燃氣負荷預測技術綜述

同濟大學機械與能源工程學院 郝現英 陳志光

長沙新奧燃氣有限公司 王建林 雷 行

“雙碳”目標的提出，為我國燃氣行業(yè)帶來了新的機遇與挑戰(zhàn)，持續(xù)推動天然氣發(fā)展是我國既定的能源戰(zhàn)略。天然氣具有清潔、高效、低碳等特點，在推動我國能源結構轉型和能源供應安全方面發(fā)揮著橋梁與支撐作用。近年來，我國天然氣產業(yè)發(fā)展迅速，2020 年天然氣消費量約為3 340 億m3，占一次能源消費總量的8.7%，2025 年我國天然氣總需求量預計將達到4 080 億m3。燃氣負荷預測不僅關系到燃氣公司的效益，而且對能源供應、燃氣輸配和燃氣管網建設都有重大的影響。

1 燃氣負荷預測法

長期以來，國內外學者對燃氣負荷預測法進行了許多研究，并建立了多種預測模型。20 世紀50年代，Verhulst 等人在法國首次提出了人工煤氣預測模型，為燃氣負荷預測的研究奠定了基礎。20 世紀80 年代，我國開始進行燃氣負荷預測的研究，近些年也有了一定的進展。從國內外的研究情況來看，依據算法理論的不同，燃氣負荷預測技術中的預測方法主要可分為數理統計預測法、人工智能預測法及組合預測法。

1.1 數理統計預測法

數理統計預測法是以概率論為基礎，運用統計學的方法對燃氣負荷歷史數據進行分析并得出規(guī)律，從而建立數學模型來預測未來燃氣負荷。城市燃氣領域常用的數理統計預測法包括回歸分析法、時間序列法及灰色預測法。

(1) 回歸分析法?；貧w分析法是指通過分析歷史數據的規(guī)律性，列出回歸方程來進行負荷預測，包括一元線性回歸、多元線性回歸及非線性回歸。高紅燕等人[1]利用西安市某供暖期的燃氣負荷及氣象觀測逐日資料，分析西安市供暖期、節(jié)假日、雙休日燃氣負荷的變化規(guī)律。在此基礎上采用多元線性回歸分析方法，構建供暖期日燃氣負荷預測模型，并對模型進行檢驗評估。VAJK I 等人[2]基于分段逼近理論，采用非線性方程模型預測燃氣負荷，擬合精度較準確。

(2) 時間序列法。按時間順序對燃氣負荷數據進行統計并分析，之后使用模型擬合預測燃氣負荷的方法被稱為時間序列法。時間序列法分為隨機型和確定型兩類。隨機型時間序列法包括移動平均模型、自回歸模型及自回歸-移動平均模型等方法，確定型時間序列法則有指數平滑法等。哈爾濱工業(yè)大學焦文玲等人[3]通過分析城市燃氣負荷的特點及影響因素，應用指數平滑法建立了城市燃氣短期負荷預測模型，并指出平滑指數為0.3 的直線模型具有較高的預測精度。ERVURAL B C 等人[4]采用ARMA 的方法，并利用遺傳算法優(yōu)化對土耳其燃氣負荷進行預測，有效提高了預測精度。

(3) 灰色預測法?；疑A測法以灰色系統理論為基礎，將影響燃氣負荷變化的因素視為一個含有不確定性因子的系統，通過累加、累減等方式對原始數據序列進行處理，之后在生成的序列中對被放大的規(guī)律進行分析，降低隨機波動的影響。金芳[5]針對天津市的燃氣年負荷預測提出了灰色殘差預測模型，并驗證了該模型在一定時間內精度相對較高。由相關實驗得出，基于灰色模型來預測燃氣負荷預測數據，適用于短期預測[6]。

傳統的數理統計預測方法雖然在理論上易于理解、運算快速，但該方法僅從燃氣負荷數據角度進行分析，很難得到精確的預測結果，因而目前單獨應用數理統計預測方法進行燃氣負荷預測的情況較少。

1.2 人工智能預測法

在信息技術飛速發(fā)展的今天，人類進入了大數據時代。在大數據背景下，人工智能技術也逐步與燃氣負荷預測領域相融合，從而產生了許多智能化的預測模型，推動了燃氣負荷預測技術的進一步發(fā)展。人工智能預測法中的預測模型主要包括基于人工神經網絡的預測模型、基于支持向量機的預測模型及基于深度學習技術的預測模型。

(1) 人工神經網絡。人工神經網絡是對人腦神經進行高度模擬形成的網絡系統。它對信息進行創(chuàng)新性的處理，利用機器學習得到映射出非線性關系的參數，對這些參數進行智能化分析，并對某些不夠精確的數據進行自動適應。焦文玲等人[7]針對城市燃氣短期負荷預測提出了BP 神經網絡模型，并利用該模型得出與實際數據吻合性較強的預測結果。波蘭學者Szoplik[8]通過構建人工神經網絡中的多層感知器模型，對波蘭Szczesin 市的燃氣消耗量進行了預測，預測精度較高。

