燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)發(fā)展及應(yīng)用現(xiàn)狀研究

尹 恒，劉金源，陳傳勝，全 青，王壽喜,

(1.中石化川氣東送天然氣管道有限公司，湖北 武漢 430020；2.西南石油大學(xué) 石油與天然氣工程學(xué)院，四川 成都 610500；3.西安石油大學(xué) 石油工程學(xué)院，陜西 西安 710065)

隨著近幾年天然氣消費(fèi)量的持續(xù)增長(zhǎng)，我國(guó)的天然氣產(chǎn)業(yè)得到了飛速發(fā)展，天然氣管道事業(yè)也必將迎來(lái)新的機(jī)遇與挑戰(zhàn)[1]。然而，長(zhǎng)輸天然氣管道的調(diào)度管理、規(guī)劃運(yùn)營(yíng)和運(yùn)行優(yōu)化，都必須依賴于準(zhǔn)確的負(fù)荷預(yù)測(cè)技術(shù)[2]。特別是在管道公司與下游用戶簽訂“照付不議合同”的前提下，長(zhǎng)輸天然氣管道準(zhǔn)確的負(fù)荷預(yù)測(cè)技術(shù)就顯得極其重要，它涉及供氣系統(tǒng)的安全性、可靠性和管道公司的經(jīng)濟(jì)效益等諸多方面的因素，是智能管網(wǎng)系統(tǒng)實(shí)現(xiàn)規(guī)劃、建立、調(diào)峰與調(diào)度等功能的關(guān)鍵技術(shù)[3]。因此，準(zhǔn)確的燃?xì)庳?fù)荷預(yù)測(cè)值對(duì)提高長(zhǎng)輸天然氣管網(wǎng)供氣系統(tǒng)管理水平、保證安全平穩(wěn)供氣、提高供氣系統(tǒng)的經(jīng)濟(jì)性均有著十分重要的意義[4]。

我國(guó)對(duì)于長(zhǎng)輸天然氣管道下游用戶負(fù)荷預(yù)測(cè)方面的研究起步較晚，過(guò)去幾十年間，預(yù)測(cè)算法由于受到科技發(fā)展瓶頸的限制，始終停留在人工經(jīng)驗(yàn)分析、傳統(tǒng)預(yù)測(cè)模型以及結(jié)構(gòu)簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型上，雖然部分模型可以獲得較好的預(yù)測(cè)結(jié)果，但其適用性及穩(wěn)定性均有待提高[5]。隨著近幾年計(jì)算機(jī)科學(xué)技術(shù)的迅猛發(fā)展，“AlphaGo”人工智能程序、面部識(shí)別系統(tǒng)、汽車(chē)無(wú)人駕駛系統(tǒng)等高精尖技術(shù)的研發(fā)，掀起了人工智能和全球各個(gè)領(lǐng)域相結(jié)合的發(fā)展浪潮[6]。對(duì)于燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域，算法結(jié)構(gòu)更加復(fù)雜、更加先進(jìn)的人工智能模型，以及將不同預(yù)測(cè)模型和人工智能領(lǐng)域相結(jié)合，或用各種優(yōu)化算法對(duì)人工智能模型進(jìn)行優(yōu)化的組合預(yù)測(cè)模型憑借其更高的預(yù)測(cè)精度和穩(wěn)定性正在迅速崛起[7]。

為了確保燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)在實(shí)際應(yīng)用過(guò)程中的準(zhǔn)確性、穩(wěn)定性和適用性，本文對(duì)預(yù)測(cè)模型的發(fā)展現(xiàn)狀、應(yīng)用特點(diǎn)和衍生出的預(yù)測(cè)產(chǎn)品進(jìn)行研究，并對(duì)燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)未來(lái)的發(fā)展方向做了進(jìn)一步分析，以期為長(zhǎng)輸天然氣管道企業(yè)的用氣量規(guī)劃、儲(chǔ)氣調(diào)峰和運(yùn)行優(yōu)化提供參考意見(jiàn)。

