數(shù)據(jù)規(guī)格化在燃?xì)庳?fù)荷預(yù)測的應(yīng)用

摘 要

摘要：探討了燃?xì)庳?fù)荷預(yù)測中規(guī)格化處理方法，建立了徑向基神經(jīng)網(wǎng)絡(luò)燃?xì)庳?fù)荷預(yù)測模型。結(jié)合實(shí)例，對(duì)分別采用最大最小、零均值規(guī)格化處理的預(yù)測結(jié)果進(jìn)行了比較，后者的精度較高。關(guān)鍵
摘要：探討了燃?xì)庳?fù)荷預(yù)測中規(guī)格化處理方法，建立了徑向基神經(jīng)網(wǎng)絡(luò)燃?xì)庳?fù)荷預(yù)測模型。結(jié)合實(shí)例，對(duì)分別采用最大最小、零均值規(guī)格化處理的預(yù)測結(jié)果進(jìn)行了比較，后者的精度較高。
關(guān)鍵詞：燃?xì)庳?fù)荷預(yù)測；神經(jīng)網(wǎng)絡(luò)；規(guī)格化
Application of Data Normalization to Gas Load Forecasting
LIANG Jin-feng，YANG Jun-jie，GAO Zhu
Abstract：The normalized treatment method in gas load forecasting is discussed，and a model for forecasting gas load based on radial basis function neural network is established. Combined with an example，the forecasting results using the maximum，minimum and zero average normalization are compared，and the latter has higher precision.
Key words：gas load forecasting；neural network；normalization
1 規(guī)格化處理方法
   燃?xì)庳?fù)荷預(yù)測是從大量的歷史數(shù)據(jù)中找出一定的變化規(guī)律，進(jìn)而實(shí)現(xiàn)對(duì)未來一定時(shí)間范圍內(nèi)的燃?xì)庳?fù)荷進(jìn)行預(yù)測。目前，用于燃?xì)庳?fù)荷預(yù)測的方法很多，隨著人工神經(jīng)網(wǎng)絡(luò)的興起，不同的神經(jīng)網(wǎng)絡(luò)逐漸被引用到了燃?xì)庳?fù)荷預(yù)測領(lǐng)域中來。然而單純地使用神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測的結(jié)果是令人不滿意的，因此在進(jìn)行預(yù)測運(yùn)算前，將歷史數(shù)據(jù)進(jìn)行前期處理是必不可少的。
   規(guī)格化[1]就是將一個(gè)屬性取值范圍投射到一個(gè)特定范圍之內(nèi)，以消除數(shù)值型因大小不一而造成預(yù)測結(jié)果的偏差。規(guī)格化處理常用于神經(jīng)網(wǎng)絡(luò)、基于距離計(jì)算的最近鄰分類和聚類的數(shù)據(jù)處理。常用的規(guī)格化處理方法有以下3種。
   ① 最大最小規(guī)格化方法
該方法是對(duì)初始數(shù)據(jù)進(jìn)行的一種線性轉(zhuǎn)換。它是將屬性A的一個(gè)值v映射為v′且有v′∈[Anew,min，Anew,max]，具體映射計(jì)算式為：
 
式中Amin——屬性A的最小值
    Amax——屬性A的最大值
    Anew,max——規(guī)格化后屬性A新值的最大值
    Anew,min——規(guī)格化后屬性A新值的最小值
   ② 零均值規(guī)格化方法
該方法是根據(jù)屬性A的均值和方差來對(duì)A進(jìn)行規(guī)格化，屬性4的值v可以通過以下計(jì)算式獲得其映射值v′：
 
式中Aave——屬性A的均值
    σA——屬性A的方差
   ③ 十基數(shù)變換規(guī)格化方法
該方法通過移動(dòng)屬性A值的小數(shù)位數(shù)來達(dá)到規(guī)格化的目的。所移動(dòng)的小數(shù)位數(shù)取決于屬性A絕對(duì)值的最大值。屬性A的值v可以通過以下計(jì)算式獲得其映射值v′：
 
