天然氣負(fù)荷預(yù)測研究綜述

楊奕，魏王穎，王佳豪

天然氣負(fù)荷預(yù)測研究綜述

楊奕，魏王穎，王佳豪

（西安石油大學(xué) 石油工程學(xué)院，陜西 西安 710065）

精確的負(fù)荷預(yù)測結(jié)果隨著天然氣消費(fèi)量的快速增加而日益重要，天然氣行業(yè)正面臨著前所未有機(jī)遇和挑戰(zhàn)。在天然氣行業(yè)中，由于各種預(yù)測方法的特點(diǎn)不同，將各種傳統(tǒng)、人工智能算法應(yīng)用于負(fù)荷預(yù)測時，需要對不同方法在負(fù)荷預(yù)測中的適用程度和優(yōu)缺點(diǎn)進(jìn)行分析。對國內(nèi)外天然氣負(fù)荷預(yù)測的研究現(xiàn)狀進(jìn)行論述，并分析了不同方法的特點(diǎn)和優(yōu)缺點(diǎn)，對天然氣行業(yè)負(fù)荷預(yù)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(yè)的負(fù)荷預(yù)測進(jìn)行了展望。

天然氣； 負(fù)荷預(yù)測； 綜述

21世紀(jì)以來，中國天然氣的消費(fèi)量令人矚目，行業(yè)進(jìn)入快速發(fā)展期。為了改善環(huán)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(jù)《BP世界能源統(tǒng)計(jì)年鑒2021》[1]報(bào)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(fèi)量均在下降。所有地區(qū)的消費(fèi)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(qū)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(fèi)量有增長的主要國家。天然氣在能源結(jié)構(gòu)中占的份額持續(xù)上升，達(dá)到24.7%，創(chuàng)歷史新高。雖然受到疫情沖擊，在全球天然氣消費(fèi)降低2.3%的情況下，中國天然氣消費(fèi)仍增長6.9%。化石燃料產(chǎn)量持續(xù)緩慢增長。2020年石油（+1.7%）、天然氣（+9.0%）和煤炭（+1.2%）產(chǎn)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?jīng)濟(jì)日報(bào)》近期發(fā)布關(guān)于在全球天然氣價格暴漲的大背景下，中國天然氣[2]產(chǎn)量與消費(fèi)今年來都表現(xiàn)出快速增長的特點(diǎn)。由于天然氣的供應(yīng)形勢越來越嚴(yán)峻，天然氣供應(yīng)可靠性問題已經(jīng)引起人們的關(guān)注，針對用戶的類型以及用氣規(guī)律與否的特點(diǎn)，進(jìn)行天然氣負(fù)荷預(yù)測[3]就變得尤為重要。負(fù)荷預(yù)測技術(shù)的發(fā)展歷史可以分為傳統(tǒng)預(yù)測方法和人工智能預(yù)測方法。

1 國內(nèi)外現(xiàn)狀

天然氣負(fù)荷預(yù)測的基本思想是綜合考慮天然氣歷史負(fù)荷及其影響因素，建立合理的預(yù)測模型，實(shí)現(xiàn)對未來不同時間區(qū)間的天然氣負(fù)荷值的預(yù)測[4]。國外天然氣系統(tǒng)發(fā)展較早，天然氣設(shè)施建設(shè)比較完善，負(fù)荷預(yù)測方法的研究發(fā)展重大。我國雖起步較晚，但研究方法技術(shù)日新月異。

相關(guān)天氣影響因素與負(fù)荷之間的關(guān)系是非線性的，包括支持向量機(jī)[5]、人工神經(jīng)網(wǎng)絡(luò)[6]在內(nèi)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(nèi)外負(fù)荷預(yù)測研究中，人工智能算法分量很重，主要為優(yōu)化算法，它對輸入的數(shù)據(jù)進(jìn)行優(yōu)化從而達(dá)到更好的預(yù)測精度。CHATURVEDI[7]、PANAPAKIDIS[8]等提出基于模糊邏輯綜合廣義神經(jīng)網(wǎng)絡(luò)和小波變換的組合模型來預(yù)測短期天然氣負(fù)荷。MERKEL[9]等將深度學(xué)習(xí)用于短期天然氣負(fù)荷預(yù)測。李曉兵[10]、WEI[11]等對天然氣日負(fù)荷預(yù)測進(jìn)行混合深度學(xué)習(xí)模型以及改進(jìn)支持向量機(jī)模型的建立。喬偉彪[12]等針對短期負(fù)荷波動劇烈、周期性等特點(diǎn)提出了一種基于自適應(yīng)濾波器的負(fù)荷預(yù)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(yōu)化支持向量機(jī)模型。

