燃气负荷预测技术发展及应用现状研究

尹 恒，刘金源，陈传胜，全 青，王寿喜,

(1.中石化川气东送天然气管道有限公司，湖北 武汉 430020；2.西南石油大学 石油与天然气工程学院，四川 成都 610500；3.西安石油大学 石油工程学院，陕西 西安 710065)

随着近几年天然气消费量的持续增长，我国的天然气产业得到了飞速发展，天然气管道事业也必将迎来新的机遇与挑战[1]。然而，长输天然气管道的调度管理、规划运营和运行优化，都必须依赖于准确的负荷预测技术[2]。特别是在管道公司与下游用户签订“照付不议合同”的前提下，长输天然气管道准确的负荷预测技术就显得极其重要，它涉及供气系统的安全性、可靠性和管道公司的经济效益等诸多方面的因素，是智能管网系统实现规划、建立、调峰与调度等功能的关键技术[3]。因此，准确的燃气负荷预测值对提高长输天然气管网供气系统管理水平、保证安全平稳供气、提高供气系统的经济性均有着十分重要的意义[4]。

我国对于长输天然气管道下游用户负荷预测方面的研究起步较晚，过去几十年间，预测算法由于受到科技发展瓶颈的限制，始终停留在人工经验分析、传统预测模型以及结构简单的神经网络预测模型上，虽然部分模型可以获得较好的预测结果，但其适用性及稳定性均有待提高[5]。随着近几年计算机科学技术的迅猛发展，“AlphaGo”人工智能程序、面部识别系统、汽车无人驾驶系统等高精尖技术的研发，掀起了人工智能和全球各个领域相结合的发展浪潮[6]。对于燃气负荷预测领域，算法结构更加复杂、更加先进的人工智能模型，以及将不同预测模型和人工智能领域相结合，或用各种优化算法对人工智能模型进行优化的组合预测模型凭借其更高的预测精度和稳定性正在迅速崛起[7]。

为了确保燃气负荷预测技术在实际应用过程中的准确性、稳定性和适用性，本文对预测模型的发展现状、应用特点和衍生出的预测产品进行研究，并对燃气负荷预测技术未来的发展方向做了进一步分析，以期为长输天然气管道企业的用气量规划、储气调峰和运行优化提供参考意见。

1 燃气负荷预测技术发展现状

20世纪中叶，Verhulst等人对法国人工煤气需求开展调查研究，建立了需求预测模型(包括需求方程、资源供应方程以及气价、收入的平衡方程)，开创了燃气市场需求预测的先河[8]。半个多世纪以来，国内外学者在燃气负荷预测领域开展了大量的研究工作，应用不同数学方法进行了尝试。从文献检索情况看，燃气负荷预测技术按照算法理论的不同整体上可分为两类：传统预测模型和基于AI的预测模型[9]。

1.1 传统预测模型

传统预测模型大多以统计学理论为基础，通过对历史负荷数据进行分析，发掘出数据间存在的潜在规律，从而建立可以表现负荷数据发展规律的数学模型，对未来燃气负荷值进行预测。燃气负荷预测领域常用的传统预测模型包括时间序列模型、回归预测模型和灰色预测模型三种[10]。此外，部分学者为了取得更高的预测精度，对传统预测模型进行了改进和组合，得到了多种预测效果更好的组合预测模型[11]。

杨闻宇通过分析济南东部地区短、中期燃气负荷特性，建立了基于指数平滑法的日负荷和年负荷预测模型，经实例验证，模型预测结果均可达到预期目标[12]；李楠根据中长期燃气负荷变化特点，针对中期负荷建立了基于时间序列和RBF神经网络的分解-组合模型，针对长期负荷建立了基于残差修正的GM(1，N)模型，预测精度较高[13]；武海琴等通过分析北方某城市各类天然气用户历史数据，在回归预测法的基础上建立了供暖、居民、商业等各类用户的单独预测模型及总体预测模型[14]；邹文波通过分析北京首都机场2012—2013年供暖季燃气日负荷和大气温度二者的相关性，建立了基于日最高温和最低温的燃气日负荷一元线性回归预测模型[15]；吴峰利用灰色理论对某市的燃气年负荷进行预测，取得了较好的预测结果[16]。