(2) 支持向量機。支持向量機具有扎實的理論基礎和良好的泛化性能，其基于結構復雜性最小化原則，并結合考慮模型復雜性與模型學習能力。支持向量機對于處理復雜、小樣本及多維度的數據具有優(yōu)勢。清華大學張超等人[9]利用支持向量機的方法，針對華北地區(qū)某城市建立了天然氣日負荷預測模型，得到了較好的預測結果。

(3) 深度學習。深度學習是加拿大Hinton 教授等人于2006 年首次引入的概念，為機器學習與人工智能研究提供了新思路。深度學習源于人工神經網絡，同時也是對神經網絡的進一步發(fā)展。人工神經網絡模型具有容易過擬合、訓練時間較長、層數少時預測效果差等缺點。深度學習算法使用的訓練機制與神經網絡大為不同，它解決了神經網絡訓練中出現的問題[10]。有研究利用深度多任務學習算法對工業(yè)園區(qū)整體能源系統進行負荷預測，并驗證了該算法的有效性與準確性，表明深度多任務學習在負荷預測方面具有廣闊的應用前景。

與數理統計預測法相比，人工智能預測法的應用范圍更廣，預測精度也比數理統計預測法高。但是由于人工智能預測法的整個預測過程是一個黑箱，故也存在著無法對預測過程展開數學理論分析的缺陷。

1.3 組合預測法

復雜因子和隨機干擾影響著燃氣負荷序列數據，用單一的模型有時很難達到理想的預測效果。組合模型則結合了多種單一模型的優(yōu)點，提高了模型的預測效果。按照組合預測模型的構建原則，可以將其劃分為基于權重分配方式、基于預測模型參數優(yōu)化方式、基于數據預處理方式及基于殘差修正方式。

(1) 基于權重分配方式?；跈嘀胤峙浞绞绞钦细鞣N預測模型的信息，根據預測評價標準構建出基于預測結果的加權組合式預測模型。北京市燃氣集團研究院王勛等人[11]分別利用Lasso 算法、線性回歸、MLP 神經網絡、XGBoost 算法預測北方某城市的燃氣日負荷，再基于信息熵理論加權組合單一模型的預測結果，發(fā)現組合模型的預測結果比各單一模型的預測精度均高。

(2) 基于預測模型參數優(yōu)化方式?；陬A測模型參數優(yōu)化方式是利用蜂群算法、布谷鳥搜索算法、果蠅算法等，在理論上改進和優(yōu)化模型中的激活函數或參數，從而提升預測效果?；谶z傳算法優(yōu)化的BP 神經網絡模型，能獲得更加理想的預測結果[12]。

(3) 基于數據預處理方式?；跀祿A處理方式是全面考慮數據的質量，對輸入的數據進行一系列處理，比如特征提取、特征降維、數據去噪等，以確保數據可以完整、準確地輸入到預測模型中。用改進的主成分分析法提取燃氣負荷的影響因素，隨后輸入到長短期記憶網絡模型中進行預測，實驗結果顯示預測精度提高很多[13]。

(4) 基于殘差修正方式?；跉埐钚拚绞酵ǔＪ侵赣靡环N模型輸出的殘差序列去修正另一種模型的輸出值。西南石油大學王兵等人[14]基于燃氣負荷數據特點，采用魯棒局部加權回歸對負荷序列進行分解，針對分解后的趨勢項、周期項、余項建立了ARIMA 和Light GBM 組合預測模型，之后設計了三支殘差修正法對Light GBM 的預測結果進行修正，該模型的表現良好。

2 燃氣負荷預測軟件

歐美各國對城市燃氣負荷進行了大量研究，在此過程中，燃氣負荷預測技術逐漸完善。除了對燃氣負荷預測法的研究，許多能源公司都開發(fā)出了燃氣負荷預測系統和軟件。我國在燃氣負荷預測軟件的開發(fā)方面進展比較緩慢，目前國內僅有北京、上海等一線城市具備完善的城市燃氣負荷預測系統，而經濟較落后地區(qū)的燃氣負荷預測系統與國外先進水平相比仍有很大差距。我國多數研究都只是針對特定地區(qū)，還未建立可對全國通用的預測模型和預測軟件系統。常見的國內外部分燃氣負荷預測軟件各有特點，詳見表1。

表1 常見國內外燃氣負荷預測軟件

3 結語

燃氣負荷預測技術對于燃氣的發(fā)展意義重大。燃氣負荷預測方法中，數理統計預測法為燃氣負荷預測奠定了基礎，但該方法只能進行少量的數據預測，且考慮燃氣負荷的影響因素較少，預測精度低。人工智能預測法是以機器學習為基礎，可進行大量的數據預測。深度學習作為一種新興的機器學習方法，極大地推動了人工智能的發(fā)展，利用該方法構建的燃氣負荷預測模型，在泛化性、精確度等方面均有較大提高，其有望成為燃氣負荷預測的新發(fā)展趨勢。組合預測法的初衷是揚長避短，對單一預測模型進行優(yōu)化，可提高運算速度和預測精度。西方很多發(fā)達國家均已開發(fā)出多種負荷預測軟件，但這些軟件并不適合我國的用氣狀況，因此研究一款與我國用氣特征相符的燃氣負荷預測軟件，是我國燃氣行業(yè)亟需解決的問題。