本發(fā)明涉及一種耦合氣液外輸特征的lng（液化天然氣，liquefied?natural?gas）外輸量短期預(yù)測(cè)方法和系統(tǒng)，屬于lng外輸量預(yù)測(cè)。

背景技術(shù)：

1、隨著全球能源需求的持續(xù)增長(zhǎng)和環(huán)保意識(shí)的提高，液化天然氣作為一種清潔能源，其地位日益凸顯。lng具有能量密度高、方便運(yùn)輸、機(jī)動(dòng)靈活、安全高效的特點(diǎn)，并且隨著lng液化技術(shù)和船運(yùn)技術(shù)的進(jìn)步，lng逐漸成為全球天然氣跨國(guó)貿(mào)易的主要形式。lng到港口接收站后，可以由氣化器氣化后以氣態(tài)的方式外輸，也可以液態(tài)的方式外輸，不論采用何種方式，均需要滿足下游工業(yè)、商業(yè)和家庭用氣的需求。天然氣市場(chǎng)具有很強(qiáng)的波動(dòng)性，受到多種因素的影響，包括地緣政治因素、氣候條件變化等，因此對(duì)lng氣態(tài)和液態(tài)外輸量的準(zhǔn)確預(yù)測(cè)對(duì)于企業(yè)合理調(diào)配資源、制定外輸計(jì)劃具有重要意義。

2、lng外輸量預(yù)測(cè)本質(zhì)上是一個(gè)時(shí)間序列預(yù)測(cè)問(wèn)題。時(shí)間序列預(yù)測(cè)是一種通過(guò)分析和挖掘時(shí)間序列數(shù)據(jù)中的模式和規(guī)律，來(lái)預(yù)測(cè)未來(lái)數(shù)值或趨勢(shì)的方法，現(xiàn)有的方法包括基于傳統(tǒng)統(tǒng)計(jì)學(xué)的方法，如自回歸移動(dòng)平均（arma）模型、季節(jié)性自回歸移動(dòng)平均（sarma）模型、灰色預(yù)測(cè)模型以及基于神經(jīng)網(wǎng)絡(luò)的方法，如循環(huán)神經(jīng)網(wǎng)絡(luò)（rnn）、長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）等。這些模型在許多場(chǎng)景中獲得了不錯(cuò)的預(yù)測(cè)效果，但對(duì)于lng外輸量預(yù)測(cè)問(wèn)題而言，這些傳統(tǒng)的預(yù)測(cè)模型不能充分捕捉lng外輸過(guò)程中氣態(tài)和液態(tài)外輸量之間的局部關(guān)聯(lián)關(guān)系，因此預(yù)測(cè)效果一般，難以滿足當(dāng)前l(fā)ng接收站對(duì)于外輸量高精度預(yù)測(cè)的需求。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問(wèn)題，本發(fā)明的目的是提供一種耦合氣液外輸特征的lng外輸量短期預(yù)測(cè)方法和系統(tǒng)，其提高了lng外輸量預(yù)測(cè)的準(zhǔn)確性，幫助運(yùn)營(yíng)方更有效地管理能源資源，優(yōu)化供應(yīng)鏈操作，減少運(yùn)營(yíng)成本，同時(shí)確保能源供應(yīng)的穩(wěn)定性，提高整體的經(jīng)濟(jì)效益和社會(huì)效益。

2、為實(shí)現(xiàn)上述目的，本發(fā)明提出了以下技術(shù)方案：一種耦合氣液外輸特征的lng外輸量短期預(yù)測(cè)方法，包括以下步驟：采集lng接收站氣態(tài)外輸量和液態(tài)外輸量的歷史數(shù)據(jù)以及基本氣象信息；對(duì)所述歷史數(shù)據(jù)以及基本氣象信息進(jìn)行最優(yōu)變分模態(tài)分解（ovmd），得到本征模態(tài)分量，并對(duì)所述本征模態(tài)分量進(jìn)行重構(gòu)；將經(jīng)過(guò)重構(gòu)的數(shù)據(jù)輸入外輸量短期混合預(yù)測(cè)模型，所述外輸量短期混合預(yù)測(cè)模型包括深度卷積神經(jīng)網(wǎng)絡(luò)模塊和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型，通過(guò)所述深度卷積神經(jīng)網(wǎng)絡(luò)模型提取氣態(tài)外輸量和液態(tài)外輸量之間的潛在關(guān)聯(lián)特征；通過(guò)所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型提取氣態(tài)外輸量和液態(tài)外輸量與所述氣象信息之間的時(shí)間依賴特征；將所述關(guān)聯(lián)特征與所述時(shí)間依賴特征進(jìn)行特征融合，獲得lng外輸量的預(yù)測(cè)結(jié)果。