2 負(fù)荷預(yù)測方法

2.1 傳統(tǒng)預(yù)測算法

2.1.1 時間序列算法

時間序列法[14]創(chuàng)建的數(shù)學(xué)模型主要是針對天然氣歷史負(fù)荷數(shù)據(jù)。使用該數(shù)學(xué)模型描述了天然氣負(fù)荷隨機(jī)變量在變化過程中的統(tǒng)計(jì)規(guī)律，并得出了負(fù)荷預(yù)測的數(shù)學(xué)表達(dá)式，以此來進(jìn)行未來負(fù)荷值的預(yù)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(yōu)點(diǎn)是應(yīng)用簡單、原理成熟、需要的歷史數(shù)據(jù)和工作量少、不需要相關(guān)因素的資料。但是其具有對數(shù)據(jù)要求高、不能考慮對負(fù)荷有重大影響等缺點(diǎn)[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(shù)學(xué)模型，主要根據(jù)事物的變化趨勢解決復(fù)雜問題。輸入是前一時刻預(yù)測值與實(shí)際值之間的誤差量和誤差的變化率，輸出則是相應(yīng)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(wěn)定性，防止超調(diào)。

2.2 人工智能算法

2.2.1 支持向量積

支持向量機(jī)[17]（SVM）通過映射將燃?xì)庳?fù)荷的非線性函數(shù)問題轉(zhuǎn)化為線性規(guī)劃問題，從而規(guī)避局部極小值以得到全局最優(yōu)解，可以較好地解決天然氣負(fù)荷中常見的小樣本、非線性、高維模式識別，并可拓展到函數(shù)擬合等機(jī)器學(xué)習(xí)問題上。此外，SVM在解決復(fù)雜的模糊、隨機(jī)和非線性問題方面具有明顯的優(yōu)勢。但由于原理限制，在歷史天然氣負(fù)荷樣本數(shù)目很大時會存在占用大量內(nèi)存和時間的 問題[18]。

2.2.2 人工神經(jīng)網(wǎng)絡(luò)算法

人工神經(jīng)網(wǎng)絡(luò)（ANN），它是一種數(shù)學(xué)模型，又叫神經(jīng)網(wǎng)絡(luò)（NN），使用與大腦突觸連接相似的結(jié)構(gòu)進(jìn)行信息處理，起源于生物學(xué)和心理學(xué)領(lǐng)域。人工神經(jīng)網(wǎng)絡(luò)模型具有對復(fù)雜非線性函數(shù)精確的逼近能力和強(qiáng)大的自學(xué)習(xí)能力，其突出特點(diǎn)是對大量非結(jié)構(gòu)化、不精確的燃?xì)庳?fù)荷規(guī)律具有自學(xué)、記憶信息、知識推理和優(yōu)化分析功能，并能使神經(jīng)網(wǎng)絡(luò)在天然氣負(fù)荷預(yù)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(jīng)網(wǎng)絡(luò)

針對非線性原理的天然氣日負(fù)荷，BP神經(jīng)網(wǎng)絡(luò)有自學(xué)習(xí)、自適應(yīng)、分布式記憶特性和優(yōu)化分析等功能，對各因素的影響進(jìn)行充分考慮，對輸出誤差進(jìn)行修正和反饋。但由于網(wǎng)絡(luò)輸入層和數(shù)據(jù)變化不規(guī)則的影響因素多，使模型的預(yù)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(fā)展。其預(yù)測本質(zhì)是將時間域映射到頻率域進(jìn)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(gòu)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(jīng)網(wǎng)絡(luò)模型，但它是一種特殊的神經(jīng)網(wǎng)絡(luò)。它使用輸入的序列數(shù)據(jù)在序列所演化的方向上遞歸，通過鏈將所有節(jié)點(diǎn)連接起來。不同于傳統(tǒng)的遞歸神經(jīng)網(wǎng)絡(luò)，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(shù)據(jù)信息作為細(xì)胞狀態(tài)在一條獨(dú)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(fù)載數(shù)據(jù)關(guān)系的存儲結(jié)構(gòu)，可以解決RNN無法處理長距離依賴而產(chǎn)生梯度消失或梯度爆炸現(xiàn)象而引起訓(xùn)練失敗的問題[23]。LSTM的泛化能力強(qiáng)，對較大和較小數(shù)據(jù)集都具有良好的學(xué)習(xí)能力，在處理非線性問題時優(yōu)勢明顯[24]。

