基于信息熵城市燃气日负荷组合预测模型
2022-08-30陈婷婷王倩微
1 概述
天然气负荷预测
是利用天然气历史负荷运行数据和相应的气象数据等，采用某种算法，建立一种适当的预测模型，通过预测模型对天然气负荷进行预测的过程。由于城市燃气负荷具有时变性、随机性、多样性、非稳态性，而且受到天气、季节、节假日、重大事件等因素影响，燃气负荷准确预测困难很大。
2 问题及解决方案
燃气负荷由各种不同类型用户用气负荷汇总，随时间动态变化。随着时间推移，选择单一模型不一定适用于负荷预测，而且数学建模都是基于一种理想抽象稳定的假设，用单一的数学模型很难反映负荷发展的自然规律。如果只是简单地将预测误差较大的模型舍弃，将很可能丢弃一些有用的模型。各类预测算法都有弊端，在某些方面容易出现误差突然增大，造成算法的最大误差比较大，影响预测效果。针对这一问题，组合预测
是综合考虑各种预测方法的有用信息而建立的一种预测方法，它的主要特点是：首先运用各种单一模型得出预测结果，然后在预测结果上综合判断，给每个预测模型赋予不同的加权系数，得到一个效果更好的综合模型，达到降低预测相对误差、提高预测稳定性的效果。
2018年3月21日，《深化党和国家机构改革方案》全文对外公布。此前，方案中涉及国务院机构改革的内容已由全国人大审议通过，《中共中央关于深化党和国家机构改革的决定》也已公布。
3 组合预测模型建模流程
本文所述组合预测模型基于信息熵理论
，信息熵是Shannon信息论中的重要概念，是把熵作为一个随机事件的“不确定性”或信息量的量度。信息量是信息论的中心概念，是信息论度量信息的基本出发点，是把获得的信息看作用以消除不确定性的因素。因此信息量的多少，可以用被消除的不确定性的大小来表示，而随机事件不确定性的大小可以用其概率分布来描述。
本文以北方某重点城市作为分析目标，研究该城市日负荷预测方法。该城市天然气发展处于快速发展阶段末期，信息熵组合预测算法主要思路是首先分析该城市日负荷预测的影响因素，提取建模要素即因变量，后采用单个算法建模，计算各个模型的预测误差，以误差为参数计算各个模型的信息熵，通过信息熵确定组合预测模型中各个模型的加权系数，单个模型的预测均匀性越强，加权系数越大。根据加权系数得到组合预测模型的预测值。具体步骤如下。
（1）气藏中并不存在气水截然分开的界面，而是有一个气水饱和度渐变的过渡带。气水过渡带在垂向上用气水同层顶底面海拔垂深表示，在平面上用气水内外边界线作图深度表示。
第
种预测模型预测相对误差的熵计算如下：
通过相关系数法研究得出该城市日用气量的影响因素主要有前日用气量、当日气象参数(温度、风速)以及是否周末、是否重大节假日、特殊事件等。
第四步计算各图书馆四大标准分数。标准分数=(x-μ)/σ(其中x=第二步中人均率，μ=平均人均率，σ为标准差)。
阿Q平生最大的遗憾，不是没王胡身上虱子多、没打过小D、没和吴妈困觉，也不是挨过假洋鬼子一哭丧棒，而是在判决书上那个圆圈没画圆。迅翁说得详细：“阿Q伏下去，使尽了平生的力气画圆圈。他生怕被人笑话，立志要画得圆，但这可恶的笔不但很沉重，并且不听话，刚刚一抖一抖的几乎要合缝，却又向外一耸，画成瓜子模样了。”
本文搜集了2018、2019年2 a的730组历史数据(包含当日平均温度
、前一日最低温度
、前两日最低温度
、前一日用气量
、当日风速级别
、日期类型
)，单个建模算法分别为Lasso算法
、线性回归
、MLP神经网络
、XGBoost算法
。采用sklearn模块中train_test_split将建模数据划分成训练集、测试集，分别占70%、30%，实现工具为python机器学习sklearn包中Lasso、LinearRegression、neuralNetwork、XGBoost对象，创建模型对象，用训练集拟合模型，用测试集评估模型。
各模型建好后，预测2018年11月15日至19日的天然气日用气量，各模型均输入当日平均温度
、前一日最低温度
、前两日最低温度
、前一日用气量
、当日风速级别
、日期类型
，得出日用气量各模型预测值与实际值，见表1。
文科记忆性的学习内容较多，陈老师不愿浪费每一分钟。从陈老师家里到学校有六、七里地的路程，他充分利用上学放学路上的时间背诵的知识要点，一刻也不停歇。上高中时陈老师的课外读物很少，看到好的语句他就会立即积累下来，时不时地拿出来翻阅、背诵。最终他以优异的成绩考上了汉中师范学院。正所谓“吃得苦中苦，方为人上人”。