1 燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)發(fā)展現(xiàn)狀

20世紀(jì)中葉，Verhulst等人對(duì)法國(guó)人工煤氣需求開(kāi)展調(diào)查研究，建立了需求預(yù)測(cè)模型(包括需求方程、資源供應(yīng)方程以及氣價(jià)、收入的平衡方程)，開(kāi)創(chuàng)了燃?xì)馐袌?chǎng)需求預(yù)測(cè)的先河[8]。半個(gè)多世紀(jì)以來(lái)，國(guó)內(nèi)外學(xué)者在燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域開(kāi)展了大量的研究工作，應(yīng)用不同數(shù)學(xué)方法進(jìn)行了嘗試。從文獻(xiàn)檢索情況看，燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)按照算法理論的不同整體上可分為兩類(lèi)：傳統(tǒng)預(yù)測(cè)模型和基于AI的預(yù)測(cè)模型[9]。

1.1 傳統(tǒng)預(yù)測(cè)模型

傳統(tǒng)預(yù)測(cè)模型大多以統(tǒng)計(jì)學(xué)理論為基礎(chǔ)，通過(guò)對(duì)歷史負(fù)荷數(shù)據(jù)進(jìn)行分析，發(fā)掘出數(shù)據(jù)間存在的潛在規(guī)律，從而建立可以表現(xiàn)負(fù)荷數(shù)據(jù)發(fā)展規(guī)律的數(shù)學(xué)模型，對(duì)未來(lái)燃?xì)庳?fù)荷值進(jìn)行預(yù)測(cè)。燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域常用的傳統(tǒng)預(yù)測(cè)模型包括時(shí)間序列模型、回歸預(yù)測(cè)模型和灰色預(yù)測(cè)模型三種[10]。此外，部分學(xué)者為了取得更高的預(yù)測(cè)精度，對(duì)傳統(tǒng)預(yù)測(cè)模型進(jìn)行了改進(jìn)和組合，得到了多種預(yù)測(cè)效果更好的組合預(yù)測(cè)模型[11]。

楊聞?dòng)钔ㄟ^(guò)分析濟(jì)南東部地區(qū)短、中期燃?xì)庳?fù)荷特性，建立了基于指數(shù)平滑法的日負(fù)荷和年負(fù)荷預(yù)測(cè)模型，經(jīng)實(shí)例驗(yàn)證，模型預(yù)測(cè)結(jié)果均可達(dá)到預(yù)期目標(biāo)[12]；李楠根據(jù)中長(zhǎng)期燃?xì)庳?fù)荷變化特點(diǎn)，針對(duì)中期負(fù)荷建立了基于時(shí)間序列和RBF神經(jīng)網(wǎng)絡(luò)的分解-組合模型，針對(duì)長(zhǎng)期負(fù)荷建立了基于殘差修正的GM(1，N)模型，預(yù)測(cè)精度較高[13]；武海琴等通過(guò)分析北方某城市各類(lèi)天然氣用戶歷史數(shù)據(jù)，在回歸預(yù)測(cè)法的基礎(chǔ)上建立了供暖、居民、商業(yè)等各類(lèi)用戶的單獨(dú)預(yù)測(cè)模型及總體預(yù)測(cè)模型[14]；鄒文波通過(guò)分析北京首都機(jī)場(chǎng)2012—2013年供暖季燃?xì)馊肇?fù)荷和大氣溫度二者的相關(guān)性，建立了基于日最高溫和最低溫的燃?xì)馊肇?fù)荷一元線性回歸預(yù)測(cè)模型[15]；吳峰利用灰色理論對(duì)某市的燃?xì)饽曦?fù)荷進(jìn)行預(yù)測(cè)，取得了較好的預(yù)測(cè)結(jié)果[16]。

