基于FCGA-LSTM与迁移学习的天然气负荷预测

doi:10.3969/j.issn.1006-2475.2023.07.002

摘要/Abstract

摘要： 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: 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

Abstract: Abstract：High precision natural gas load forecasting is of great significance to the smooth and efficient operation of natural gas pipeline network. Most of the existing natural gas load forecasting methods are based on the condition of sufficient historical data， and there is little research on the problem of natural gas load forecasting in areas lacking historical data. To solve these problems， a short-term natural gas load forecasting method based on long and short-term memory（LSTM）neural network optimized by Fuzzy Coded Genetic Algorithm (FCGA) and transfer learning is proposed. First， the source domain and the target domain are selected， and the FCGA-LSTM prediction model is constructed by using a large amount of historical load data in the source domain. After model training and testing， the source domain model is moved to the target domain lacking data as a whole， and then a small amount of data in the target domain is used to fine tune and retrain the model. Finally， the target domain load prediction model is obtained. Taking a new residential area in Xi’an as an example， the results show that the prediction accuracy of the prediction method based on FCGA-LSTM and transfer learning is improved by 15.6 percentage points and 35.2 percentage points respectively compared with the combination method of LSTM and transfer learning， LSTM under non transfer learning， which proves the effectiveness of the model. The proposed method has certain guiding significance for the prediction of natural gas load in new urban areas lacking historical data.

Key words: natural gas, load forecasting, genetic algorithm, LSTM, transfer learning

中图分类号:

TP181

张志霞, 谢宝强. 基于FCGA-LSTM与迁移学习的天然气负荷预测[J]. 计算机与现代化, 2023, 0(07): 7-12.

ZHANG Zhi-xia, XIE Bao-qiang. Natural Gas Load Forecasting Based on FCGA-LSTM and Transfer Learning[J]. Computer and Modernization, 2023, 0(07): 7-12.

参考文献［29］

［1］	YIN H， LI Z Z， ZUO J K， et al. Wasserstein generative adversarial network and convolutional neural network （WG-CNN） for bearing fault diagnosis［J］. Mathematical Problems in Engineering， 2020（6）：1-16.
［2］	JANSSENS O， SLAVKOVIKJ V， VERVISCH B， et al. Convolutional neural network based fault detection for rotating machinery［J］. Journal of Sound and Vibration， 2016，377：331-345.
［3］	WEN L， LI X Y， GAO L， et al. A new convolutional neural network-based data-driven fault diagnosis method［J］. IEEE Transactions on Industrial Electronics， 2018，65（7）：5990-5998.
［4］	PAN J， ZI Y Y， CHEN J L， et al. LiftingNet： A novel deep learning network with layerwise feature learning from noisy mechanical data for fault classification［J］. IEEE Transactions on Industrial Electronics， 2018，65（6）：4973-4982.
［5］	CHEN Z Y， LI W H. Multisensor feature fusion for bearing fault diagnosis using sparse autoencoder and deep belief network［J］. IEEE Transactions on Instrumentation and Measurement， 2017，66（7）：1693-1702.
［6］	GANAPATHY S， HAN K， THOMAS S， et al. Robust language identification using convolutional neural network features［C］// Proceedings of the Annual Conference of the International Speech Communication Association. 2014：1846-1850.
［7］	LI S， BYANG W L， ZHANG A S， et al. A novel method of bearing fault diagnosis in time-frequency graphs using inceptionresnet and deformable convolution networks［J］. IEEE Access， 2020，8：92743-92753.
［8］	GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［C］// Proceedings of the 27th International Conference on Neural Information Processing Systems. 2014：2672-2680.
［9］	孙晓，丁小龙. 基于生成对抗网络的人脸表情数据增强方法［J］. 计算机工程与应用， 2020，56（4）：115-121.
［10］	ARJOVSKY M， CHINTALA S， BOTTOU L. Wasserstein GAN［J］. arXiv preprint arXiv：1701.07875v3， 2017.
［11］	WEI X， GONG B， LIU Z X， et al. Improving the improved training of wasserstein GANs： A consistency term and its dual effect［J］. arXiv preprint arXiv：1803.01541， 2018.
［12］	蒋鹏飞，魏松杰. 基于深度森林与CWGAN-GP的移动应用网络行为分类与评估［J］. 计算机科学， 2020，47（1）：287-292.
［13］	LECUN Y， BOTTOU L， BENGIO Y，etal. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998，86（11）：2278-2324.
［14］	沈涛，李舜酩，辛玉. 基于深度学习的旋转机械故障诊断研究综述［J］. 计算机测量与控制， 2020，28（9）：1-8.
［15］	宋雨萌，谷峪，李芳芳，等. 人工智能赋能的查询处理与优化新技术研究综述［J］. 计算机科学与探索， 2020，14（7）：1081-1103.
［16］	郝岩，白艳萍，张校非，等. 卷积神经网络在SAR目标识别中的应用［J］. 重庆理工大学学报（自然科学版）， 2018，32（5）：204-209.
［17］	王丽苹，高瑞贞，张京军，等. 基于卷积神经网络的混凝土路面裂缝检测［J］. 计算机科学， 2019，46（S2）：584-589.
［18］	IOFFE S， SZEGEDY C. Batch normalization： Accelerating deep network training by reducing internal covariate shift［J］. arXiv preprint arXiv：1502.03167， 2015.
［19］	SRIVASTAVA N， HINTON G， KRIZHEVSKY A， et al. Dropout： A simple way to prevent neural networks from overfitting［J］. The Journal of Machine Learning Research， 2014，15（1）：1929-1958.
［20］	LOSHCHILOV I， HUTTER F. Fixing weight decay regularization in Adam［J］. arXiv preprint arXiv:1711.05101， 2017.
［21］	SMITH W A， RANDALL R B. Rolling element bearing diagnostics using the Case Western Reserve University data： A benchmark study［J］. Mechanical Systems and Signal Processing， 2015，64-65：100-131.
［22］	李阳，张亚非，苗壮，等. 基于t-SNE卷积编码的图像检索方法［J］. 计算机应用研究， 2017，34（4）：1244-1248.
［23］	XU Q T， HUANG G， YUAN Y， et al. An empirical study on evaluation metrics of generative adversarial networks［J］. arXiv preprint arXiv：1806.07755， 2018.
［24］	姚登举，杨静，詹晓娟. 基于随机森林的特征选择算法［J］. 吉林大学学报（工学版）， 2014，44（1）：137-141.
［25］	吴军，王士同，赵鑫. 正负模糊规则系统、极限学习机与图像分类［J］. 中国图象图形学报， 2011，16（8）：1408-1417.
［26］	张汝雷，王保民，苏欣平，等. 支持向量机（SVM）在机械故障诊断中的应用研究［J］. 军事交通学院学报， 2009，11（3）：39-42.
［27］	WANG J， GUO P， LI Y. DensePILAE： A feature reuse pseudoinverse learning algorithm for deep stacked autoencoder［J］. Complex & Intelligent Systems， 2021，8（8）. DOI：
	10.1007/s40747-021-00516-5.
［28］	MAO W T， LIU Y M， DING L， et al. Imbalanced fault diagnosis of rolling bearing based on generative adversarial network： A comparative study［J］. IEEE Access， 2019，7：9515-9530.
［29］	袁建虎，韩涛，唐建，等. 基于小波时频图和CNN的滚动轴承智能故障诊断方法［J］. 机械设计与研究， 2017，33（2）：93-97.

