城市燃气负荷的混沌特性及预测分析

汪锐++梁泉水

摘 要：通过混沌理论法重构了燃气负荷时间序列，通过大量的实验和预测结果证明，这是一种先进的分析方法，在燃气负荷预测研究中，混沌时间序列分析方法在其中发挥着重要作用。为了有效掌握该项预测方法，文章通过下文对相关方面的内容进行了论述，从而为有关单位及工作人员在实际工作中提供一定帮助作用。

关键词：城市燃气负荷 混沌特性 预测

中图分类号：TU74 文献标识码：A 文章编号：1674-098X（2016）12（a）-0031-02

1 混沌特性分析

識别混沌特性。在多维空间中，混沌系统有着极强的规律性，向着单一的子空间中收缩运行轨迹，自相似特性在局部空间内非常明显，也就是有相近的相邻轨迹的演化方向，此种规则明确的轨迹在通过相似的折叠与拉伸后，转变为和时间有关的序列，进而将复杂的、混沌的特性呈现出来，通过相空间重构混沌时间序列，进而在高维相空间内复原吸引子，在混沌运动规律特性的基础上，进行相应的预测分析。

2 具体的预测方法分析

2.1 加权一阶局域策略

这种方法是将一定空间轨迹的最后一点当作中心点，将距中心点最近的多个有关点当作相关点，进而拟合分析这些有关点的演化规律，对轨迹中心点下一点的具体走向进行判断，进而对未来进行有效预测，在预测具体的混沌时间序列时，具体的计算方法和步骤如下。

科学选择时间延迟π，将相空间Yt重构出来；将中心点Ym的相邻点Ymi设计出来，di为这两个点之间的距离，di的最小值用bmin表示。具体的计算公式如下：

Pi=exp（-u（di-dmin））/exp（di-dmin）

在这个式子中，Pi为预测影响权值用；u为平滑系数；通常取u的数值为1；通过Ymi函数关系映射迭代1一步后能够得到Ymi+1，在拟合时，应用一阶局线性方。其中：bYmi+a=Ymi+1；i的值为1，2，3…n；在这个式子中，拟合方程的系数向量用a，b表示，在拟合时，应用多元加权最小二乘法。

2.2 最大指数法

作为量化轨道估计系统混沌特性与指数发散速率的统计量是非常优越的预报参数，其中，预测最大Lyapunov时的步骤如下：

其中Ym为预测的中心点用；Yk为相空间中的相邻点，入1为最大Lyapunov，这样可以将等式构建起来：

（YM-YK）e入1=Ym+1-Yk+1

2.3 贝叶斯网络分析法

任何复杂的非线性关系可以通过人工神经网络映射出来，经过自行学习，进而对多元函数完成高精度拟合处理，在复杂非线性系统的预测中比较适合应用这种方法。就混沌时间序列而言，可以对重构的贝叶斯正规化神经网络模型进行应用，其中，神经网络的输入点可以用多维空间相点延迟坐标来表示。然后，同贝叶斯正规化方法结合起来，进而对网络训练目标函数进行改进和优化，这样，能将网络的泛化能力提升，使模型的预测性能不断被完善。可以通过以下几步进行计算分析。

（1）将嵌入维数m和延迟时间π合理地确定出来，重新构造相空间，组建神经网络教师值与学习样本。（2）将贝叶斯正规化神经网络结构确定出来，把网络的输入层神经元个数通过嵌入维数确定出来，通过试错法在网络学习中优选隐层的神经元个数。（3）训练神经网络。按照训练目标函数将网络的输出值求解出来，并通过正确的方法修正权值，直至迭代次数达到预定值或者误差被控制在合理的范围内。（4）预测模型。向训练好的神经网络中输入已知相点，预测值即为网络的输出。

在正规化的贝叶斯调整策略中，可以通过以下函数表示神经网络训练目标函数，通过此种被改善的目标训练函数，能够在某种程度对网络权值的规模进行控制，不断使神经网络趋于平衡，从而使模型的复杂度与拟合程度都能够符合要求。防止过于严重拟合训练数据，进而能够将系统的泛化能力提升：

aEw+βED=M

在整个式子中，M为方差目标函数；a、β为正规化系数；Ew网络权值的函数与平方；ED样本训练函数与误差平方。

2.4 应用案例分析

构建数据模型，为了有效探究预测的重要性，文章以某城市的燃气日平均负荷为例进行了研究。

在有关系数法计算负荷序列延迟时间基础上，能够得出π的值为40，将嵌入维数通过饱和关联维数求解出来，得到m的数值为9，进而能够得出2.15为关联维数。对此能够得出，在一个约为2.15维的分数吸引子上收缩燃气负荷相空间的运动轨迹，入1=0.062 3为负荷时间序列的最大指数。能够得知，有着一定的混沌特性存在于该时间序列中。

在相空间重构与混沌特性分析的基础上，分别通过贝叶斯神经网络法、加权一阶局域法、最大Lyapunov指数法预测分析燃气日负荷，其中，24为加权一阶局域模型中的临近点数。分别通过purelin与tansig构建预测模型网络输出层与隐层的参数。

为了有效比较预测结果，将两个模型另选出来，通过相同的数据完成预测分析。模型一通过反向传播法模拟神经网络，选择和PRBRANN相等预测数据与训练样本数据，通过一维时间序列表示输入参数。这样，就不需要将相空间重构出来，对燃气日负荷的周期性进行分析后得知，需要通过移动平均法预测分析模型。

选择2013年和2014年的数据当作历样本数据进行研究分析。识别前几节所阐述的种种负荷预测模型参数，在此前提下，滚动更新这段时间内燃气负荷模型参数。用一天时间进行预测，并验证与分析预测的结果，选择最大平均相对误差绝对值、误差概率、误差绝对值，进而评价与检验分析各个负荷预测模型。

通过相关分析能够得知，最大Lyapunov指数法性能最差，由于对局部变化的敏感性不强，这是该方法不被经常应用的主要原因所在，因为没有充分利用燃气负荷特征信息，这样LM算法的标准BP网络的应用量也受到限制，因为没有有效改善网络泛化能力差的缺点，因为预测效果不理想，这样就会在4.23%左右控制加权一阶局域法预测平均值。

3 结语

通过分析与计算燃气负荷最大指数特征参数、关联维数等，这样能够表明有一定的混沌特性存在于其中，并且，非线性混动混沌动力演化属于燃气负荷序列的动态变化特征。进而能够客观识别燃气负荷的混沌特征。将负荷变化的规律在多维空间分析中获取出来，进而更好把握和认识燃气负荷复杂的变化规律。通过对城市燃气负荷混沌特性的分析与预测，能够更好促进我国城市燃气系统更加稳定、安全的发展。通过文章上述内容的分析，从而为有关单位及工作人员在实际工作中提供一定帮助作用。

参考文献

[1] 苗艳姝.城市燃气负荷预测的研究[D].哈尔滨：哈尔滨工业大学市政环境工程学院，2006.

[2] 吕金虎，陆君安，陈士华.混沌时间序列分析及其应用[M].武汉：武汉大学出版社，2005.

[3] 赵鹏，张宏伟.城市用水量的混沌特性与预测[J].中国给水排水，2008，24（5）：90.

[4] 李眉眉，丁晶，覃光华.基于混沌分析的BP神经网络及其在负荷预测中的应用[J].四川大学学报：工程科学版，2004，36（4）：15.

[5] 周伟国，张中秀，姚健.城市燃气负荷的混沌特性与预测[J].同济大学学报：自然科学版，2015（8）：823-825.