上述傳統(tǒng)預(yù)測(cè)模型雖然在應(yīng)用過(guò)程中獲得了較好的預(yù)測(cè)結(jié)果，但模型自身存在的缺陷以及模型應(yīng)用范圍的局限性也尤為顯著。如：灰色預(yù)測(cè)模型只能挖掘少量歷史負(fù)荷數(shù)據(jù)中潛在的發(fā)展規(guī)律，無(wú)法從積累的大量數(shù)據(jù)中擬合出燃?xì)庳?fù)荷完整的變化情況，其預(yù)測(cè)結(jié)果為趨勢(shì)穩(wěn)定上升或下降的曲線，與燃?xì)庳?fù)荷實(shí)際變化情況的誤差呈穩(wěn)定增加趨勢(shì)。時(shí)間序列模型相較于灰色預(yù)測(cè)模型有所改進(jìn)，預(yù)測(cè)結(jié)果不再是趨勢(shì)穩(wěn)定的曲線，但該模型同樣無(wú)法考慮其他因素對(duì)燃?xì)庳?fù)荷的影響，擬合能力較弱?；貧w預(yù)測(cè)模型只能考慮少量影響因素，一旦加大模型輸入的歷史負(fù)荷數(shù)據(jù)量和影響因素維度，預(yù)測(cè)結(jié)果就會(huì)產(chǎn)生較大偏差，即模型的擬合能力會(huì)隨著數(shù)據(jù)量的增加而變?nèi)?。三種常用傳統(tǒng)預(yù)測(cè)模型的應(yīng)用特點(diǎn)見(jiàn)表1。

表1 傳統(tǒng)預(yù)測(cè)模型應(yīng)用特點(diǎn)對(duì)比表

傳統(tǒng)預(yù)測(cè)理論的出現(xiàn)，填補(bǔ)了當(dāng)年燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域的空白，使得燃?xì)馄髽I(yè)對(duì)于未來(lái)一段時(shí)間內(nèi)天然氣可能的消費(fèi)情況，有了一定程度的把握。然而，傳統(tǒng)預(yù)測(cè)模型的應(yīng)用雖然促進(jìn)了國(guó)內(nèi)外預(yù)測(cè)領(lǐng)域的發(fā)展，但其無(wú)法同時(shí)考慮多種負(fù)荷影響因素、模型參數(shù)選擇依賴于技術(shù)員的操作經(jīng)驗(yàn)、模型擬合能力較弱等缺陷，使得模型的發(fā)展受到了限制。以負(fù)荷影響因素為例，燃?xì)庳?fù)荷數(shù)據(jù)的規(guī)律性特征并非自然形成，而是在很大程度上受到氣象狀況、日期狀況(法定節(jié)假日、冬季供暖等)以及國(guó)家政策等因素的影響，如果在不考慮影響因素的基礎(chǔ)上建模，模型對(duì)于預(yù)測(cè)結(jié)果的擬合能力勢(shì)必變?nèi)酢４送?，部分傳統(tǒng)預(yù)測(cè)模型的參數(shù)選擇也沒(méi)有特定的優(yōu)化方法，建模過(guò)程中參數(shù)的設(shè)定完全依賴于人的經(jīng)驗(yàn)，預(yù)測(cè)結(jié)果時(shí)好時(shí)壞，穩(wěn)定性和適應(yīng)性較差，無(wú)法在實(shí)際應(yīng)用過(guò)程中起到一定的指導(dǎo)作用。

1.2 基于AI的預(yù)測(cè)模型

隨著科學(xué)技術(shù)的迅猛發(fā)展，計(jì)算機(jī)的海量數(shù)據(jù)存儲(chǔ)能力及分布式運(yùn)算能力得到大幅度提升，全球科技正式步入大數(shù)據(jù)時(shí)代。與此同時(shí)，以大數(shù)據(jù)為背景的人工智能技術(shù)也逐漸開(kāi)始和燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域相結(jié)合，誕生了許多基于AI的智能化預(yù)測(cè)模型[17]。目前，應(yīng)用較多的AI預(yù)測(cè)模型包括基于人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks，簡(jiǎn)稱(chēng)ANN)的預(yù)測(cè)模型、基于支持向量機(jī)(Support Vector Machine，簡(jiǎn)稱(chēng)SVM)的預(yù)測(cè)模型、基于深度學(xué)習(xí)(Deep Learning，簡(jiǎn)稱(chēng)DL)技術(shù)的預(yù)測(cè)模型以及利用各種優(yōu)化算法對(duì)AI預(yù)測(cè)模型進(jìn)行優(yōu)化的組合模型[18]。