上述传统预测模型虽然在应用过程中获得了较好的预测结果，但模型自身存在的缺陷以及模型应用范围的局限性也尤为显著。如：灰色预测模型只能挖掘少量历史负荷数据中潜在的发展规律，无法从积累的大量数据中拟合出燃气负荷完整的变化情况，其预测结果为趋势稳定上升或下降的曲线，与燃气负荷实际变化情况的误差呈稳定增加趋势。时间序列模型相较于灰色预测模型有所改进，预测结果不再是趋势稳定的曲线，但该模型同样无法考虑其他因素对燃气负荷的影响，拟合能力较弱。回归预测模型只能考虑少量影响因素，一旦加大模型输入的历史负荷数据量和影响因素维度，预测结果就会产生较大偏差，即模型的拟合能力会随着数据量的增加而变弱。三种常用传统预测模型的应用特点见表1。

表1 传统预测模型应用特点对比表

传统预测理论的出现，填补了当年燃气负荷预测领域的空白，使得燃气企业对于未来一段时间内天然气可能的消费情况，有了一定程度的把握。然而，传统预测模型的应用虽然促进了国内外预测领域的发展，但其无法同时考虑多种负荷影响因素、模型参数选择依赖于技术员的操作经验、模型拟合能力较弱等缺陷，使得模型的发展受到了限制。以负荷影响因素为例，燃气负荷数据的规律性特征并非自然形成，而是在很大程度上受到气象状况、日期状况(法定节假日、冬季供暖等)以及国家政策等因素的影响，如果在不考虑影响因素的基础上建模，模型对于预测结果的拟合能力势必变弱。此外，部分传统预测模型的参数选择也没有特定的优化方法，建模过程中参数的设定完全依赖于人的经验，预测结果时好时坏，稳定性和适应性较差，无法在实际应用过程中起到一定的指导作用。

1.2 基于AI的预测模型

随着科学技术的迅猛发展，计算机的海量数据存储能力及分布式运算能力得到大幅度提升，全球科技正式步入大数据时代。与此同时，以大数据为背景的人工智能技术也逐渐开始和燃气负荷预测领域相结合，诞生了许多基于AI的智能化预测模型[17]。目前，应用较多的AI预测模型包括基于人工神经网络(Artificial Neural Networks，简称ANN)的预测模型、基于支持向量机(Support Vector Machine，简称SVM)的预测模型、基于深度学习(Deep Learning，简称DL)技术的预测模型以及利用各种优化算法对AI预测模型进行优化的组合模型[18]。

相比于传统预测模型，AI预测模型强大的自主学习能力和非线性拟合能力使得模型预测结果具有更高的精度。王婷通过引入几种生物学领域的参数寻优算法来对BP神经网络进行参数寻优，最终确定布谷鸟搜索算法(Cuckoo Search，简称CS)对BP神经网络(CS-BP)的参数寻优效果更好，预测精度更高[19]；Nan Wei等将改进后的奇异谱分析(Singular Spectrum Analysis，简称SSA)算法和LSTM(Long Short-Term Memory，简称LSTM)模型相结合，构建了ISSA-LSTM组合预测模型，并对伦敦、墨尔本、卡地亚和香港四个不同气候带上典型城市的燃气负荷值进行预测，预测结果验证了ISSA-LSTM组合模型良好的鲁棒性和精确性[20]；张少平在改进粒子群算法ACLSPSO的基础上，引入经验模式分解(Empirical Mode Decomposition，简称EMD)算法对BP神经网络优化，建立了EMD-ACLSPSO-BP组合预测模型，达到了更好的预测效果[21]；董明亮等应用遗传算法(GA)对SVM模型的惩罚因子c及核函数g进行优化，构建GA-SVM组合预测模型，并以某省实际样本数据为例进行验证，说明了GA-SVM组合预测模型的准确性[22]；Omer Faruk Beyca等利用多元线性回归模型(MLR)、人工神经网络模型(ANN)和支持向量回归模型(SVR)对土耳其最大的天然气消费城市伊斯坦布尔的月负荷和年负荷进行预测，预测结果显示SVR模型的预测结果与其他模型相比更为准确[23]；黄维针对燃气负荷序列非线性、非平稳的特性，采用优化后的EMD(Empirical Mode Decomposition，简称EMD)算法将负荷数据序列分解成多个本征模向量，再分别进行DBN(Deep Belief Network，简称DBN)建模和预测，得到各个分量的预测结果，最后使用线性神经网络将各分量的结果拟合得出最终预测结果。结果表明，EMD-DBN组合预测模型能够避免单一模型过拟合的问题，提高预测精度[24]；Nan Wei等首先将主成分分析法(Principal Component Analysis，简称PCA)和相关分析法结合，构建了主成分相关分析法(Principal Component Correlation Analysis，简称PCCA)，PCCA可以在提取负荷影响因素主要成分的同时，剔除弱相关性数据。随后利用PCCA对LSTM模型进行优化，并通过与单一的LSTM、PCA-LSTM、BPNN、SVR模型进行对比，验证了PCCA-LSTM组合预测模型的精确性[25]。