[1]	林启钊, 彭志平, 郭棉, 崔得龙. 基于双向多步预测的炉管温度场重构方法[J]. 计算机与现代化, 2024, 0(01): 53-58.
[2]	胡崇佳, 刘金洲, 方立. 基于无监督域适应的室外点云语义分割[J]. 计算机与现代化, 2024, 0(01): 74-79.
[3]	刘付琪, 张达, 宋建华, 王海东. 基于CNN-BiLSTM的液压系统故障诊断[J]. 计算机与现代化, 2023, 0(09): 10-19.
[4]	刘显茁, 邓韦斯, 谢恩彦. 考虑分布式发电并网的配电网自适应保护系统[J]. 计算机与现代化, 2023, 0(09): 120-126.
[5]	杨骏, 王劲林, 倪宏, 盛益强, . 工控网络异常检测中基于灵敏度的动态迁移算法[J]. 计算机与现代化, 2023, 0(05): 46-51.
[6]	徐涯昕, 何泽恩, 徐绪堪. 基于CNN-BiLSTM网络的数控机床故障文本自动分类[J]. 计算机与现代化, 2023, 0(04): 7-14.
[7]	陈晓雯, 石慧. 基于DWT-SVD与迁移学习的水印检测模型[J]. 计算机与现代化, 2023, 0(04): 111-117.
[8]	张子森, 徐晓钟. 基于分解和多分量集成学习的负荷预测方法[J]. 计算机与现代化, 2023, 0(03): 96-101.
[9]	白旭光, 刘成忠, 韩俊英, 高嘉蒙, 陈俊康. 基于SE-ResNeXt的苹果叶片分类方法[J]. 计算机与现代化, 2023, 0(01): 18-23.
[10]	冯增喜, 陈海越, 王涛, 赵锦彤, 李诗妍. 基于改进XGBoost超参数优化的地下工程空调系统负荷预测[J]. 计算机与现代化, 2023, 0(01): 108-113.
[11]	汪敏, 徐英豪, 朱习军. 基于改进遗传算法优化BP神经网络的糖尿病并发症预测模型#br#[J]. 计算机与现代化, 2022, 0(11): 69-74.
[12]	王扬, 陈梅, 李晖. FOCoR:一种基于特征选择优化的课程推荐技术[J]. 计算机与现代化, 2022, 0(10): 1-7.
[13]	冉昊杰, 王宏智. 基于改进模拟退火算法的生鲜农产品配送中心选址[J]. 计算机与现代化, 2022, 0(10): 36-40.
[14]	战俊伟, 庄毅. 基于能耗与延迟优化的移动边缘计算任务卸载模型及算法[J]. 计算机与现代化, 2022, 0(08): 86-93.
[15]	吴代漾, 赵洁, 梁家铭, 董振宁, 梁周扬. C2C在线短租跨平台房东匹配算法[J]. 计算机与现代化, 2022, 0(06): 43-48.