相比于傳統(tǒng)預(yù)測(cè)模型，AI預(yù)測(cè)模型強(qiáng)大的自主學(xué)習(xí)能力和非線性擬合能力使得模型預(yù)測(cè)結(jié)果具有更高的精度。王婷通過(guò)引入幾種生物學(xué)領(lǐng)域的參數(shù)尋優(yōu)算法來(lái)對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行參數(shù)尋優(yōu)，最終確定布谷鳥(niǎo)搜索算法(Cuckoo Search，簡(jiǎn)稱(chēng)CS)對(duì)BP神經(jīng)網(wǎng)絡(luò)(CS-BP)的參數(shù)尋優(yōu)效果更好，預(yù)測(cè)精度更高[19]；Nan Wei等將改進(jìn)后的奇異譜分析(Singular Spectrum Analysis，簡(jiǎn)稱(chēng)SSA)算法和LSTM(Long Short-Term Memory，簡(jiǎn)稱(chēng)LSTM)模型相結(jié)合，構(gòu)建了ISSA-LSTM組合預(yù)測(cè)模型，并對(duì)倫敦、墨爾本、卡地亞和香港四個(gè)不同氣候帶上典型城市的燃?xì)庳?fù)荷值進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果驗(yàn)證了ISSA-LSTM組合模型良好的魯棒性和精確性[20]；張少平在改進(jìn)粒子群算法ACLSPSO的基礎(chǔ)上，引入經(jīng)驗(yàn)?zāi)Ｊ椒纸?Empirical Mode Decomposition，簡(jiǎn)稱(chēng)EMD)算法對(duì)BP神經(jīng)網(wǎng)絡(luò)優(yōu)化，建立了EMD-ACLSPSO-BP組合預(yù)測(cè)模型，達(dá)到了更好的預(yù)測(cè)效果[21]；董明亮等應(yīng)用遺傳算法(GA)對(duì)SVM模型的懲罰因子c及核函數(shù)g進(jìn)行優(yōu)化，構(gòu)建GA-SVM組合預(yù)測(cè)模型，并以某省實(shí)際樣本數(shù)據(jù)為例進(jìn)行驗(yàn)證，說(shuō)明了GA-SVM組合預(yù)測(cè)模型的準(zhǔn)確性[22]；Omer Faruk Beyca等利用多元線性回歸模型(MLR)、人工神經(jīng)網(wǎng)絡(luò)模型(ANN)和支持向量回歸模型(SVR)對(duì)土耳其最大的天然氣消費(fèi)城市伊斯坦布爾的月負(fù)荷和年負(fù)荷進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果顯示SVR模型的預(yù)測(cè)結(jié)果與其他模型相比更為準(zhǔn)確[23]；黃維針對(duì)燃?xì)庳?fù)荷序列非線性、非平穩(wěn)的特性，采用優(yōu)化后的EMD(Empirical Mode Decomposition，簡(jiǎn)稱(chēng)EMD)算法將負(fù)荷數(shù)據(jù)序列分解成多個(gè)本征模向量，再分別進(jìn)行DBN(Deep Belief Network，簡(jiǎn)稱(chēng)DBN)建模和預(yù)測(cè)，得到各個(gè)分量的預(yù)測(cè)結(jié)果，最后使用線性神經(jīng)網(wǎng)絡(luò)將各分量的結(jié)果擬合得出最終預(yù)測(cè)結(jié)果。結(jié)果表明，EMD-DBN組合預(yù)測(cè)模型能夠避免單一模型過(guò)擬合的問(wèn)題，提高預(yù)測(cè)精度[24]；Nan Wei等首先將主成分分析法(Principal Component Analysis，簡(jiǎn)稱(chēng)PCA)和相關(guān)分析法結(jié)合，構(gòu)建了主成分相關(guān)分析法(Principal Component Correlation Analysis，簡(jiǎn)稱(chēng)PCCA)，PCCA可以在提取負(fù)荷影響因素主要成分的同時(shí)，剔除弱相關(guān)性數(shù)據(jù)。隨后利用PCCA對(duì)LSTM模型進(jìn)行優(yōu)化，并通過(guò)與單一的LSTM、PCA-LSTM、BPNN、SVR模型進(jìn)行對(duì)比，驗(yàn)證了PCCA-LSTM組合預(yù)測(cè)模型的精確性[25]。

