1）BP神经网络预测模型

天然气负荷除具有以周、日的周期变化特点外，还由于受到天气、季节、节假日等诸多因素影响，其复杂性导致天然气负荷波动十分频繁，呈高度非线性、时变性、分散性和随机性等特点。传统线性预测方法无法全面描述天然气负荷变化规律，使模型预测精度常不尽人意。BP网络是目前使用最广泛的神经网络，具有非线性逼近、自适应学习能力。既能描述天然气负荷周期性，又能反映负荷影响因素对负荷的变化作用，非常适合复杂、非线性的天然气负荷预测。因此，采用BP神经网络对天然气负荷预测，以提高天然气负荷的预测精度。

理论上，具有单隐层的3层BP网络可以解决任何非线性映射问题。影响天然气负荷的各种因素与负荷的对应关系，可以看成一个多维空间与多维空间的非线性函数的映射问题，因此只要建立3层网络模型（输入层、隐层、输出层），其中输入层数据为各影响因素，输出层数据为短期天然气负荷，就可以很好地模拟该映射问题，对短期天然气负荷进行较好的预测。BP神经网络预测模型结构如图4.4所示。

图4.4　短期天然气负荷预测模型结构

在BP网络中，输入层的节点决定了隐含层神经元的数量，设第i个样本点的输入向量为xi＝｛x1，x2，…，xn｝。期望输出yk＝｛y1，y2，…，ym｝。则隐含层输出为

BP神经网络预测输出为

BP神经网络预测误差为

更新后权值为

更新后阈值为

式中　n——输入层节点数；

l——隐含层节点数；

m——输出层节点数；

wij，wjk——输入层、隐含层和输出层神经元之间的连接权值；

aj——隐含层阈值；

bk——输出层阈值；

η——学习速率；

f——隐含层激励函数。

采用Sigmoid函数，可记为(www.daowen.com)

2）BP神经网络参数优化

传统BP算法是人工神经网络中应用最广泛的算法，但是存在着一些缺陷：学习收敛速度太慢；不能保证收敛到全局最小点；网络结构不易确定等。而经过非线性最优化算法LM改进后的BP神经网络LM-BP，优化后仍存在一定的问题，即网络结构确定、初始连接权值选取和阈值的选择。

BP神经网络输入层、隐含层和输出层神经元之间的连接权值wij、wjk，隐含层阈值aj、输出层阈值bk对BP网络性能有着很大影响，因此要获取最优天然气负荷预测精度，那么首先需要选择最优的wij、wjk、aj、bk，从而建立最优的天然气负荷预测模型。

针对此类预测问题，提出GA-BP算法先采用全局搜索能力较强的GA取代一些传统学习算法对BP神经网络结构先进行训练（即学习连接权值和阈值），全局搜索得到可行解，再引入BP算法对可行解进行局部优化，直至满足收敛条件和精度要求，得到最优解。

基于GA-BP神经网络参数的优化步骤为：

（1）设置BP神经网络wij、wjk、aj、bk的初始值。

（2）设置遗传算法初始参数值，最大迭代代数、种群数目、交叉概率、变异概率等。

（3）采用实数编码制度对wij、wjk、aj、bk进行编码，并生成初始种群。

（4）计算每一个个体的适应度值。

（5）对种群中的个体进行选择、交叉和变异等操作，产生新一代的种群。

（6）判断是否满足寻优结果条件，如果满足，则得到最优个体，并反编码为BP神经网络最优参数，否则转（4），继续执行。

3）基于GA-BP的天然气负荷预测流程

基于BP神经网络的天然气负荷预测过程具体如下：

（1）收集天然气负荷原始数据。

（2）对天然气负荷历史数据进行算数平均滤波。由于天然气历史负荷数据易受诸多因素的影响，异常数据对于预测结果精度有着直接的影响。

（3）天然气负荷数据归一化处理。归一化处理可以可加快预测模型的训练速度。

（4）样本数据训练集和测试集的选择。训练集用于参数优化，建立最优预测模型，测试集用于对建立的模型性能进行检验。

（5）设置BP神经网络参数的初始值。

（6）对BP神经网络进行学习和训练，并设置期望输出。

（7）通过GA对BP神经网络参数进行优化。

（8）利用优化得到的最优BP神经网络参数建立预测模型。

（9）对天然气负荷进行预测，并输出预测结果。