3、進(jìn)一步，對(duì)氣態(tài)外輸量和液態(tài)外輸量的歷史數(shù)據(jù)以及基本氣象信息進(jìn)行預(yù)處理，所述預(yù)處理包括：通過(guò)數(shù)據(jù)清洗技術(shù)去除異常值和噪聲；對(duì)經(jīng)過(guò)數(shù)據(jù)清洗的數(shù)據(jù)進(jìn)行歸一化處理，從經(jīng)過(guò)歸一化處理的數(shù)據(jù)中提取影響lng外輸量的關(guān)鍵特征。

4、進(jìn)一步，所述關(guān)鍵特征包括最高溫度、最低溫度和平均溫度。

5、進(jìn)一步，所述進(jìn)行最優(yōu)變分模態(tài)分解（ovmd）的方法為：將各個(gè)模態(tài)分量疊加后與原始信號(hào)相等作為約束條件，引出模型參數(shù)：模態(tài)分解總數(shù) k、二次懲罰因子α以及拉格朗日乘子τ；通過(guò)傅里葉變換，得到lng外輸量原始序列分解后的 k個(gè)窄帶固有模態(tài)函數(shù)分量；通過(guò)更新所述模型參數(shù)，對(duì)所述分解后的 k個(gè)窄帶固有模態(tài)函數(shù)分量進(jìn)行更新，直至獲得符合約束條件的最佳固有模態(tài)函數(shù)分量。

6、進(jìn)一步，采用中心頻率法來(lái)確定模態(tài)分解總數(shù) k，基于殘差指標(biāo)最小化來(lái)確定拉格朗日乘子τ，殘差指標(biāo)的公式如下：

7、

8、其中，表示lng外輸量原始信號(hào)的長(zhǎng)度，是殘差指標(biāo)，表示第種模態(tài)。

9、外輸量短期混合預(yù)測(cè)模型

10、進(jìn)一步，將經(jīng)過(guò)所述最優(yōu)變分模態(tài)分解（ovmd）生成的本征模態(tài)分量與氣態(tài)外輸量和液態(tài)外輸量的歷史數(shù)據(jù)作為第一數(shù)據(jù)集，將所述本征模態(tài)分量與基本氣象信息作為第二數(shù)據(jù)集，將第一數(shù)據(jù)集與第二數(shù)據(jù)集一同輸入外輸量短期混合預(yù)測(cè)模型中，對(duì)模型進(jìn)行訓(xùn)練。

11、進(jìn)一步，所述外輸量短期混合預(yù)測(cè)模型包括輸入層、氣液態(tài)外輸特征提取模塊和輸出層；所述輸入層，用于輸入管道歷史時(shí)間步長(zhǎng)的外輸量信息以及所述氣象信息；所述氣液態(tài)外輸特征提取模塊，用于通過(guò)深度卷積神經(jīng)網(wǎng)絡(luò)提取氣態(tài)和液態(tài)外輸量之間的潛在關(guān)聯(lián)特征；通過(guò)長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)提取lng外輸量與氣象信息之間的時(shí)間依賴關(guān)系，進(jìn)而同時(shí)挖掘氣態(tài)和液體外輸量之間的潛在非線性關(guān)聯(lián)關(guān)系以及外輸量隨時(shí)間的長(zhǎng)期依賴關(guān)系；所述輸出層，用于輸出lng外輸量的預(yù)測(cè)結(jié)果。

