1、第一作者简介:于铭多，女，硕士生，研究方向:燃气负荷预测。收稿日期:2021 10 11;修回日期:2022 06 12基于 Dropout LSTM 模型的城市燃气日负荷预测于铭多，郝学军(北京建筑大学 环境与能源应用工程学院，北京 100044)摘要:提出采用 Dropout 技术的长短期记忆神经网络模型(Dropout LSTM 模型)，对城市燃气日负荷进行预测。由于不同时期的燃气日负荷具有不同特点，将全年分为供暖期、过渡期及非供暖期，分别对 3 个时期的日负荷和影响因素进行相关性分析，确定 3 个模型的输入特征，建立 3个时期的日负荷预测 Dropout LSTM 模型，采用平均绝对百
2、分比误差对模型预测效果进行评价。Dropout LSTM 模型可以很好地预测城市燃气日负荷，比 BP 模型、LSTM 模型以及 SVM 模型有更好的预测效果。与基于全年数据的全年预测模型相比，分时期预测模型预测精度更高。供暖期的燃气日负荷规律性强，对供暖期的日负荷预测精度最高，非供暖期次之，由于过渡期日负荷波动大，预测效果是 3 个时期中最差的。关键词:燃气日负荷;负荷预测;Dropout LSTM 模型;相关性分析;预测精度中图分类号:TU996 3文献标志码:A文章编号:1000 4416(2023)02 0B10 071概述概述城市燃气负荷预测指分析燃气负荷特性、预测未来一段时间内用气规
3、律和特征1，其中日负荷预测可为燃气短时间内的使用情况提供一定理论依据，便于对燃气合理规划、调配。从燃气负荷预测的研究进程来看，国内外燃气负荷预测研究方法主要分为 2 种:一是传统的数理方法，如回归分析法、时间序列法等;二是人工智能类方法，主要以机器学习和新兴的信号分析方法等理论为基础，包括支持向量机、人工神经网络等2。Gorucu3 利用多元统计回归法对安卡拉的天然气用量进行了预测;Beyzanur 等人4 提出了一种结合遗传算法(GA)和自回归移动平均(AIMA)方法的预测方法，对伊斯坦布尔的天然气消耗量进行预测;郭微等人5 应用支持向量机方法预测了天然气负荷;Kizilaslan 等人6
4、通过对几种不同神经网络算法的比较，建立了适合伊斯坦布尔的天然气日负荷预测模型;何恒根等人7 采用 BP 神经网络模型进行燃气负荷预测，得到了较高的预测精度。目前神经网络在燃气预测领域应用最为广泛，其中 BP 等传统神经网络无法识别出数据之间的关联性，因此提出了一种循环神经网络(NN)，主要用于处理和预测序列数据。由于简单的 NN 具有长期记忆能力不足等问题，有学者研发了一种新型循环神经网络 长短期记忆神经网络(Long Short Term Memory，LSTM)，可以学习长期依赖信息。文献 8 9 选取 LSTM、BP 神经网络等模型进行预测分析，结果表明 LSTM 模型优于其他模型。城市
5、燃气日负荷是具有很强的周期性的序列数据，因受到外界各种因素影响，同时具有不确定性和随机性，一般预测方法不能很好模拟出日负荷的波动情况。为进一步提高预测精度，本文提出一种基于 LSTM 神经网络的燃气日负荷预测方法，并针对神经网络模型在训练过程中易陷入过拟合的现象，应用 Dropout 技术对 LSTM 网络进行优化，使得构建的神经网络模型具有更强的泛化能力。由于不同时01B第 43 卷第 2 期2023 年 2 月煤 气 与 热 力GAS HEATVol 43 No 2Feb 2023DOI:10.13608/ki.1000-4416.2023.02.005期的燃气日负荷特性不同，将历史数据分
6、组并进行相关性分析，分别建立供暖期、过渡期及非供暖期 3个 Dropout LSTM 预测模型，并将模型应用于某市的日负荷预测进行验证，结果表明 3 个 Dropout LSTM 模型均具有较好的预测效果，可应用于燃气日负荷预测。2燃气日负荷特性燃气日负荷特性以华北某城市 2018 年 1 月 1 日至 2020 年 12月 31 日的燃气日负荷为例，分析城市燃气日负荷特点。该城市供暖期为 11 月 15 日至次年 3 月 15 日。城市燃气日负荷受自然条件和人为因素影响。其中自然条件一般包括温湿度、风力等级、天气情况、日期属性等，人为因素包括市民自行设定室内温度、调节供暖时间等。燃气负荷时间序列蕴含大量的负荷变化规律信息，依此可以有效预测未来燃气负荷10。燃气日负荷与日均温度随时间的变化曲线见图 1。由图 1 可知，该城市燃气日负荷有较强的年周期规律性，且与温度有明显相关性，在供暖期尤为显著。另经分析发现，部分节假日(如清明节假期、劳动节假期等)日负荷并无差异，仅在春节假期和国庆节假期等重大节假日出现波动。图 2 展示了2018 年不同星期类型(周一至周日)燃气日负荷变化趋势
安全达人 