王婷[19]21、張少平[21]212等采用參數(shù)尋優(yōu)算法和分解重構(gòu)的方式對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了優(yōu)化，但針對(duì)神經(jīng)網(wǎng)絡(luò)模型隱含層數(shù)的選擇以及隱含層神經(jīng)元數(shù)量多少的問(wèn)題并未得到解決，僅憑參數(shù)尋優(yōu)算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化就能提升網(wǎng)絡(luò)最重要的收斂能力也存在質(zhì)疑。董明亮等[22]98同樣應(yīng)用參數(shù)尋優(yōu)算法對(duì)SVM模型的懲罰因子和核函數(shù)進(jìn)行了優(yōu)化，但預(yù)測(cè)結(jié)果僅限于作者所列舉的樣本數(shù)據(jù)，優(yōu)化模型的泛化能力尚未得到驗(yàn)證，且SVM模型自身對(duì)大規(guī)模訓(xùn)練樣本難以實(shí)施的缺點(diǎn)也并未得到克服。Nan Wei等[25]利用目前火熱的深度學(xué)習(xí)算法對(duì)燃?xì)庳?fù)荷進(jìn)行了預(yù)測(cè)，深度學(xué)習(xí)算法可以從上萬(wàn)個(gè)數(shù)據(jù)中學(xué)習(xí)影響因素和燃?xì)庳?fù)荷之間潛在的規(guī)律，模型結(jié)構(gòu)更加復(fù)雜，收斂能力相比于神經(jīng)網(wǎng)絡(luò)模型和支持向量機(jī)模型也得到了顯著提升。因此，能夠?qū)W習(xí)到燃?xì)庳?fù)荷更加完整的規(guī)律，得到更高的預(yù)測(cè)精度。三種AI預(yù)測(cè)模型的應(yīng)用特點(diǎn)見(jiàn)表2。

AI預(yù)測(cè)模型的出現(xiàn)，逐漸取代了傳統(tǒng)預(yù)測(cè)模型在國(guó)內(nèi)外預(yù)測(cè)領(lǐng)域的地位。從文獻(xiàn)檢索情況看，自2017年步入大數(shù)據(jù)時(shí)代以來(lái)，傳統(tǒng)預(yù)測(cè)模型的發(fā)展呈穩(wěn)定下降趨勢(shì)，取而代之的人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)和深度學(xué)習(xí)等AI預(yù)測(cè)模型，因其能夠考慮多種燃?xì)庳?fù)荷影響因素，以及強(qiáng)大的自學(xué)習(xí)能力和非線性擬合能力得到了大力發(fā)展。特別是得益于科技的迅猛發(fā)展和大數(shù)據(jù)的時(shí)代背景，可以綜合考慮幾千、幾萬(wàn)甚至幾十萬(wàn)輸入數(shù)據(jù)，可以考慮更多中間層數(shù)和更多神經(jīng)元個(gè)數(shù)的深度學(xué)習(xí)技術(shù)，在燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域應(yīng)用之初就獲得了大量學(xué)者的青睞。

深度學(xué)習(xí)模型不僅可以考慮幾維至幾千維度的影響因素?cái)?shù)據(jù)，其模型所能承載的網(wǎng)絡(luò)復(fù)雜程度和超越一般神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，使得預(yù)測(cè)結(jié)果的精確性、穩(wěn)定性和適用性都得到了大幅度提升。因此，深度學(xué)習(xí)技術(shù)完全可以作為未來(lái)燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域新的發(fā)展方向，能夠?qū)θ細(xì)馄髽I(yè)合理規(guī)劃燃?xì)庥昧科鸬胶芎玫刂笇?dǎo)作用。