2.2.6 遺傳算法

遺傳算法是一種模擬自然進(jìn)化過程來尋找最優(yōu)解的進(jìn)化算法[25]。它的實(shí)現(xiàn)形式主要是計(jì)算機(jī)模擬。它可以直接作用于結(jié)構(gòu)對象，不存在函數(shù)連續(xù)性和求導(dǎo)的限定性問題，全局優(yōu)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(guī)則時概率優(yōu)化方法可自動獲得和指導(dǎo)搜索空間優(yōu)化，可自主調(diào)整搜索方向。遺傳算法具有可擴(kuò)展性，易與其他算法結(jié)合，但編程復(fù)雜且運(yùn)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(fā)。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(jìn)行是否為最優(yōu)路徑的判別。首先，初始化參數(shù)，對整個路徑進(jìn)行框架的構(gòu)建：將螞蟻隨機(jī)放置在預(yù)設(shè)的不同起點(diǎn)，并記錄每只螞蟻行走路徑；然后進(jìn)行信息素的釋放；最后更新其濃度，確定是否達(dá)到最大濃度。如果不是，則重復(fù)上一步，如果是，則結(jié)束，輸出結(jié)果為最佳路徑。

蟻群算法與遺傳算法相似，主要是進(jìn)行最優(yōu)路徑的搜尋。蟻群算法求解組合優(yōu)化和最優(yōu)解問題的主要優(yōu)點(diǎn)是具有較強(qiáng)的自適應(yīng)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(yōu)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(dǎo)致固體加熱和冷卻后能量發(fā)生變化。SA具有很強(qiáng)的局部搜索能力。根據(jù)Metropolis標(biāo)準(zhǔn)的概率規(guī)則，可以接受目標(biāo)函數(shù)的增加。該標(biāo)準(zhǔn)依賴控制參數(shù)，類似于物理退火，因此被稱為系統(tǒng)溫度。SA在溫度不斷下降過程中通過重復(fù)采樣，得到問題的全局最優(yōu)解。

模擬退火魯棒性強(qiáng)、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(fù)雜的優(yōu)化問題，但需較長時間來執(zhí)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(biāo)轉(zhuǎn)化為若干個綜合指標(biāo)，使新構(gòu)成的主成分具有的一些反映問題本質(zhì)的性能比原變量更優(yōu)越

2.3 組合預(yù)測算法

天然氣的發(fā)展歷史中，有傳統(tǒng)的負(fù)荷預(yù)測方法和人工智能的負(fù)荷預(yù)測方法。但是，沒有一個模型能夠準(zhǔn)確預(yù)測任何地區(qū)的任何天然氣系統(tǒng)。為了充分結(jié)合不同算法的優(yōu)點(diǎn)并克服不同模型所存在的不足，人們將組合模型應(yīng)用到了天然氣短期負(fù)荷預(yù)測中，結(jié)果發(fā)現(xiàn)，預(yù)測精度較單一模型的高，并取得了良好的預(yù)測效果。這再次證明了在負(fù)荷預(yù)測方面除了探索新的預(yù)測方法外，利用原有的預(yù)測模型采用適當(dāng)方法進(jìn)行組合預(yù)測也能得到良好的預(yù)測效果。組合預(yù)測方法的優(yōu)點(diǎn)是各單一模型的特點(diǎn)相互借鑒，克服了單一預(yù)測模型的不足，使優(yōu)勢互補(bǔ)，提高了負(fù)荷預(yù)測的準(zhǔn)確度。缺點(diǎn)是預(yù)測模型更復(fù)雜、計(jì)算量更大、考慮的相關(guān)因素更多。

3 總 結(jié)

在天然氣供應(yīng)系統(tǒng)中，天然氣負(fù)荷數(shù)據(jù)對天然氣公司帶來有力的數(shù)據(jù)支持，準(zhǔn)確的預(yù)測天然氣負(fù)荷數(shù)據(jù)對其規(guī)劃設(shè)計(jì)、良好經(jīng)濟(jì)運(yùn)行起著至關(guān)重要的作用。本文對天然氣負(fù)荷預(yù)測的國內(nèi)外現(xiàn)狀進(jìn)行介紹，并介紹了傳統(tǒng)負(fù)荷預(yù)測方法和人工智能預(yù)測方法的適用性及優(yōu)缺點(diǎn)，主要概括為：

