Die kurzfristigen Lastprognosen für Erdgas basieren auf den vorherigen jährlichen Daten für eine einzige Stadt oder Region und sind eine Forschung von geringer Bedeutung für die Planung der optimalen Produktion im Erdgaspipeline-System für einen kurzen Zeitraum. Ein Beispiel für einen natürlichen Gaspunkt auf der Gaspipeline ist die Entwicklung eines Modells zur kurzfristigen Lastprognose für Erdgas basierend auf dem Schwarmalgorithmus und auch auf dem neuronalen Modell (LSTM). Verwenden Sie für laute Datensätze einen Filteralgorithmus, um das Rauschen zu entfernen. Mit einem entscheidenden Modell für LSTM-Parameter-Set und der Hinzufügun weiterer Kapitalverteilungssets basierend auf der Lastprognose. Die Ergebnisse und Formen der Modelle und Eigentumsrechte oder bekannte gemischte und verteilte LSTM-Modelle müssen vermerkt werden. Die Methode ist in der Lage, die Verteilung von Erdgas-Pipelines mit mehr als einem Verteilungspunkt genau zu modellieren in einem kurzen Zeitraum.

Pipeline; kurzfristige Lastprognose; Filteranalyse; verbundene Lastpunkte; langfristiges Modell neuronales Netzwerk