天然气负荷预测研究综述

杨奕，魏王颖，王佳豪

天然气负荷预测研究综述

杨奕，魏王颖，王佳豪

（西安石油大学 石油工程学院，陕西 西安 710065）

精确的负荷预测结果随着天然气消费量的快速增加而日益重要，天然气行业正面临着前所未有机遇和挑战。在天然气行业中，由于各种预测方法的特点不同，将各种传统、人工智能算法应用于负荷预测时，需要对不同方法在负荷预测中的适用程度和优缺点进行分析。对国内外天然气负荷预测的研究现状进行论述，并分析了不同方法的特点和优缺点，对天然气行业负荷预测方法的选择具有一定的参考意义。最后，对未来天然气行业的负荷预测进行了展望。

天然气；

负荷预测；

综述

21世纪以来，中国天然气的消费量令人瞩目，行业进入快速发展期。为了改善环境污染问题，采用天然气作为能源，可减少煤和石油的用量。据《BP世界能源统计年鉴2021》[1]报道，受2020年疫情影响，除可再生能源（增长9.7%）和水电（增长1.0%）以外，所有燃料的消费量均在下降。所有地区的消费量均有下降，降幅最大的是北美洲（下降8.0%）和欧洲（下降7.8%）。亚太地区降幅最低（下降1.6%），原因是中国（增长2.1%）有所增长，中国是唯一能源消费量有增长的主要国家。天然气在能源结构中占的份额持续上升，达到24.7%，创历史新高。虽然受到疫情冲击，在全球天然气消费降低2.3%的情况下，中国天然气消费仍增长6.9%。化石燃料产量持续缓慢增长。2020年石油（+1.7%）、天然气（+9.0%）和煤炭（+1.2%）产量有所增加。2020年一次能源消耗将下降4.5%，为1945年以来的最大降幅。《经济日报》近期发布关于在全球天然气价格暴涨的大背景下，中国天然气[2]产量与消费今年来都表现出快速增长的特点。由于天然气的供应形势越来越严峻，天然气供应可靠性问题已经引起人们的关注，针对用户的类型以及用气规律与否的特点，进行天然气负荷预测[3]就变得尤为重要。负荷预测技术的发展历史可以分为传统预测方法和人工智能预测方法。

天然气负荷预测的基本思想是综合考虑天然气历史负荷及其影响因素，建立合理的预测模型，实现对未来不同时间区间的天然气负荷值的预测[4]。国外天然气系统发展较早，天然气设施建设比较完善，负荷预测方法的研究发展重大。我国虽起步较晚，但研究方法技术日新月异。

相关天气影响因素与负荷之间的关系是非线性的，包括支持向量机[5]、人工神经网络[6]在内的一些人工智能算法在非线性拟合方面的能力良好，所以目前在国内外负荷预测研究中，人工智能算法分量很重，主要为优化算法，它对输入的数据进行优化从而达到更好的预测精度。CHATURVEDI[7]、PANAPAKIDIS[8]等提出基于模糊逻辑综合广义神经网络和小波变换的组合模型来预测短期天然气负荷。MERKEL[9]等将深度学习用于短期天然气负荷预测。李晓兵[10]、WEI[11]等对天然气日负荷预测进行混合深度学习模型以及改进支持向量机模型的建立。乔伟彪[12]等针对短期负荷波动剧烈、周期性等特点提出了一种基于自适应滤波器的负荷预测模型。王茜[13]等提出一种新的组合模型——基于混沌电磁算法优化支持向量机模型。

2.1 传统预测算法

2.1.1 时间序列算法

时间序列法[14]创建的数学模型主要是针对天然气历史负荷数据。使用该数学模型描述了天然气负荷随机变量在变化过程中的统计规律，并得出了负荷预测的数学表达式，以此来进行未来负荷值的预测。时间序列法分别包括了自回归AR（p）方法、移动平均MA（q）方法以及自回归-移动平均ARMA（p，q）方法等。这些方法的优点是应用简单、原理成熟、需要的历史数据和工作量少、不需要相关因素的资料。但是其具有对数据要求高、不能考虑对负荷有重大影响等缺点[15]。