呼吸道肺炎支原體感染即為臨床中十分普遍的病癥，其大多產(chǎn)生在嬰幼兒與學(xué)齡以前的幼兒中[5-6]?，F(xiàn)階段，其患病機(jī)制依舊沒(méi)有確定，然而，多認(rèn)為是由于免疫功能紊亂而引發(fā)的免疫損傷。有研究人員指出了，在產(chǎn)生肺炎支原體感染后，大多會(huì)具備異常免疫應(yīng)答，使得白三烯等各類(lèi)炎性因子被釋放，在呼吸道中產(chǎn)生慢性炎癥而引起氣道高反應(yīng)，臨床表現(xiàn)主要就包括了慢性咳嗽、氣喘等[7-8]。同時(shí)，支原體肺炎可以在傷害呼吸道的同時(shí)引發(fā)腎炎、心肌炎等各類(lèi)系統(tǒng)性病癥，如果沒(méi)有立即且高效地對(duì)患兒開(kāi)展治療，就會(huì)對(duì)其平日的生活、學(xué)習(xí)等帶來(lái)過(guò)多的威脅。

2 燃?xì)庳?fù)荷預(yù)測(cè)軟件應(yīng)用現(xiàn)狀

歐美等發(fā)達(dá)國(guó)家的天然氣市場(chǎng)發(fā)展較快，目前已逐漸趨于成熟階段。市場(chǎng)用氣結(jié)構(gòu)穩(wěn)定、用氣規(guī)律顯著等特點(diǎn)，使其對(duì)天然氣負(fù)荷特性的分析以及預(yù)測(cè)模型的搭建都已達(dá)到較高水平[26]。許多燃?xì)馄髽I(yè)結(jié)合下游用戶用氣特點(diǎn)，自主研發(fā)負(fù)荷預(yù)測(cè)軟件，用于預(yù)測(cè)未來(lái)一段時(shí)間內(nèi)的天然氣需求，幫助企業(yè)管理者制定購(gòu)銷(xiāo)方案、調(diào)峰方案以及運(yùn)行優(yōu)化方案等，實(shí)現(xiàn)企業(yè)利潤(rùn)最大化[27]。

2.1 慕達(dá)數(shù)據(jù)分析預(yù)測(cè)系統(tǒng)

德國(guó)OGADO公司開(kāi)發(fā)的慕達(dá)數(shù)據(jù)分析預(yù)測(cè)系統(tǒng)在歐洲擁有莫斯科，柏林，維也納，法蘭克福等眾多成功案例。在國(guó)內(nèi)已與中國(guó)石油、中國(guó)石化、新奧燃?xì)獾却笮湍茉雌髽I(yè)建立戰(zhàn)略合作，為陜京線、西氣東輸、北京、上海、深圳、青島、杭州、廊坊等數(shù)十個(gè)省和城市進(jìn)行了區(qū)域燃?xì)忸A(yù)測(cè)及決策管理支持[28]。

慕達(dá)數(shù)據(jù)分析預(yù)測(cè)系統(tǒng)包含多種負(fù)荷預(yù)測(cè)模型，內(nèi)容涉及統(tǒng)計(jì)學(xué)、概率學(xué)、專(zhuān)家經(jīng)驗(yàn)干預(yù)控制、動(dòng)態(tài)數(shù)學(xué)模型、氣象學(xué)、人工智能、機(jī)器學(xué)習(xí)等多個(gè)專(zhuān)業(yè)領(lǐng)域。該系統(tǒng)通過(guò)分析歷史數(shù)據(jù)和幾個(gè)至幾千個(gè)維度的負(fù)荷影響因素來(lái)確定有針對(duì)性的預(yù)測(cè)模型。隨后結(jié)合數(shù)據(jù)預(yù)處理、機(jī)器學(xué)習(xí)和關(guān)聯(lián)規(guī)則分析技術(shù)，建立預(yù)測(cè)模型，通過(guò)對(duì)預(yù)測(cè)概率進(jìn)行優(yōu)化調(diào)整，得出未來(lái)精確的負(fù)荷預(yù)測(cè)值。慕達(dá)數(shù)據(jù)分析預(yù)測(cè)軟件的工作平臺(tái)架構(gòu)見(jiàn)圖1。

