天然氣需求量預測研究進展

鄭堅欽，王博弘，張浩然，梁永圖

(中國石油大學(北京) 城市油氣輸配集輸北京市重點實驗室，北京 102249)

隨著我國天然氣消費量的急速增長，2018年初部分地區(qū)甚至出現供氣緊張的現象[1]。合理預測各區(qū)域的天然氣需求量，一方面能為管網的優(yōu)化調度提供參考，及時滿足下游用戶的需求。另一方面，國家經濟社會的發(fā)展需要充足的天然氣來滿足工業(yè)及居民需求，提前預測需求量能幫助國家從能源戰(zhàn)略層面上制定發(fā)展計劃[2]。如今，天然氣需求量預測范圍可分為世界水平、國家層面、天然氣分銷系統(tǒng)層面、商業(yè)和住宅領域，以及個體用戶[3]，針對不同的預測范圍可建立相對應不同規(guī)模的預測模型。目前天然氣需求量的預測模型有Hubbert模型[4]、灰度模型[5]、統(tǒng)計學模型[6]、計量經濟模型[7]、神經網絡模型[8]、數學模型[9]和組合模型[10]，模型各有優(yōu)劣，考慮的影響因素不同，需通過實際問題具體分析選擇其最優(yōu)的對應模型。模型考慮的影響因素有GDP、天氣(溫度)、天然氣及能源消耗歷史數據，天然氣價格和地區(qū)人口量等，具體的影響因素取決于預測模型的規(guī)模[11-14]，如B. Soldo等[15]通過研究，證實太陽輻射對居民天然氣的消耗有明顯的影響。天然氣作為一種常用能源，其需求量預測與其他能源的需求預測有許多共同之處。本文詳細調研了國內外能源預測問題特別是天然氣需求量預測問題的相關文獻，對其所考慮的影響因素及側重點、構建的模型進行分析，結合能源預測的現狀，提出未來在天然氣需求預測問題上的幾點建議。

1　天然氣需求量預測問題

在天然氣需求量預測上，研究主要從影響因素和預測模型入手，預測模型可分為兩大類：傳統(tǒng)模型和基于機器學習算法建立的模型。傳統(tǒng)模型包括灰度模型、回歸模型和動力學模型。基于機器學習算法建立的模型包括神經網絡模型、支持向量機和貝葉斯模型。

1.1　傳統(tǒng)模型

傳統(tǒng)的天然氣需求量預測模型主要為基于灰色系統(tǒng)的灰度模型。隨后，研究者對灰度模型進行改進，例如張濤等[16]提出灰色新陳代謝模型，根據系統(tǒng)產生的最新數據，替換掉原序列中最陳舊的數據，逐個預測依次遞補直到完成預測。相比傳統(tǒng)的灰度模型，通過不斷迭代所建立的GM(1,1)有效利用預測所得的新信息，縮小預測范圍，提高預測精度。同樣，L. Wu等[17]將新信息優(yōu)先級的原則集成到累積的生成中，提出的NIGM(1,1)模型數據集小，短期預測時能很好地體現其優(yōu)勢。張衛(wèi)冰[18]克服了灰度模型假設原始數據序列服從近似齊次指數規(guī)律的局限性，構建了一種滿足原始序列為非齊次指數律變化的灰色非齊次預測模型，利用最小二乘法與矩陣運算法證明了模型的可行性，并推導得出模型的白化解與精確解。X. Wang等[19]為了提高灰度模型的準確性，使用多元宇宙優(yōu)化器算法(multiverse optimize，MVO)來優(yōu)化納什非線性灰色伯努利模型(NNGBM(1,1))的2個參數，提出了混合MVO-NNGBM模型來預測中國30個地區(qū)的天然氣需求量。X. Ma等[20]提出了一種基于灰度系統(tǒng)的滯后多項式灰度預測模型(TDPGM(1, 1))，增加了參數個數，成為一種更通用的一階單變量灰度預測模型。雖然該模型增加了復雜度，但相比以往其他改進的灰度預測模型增強了準確性。李義華等[21]在傳統(tǒng)灰色模型基礎上建立無偏灰色模型再滑動處理原始數據，建立滑動無偏灰色模型，考慮到馬爾科夫作為一種基于概率矩陣狀態(tài)轉移的預測方式能彌補傳統(tǒng)灰度模型的不足，輔以馬爾科夫修正預測木材需求量。

一些學者采用回歸模型和動力學模型等傳統(tǒng)方法進行預測。G. J. He等[22]利用歷史數據用SPSS軟件分析天然氣需求的影響因素并建立線性回歸模型來預測未來需求。高士友等[23]通過分析我國總能源與經濟之間的相關系數，采用線性回歸預測方法預測能源的需求量。時珊珊[24]基于系統(tǒng)動力學在處理非線性問題的優(yōu)點，將其運用在天然氣需求預測上，將定性和定量分析相結合。