2.1.2 模糊理论

模糊推理[16]也是一种非线性理论，它不需要建立精确的数学模型，主要根据事物的变化趋势解决复杂问题。输入是前一时刻预测值与实际值之间的误差量和误差的变化率，输出则是相应的校正量。校正的原则是在考虑误差和误差的变化趋势条件下，校正量以尽快消除偏差为主，但同时也要考虑稳定性，防止超调。

2.2 人工智能算法

2.2.1 支持向量积

支持向量机[17]（SVM）通过映射将燃气负荷的非线性函数问题转化为线性规划问题，从而规避局部极小值以得到全局最优解，可以较好地解决天然气负荷中常见的小样本、非线性、高维模式识别，并可拓展到函数拟合等机器学习问题上。此外，SVM在解决复杂的模糊、随机和非线性问题方面具有明显的优势。但由于原理限制，在历史天然气负荷样本数目很大时会存在占用大量内存和时间的 问题[18]。

2.2.2 人工神经网络算法

人工神经网络（ANN），它是一种数学模型，又叫神经网络（NN），使用与大脑突触连接相似的结构进行信息处理，起源于生物学和心理学领域。人工神经网络模型具有对复杂非线性函数精确的逼近能力和强大的自学习能力，其突出特点是对大量非结构化、不精确的燃气负荷规律具有自学、记忆信息、知识推理和优化分析功能，并能使神经网络在天然气负荷预测过程中像人类一样具有简单的判断能力和决策能力[19]。

2.2.3 BP神经网络

针对非线性原理的天然气日负荷，BP神经网络有自学习、自适应、分布式记忆特性和优化分析等功能，对各因素的影响进行充分考虑，对输出误差进行修正和反馈。但由于网络输入层和数据变化不规则的影响因素多，使模型的预测精度降低[20]。

2.2.4 小波变换

近年来，小波变换方法有了很大的发展。其预测本质是将时间域映射到频率域进行分析求解，然后再返回到时间域。小波分析具有很好的分析局部突变的能力，原始信号的传输、存储、分析或重构在小波分析中会处理得非常简单[21]。

2.2.5 长短期记忆

长短期记忆[22]（LSTM）是一种最普遍的递归神经网络模型，但它是一种特殊的神经网络。它使用输入的序列数据在序列所演化的方向上递归，通过链将所有节点连接起来。不同于传统的递归神经网络，它包含一个可用于确定信息是否有用的“处理器”，这样LSTM将历史数据信息作为细胞状态在一条独立的信息传送带上传播，使得信息受到的干扰较小，该模型具有能够按时间顺序反映负载数据关系的存储结构，可以解决RNN无法处理长距离依赖而产生梯度消失或梯度爆炸现象而引起训练失败的问题[23]。LSTM的泛化能力强，对较大和较小数据集都具有良好的学习能力，在处理非线性问题时优势明显[24]。

2.2.6 遗传算法

遗传算法是一种模拟自然进化过程来寻找最优解的进化算法[25]。它的实现形式主要是计算机模拟。它可以直接作用于结构对象，不存在函数连续性和求导的限定性问题，全局优化分析能力较好并且还存在固有的隐式并行性。在不确定规则时概率优化方法可自动获得和指导搜索空间优化，可自主调整搜索方向。遗传算法具有可扩展性，易与其他算法结合，但编程复杂且运算速度较慢。

2.2.7 蚁群算法

蚁群算法[26]是受蚂蚁的觅食行为所启发。它们在觅食过程中，会在所走的路径上分泌“信息素”，其他蚂蚁会通过信息素浓度的高低来进行是否为最优路径的判别。首先，初始化参数，对整个路径进行框架的构建：将蚂蚁随机放置在预设的不同起点，并记录每只蚂蚁行走路径；
然后进行信息素的释放；
最后更新其浓度，确定是否达到最大浓度。如果不是，则重复上一步，如果是，则结束，输出结果为最佳路径。