圖1 慕達(dá)工作平臺(tái)架構(gòu)圖

2.2 Gas Load Forecaster

英國(guó)Emerson能源集團(tuán)開(kāi)發(fā)的Gas Load Forecaster燃?xì)庳?fù)荷預(yù)測(cè)軟件，已廣泛應(yīng)用于美國(guó)佛羅里達(dá)、殼牌等多個(gè)世界級(jí)大型輸氣企業(yè)。GLF軟件在分析歷史負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)、日歷數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)等負(fù)荷影響因素的基礎(chǔ)上，建立神經(jīng)網(wǎng)絡(luò)模型，通過(guò)讓神經(jīng)網(wǎng)絡(luò)對(duì)歷史負(fù)荷數(shù)據(jù)的復(fù)雜規(guī)律進(jìn)行反復(fù)自學(xué)習(xí)，實(shí)現(xiàn)對(duì)未來(lái)燃?xì)庳?fù)荷數(shù)據(jù)的準(zhǔn)確預(yù)測(cè)[29]。

GLF軟件擁有同SCADA系統(tǒng)進(jìn)行連接的數(shù)據(jù)接口，可實(shí)時(shí)讀取SCADA數(shù)據(jù)對(duì)未來(lái)燃?xì)庳?fù)荷值進(jìn)行實(shí)時(shí)預(yù)測(cè)。GLF軟件還具有模型優(yōu)化選擇和敏感度分析功能，可在對(duì)歷史數(shù)據(jù)進(jìn)行分析后自動(dòng)篩選出最合適的預(yù)測(cè)模型，預(yù)測(cè)結(jié)果也不是直接作為輸出結(jié)果，而是優(yōu)先對(duì)結(jié)果進(jìn)行敏感度分析，基于敏感度分析繼續(xù)調(diào)整預(yù)測(cè)結(jié)果，再輸出至用戶界面。GLF軟件操作示例見(jiàn)圖2。

圖2 GLF軟件操作示例圖

2.3 Load Forecaster

美國(guó)Gregg Engineering集團(tuán)開(kāi)發(fā)的Load Forecaster燃?xì)庳?fù)荷預(yù)測(cè)軟件，主要應(yīng)用于北美市場(chǎng)。LF同GLF和慕達(dá)數(shù)據(jù)分析預(yù)測(cè)系統(tǒng)一樣，具有數(shù)據(jù)分析、數(shù)據(jù)預(yù)處理、模型訓(xùn)練以及預(yù)測(cè)等主要功能，但LF不同于其他預(yù)測(cè)軟件，該軟件既可單獨(dú)作為燃?xì)庳?fù)荷預(yù)測(cè)軟件使用，也可作為預(yù)測(cè)模塊集成于Gregg公司自主研發(fā)的NextGen管網(wǎng)仿真軟件中。和NextGen集成后的LF不僅能夠進(jìn)行離線預(yù)測(cè)，還可以利用SCADA系統(tǒng)讀取到的管網(wǎng)實(shí)時(shí)數(shù)據(jù)對(duì)未來(lái)某一時(shí)段內(nèi)的燃?xì)庳?fù)荷值進(jìn)行實(shí)時(shí)預(yù)測(cè)，進(jìn)而對(duì)燃?xì)馄髽I(yè)的儲(chǔ)氣調(diào)峰策略進(jìn)行實(shí)時(shí)分析和有效指導(dǎo)。LF軟件操作示例見(jiàn)圖3[30]。

圖3 LF軟件操作示例圖

3 燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)展望

隨著我國(guó)天然氣消費(fèi)量的增加、下游用戶增多和天然氣產(chǎn)業(yè)鏈的不斷延伸，天然氣的穩(wěn)定供應(yīng)成為供用氣雙方共同關(guān)注的問(wèn)題。在天然氣市場(chǎng)發(fā)展迅速、基礎(chǔ)設(shè)施尚不完善的形勢(shì)下，負(fù)荷預(yù)測(cè)在管網(wǎng)安全經(jīng)濟(jì)運(yùn)行中將發(fā)揮越來(lái)越重要的作用。結(jié)合當(dāng)前負(fù)荷預(yù)測(cè)技術(shù)應(yīng)用現(xiàn)狀，為提高需求預(yù)測(cè)精度，未來(lái)燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)應(yīng)在下述幾個(gè)方面做進(jìn)一步工作：