王婷[19]21、张少平[21]212等采用参数寻优算法和分解重构的方式对神经网络模型进行了优化，但针对神经网络模型隐含层数的选择以及隐含层神经元数量多少的问题并未得到解决，仅凭参数寻优算法对神经网络的权值和阈值进行优化就能提升网络最重要的收敛能力也存在质疑。董明亮等[22]98同样应用参数寻优算法对SVM模型的惩罚因子和核函数进行了优化，但预测结果仅限于作者所列举的样本数据，优化模型的泛化能力尚未得到验证，且SVM模型自身对大规模训练样本难以实施的缺点也并未得到克服。Nan Wei等[25]利用目前火热的深度学习算法对燃气负荷进行了预测，深度学习算法可以从上万个数据中学习影响因素和燃气负荷之间潜在的规律，模型结构更加复杂，收敛能力相比于神经网络模型和支持向量机模型也得到了显著提升。因此，能够学习到燃气负荷更加完整的规律，得到更高的预测精度。三种AI预测模型的应用特点见表2。

AI预测模型的出现，逐渐取代了传统预测模型在国内外预测领域的地位。从文献检索情况看，自2017年步入大数据时代以来，传统预测模型的发展呈稳定下降趋势，取而代之的人工神经网络、支持向量机和深度学习等AI预测模型，因其能够考虑多种燃气负荷影响因素，以及强大的自学习能力和非线性拟合能力得到了大力发展。特别是得益于科技的迅猛发展和大数据的时代背景，可以综合考虑几千、几万甚至几十万输入数据，可以考虑更多中间层数和更多神经元个数的深度学习技术，在燃气负荷预测领域应用之初就获得了大量学者的青睐。

深度学习模型不仅可以考虑几维至几千维度的影响因素数据，其模型所能承载的网络复杂程度和超越一般神经网络的非线性拟合能力，使得预测结果的精确性、稳定性和适用性都得到了大幅度提升。因此，深度学习技术完全可以作为未来燃气负荷预测领域新的发展方向，能够对燃气企业合理规划燃气用量起到很好地指导作用。

呼吸道肺炎支原体感染即为临床中十分普遍的病症，其大多产生在婴幼儿与学龄以前的幼儿中[5-6]。现阶段，其患病机制依旧没有确定，然而，多认为是由于免疫功能紊乱而引发的免疫损伤。有研究人员指出了，在产生肺炎支原体感染后，大多会具备异常免疫应答，使得白三烯等各类炎性因子被释放，在呼吸道中产生慢性炎症而引起气道高反应，临床表现主要就包括了慢性咳嗽、气喘等[7-8]。同时，支原体肺炎可以在伤害呼吸道的同时引发肾炎、心肌炎等各类系统性病症，如果没有立即且高效地对患儿开展治疗，就会对其平日的生活、学习等带来过多的威胁。

2 燃气负荷预测软件应用现状

欧美等发达国家的天然气市场发展较快，目前已逐渐趋于成熟阶段。市场用气结构稳定、用气规律显著等特点，使其对天然气负荷特性的分析以及预测模型的搭建都已达到较高水平[26]。许多燃气企业结合下游用户用气特点，自主研发负荷预测软件，用于预测未来一段时间内的天然气需求，帮助企业管理者制定购销方案、调峰方案以及运行优化方案等，实现企业利润最大化[27]。

2.1 慕达数据分析预测系统

德国OGADO公司开发的慕达数据分析预测系统在欧洲拥有莫斯科，柏林，维也纳，法兰克福等众多成功案例。在国内已与中国石油、中国石化、新奥燃气等大型能源企业建立战略合作，为陕京线、西气东输、北京、上海、深圳、青岛、杭州、廊坊等数十个省和城市进行了区域燃气预测及决策管理支持[28]。

慕达数据分析预测系统包含多种负荷预测模型，内容涉及统计学、概率学、专家经验干预控制、动态数学模型、气象学、人工智能、机器学习等多个专业领域。该系统通过分析历史数据和几个至几千个维度的负荷影响因素来确定有针对性的预测模型。随后结合数据预处理、机器学习和关联规则分析技术，建立预测模型，通过对预测概率进行优化调整，得出未来精确的负荷预测值。慕达数据分析预测软件的工作平台架构见图1。

