì)日負(fù)荷的影響較大。因此，重點(diǎn)考慮元旦和實(shí)際連續(xù)休假5 d及以上節(jié)假日對(duì)負(fù)荷的影響。春節(jié)假期除外的節(jié)假日定量值見表2。

——輸入層節(jié)點(diǎn)數(shù)量

表面復(fù)合離子處理技術(shù)通過兩種或多種表面技術(shù)制備復(fù)合涂層，提高了薄膜的致密度，消除或減輕了膜層的本征應(yīng)力，改善了膜層的結(jié)合性能，涂層的硬度較高，對(duì)于硬質(zhì)薄涂層，常采用的方法有劃痕法、壓痕法等，但這些方法是以涂層從基體剝離的瞬間對(duì)應(yīng)的臨界載荷來表征結(jié)合強(qiáng)度，而針對(duì)實(shí)際服役條件的動(dòng)態(tài)結(jié)合強(qiáng)度測定法是對(duì)涂層體系施加持續(xù)載荷并觀測其剝落情況，與實(shí)際應(yīng)用中涂層體系基本處于反復(fù)載荷下的條件較為接近，對(duì)工程更具有實(shí)際的指導(dǎo)意義，主要包括單擺沖擊劃痕法、解除疲勞法等。

——輸出層節(jié)點(diǎn)數(shù)量

通過來說，人們欣賞畫面多是從遠(yuǎn)景入手，然后再近景，先整體進(jìn)行欣賞，然后再局部欣賞。因此，在電視節(jié)目后期制作過程中，應(yīng)該遵循人欣賞事物的原則，才能保證畫面的流暢性。例如，在刻畫一個(gè)人物形象時(shí)，應(yīng)該保證該人物形象占據(jù)主要鏡頭，不能出現(xiàn)其他的事物搶鏡頭。在一些訪談?lì)惞?jié)目中，人物的面部特寫十分重要，也是吸引觀眾注意力的主要因素；同時(shí)，鏡頭的推進(jìn)也具有良好的過渡效果，也是突出人物的主要方式，只有這樣才能保證任人物和畫面能夠完美融合，提升畫面美感。

分別計(jì)算

取值為1～10的隱層節(jié)點(diǎn)數(shù)，通過編寫代碼建立神經(jīng)網(wǎng)絡(luò)，以訓(xùn)練集對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，以測試集測試，計(jì)算不同隱層節(jié)點(diǎn)數(shù)下的均方誤差。在本預(yù)測實(shí)例中，隱層節(jié)點(diǎn)數(shù)為11時(shí)的均方誤差最小，因此確定隱層節(jié)點(diǎn)數(shù)為11。輸出層神經(jīng)元數(shù)量為1，對(duì)應(yīng)燃?xì)馊肇?fù)荷。

GA-BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置見表5。

4.3 模型訓(xùn)練和測試

在實(shí)際工程應(yīng)用中，燃?xì)庳?fù)荷預(yù)測中的氣溫、天氣類型等影響因素應(yīng)選用氣象部門給出的預(yù)測值。本文是對(duì)歷史日期的數(shù)據(jù)進(jìn)行分析和預(yù)測，日平均溫度和天氣類型均已知，比氣象部門給出的預(yù)測值更容易獲得，因此使用的是實(shí)際日平均溫度和天氣類型。本文中前一日用氣量采用實(shí)際值。在進(jìn)行未知預(yù)測時(shí)，可以采用同日期替換的方式，選用前一年相同公歷日期的前一日用氣量作為影響因素輸入。

所謂偵查成本，主要是指偵查機(jī)關(guān)和偵查人員在偵查過程中所投入的一切資源，包括偵查人員、偵查經(jīng)費(fèi)、偵查時(shí)間等。所謂效益，是指一個(gè)生產(chǎn)過程以最小的投入總成本生產(chǎn)出既定水平的產(chǎn)出，或一個(gè)生產(chǎn)過程使既定的投入組合可得到的產(chǎn)出水平達(dá)到最大。［12］在偵查中，效益則主要指的是偵查活動(dòng)所實(shí)現(xiàn)的預(yù)期目標(biāo)是否實(shí)現(xiàn)或?qū)崿F(xiàn)的程度。以偵查成本與偵查效益來評(píng)價(jià)和衡量偵查決策時(shí)，無論是社會(huì)大眾還是偵查人員都會(huì)追求兩個(gè)準(zhǔn)則:最小成本準(zhǔn)則與最大效益準(zhǔn)則。然而在實(shí)際評(píng)價(jià)時(shí)，則需要對(duì)成本和效益進(jìn)行綜合的考量。