對(duì)燃?xì)庳?fù)荷進(jìn)行準(zhǔn)確預(yù)測(cè)的前提是歷史負(fù)荷數(shù)據(jù)及其影響因素?cái)?shù)據(jù)的完整性。然而，現(xiàn)場(chǎng)統(tǒng)計(jì)得到的月、日、小時(shí)等歷史負(fù)荷數(shù)據(jù)總是存在人為的或系統(tǒng)臨時(shí)中斷造成的缺失現(xiàn)象，數(shù)據(jù)質(zhì)量不穩(wěn)定，嚴(yán)重影響了預(yù)測(cè)結(jié)果的精確性。因此，有必要完善信息上報(bào)渠道，建立完備的歷史燃?xì)庳?fù)荷數(shù)據(jù)庫(kù)，為后期預(yù)測(cè)提供可靠的數(shù)據(jù)支撐。

2)合理劃分負(fù)荷數(shù)據(jù)類(lèi)型

多數(shù)企業(yè)在預(yù)測(cè)未來(lái)一段時(shí)間的用氣負(fù)荷時(shí)，取到的數(shù)據(jù)是工業(yè)、民用等混合用戶的用氣量，并非單一用氣類(lèi)型的數(shù)據(jù)。工業(yè)、民用氣的用氣規(guī)律不同，如果混在一起預(yù)測(cè)，無(wú)疑會(huì)加大預(yù)測(cè)結(jié)果的誤差。因此，應(yīng)按用氣結(jié)構(gòu)合理劃分負(fù)荷數(shù)據(jù)類(lèi)型，分用戶建立預(yù)測(cè)模型。

3)利用深度學(xué)習(xí)技術(shù)建立負(fù)荷預(yù)測(cè)模型

在大數(shù)據(jù)的時(shí)代背景下，深度學(xué)習(xí)技術(shù)的出現(xiàn)取代了以往應(yīng)用廣泛的傳統(tǒng)預(yù)測(cè)模型和部分AI預(yù)測(cè)模型。深度學(xué)習(xí)技術(shù)憑借其所能承載的網(wǎng)絡(luò)復(fù)雜程度和超越一般神經(jīng)網(wǎng)絡(luò)的非線性擬合能力，在應(yīng)用之初就取得了不菲的成績(jī)。利用深度學(xué)習(xí)技術(shù)建立的燃?xì)庳?fù)荷預(yù)測(cè)模型，模型的泛化能力和預(yù)測(cè)結(jié)果的精確程度都能得到大幅度提升，可以將深度學(xué)習(xí)技術(shù)作為未來(lái)燃?xì)庳?fù)荷預(yù)測(cè)領(lǐng)域新的發(fā)展方向。

4)研發(fā)國(guó)產(chǎn)化燃?xì)庳?fù)荷預(yù)測(cè)軟件

目前，全國(guó)天然氣跨區(qū)域骨干管網(wǎng)已基本形成，但管網(wǎng)調(diào)度系統(tǒng)不夠健全，干線之間無(wú)法做到及時(shí)的靈活調(diào)用，在出現(xiàn)極端氣象條件或頒布某些對(duì)燃?xì)庳?fù)荷影響較大的政策時(shí)，局部地區(qū)依然會(huì)出現(xiàn)供氣緊張的局面。歐美等發(fā)達(dá)國(guó)家雖然已經(jīng)研發(fā)出多種負(fù)荷預(yù)測(cè)軟件，但并不適用于國(guó)內(nèi)復(fù)雜的用氣特點(diǎn)。國(guó)內(nèi)燃?xì)馄髽I(yè)迫切需要研發(fā)一款可以結(jié)合本國(guó)居民、企業(yè)用氣特點(diǎn)的，成熟、可靠的負(fù)荷預(yù)測(cè)軟件。

可以預(yù)見(jiàn)，隨著天然氣市場(chǎng)的日益成熟，歷史負(fù)荷數(shù)據(jù)的有效積累和科學(xué)處理，以及信息上報(bào)渠道的日益完善，燃?xì)庳?fù)荷預(yù)測(cè)技術(shù)與人工智能領(lǐng)域的交叉滲透，研究人員對(duì)燃?xì)庳?fù)荷變化規(guī)律會(huì)有更加深入準(zhǔn)確的認(rèn)識(shí)，燃?xì)庳?fù)荷預(yù)測(cè)將更加準(zhǔn)確快捷。