1.2　機器學習算法模型

神經網絡在處理非線性問題上有很強的泛化能力，越來越多地將其運用在天然氣需求預測上。J. Szoplik[25]提出了一種基于人工神經網絡的預測模型，考慮不同時刻(月份，月天數，星期幾，某一小時)和天氣(溫度)的差異，通過改變神經網絡隱藏層節(jié)點個數和數據集的大小來訓練模型，以提高其預測準確性。A. Khotanzad等[26]考慮到溫度與天然氣需求復雜的非線性關系，基于前饋多層感知機和函數型連接人工神經網絡的組合策略來預測天然氣消耗。O. Laib等[27]針對阿爾及利亞低中高壓消費部門建立了各自的基于列文伯格-馬夸爾特算法(Levinberg-Marquardt，LM)的多層感知機模型來預測天然氣需求。H. Karimi等[28]預測伊朗城市天然氣需求量時，在建立人工神經網絡(artificial neural network，ANN)的基礎上，用遺傳算法(genetic algorithm，GA)優(yōu)化其結構和參數，形成混合模型ANN-GA?，F今，單一的神經網絡在預測上存在考慮因素不充分，適應度廣但針對性弱等問題，所以更多的研究是改進神經網絡算法,以適應具體預測問題。其他機器學習算法也逐漸運用在預測方面，特別是支持向量機。M. O. Olgun等[29]預測土耳其天然氣需求時，假設影響因素的獨立性，分別用神經網絡和支持向量機建立預測模型，統(tǒng)計分析發(fā)現支持向量機預測準確性更高。Y. Bai等[30]預測日常天然氣需求時，建立支持向量回歸模型(support vector regression，SVR)，為了適應日常需求量的動態(tài)變化，用擴展卡爾曼濾波進行在線校準結構參數，形成SC-SVR模型。H. Iranmanesh等[31]考慮到影響因素的非線性及高維度特征向量，提出基于粒子群算法(particle swarm optimization，PSO)優(yōu)化最小二乘支持向量機(LS-SVM)參數的PSO-LSSVM模型。W. Zhang等[32]考慮到預測模型結構和參數的不確定性，提出了貝葉斯模型平均法來預測天然氣的需求量，影響因素包括GDP、人口、能源消費結構、產業(yè)結構、能源效率以及貨物和服務出口。總體來說，結合機器學習改進的模型在預測天然氣需求量上己趨于成熟。

1.3　能源結構調整

近些年來，國家開始倡導綠色發(fā)展，能源結構調整，控制CO2排放，大力發(fā)展新能源[33-35]。這對天然氣消耗影響甚重，到2020年天然氣需求量預計將增加7%，到2030年增加10%[36]。然而，目前考慮這方面因素的研究并不多。趙路[37]基于CO2排放控制模型對上海市的天然氣用氣量進行預測。相比常規(guī)預測方法，該模型在長期預測中優(yōu)勢更為明顯。V. M. Dalfard等[38]考慮能源價格的波動，提出用綜合自適應模糊推理系統(tǒng)預測長期天然氣需求量，蒙特卡羅模擬法用來生成訓練數據克服小數據集的隨機不確定性?？紤]其他能源的發(fā)展情況以及國家未來能源產業(yè)走向更加符合天然氣需求預測模型的實際應用，該領域還需有更多的研究投入。

從前人的研究中可發(fā)現，灰度模型更適合歷史數據量小，短期預測的情況，基于GM(1,1)改進的模型預測效果理想，但沒有考慮到實質影響需求量因素的變化，只從歷史需求量中發(fā)現變化規(guī)律。當數據量大，考慮影響變量時，神經網絡強大的處理能力使其脫穎而出。利用其他優(yōu)化算法來優(yōu)化神經網絡的參數和結構，能有效提高預測模型的準確性，使預測結果更精準。隨著數據量增多，基于機器學習建立的模型在預測天然氣需求上將會發(fā)揮著越來越重要的作用。另外，在實際生活中，天然氣的需求也與其他能源的發(fā)展及國家產業(yè)結構相聯系，預測模型也需要將其他能源的發(fā)展情況、國家政策等因素考慮進去。

2　能源需求預測問題

隨著全球經濟社會的快速發(fā)展，能源消費持續(xù)增加，分析預測未來的能源需求，提出相對應的能源發(fā)展戰(zhàn)略，是當前研究的熱點。智能社會的發(fā)展，也進一步促進了能源預測模型的改進，許多新型的預測模型算法也相繼提出。通過分析能源需求預測模型，探索其在天然氣需求量預測上的應用，促進未來天然氣需求預測模型的發(fā)展。