物聯(lián)網(wǎng)智能節(jié)點(diǎn)與底層模塊之間數(shù)據(jù)傳輸基于Modbus協(xié)議，Modbus協(xié)議具有完善的應(yīng)答機(jī)制和數(shù)據(jù)包校驗(yàn)方法，使無線傳感網(wǎng)絡(luò)的數(shù)據(jù)傳輸過程更加透明、清晰，提高了數(shù)據(jù)傳輸?shù)目煽啃浴?/p>

模型訓(xùn)練時(shí)，將訓(xùn)練集樣本中的5個(gè)特征作為模型的輸入，日負(fù)荷作為模型輸出。模型測試時(shí)，將測試集樣本中的5個(gè)特征作為模型的輸入，輸出日負(fù)荷。

將樣本數(shù)據(jù)分別導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)和GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型中進(jìn)行訓(xùn)練和測試。選取2021年具有代表性的4個(gè)時(shí)段的預(yù)測數(shù)據(jù)與實(shí)際數(shù)據(jù)對(duì)比，判斷預(yù)測效果。在確認(rèn)實(shí)際不存在特殊用氣情況的前提下，以2021年供暖時(shí)段(1月1—15日)、春節(jié)時(shí)段 (2月4—18日，農(nóng)歷北方小年至正月初七)、供暖過渡時(shí)段(3月16—31日)、非供暖時(shí)段(5月1—15日)共4個(gè)時(shí)段的數(shù)據(jù)為例進(jìn)行模型驗(yàn)證。具有代表性的4個(gè)時(shí)段燃?xì)馊肇?fù)荷預(yù)測值與真實(shí)值對(duì)比見圖3。

為定量評(píng)價(jià)兩種燃?xì)庳?fù)荷預(yù)測模型的預(yù)測精度，分別以平均絕對(duì)誤差(MAE)、均方誤差(MSE)、均方根誤差(RMSE)、平均絕對(duì)百分比誤差(MAPE)作為評(píng)價(jià)指標(biāo)，對(duì)比結(jié)果見表6。由表6可知，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型比BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測精度高。

從圖3和表6可以看出，GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型的預(yù)測結(jié)果比BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型更貼近真實(shí)值，預(yù)測效果更好。GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型應(yīng)用于燃?xì)庳?fù)荷預(yù)測是可行的。

5 結(jié)論

在調(diào)研部分農(nóng)村地區(qū)煤改氣居民用戶實(shí)際用氣情況的基礎(chǔ)上，建立了一種基于小波閾值去噪和采用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的短期燃?xì)庳?fù)荷預(yù)測模型(稱為GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型)。以華北地區(qū)農(nóng)村煤改氣居民用戶作為研究對(duì)象，對(duì)974戶管道天然氣居民用戶2018年1月—2021年12月的日用氣量進(jìn)行采集。對(duì)采集數(shù)據(jù)進(jìn)行小波閾值去噪處理，進(jìn)行日負(fù)荷預(yù)測影響因素的選擇及量化。將負(fù)荷預(yù)測影響因素和日負(fù)荷組成的數(shù)據(jù)集劃分為訓(xùn)練集和測試集，對(duì)BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型、GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行訓(xùn)練和測試。將兩種模型的日負(fù)荷預(yù)測值與真實(shí)值進(jìn)行對(duì)比，并將兩種模型的評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比，驗(yàn)證兩種預(yù)測模型的準(zhǔn)確性。研究結(jié)論如下。

① 小波閾值去噪處理去噪效果良好，可用于燃?xì)馊肇?fù)荷預(yù)測數(shù)據(jù)預(yù)處理。

堅(jiān)持節(jié)約優(yōu)先，加強(qiáng)源頭管控，轉(zhuǎn)變發(fā)展方式，培育壯大新興產(chǎn)業(yè)，推動(dòng)傳統(tǒng)產(chǎn)業(yè)智能化、清潔化改造，加快發(fā)展節(jié)能環(huán)保產(chǎn)業(yè)，全面節(jié)約能源資源，協(xié)同推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展和生態(tài)環(huán)境高水平保護(hù)。促進(jìn)經(jīng)濟(jì)綠色低碳循環(huán)發(fā)展。推進(jìn)能源資源全面節(jié)約。引導(dǎo)公眾綠色生活。加強(qiáng)生態(tài)文明宣傳教育。

①進(jìn)行實(shí)驗(yàn)分組和操作自變量：自變量為不同分解條件，依據(jù)單一變量原則，實(shí)驗(yàn)分成4組，設(shè)置常溫、高溫、FeCl3溶液和過氧化氫酶4種分解條件。通過以上分析，學(xué)生意識(shí)到可根據(jù)自變量種類進(jìn)行實(shí)驗(yàn)分組，再對(duì)每組自變量施加不同處理，讓各組形成對(duì)照關(guān)系。

