天然氣負荷預測研究綜述

楊奕，魏王穎，王佳豪

天然氣負荷預測研究綜述

楊奕，魏王穎，王佳豪

（西安石油大學 石油工程學院，陜西 西安 710065）

精確的負荷預測結果隨著天然氣消費量的快速增加而日益重要，天然氣行業正面臨著前所未有機遇和挑戰。在天然氣行業中，由于各種預測方法的特點不同，將各種傳統、人工智能算法應用于負荷預測時，需要對不同方法在負荷預測中的適用程度和優缺點進行分析。對國內外天然氣負荷預測的研究現狀進行論述，并分析了不同方法的特點和優缺點，對天然氣行業負荷預測方法的選擇具有一定的參考意義。最后，對未來天然氣行業的負荷預測進行了展望。

天然氣； 負荷預測； 綜述

21世紀以來，中國天然氣的消費量令人矚目，行業進入快速發展期。為了改善環境污染問題，采用天然氣作為能源，可減少煤和石油的用量。據《BP世界能源統計年鑒2021》[1]報道，受2020年疫情影響，除可再生能源（增長9.7%）和水電（增長1.0%）以外，所有燃料的消費量均在下降。所有地區的消費量均有下降，降幅最大的是北美洲（下降8.0%）和歐洲（下降7.8%）。亞太地區降幅最低（下降1.6%），原因是中國（增長2.1%）有所增長，中國是唯一能源消費量有增長的主要國家。天然氣在能源結構中占的份額持續上升，達到24.7%，創歷史新高。雖然受到疫情沖擊，在全球天然氣消費降低2.3%的情況下，中國天然氣消費仍增長6.9%?；剂袭a量持續緩慢增長。2020年石油（+1.7%）、天然氣（+9.0%）和煤炭（+1.2%）產量有所增加。2020年一次能源消耗將下降4.5%，為1945年以來的最大降幅?！督洕請蟆方诎l布關于在全球天然氣價格暴漲的大背景下，中國天然氣[2]產量與消費今年來都表現出快速增長的特點。由于天然氣的供應形勢越來越嚴峻，天然氣供應可靠性問題已經引起人們的關注，針對用戶的類型以及用氣規律與否的特點，進行天然氣負荷預測[3]就變得尤為重要。負荷預測技術的發展歷史可以分為傳統預測方法和人工智能預測方法。

1 國內外現狀

天然氣負荷預測的基本思想是綜合考慮天然氣歷史負荷及其影響因素，建立合理的預測模型，實現對未來不同時間區間的天然氣負荷值的預測[4]。國外天然氣系統發展較早，天然氣設施建設比較完善，負荷預測方法的研究發展重大。我國雖起步較晚，但研究方法技術日新月異。

相關天氣影響因素與負荷之間的關系是非線性的，包括支持向量機[5]、人工神經網絡[6]在內的一些人工智能算法在非線性擬合方面的能力良好，所以目前在國內外負荷預測研究中，人工智能算法分量很重，主要為優化算法，它對輸入的數據進行優化從而達到更好的預測精度。CHATURVEDI[7]、PANAPAKIDIS[8]等提出基于模糊邏輯綜合廣義神經網絡和小波變換的組合模型來預測短期天然氣負荷。MERKEL[9]等將深度學習用于短期天然氣負荷預測。李曉兵[10]、WEI[11]等對天然氣日負荷預測進行混合深度學習模型以及改進支持向量機模型的建立。喬偉彪[12]等針對短期負荷波動劇烈、周期性等特點提出了一種基于自適應濾波器的負荷預測模型。王茜[13]等提出一種新的組合模型——基于混沌電磁算法優化支持向量機模型。

2 負荷預測方法

2.1 傳統預測算法

2.1.1 時間序列算法

時間序列法[14]創建的數學模型主要是針對天然氣歷史負荷數據。使用該數學模型描述了天然氣負荷隨機變量在變化過程中的統計規律，并得出了負荷預測的數學表達式，以此來進行未來負荷值的預測。時間序列法分別包括了自回歸AR（p）方法、移動平均MA（q）方法以及自回歸-移動平均ARMA（p，q）方法等。這些方法的優點是應用簡單、原理成熟、需要的歷史數據和工作量少、不需要相關因素的資料。但是其具有對數據要求高、不能考慮對負荷有重大影響等缺點[15]。