图1 慕达工作平台架构图

2.2 Gas Load Forecaster

英国Emerson能源集团开发的Gas Load Forecaster燃气负荷预测软件，已广泛应用于美国佛罗里达、壳牌等多个世界级大型输气企业。GLF软件在分析历史负荷数据、气象数据、日历数据、经济数据等负荷影响因素的基础上，建立神经网络模型，通过让神经网络对历史负荷数据的复杂规律进行反复自学习，实现对未来燃气负荷数据的准确预测[29]。

GLF软件拥有同SCADA系统进行连接的数据接口，可实时读取SCADA数据对未来燃气负荷值进行实时预测。GLF软件还具有模型优化选择和敏感度分析功能，可在对历史数据进行分析后自动筛选出最合适的预测模型，预测结果也不是直接作为输出结果，而是优先对结果进行敏感度分析，基于敏感度分析继续调整预测结果，再输出至用户界面。GLF软件操作示例见图2。

图2 GLF软件操作示例图

2.3 Load Forecaster

美国Gregg Engineering集团开发的Load Forecaster燃气负荷预测软件，主要应用于北美市场。LF同GLF和慕达数据分析预测系统一样，具有数据分析、数据预处理、模型训练以及预测等主要功能，但LF不同于其他预测软件，该软件既可单独作为燃气负荷预测软件使用，也可作为预测模块集成于Gregg公司自主研发的NextGen管网仿真软件中。和NextGen集成后的LF不仅能够进行离线预测，还可以利用SCADA系统读取到的管网实时数据对未来某一时段内的燃气负荷值进行实时预测，进而对燃气企业的储气调峰策略进行实时分析和有效指导。LF软件操作示例见图3[30]。

图3 LF软件操作示例图

3 燃气负荷预测技术展望

随着我国天然气消费量的增加、下游用户增多和天然气产业链的不断延伸，天然气的稳定供应成为供用气双方共同关注的问题。在天然气市场发展迅速、基础设施尚不完善的形势下，负荷预测在管网安全经济运行中将发挥越来越重要的作用。结合当前负荷预测技术应用现状，为提高需求预测精度，未来燃气负荷预测技术应在下述几个方面做进一步工作：

对燃气负荷进行准确预测的前提是历史负荷数据及其影响因素数据的完整性。然而，现场统计得到的月、日、小时等历史负荷数据总是存在人为的或系统临时中断造成的缺失现象，数据质量不稳定，严重影响了预测结果的精确性。因此，有必要完善信息上报渠道，建立完备的历史燃气负荷数据库，为后期预测提供可靠的数据支撑。

2)合理划分负荷数据类型

多数企业在预测未来一段时间的用气负荷时，取到的数据是工业、民用等混合用户的用气量，并非单一用气类型的数据。工业、民用气的用气规律不同，如果混在一起预测，无疑会加大预测结果的误差。因此，应按用气结构合理划分负荷数据类型，分用户建立预测模型。

3)利用深度学习技术建立负荷预测模型

在大数据的时代背景下，深度学习技术的出现取代了以往应用广泛的传统预测模型和部分AI预测模型。深度学习技术凭借其所能承载的网络复杂程度和超越一般神经网络的非线性拟合能力，在应用之初就取得了不菲的成绩。利用深度学习技术建立的燃气负荷预测模型，模型的泛化能力和预测结果的精确程度都能得到大幅度提升，可以将深度学习技术作为未来燃气负荷预测领域新的发展方向。

4)研发国产化燃气负荷预测软件

目前，全国天然气跨区域骨干管网已基本形成，但管网调度系统不够健全，干线之间无法做到及时的灵活调用，在出现极端气象条件或颁布某些对燃气负荷影响较大的政策时，局部地区依然会出现供气紧张的局面。欧美等发达国家虽然已经研发出多种负荷预测软件，但并不适用于国内复杂的用气特点。国内燃气企业迫切需要研发一款可以结合本国居民、企业用气特点的，成熟、可靠的负荷预测软件。

可以预见，随着天然气市场的日益成熟，历史负荷数据的有效积累和科学处理，以及信息上报渠道的日益完善，燃气负荷预测技术与人工智能领域的交叉渗透，研究人员对燃气负荷变化规律会有更加深入准确的认识，燃气负荷预测将更加准确快捷。