② 日平均溫度、天氣類型、節(jié)假日情況、前一日用氣量、供暖情況是影響燃?xì)馊肇?fù)荷預(yù)測的5個(gè)主要影響因素。

強(qiáng)調(diào)標(biāo)記語在語步4中出現(xiàn)最頻繁。高頻使用強(qiáng)調(diào)詞語是漢語說理性文章寫作的特點(diǎn)，豐富的強(qiáng)調(diào)詞語可以構(gòu)建作者不容置疑的堅(jiān)定立場，可以有力地強(qiáng)調(diào)作者的觀點(diǎn)以及增加文章的說服力。漢語的政論性文章寫作比較注重事實(shí)，立場鮮明，富有戰(zhàn)斗性。強(qiáng)調(diào)標(biāo)記可以表達(dá)元旦社論作者對(duì)于所論述命題的確定性，“毫無疑問”、“前所未有”、“必將”等強(qiáng)調(diào)標(biāo)記體現(xiàn)出對(duì)于過去一年成績的肯定和新一年任務(wù)重要性的認(rèn)識(shí)。

③ 有必要關(guān)注供暖過渡期的日負(fù)荷變化。這段時(shí)期溫差變化大，用氣情況復(fù)雜多變，對(duì)供氣不確定性影響較大。對(duì)這部分的合理處理可以有效減小預(yù)測誤差。

④ 日平均溫度是影響農(nóng)村居民用氣非常重要的因素。

⑤ 遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的優(yōu)化，可以很好地為網(wǎng)絡(luò)初始權(quán)值和閾值的確定提供依據(jù)，優(yōu)化了網(wǎng)絡(luò)參數(shù)。相較于BP神經(jīng)網(wǎng)絡(luò)，GA-BP神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性提高，預(yù)測誤差減小，預(yù)測精度提高。GA-BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型應(yīng)用于燃?xì)馊肇?fù)荷預(yù)測是可行的。

[1] 仲冰，張博，唐旭，等. 碳中和目標(biāo)下我國天然氣行業(yè)甲烷排放控制及相關(guān)科學(xué)問題[J]. 中國礦業(yè)，2021 (4)：1-9.

[2] 陳占明，朱夢(mèng)舒. “煤改氣”后河北省居民采暖用氣需求預(yù)測——基于大樣本農(nóng)村家庭能源消費(fèi)微觀層面調(diào)查數(shù)據(jù)[J]. 中國物價(jià)，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] 韓力群. 人工神經(jīng)網(wǎng)絡(luò)教程[M]. 北京:北京郵電大學(xué)出版社，2006：58-63.

[5] 郭琳. LSTM城市燃?xì)庳?fù)荷預(yù)測技術(shù)的研究與開發(fā)(碩士學(xué)位論文) [D]. 西安:西安石油大學(xué),2020：31-35.

[6] 張學(xué)工. 關(guān)于統(tǒng)計(jì)學(xué)習(xí)理論與支持向量機(jī)[J]. 自動(dòng)化學(xué)報(bào)，2000(1):36-46.

[7] 李燦. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的負(fù)荷預(yù)測問題研究(碩士學(xué)位論文)[D]. 西安:西安理工大學(xué),2018：30-31.

[8] 張少平，徐曉鐘，代軍委. 基于自適應(yīng)變異粒子群算法和BP神經(jīng)網(wǎng)絡(luò)的短期燃?xì)庳?fù)荷預(yù)測[J]. 計(jì)算機(jī)應(yīng)用，2016(S1)：103-105，153.

[9] 余鳳，徐曉鐘. 基于優(yōu)化小波BP神經(jīng)網(wǎng)絡(luò)的燃?xì)舛唐谪?fù)荷預(yù)測[J]. 計(jì)算機(jī)仿真，2015(1)：372-376.

[10] 吳偉,蔡培升. 基于MATLAB的小波去噪仿真[J]. 信息與電子工程，2008(3):220-222.

[11] 鄭樹泉. 工業(yè)智能技術(shù)與應(yīng)用[M]. 上海：上海科學(xué)技術(shù)出版社，2019：250-251.

[12] 陳曉曦，王延杰，劉戀. 小波閾值去噪法的深入研究[J]. 激光與紅外，2012(1)：105-110.

[13] 陳佳. 基于小波的閾值去噪方法改進(jìn)及其評(píng)價(jià)研究(碩士學(xué)位論文)[D]. 沈陽:沈陽航空航天大學(xué),2012：1-2.

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

[15] 黃富程，劉德新，辛博鵬，等. 基于遺傳算法(GA)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的船舶交通流量預(yù)測[J]. 廣州航海學(xué)院學(xué)報(bào)，2020(1)：10-13.

[16] 劉春艷，凌建春，寇林元，等. GA-BP神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)性能比較[J]. 中國衛(wèi)生統(tǒng)計(jì)，2013(2)：173-176.