式中j——使max(︱v′︱＜1成立的最小值
    目前，在使用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行燃?xì)庳?fù)荷預(yù)測方面的研究中，大多數(shù)學(xué)者都在運(yùn)算前對(duì)燃?xì)獾臍v史數(shù)據(jù)進(jìn)行規(guī)一化處理，也就是最大最小值規(guī)格化處理，將數(shù)值映射到[0.1，0.9]范圍中。對(duì)于神經(jīng)網(wǎng)絡(luò)，采用規(guī)格化后的數(shù)據(jù)不僅有助于確保學(xué)習(xí)結(jié)果的正確性，而且也會(huì)幫助提高學(xué)習(xí)的速度。對(duì)于基于距離的計(jì)算，規(guī)格化方法可以幫助消除因?qū)傩匀≈捣秶煌绊懹?jì)算結(jié)果的公正性。
2 燃?xì)庳?fù)荷預(yù)測模型
    ① 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型
    徑向基神經(jīng)網(wǎng)絡(luò)[2]是一種兩層前向型神經(jīng)網(wǎng)絡(luò)，包含一個(gè)具有徑向基函數(shù)神經(jīng)元的隱層和一個(gè)具有線性神經(jīng)元的輸出層。在燃?xì)舛唐谪?fù)荷預(yù)測領(lǐng)域中，它以訓(xùn)練速度快、學(xué)習(xí)精度高的優(yōu)點(diǎn)開始逐漸嶄露頭角?？紤]到燃?xì)馊肇?fù)荷受天氣狀況影響比較大，筆者以網(wǎng)絡(luò)的輸入為最低氣溫、最高氣溫，輸出為燃?xì)馊肇?fù)荷建立徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型(見圖1)。
 