2.1.2 模糊理論

模糊推理[16]也是一種非線性理論，它不需要建立精確的數學模型，主要根據事物的變化趨勢解決復雜問題。輸入是前一時刻預測值與實際值之間的誤差量和誤差的變化率，輸出則是相應的校正量。校正的原則是在考慮誤差和誤差的變化趨勢條件下，校正量以盡快消除偏差為主，但同時也要考慮穩定性，防止超調。

2.2 人工智能算法

2.2.1 支持向量積

支持向量機[17]（SVM）通過映射將燃氣負荷的非線性函數問題轉化為線性規劃問題，從而規避局部極小值以得到全局最優解，可以較好地解決天然氣負荷中常見的小樣本、非線性、高維模式識別，并可拓展到函數擬合等機器學習問題上。此外，SVM在解決復雜的模糊、隨機和非線性問題方面具有明顯的優勢。但由于原理限制，在歷史天然氣負荷樣本數目很大時會存在占用大量內存和時間的 問題[18]。

2.2.2 人工神經網絡算法

人工神經網絡（ANN），它是一種數學模型，又叫神經網絡（NN），使用與大腦突觸連接相似的結構進行信息處理，起源于生物學和心理學領域。人工神經網絡模型具有對復雜非線性函數精確的逼近能力和強大的自學習能力，其突出特點是對大量非結構化、不精確的燃氣負荷規律具有自學、記憶信息、知識推理和優化分析功能，并能使神經網絡在天然氣負荷預測過程中像人類一樣具有簡單的判斷能力和決策能力[19]。

2.2.3 BP神經網絡

針對非線性原理的天然氣日負荷，BP神經網絡有自學習、自適應、分布式記憶特性和優化分析等功能，對各因素的影響進行充分考慮，對輸出誤差進行修正和反饋。但由于網絡輸入層和數據變化不規則的影響因素多，使模型的預測精度降低[20]。

2.2.4 小波變換

近年來，小波變換方法有了很大的發展。其預測本質是將時間域映射到頻率域進行分析求解，然后再返回到時間域。小波分析具有很好的分析局部突變的能力，原始信號的傳輸、存儲、分析或重構在小波分析中會處理得非常簡單[21]。

2.2.5 長短期記憶

長短期記憶[22]（LSTM）是一種最普遍的遞歸神經網絡模型，但它是一種特殊的神經網絡。它使用輸入的序列數據在序列所演化的方向上遞歸，通過鏈將所有節點連接起來。不同于傳統的遞歸神經網絡，它包含一個可用于確定信息是否有用的“處理器”，這樣LSTM將歷史數據信息作為細胞狀態在一條獨立的信息傳送帶上傳播，使得信息受到的干擾較小，該模型具有能夠按時間順序反映負載數據關系的存儲結構，可以解決RNN無法處理長距離依賴而產生梯度消失或梯度爆炸現象而引起訓練失敗的問題[23]。LSTM的泛化能力強，對較大和較小數據集都具有良好的學習能力，在處理非線性問題時優勢明顯[24]。

2.2.6 遺傳算法

遺傳算法是一種模擬自然進化過程來尋找最優解的進化算法[25]。它的實現形式主要是計算機模擬。它可以直接作用于結構對象，不存在函數連續性和求導的限定性問題，全局優化分析能力較好并且還存在固有的隱式并行性。在不確定規則時概率優化方法可自動獲得和指導搜索空間優化，可自主調整搜索方向。遺傳算法具有可擴展性，易與其他算法結合，但編程復雜且運算速度較慢。

2.2.7 蟻群算法

蟻群算法[26]是受螞蟻的覓食行為所啟發。它們在覓食過程中，會在所走的路徑上分泌“信息素”，其他螞蟻會通過信息素濃度的高低來進行是否為最優路徑的判別。首先，初始化參數，對整個路徑進行框架的構建：將螞蟻隨機放置在預設的不同起點，并記錄每只螞蟻行走路徑；然后進行信息素的釋放；最后更新其濃度，確定是否達到最大濃度。如果不是，則重復上一步，如果是，則結束，輸出結果為最佳路徑。