2.1　機器學習算法模型

機器學習算法在能源預測方面發(fā)揮著舉足輕重的作用。H. Chiroma等[39]預測中東石油消耗時，基于計算智能方法，用人工蜂群算法(artificial bee colony，ABC)優(yōu)化LM神經網絡建立模型，具有收斂快、精度高的特點。K. Kavaklioglu[40]為了對未來電力消耗的預測，對每個輸入變量都創(chuàng)建一個獨立的SVR模型，通過對模型參數的網格搜索，為根均方差的每個變量尋找最佳的SVR模型。C. Robinson等[41]對美國商業(yè)建筑能耗預測時，用機器學習算法能有效克服只有少量建筑特征變量的局限性，用具體的數據訓練模型，但由于數據的限制而無法考慮更多的影響變量。得益于機器學習的黑箱原理，尤其是神經網絡，支持向量回歸和K近鄰算法，通過數據訓練模型可以對能源需求進行大致的預測。

2.2　灰度神經網絡組合模型

在灰度模型的基礎上結合神經網絡來預測，是目前比較受歡迎的預測方法。黎星池[42]通過灰色理論模型預測煤炭消費量的各項指標，再將各指標預測值作為BP神經網絡模型的輸入，以煤炭消費量作為輸出。余建華[43]對輸入數據進行歸一化，充分利用了灰色預測方法小樣本模型和BP神經網絡強大的自適應能力兩大優(yōu)點來預測煤礦能耗。李劍波等[44]通過分析影響因素的相關性，用灰色神經網絡模型預測重慶能源需求。李瑞等[45]對物流業(yè)能源需求預測時考慮到11個影響因素，并通過灰色關聯分析其影響程度，在對比常用的BP神經網絡和GM(1,1)模型后，得到RBF神經網絡的預測準確性更強。國內在這方面發(fā)展比較快，技術也相當成熟。應用灰度神經網絡組合模型，先用灰度模型預測影響天然氣需求量的各項變量，再將各項變量預測值作為神經網絡的輸入繼而預測天然氣需求量。

2.3　數據驅動模型

2.4　綠色能源發(fā)展

中國正處于工業(yè)化和城鎮(zhèn)化發(fā)展的關鍵階段，經濟的高速增長以高能耗為代價。為了緩解能源需求，我國提出了一系列節(jié)能政策，以降低單位國內生產總值能耗，提高能源效率。N. Xie等[51]在考慮國家節(jié)能政策下，基于能源需求與GDP的歷史數據，用優(yōu)化變量離散灰色模型(OSDGM(1,1))預測單位GDP的能耗，符合我國未來能源的發(fā)展趨勢。目前我國著重發(fā)展風能、太陽能等可再生能源，H. Dai等[52]對2050年可再生能源(RE)在中國大規(guī)模發(fā)展的經濟效益和環(huán)境影響進行了評估，表明其具有顯著的綠色增長效應，能帶來可觀的環(huán)境效益。

3　結論與展望

從近幾年的文獻可以看到，隨著研究的推進，模型中考慮的因素越來越多，與實際的預測問題越來越接近。隨著天然氣巨大的需求，準確預測天然氣需求量，為管網企業(yè)提供調度參考以滿足日常生活需求與經濟增長是未來發(fā)展的一個重要趨勢。

傳統(tǒng)的預測模型趨于成熟，但由于考慮的因素不多，比較適合小范圍預測，難以滿足更大規(guī)模的預測模型。(1)對于目前的研究，灰度模型結合神經網絡在能源預測方面取得比較好的成果，其同樣可以運用在天然氣需求量預測上，在處理天然氣需求影響因素的非線性關系上有很大的借鑒作用。(2)國家重點強調綠色發(fā)展，出臺節(jié)能政策以提高能源利用率，控制溫室氣體排放量，調整能源戰(zhàn)略布局，大力發(fā)展清潔能源，所以在預測天然氣需求時要考慮到國家發(fā)展政策。能源的發(fā)展趨勢等因素，調整預測模型的影響變量，使預測結果更符合實際的發(fā)展需求。(3)大數據與人工智能的發(fā)展，對于數據的采集與存儲就顯得十分重要，可以建立天然氣數據管理系統(tǒng)，記錄不同時刻工業(yè)以及商業(yè)用戶的消費量，與智能城市相互結合，形成一套地區(qū)天然氣需求監(jiān)控系統(tǒng)，實時在線預測用戶需求以及實時更新校準?；跀祿诰蚍治龅哪Ｐ褪俏磥眍A測天然氣需求量一個重要的發(fā)展方向。