② 各模型加权系数计算
a.计算各模型预测相对误差
存在
种预测模型，预测了
天的日用气量。记第
种预测模型第
日的预测值为
,p
,实际值为
,a
。记预测相对误差绝对值为
，
=1,2,…,
；
=1,2,…,
。计算式为：
(1)
b.归一化处理
将各预测模型第
日预测相对误差绝对值进行归一化，见式(2)：
(2)
,p
——第
种预测模型第
日的预测值，m
Study on the application of antimicrobial system in paraben-free cosmetics 8 14
① 各模型分别预测
(3)
式中
——第
种预测模型第
日预测相对误差绝对值
经过之前几个部分的研究发现，尽管库伦摩擦模型所展示后峰值阶段并不具有太多实际意义，但是应用该模型来模拟前峰值阶段和峰值阶段还是合理和有意义的。于是，在接下来的研究中，采用了几种不同的直根模型，来研究几何方面的变化会对直根的抗拔强度有何影响[4]。
本文对风速进行量化，引入风速级别变量
，每日风速级别对应相应
。对日期类型引入哑变量
，当日
为0表示法定工作日，
为1表示平常周末，
为2表示五一、国庆及春节长假。考虑到建筑物的热惰性，预测日前几日的温度对当日用气量有影响，因此增加了前1日、前2日最低温度，温度变量分别为当日平均温度
、前一日最低温度
、前两日最低温度
。预测模型输出为当日天然气用气量。
(4)
加权系数满足：
(5)
③ 组合预测模型
肿头龙的头部前低后高，嘴巴前端有角质喙。肿头龙的头顶高高隆起，光滑而厚重，是有效的防卫武器，肿头龙的名字正是来源于此。头顶的四周和前部长有瘤质突起，有些突起还很尖利，也能起到一定的防卫作用。
组合预测第
日的预测值为:
各预测模型的加权系数计算如下：
(6)
d.各预测模型的加权系数
c.第
种预测模型预测相对误差的熵
,a
——第
日的实际值，m
——第
种预测模型第
日的归一化后的预测相对误差绝对值
——第
种预测模型预测相对误差的熵
——第
种预测模型的加权系数
——组合预测模型第
日的预测值，m
4 预测结果
采用信息熵法算法确定预测模型预测相对误差的熵及加权系数见表2。熵越大，模型稳定性越强，对应的加权系数越大。组合预测模型的预测结果见表3。各预测模型预测相对误差绝对值见表4。分析表4数据可知，组合预测模型预测相对误差绝对值的平均值为5.23%，与其他预测模型相比，预测精度明显提高。
5 结语
① 城市燃气负荷具有时变性、随机性、多样性和非稳态性，不可能做到完全准确预测，在某些时间点可能出现较大的相对误差，基于信息熵的组合预测模型能有效降低预测相对误差，提高预测精准度和稳定性。
② 组合预测模型预测相对误差绝对值的平均值为5.23%，与单种预测模型相比，预测精度明显提高。
[1] 罗文进. 燃气负荷影响因素的初步研究与预测应用[J]. 甘肃冶金， 2016(1)：142-146.
[2] 于秀伟. 组合预测中单项预测模型的选择研究(硕士学位论文)[D]. 西安：长安大学， 2015：19-29.
[3] 刘金培,朱家明,陈华友,等. 模糊变权组合预测方法研究[J]. 统计与决策，2017(16)：5-10.
[4] 唐小我，曹长修，金德运. 组合预测最优加权系数向量的进一步研究[J]. 预测，1994(2)：48-49.
[5] 丁勇. 离散型随机变量的平均信息熵[J]. 数学的实践与认识，2012(18)：141-146.
[6] 章晓英. 虚拟变量在线性回归模型中的应用[J]. 重庆工业管理学院学报，1998(2)：84-88.
[7] 喻胜华，龚尚花. 基于Lasso和支持向量机的粮食价格预测[J]. 湖南大学学报(社会科学版)，2016(1)：71-75.
[8] 孙淑生，罗宝花. 多元线性回归模型在物流成本预测中的应用[J]. 商业时代，2014(18)：19-21.
[9] 郭威，巴秀玲，马文远，等. 基于神经网络的电力系统负荷预测问题研究[J]. 自动化与仪器仪表，2017(10)：192-194.
[10] 张丹峰. 基于LightGBM,XGBoost,ERT混合模型的风机叶片结冰预测研究(硕士学位论文)[D]. 上海：上海师范大学，2018：19-29.
[11] 高尚,张绍彪,梅亮. 基于相对误差的线性组合预测研究[J]. 系统工程与电子技术，2008(3)：481-484.