蟻群算法與遺傳算法相似，主要是進行最優路徑的搜尋。蟻群算法求解組合優化和最優解問題的主要優點是具有較強的自適應和自組織性，易于分布式操作，搜索效率高以及良好的算法優化和融合特性。

2.2.8 模擬退火算法

模擬退火[27]（SA）算法靈感來自于溫度變化的過程，該過程導致固體加熱和冷卻后能量發生變化。SA具有很強的局部搜索能力。根據Metropolis標準的概率規則，可以接受目標函數的增加。該標準依賴控制參數，類似于物理退火，因此被稱為系統溫度。SA在溫度不斷下降過程中通過重復采樣，得到問題的全局最優解。

模擬退火魯棒性強、操作簡便、適合并行處理、通用性好，可著重用于解決非線性的、復雜的優化問題，但需較長時間來執行且收斂速度慢。

2.2.9 主成分分析

主成分分析[28]可以在盡可能多地保留原變量信息的前提下，將多個指標轉化為若干個綜合指標，使新構成的主成分具有的一些反映問題本質的性能比原變量更優越

2.3 組合預測算法

天然氣的發展歷史中，有傳統的負荷預測方法和人工智能的負荷預測方法。但是，沒有一個模型能夠準確預測任何地區的任何天然氣系統。為了充分結合不同算法的優點并克服不同模型所存在的不足，人們將組合模型應用到了天然氣短期負荷預測中，結果發現，預測精度較單一模型的高，并取得了良好的預測效果。這再次證明了在負荷預測方面除了探索新的預測方法外，利用原有的預測模型采用適當方法進行組合預測也能得到良好的預測效果。組合預測方法的優點是各單一模型的特點相互借鑒，克服了單一預測模型的不足，使優勢互補，提高了負荷預測的準確度。缺點是預測模型更復雜、計算量更大、考慮的相關因素更多。

3 總 結

在天然氣供應系統中，天然氣負荷數據對天然氣公司帶來有力的數據支持，準確的預測天然氣負荷數據對其規劃設計、良好經濟運行起著至關重要的作用。本文對天然氣負荷預測的國內外現狀進行介紹，并介紹了傳統負荷預測方法和人工智能預測方法的適用性及優缺點，主要概括為：

1）當歷史與預測的負荷數據之間的關系比較簡單時，時間序列法、灰色理論可通過簡單的分析可以大致了解其變化關系，并取得較好的預測效果。

2）支持向量機、人工神經網絡等人工智能算法在有大量歷史數據做支撐時，可獲得較高的預測精度，在短期、超短期以及實時負荷預測方面也具有一定的優勢。

3）組合預測算法能結合單一模型的優點，彌補不足，使得各算法的優勢互補，提高負荷預測的精度，目前組合算法已被廣泛應用到天然氣短期負荷預測中。

未來的負荷預測需要在提高精度的基礎上提高處理大量數據的速度，除了探索新的預測方法外，還可以對已有算法進行橫向縱向的組合，以得到更高精度的負荷預測數據。

[1] LOONEY B. Statistical Review of World Energy, 2020[J]., 2020, 69: 66．

[2] 高蕓，蔣雪梅，趙國洪，等.2020年中國天然氣發展述評及2021年展望[J].天然氣技術與經濟，2021，15（1）：1-11．

[3] 方勤健. 綜合能源系統多元負荷短期預測與應用[D].大連：大連理工大學，2021.

[4] 楊海蘭. 武威地區短期負荷預測研究[D].蘭州：蘭州理工大學，2021.

[5] 劉維凱，白婷婷.SA-SVM模型預測泥質含量研究[J].當代化工，2022，51（1）：119-122.

[6] MERKEL G D, POVINELLI R J, BROWN R H. Short-term load forecasting of natural gas with deep neural network regression[J]., 2018, 11(8): 2008．

[7] CHATURVEDI D K, SINHA A P, MALIK O P. Short term load forecast using fuzzy logic and wavelet transform integrated generalized neural network[J]., 2015, 67: 230-237．

[8] PANAPAKIDIS I P, DAGOUMAS A S. Day-ahead natural gas demand forecasting based on the combination of wavelet transform and ANFIS/genetic algorithm/neural network model[J]., 2017, 118: 231-245．

[9] MERKEL G D, POVINELLI R J, BROWN R H. Short-term load forecasting of natural gas with deep neural network regression[J]., 2018, 11(8): 2008．

[10] 李曉兵. 基于深度學習的短期電力負荷預測方法研究[D].北京：北京郵電大學，2020.

