基于FCGA-LSTM与迁移学习的天然气负荷预测

摘要：

高精度的天然气负荷预测对天然气管网的平稳高效运行具有重要意义.现有天然气负荷预测方法大多是基于历史数据充足条件的,而对缺少历史数据地区天然气负荷预测问题研究很少.针对此类问题,本文提出一种模糊编码遗传算法(FCGA)优化的长短时记忆(LSTM)神经网络与迁移学习结合的天然气短期负荷预测方法.首先选定源域与目标域,利用源域的大量历史负荷数据构建FCGA-LSTM预测模型,进行模型训练与测试后将源域模型整体迁移至缺少数据的目标域,接着利用目标域少量数据对模型进行参数微调及二次训练,最终得到目标域负荷预测模型.以西安某新建小区为例验证,结果显示,基于FCGA-LSTM与迁移学习的预测方法相比于LSTM加迁移学习组合方法、非迁移学习下LSTM,预测精度分别提高15.6个百分点与35.2个百分点,表明了模型的有效性.本文方法对缺少历史数据的新建城区天然气负荷预测具有一定指导作用.

关键词：天然气、负荷预测、遗传算法、长短时记忆网络、迁移学习

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金62072363

在线出版日期：2023-08-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：7-12