12、進(jìn)一步，所述輸入層中包括特征自適應(yīng)加權(quán)模塊，所述特征自適應(yīng)加權(quán)模塊用于對(duì)輸入層輸入的數(shù)據(jù)進(jìn)行加權(quán)變換，并獲得各輸入變量之間的相關(guān)性，輸出各所述輸入變量對(duì)待預(yù)測(cè)外輸量重要程度的權(quán)值，并生成加權(quán)后的輸入變量，將所述加權(quán)后的輸入變量輸入所述氣液態(tài)外輸特征提取模塊。

13、進(jìn)一步，所述外輸量短期混合預(yù)測(cè)模型中的激活函數(shù)為relu函數(shù)，所述外輸量短期混合預(yù)測(cè)模型采用adam優(yōu)化器進(jìn)行模型訓(xùn)練，采用交叉驗(yàn)證方法對(duì)模型性能進(jìn)行評(píng)估，并根據(jù)模型驗(yàn)證結(jié)果進(jìn)一步優(yōu)化調(diào)整模型參數(shù)和結(jié)構(gòu)。

14、本發(fā)明還公開了一種耦合氣液外輸特征的lng外輸量短期預(yù)測(cè)系統(tǒng)，包括：數(shù)據(jù)采集模塊，用于采集lng接收站氣態(tài)外輸量和液態(tài)外輸量的歷史數(shù)據(jù)以及基本氣象信息；數(shù)據(jù)重構(gòu)模塊，用于對(duì)所述歷史數(shù)據(jù)以及基本氣象信息進(jìn)行最優(yōu)變分模態(tài)分解ovmd，得到本征模態(tài)分量，并對(duì)所述本征模態(tài)分量進(jìn)行重構(gòu)；模型訓(xùn)練模塊，用于將經(jīng)過(guò)重構(gòu)的數(shù)據(jù)輸入外輸量短期混合預(yù)測(cè)模型，所述外輸量短期混合預(yù)測(cè)模型包括深度卷積神經(jīng)網(wǎng)絡(luò)模塊和長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型，通過(guò)所述深度卷積神經(jīng)網(wǎng)絡(luò)模型提取氣態(tài)外輸量和液態(tài)外輸量之間的潛在關(guān)聯(lián)特征；通過(guò)所述長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型提取氣態(tài)外輸量和液態(tài)外輸量與所述氣象信息之間的時(shí)間依賴特征；結(jié)果輸出模塊，用于將所述關(guān)聯(lián)特征與所述時(shí)間依賴特征進(jìn)行特征融合，獲得lng外輸量的預(yù)測(cè)結(jié)果。本發(fā)明的技術(shù)方案至少具有如下技術(shù)效果或優(yōu)點(diǎn)：

15、1、現(xiàn)有技術(shù)中，由于現(xiàn)場(chǎng)工作人員缺乏lng外輸量預(yù)測(cè)工具，往往根據(jù)人工經(jīng)驗(yàn)確定未來(lái)lng外輸量，制定相應(yīng)調(diào)度計(jì)劃，其指導(dǎo)性較差。本發(fā)明通過(guò)耦合lng氣液外輸特征，全面考慮影響lng外輸量的各種因素，顯著提高了預(yù)測(cè)的準(zhǔn)確性。

16、2、本發(fā)明通過(guò)構(gòu)架混合模型，充分發(fā)揮了各個(gè)模型的優(yōu)勢(shì)，降低了原始數(shù)據(jù)的高度非線性非平穩(wěn)特征，從而更好地提取氣液態(tài)之間潛在的非線性關(guān)聯(lián)關(guān)系，提高了模型的泛化性和適應(yīng)性。

17、3、本發(fā)明中方案通過(guò)模型優(yōu)化技術(shù)，提高了預(yù)測(cè)模型的穩(wěn)定性和可靠性。

18、綜上所述，本發(fā)明提供的耦合氣液外輸特征的lng外輸量短期預(yù)測(cè)方法及系統(tǒng)，能夠有效解決現(xiàn)有技術(shù)中存在的問(wèn)題，可廣泛應(yīng)用于lng外輸量短期預(yù)測(cè)中。與現(xiàn)有技術(shù)相比，本發(fā)明預(yù)測(cè)的準(zhǔn)確性更高，預(yù)測(cè)偏差更小，能夠?yàn)閘ng接收站資源合理配置、規(guī)劃提供有益參考。