[11] WEI N, LI C, DUAN J, et al. Daily natural gas load forecasting based on a hybrid deep learning model[J]., 2019, 12(2): 218.

[12] 喬偉彪，陳保東，盧泓方.基于混沌理論和Volterra自適應濾波器的天然氣負荷預測[J].中國科學:技術科學，2015，45（1）：91-102.

[13] 王茜，李皓然，王新娜，等.基于混沌類電磁算法優化支持向量機的短期負荷預測[J].計算技術與自動化，2019，38（4）：15-18.

[14] 劉金源. 基于組合模型的燃氣負荷預測技術研究[D].西安：西安石油大學，2018.

[15] 王樹剛，王繼紅，端木琳，等.城市燃氣負荷的短期預測[J].天然氣工業，2010，30（5）：104-107.

[16] 趙菁，許克明.神經網絡和模糊理論在短期負荷預測中的應用[J].電力系統及其自動化學報，2010，22（3）：129-133.

[17] 韓路瑩，徐勇.基于支持向量機的短期負荷預測[J].電腦編程技巧與維護，2019（6）：16-18.

[18] 朱雪鵬.城市燃氣負荷預測方法及其分析[J].石化技術，2017，24（3）：201-202.

[19] 陳娟，鮑偉強.人工神經網絡在電力負荷預測中的應用[J].技術與市場，2019，26（3）：29-31.

[20] 宋娟，廖尚泰.基于BP神經網絡與多元線性回歸的短期燃氣負荷預測[J].寧夏工程技術，2019，18（4）：343-346.

[21] 那幸儀，賈俊鋮，趙曉筠，等.基于小波變換和LSTM模型的城市天然氣負荷預測[J].計算機應用與軟件，2021，38（12）：61-66.

[22] BOUKTIF S, FIAZ A, OUNI A, et al. Optimal deep learning lstm model for electric load forecasting using feature selection and genetic algorithm: Comparison with machine learning approaches[J]., 2018, 11(7): 1636.

[23] 郭琳. LSTM城市燃氣負荷預測技術的研究與開發[D].西安：西安石油大學，2020.

[24] 彭燕，劉宇紅，張榮芬.基于LSTM的股票價格預測建模與分析[J].計算機工程與應用，2019，55（11）：209-211.

[25] 劉春霞，李軍，黨偉超，等.基于遺傳算法優化小波神經網絡的短期天然氣負荷預測[J].計算機系統應用，2020，29（4）：175-180.

[26] XU M L,YOU X M,LIU S. A novel heuristic communication heterogeneous dual population ant colony optimization algorithm [J].,2017,5:18510．

[27] 徐揚，張紫濤.基于遺傳模擬退火算法改進BP神經網絡的中長期電力負荷預測[J].電氣技術，2021，22（9）：70-76.

[28] 劉金源，王壽喜，李嬋. 城市燃氣日負荷PCA-GM-BPNN 組合預測模型[J]. 天然氣與石油，2018，36（5）：13-19.

A Review of Natural Gas Load Forecasting

（College of Petroleum Engineering, Xi'an Shiyou University, Xi'an Shaanxi 710065, China）

With the rapid growth of natural gas consumption, accurate load forecasting results are becoming more and more important, and the natural gas industry is facing unprecedented opportunities and challenges. In natural gas industry, due to the different characteristics of various forecasting methods in natural gas industry, when various traditional AI algorithms areused in practice of load forecasting due to their different characteristics for forecasting methods, it is essential to make an analysis for different methods between applicability of load forecasting and its merits and demerits. In this paper, research status of natural gas’s load forecasting at domestic and overseas was discussed. The characteristics, advantages and disadvantages of different methods were analyzed, which had certain reference significance for the selection of load forecasting methods in natural gas industry. Finally, the future load forecast of natural gas industry was prospected..

Natural gas; Load forecasting; Review

2022-03-30

楊奕（1997-），女，陜西省銅川市人，碩士研究生，研究方向：天然氣負荷預測技術。

TU996.3

A

1004-0935（2023）01-0104-04