1）當(dāng)歷史與預(yù)測的負(fù)荷數(shù)據(jù)之間的關(guān)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(guān)系，并取得較好的預(yù)測效果。

2）支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)等人工智能算法在有大量歷史數(shù)據(jù)做支撐時，可獲得較高的預(yù)測精度，在短期、超短期以及實(shí)時負(fù)荷預(yù)測方面也具有一定的優(yōu)勢。

3）組合預(yù)測算法能結(jié)合單一模型的優(yōu)點(diǎn)，彌補(bǔ)不足，使得各算法的優(yōu)勢互補(bǔ)，提高負(fù)荷預(yù)測的精度，目前組合算法已被廣泛應(yīng)用到天然氣短期負(fù)荷預(yù)測中。

未來的負(fù)荷預(yù)測需要在提高精度的基礎(chǔ)上提高處理大量數(shù)據(jù)的速度，除了探索新的預(yù)測方法外，還可以對已有算法進(jìn)行橫向縱向的組合，以得到更高精度的負(fù)荷預(yù)測數(shù)據(jù)。

[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(fā)展述評及2021年展望[J].天然氣技術(shù)與經(jīng)濟(jì)，2021，15（1）：1-11．

[3] 方勤健. 綜合能源系統(tǒng)多元負(fù)荷短期預(yù)測與應(yīng)用[D].大連：大連理工大學(xué)，2021.

[4] 楊海蘭. 武威地區(qū)短期負(fù)荷預(yù)測研究[D].蘭州：蘭州理工大學(xué)，2021.

[5] 劉維凱，白婷婷.SA-SVM模型預(yù)測泥質(zhì)含量研究[J].當(dāng)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(xué)習(xí)的短期電力負(fù)荷預(yù)測方法研究[D].北京：北京郵電大學(xué)，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(yīng)濾波器的天然氣負(fù)荷預(yù)測[J].中國科學(xué):技術(shù)科學(xué)，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(yōu)化支持向量機(jī)的短期負(fù)荷預(yù)測[J].計(jì)算技術(shù)與自動化，2019，38（4）：15-18.

[14] 劉金源. 基于組合模型的燃?xì)庳?fù)荷預(yù)測技術(shù)研究[D].西安：西安石油大學(xué)，2018.

[15] 王樹剛，王繼紅，端木琳，等.城市燃?xì)庳?fù)荷的短期預(yù)測[J].天然氣工業(yè)，2010，30（5）：104-107.

[16] 趙菁，許克明.神經(jīng)網(wǎng)絡(luò)和模糊理論在短期負(fù)荷預(yù)測中的應(yīng)用[J].電力系統(tǒng)及其自動化學(xué)報(bào)，2010，22（3）：129-133.

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

[18] 朱雪鵬.城市燃?xì)庳?fù)荷預(yù)測方法及其分析[J].石化技術(shù)，2017，24（3）：201-202.

[19] 陳娟，鮑偉強(qiáng).人工神經(jīng)網(wǎng)絡(luò)在電力負(fù)荷預(yù)測中的應(yīng)用[J].技術(shù)與市場，2019，26（3）：29-31.

[20] 宋娟，廖尚泰.基于BP神經(jīng)網(wǎng)絡(luò)與多元線性回歸的短期燃?xì)庳?fù)荷預(yù)測[J].寧夏工程技術(shù)，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(fù)荷預(yù)測[J].計(jì)算機(jī)應(yīng)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?xì)庳?fù)荷預(yù)測技術(shù)的研究與開發(fā)[D].西安：西安石油大學(xué)，2020.

[24] 彭燕，劉宇紅，張榮芬.基于LSTM的股票價格預(yù)測建模與分析[J].計(jì)算機(jī)工程與應(yīng)用，2019，55（11）：209-211.

[25] 劉春霞，李軍，黨偉超，等.基于遺傳算法優(yōu)化小波神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測[J].計(jì)算機(jī)系統(tǒng)應(yīng)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(yáng)，張紫濤.基于遺傳模擬退火算法改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的中長期電力負(fù)荷預(yù)測[J].電氣技術(shù)，2021，22（9）：70-76.

[28] 劉金源，王壽喜，李嬋. 城市燃?xì)馊肇?fù)荷PCA-GM-BPNN 組合預(yù)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(fù)荷預(yù)測技術(shù)。

TU996.3

A

1004-0935（2023）01-0104-04