    ② 燃?xì)庳?fù)荷的降噪處理
    燃?xì)庳?fù)荷預(yù)測用到的歷史負(fù)荷數(shù)據(jù)，來源主要是燃?xì)獠块T的調(diào)度報(bào)表。各種計(jì)量儀表的偏差或人工抄表的疏忽，往往造成負(fù)荷實(shí)際值與記錄值差別很大。有時(shí)設(shè)備維修、燃?xì)庑孤┑仍蛞苍斐韶?fù)荷數(shù)據(jù)偏離合理值，導(dǎo)致采集到的數(shù)據(jù)為染噪數(shù)據(jù)。染噪的出現(xiàn)，打破了負(fù)荷所具有的周期性及規(guī)律性，因此有必要將染噪數(shù)據(jù)進(jìn)行降噪處理。
    信號(hào)降噪[3]實(shí)質(zhì)上是抑制信號(hào)中的無用部分，恢復(fù)信號(hào)中的有用部分的過程。燃?xì)庳?fù)荷可視為非平穩(wěn)的一維數(shù)字信號(hào)。對(duì)這種信號(hào)進(jìn)行降噪處理時(shí)，由于傳統(tǒng)的傅里葉變換完全是在頻率域中對(duì)信號(hào)進(jìn)行分析，它不能給出信號(hào)在某個(gè)時(shí)間點(diǎn)上的變化情況，因此分辨不出信號(hào)在時(shí)間軸上的任何一個(gè)突變。但是小波分析能同時(shí)在頻率域內(nèi)對(duì)信號(hào)進(jìn)行分析，因此它能有效地區(qū)分信號(hào)中的突變部分和噪聲，從而實(shí)現(xiàn)對(duì)非平穩(wěn)信號(hào)的降噪。而小波包分析[4]能夠?yàn)樾盘?hào)提供一種更加精細(xì)的分析方法，它將頻段進(jìn)行多層次劃分，對(duì)沒有細(xì)分的高頻部分進(jìn)一步分解，并能夠根據(jù)被分析信號(hào)的特征，自適應(yīng)地選擇相應(yīng)頻帶，使之與信號(hào)頻譜相匹配，從而提高時(shí)頻分辨率，因此小波包分析方法具有廣泛的應(yīng)用價(jià)值。
    數(shù)據(jù)采用2002年某市燃?xì)庀嚓P(guān)歷史數(shù)據(jù)，運(yùn)用小波包分析方法對(duì)燃?xì)馊肇?fù)荷進(jìn)行降噪處理，部分計(jì)算結(jié)果見.表1。
表1 燃?xì)馊肇?fù)荷降噪處理結(jié)果
日期
最低氣溫/℃
最高氣溫/℃
真實(shí)日負(fù)荷/(m3·d-1)
降噪后日負(fù)荷/(m3·d-1)
2002年2月1日
-8
-1
40.15×104
40.07×104
2002年2月2日
-5
6
37.80×104
37.70×104
2002年2月3日
-9
-1
41.75×104
41.64×104
2002年2月4日
-1
10
41.40×104
41.24×104
2002年2月5日
-12
-10
40.70×104
40.71×104
2002年2月6日
-6
5
40.85×104
40.98×104
2002年2月7日
-8
6
43.65×104
43.64×104
    ③ 預(yù)測結(jié)果的相對(duì)誤差
在網(wǎng)絡(luò)學(xué)習(xí)前，將樣本數(shù)據(jù)進(jìn)行了最大最小規(guī)格化處理，即將樣本數(shù)值映射到[0.1，0.9]范圍中。考慮到燃?xì)馊肇?fù)荷受人們的日常生活規(guī)律影響具有以周為單位的周期性，訓(xùn)練樣本為預(yù)測起始日前的4周數(shù)據(jù)。網(wǎng)絡(luò)學(xué)習(xí)完畢后，輸入預(yù)測日的最低、最高氣溫，進(jìn)行仿真。采用徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型，分別運(yùn)用最大值最小值、零均值規(guī)格化方法，得到的該市2002年預(yù)測日燃?xì)馊肇?fù)荷預(yù)測結(jié)果，見表2。表2中，預(yù)測值1、相對(duì)誤差1分別表示采用最大最小規(guī)格化的計(jì)算結(jié)果及對(duì)于真實(shí)日負(fù)荷的相對(duì)誤差；預(yù)測值2、相對(duì)誤差2表示采用零均值規(guī)格化的計(jì)算結(jié)果及對(duì)真實(shí)日負(fù)荷的相對(duì)誤差。由表2可知，采用零均值規(guī)格化方法的預(yù)測精度高于采用最大最小規(guī)格化的預(yù)測精度。
表2 燃?xì)馊肇?fù)荷預(yù)測結(jié)果
日期
預(yù)測值1/(m3·d-1)
相對(duì)誤差1/%
預(yù)測值2/(m3·d-1)
相對(duì)誤差2/%
2002年2月1日
41.62×104
3.66
40.90×104
1.87
2002年2月2日
39.32×104
4.0l
40.26×104
6.50
2002年2月3日
41.30×104
-1.08
41.05×104
-1.67
2002年2月4日
35.48×104
-14.30
35.96×104
-13.13
2002年2月5日
43.38×104
6.57
42.34×104
4.03
2002年2月6日
40.20×104
-1.59
40.13×104
-1.77
2002年2月7日
40.36×104
-7.55
40.68×104
-6.79
3 結(jié)論
① 數(shù)據(jù)的規(guī)格化處理對(duì)于預(yù)測精度有一定的影響，采用徑向基神經(jīng)網(wǎng)絡(luò)進(jìn)行燃?xì)馊肇?fù)荷預(yù)測時(shí)，經(jīng)過零均值規(guī)格化處理得到的數(shù)據(jù)預(yù)測精度要相對(duì)高一些。
② 徑向基神經(jīng)網(wǎng)絡(luò)預(yù)測模型不但考慮到了天氣變化對(duì)燃?xì)馊肇?fù)荷的影響，還反映出了燃?xì)馊肇?fù)荷以周為單位的周期變化規(guī)律。
參考文獻(xiàn)：
[1] 朱明.數(shù)據(jù)挖掘[M].北京：中國科學(xué)技術(shù)大學(xué)出版社，2002.
[2] 周開利，康耀紅.神經(jīng)網(wǎng)絡(luò)模型及其MATLAB仿真程序設(shè)計(jì)[M].北京：清華大學(xué)出版社，2005.
[3] 飛思科技產(chǎn)品研發(fā)中心.小波分析理論與MATLAB7實(shí)現(xiàn)[M].北京：電子工業(yè)出版社，2004.
[4] 成禮智，王紅霞，羅永.小波的理論與應(yīng)用[M].北京：科學(xué)出版社，2004.
 
(本文作者：梁金鳳 楊俊杰 高鑄 新奧燃?xì)饧夹g(shù)研究發(fā)展有限公司 河北廊坊 065001)