数理学院本科生在能源类国际高质量期刊《Energy》上发表论文
近日，数理学院数据科学与智能计算团队在国际能源领域顶级学术期刊《Energy》上发表题为“Multi-step ahead forecasting of daily urban gas load in Chengdu using a Tanimoto kernel-based NAR model and Whale optimization”的高质量论文(2022年8月第260卷，DOI：https://doi.org/10.1016/j.energy.2022.124993)。该期刊系SCI检索期刊，JCR及中科院分区一区TOP期刊，2021年影响因子为8.857。数理学院2019级数学与应用数学专业本科生邓雁乔为第一作者，指导教师马新副教授为通讯作者，数理学院为第一单位完成。本研究获得国家自然科学基金项目(No. 71901184, 71771033)、教育部人文社科基金青年基金(No. 19YJCZH119)、四川省省级科研院所科技成果转化项目(No. 2022JDZH0035)、四川省大学生创新创业训练计划创新训练项目(S202110619124)、西南科技大学大学生创新基金项目(CX22-066)的支持。
图1. 论文正式稿信息页
2020年9月，习近平总书记在第75届联合国大会上宣布中国将增加自主减排贡献，力争二氧化碳排放2030年前达到峰值，2060年前实现碳中和。天然气作为清洁高效的低碳化石能源，在中国能源体系从化石能源向可再生能源过渡过程中发挥着重要作用，为加快城市煤改气的建设，对城市燃气负荷进行准确预测将有利于平衡峰谷差异，实现天然气的高效利用。
图2（正文Fig. 9）. WOA算法收敛曲线
为此，本研究构建了一种基于Tanimoto核函数的非线性自回归机模型以实现动态建模和多步预测，Tanimoto核函数首次扩展为实值回归形式应用于能源领域的预测研究中。与此同时，本研究构建了一种基于样本外留一法和鲸鱼优化算法（WOA）的优化策略实现对模型超参数的自动调参。为验证其有效性，研究将所提出的方法策略对成都市城市日燃气消费负荷进行了多步预测，并从短、中、长期及多个时间滞后角度与11个基于传统核函数的等式支持向量机模型和8个流行的机器学习模型进行了对比，研究表明：所提出的模型在80%的案例分析中展现出更好的预测性能，其一步预测平均绝对值分比误差（MAPE）范围为在2.3375%-3.8765%，且所提出的优化方案有效地提高了模型的泛化性能。
图3（正文Fig.13）. 模型5步预测结果对比图（成都市天然气城市燃气消费）
全文链接：
https://www.sciencedirect.com/science/article/abs/pii/S0360544222018904