蚁群算法与遗传算法相似，主要是进行最优路径的搜寻。蚁群算法求解组合优化和最优解问题的主要优点是具有较强的自适应和自组织性，易于分布式操作，搜索效率高以及良好的算法优化和融合特性。

2.2.8 模拟退火算法

模拟退火[27]（SA）算法灵感来自于温度变化的过程，该过程导致固体加热和冷却后能量发生变化。SA具有很强的局部搜索能力。根据Metropolis标准的概率规则，可以接受目标函数的增加。该标准依赖控制参数，类似于物理退火，因此被称为系统温度。SA在温度不断下降过程中通过重复采样，得到问题的全局最优解。

模拟退火鲁棒性强、操作简便、适合并行处理、通用性好，可着重用于解决非线性的、复杂的优化问题，但需较长时间来执行且收敛速度慢。

2.2.9 主成分分析

主成分分析[28]可以在尽可能多地保留原变量信息的前提下，将多个指标转化为若干个综合指标，使新构成的主成分具有的一些反映问题本质的性能比原变量更优越

2.3 组合预测算法

天然气的发展历史中，有传统的负荷预测方法和人工智能的负荷预测方法。但是，没有一个模型能够准确预测任何地区的任何天然气系统。为了充分结合不同算法的优点并克服不同模型所存在的不足，人们将组合模型应用到了天然气短期负荷预测中，结果发现，预测精度较单一模型的高，并取得了良好的预测效果。这再次证明了在负荷预测方面除了探索新的预测方法外，利用原有的预测模型采用适当方法进行组合预测也能得到良好的预测效果。组合预测方法的优点是各单一模型的特点相互借鉴，克服了单一预测模型的不足，使优势互补，提高了负荷预测的准确度。缺点是预测模型更复杂、计算量更大、考虑的相关因素更多。

在天然气供应系统中，天然气负荷数据对天然气公司带来有力的数据支持，准确的预测天然气负荷数据对其规划设计、良好经济运行起着至关重要的作用。本文对天然气负荷预测的国内外现状进行介绍，并介绍了传统负荷预测方法和人工智能预测方法的适用性及优缺点，主要概括为：

1）当历史与预测的负荷数据之间的关系比较简单时，时间序列法、灰色理论可通过简单的分析可以大致了解其变化关系，并取得较好的预测效果。

2）支持向量机、人工神经网络等人工智能算法在有大量历史数据做支撑时，可获得较高的预测精度，在短期、超短期以及实时负荷预测方面也具有一定的优势。

3）组合预测算法能结合单一模型的优点，弥补不足，使得各算法的优势互补，提高负荷预测的精度，目前组合算法已被广泛应用到天然气短期负荷预测中。

未来的负荷预测需要在提高精度的基础上提高处理大量数据的速度，除了探索新的预测方法外，还可以对已有算法进行横向纵向的组合，以得到更高精度的负荷预测数据。

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

[2] 高芸，蒋雪梅，赵国洪，等.2020年中国天然气发展述评及2021年展望[J].天然气技术与经济，2021，15（1）：1-11．

[3] 方勤健. 综合能源系统多元负荷短期预测与应用[D].大连：大连理工大学，2021.

[4] 杨海兰. 武威地区短期负荷预测研究[D].兰州：兰州理工大学，2021.

[5] 刘维凯，白婷婷.SA-SVM模型预测泥质含量研究[J].当代化工，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] 李晓兵. 基于深度学习的短期电力负荷预测方法研究[D].北京：北京邮电大学，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] 乔伟彪，陈保东，卢泓方.基于混沌理论和Volterra自适应滤波器的天然气负荷预测[J].中国科学:技术科学，2015，45（1）：91-102.

[13] 王茜，李皓然，王新娜，等.基于混沌类电磁算法优化支持向量机的短期负荷预测[J].计算技术与自动化，2019，38（4）：15-18.

[14] 刘金源. 基于组合模型的燃气负荷预测技术研究[D].西安：西安石油大学，2018.

[15] 王树刚，王继红，端木琳，等.城市燃气负荷的短期预测[J].天然气工业，2010，30（5）：104-107.

[16] 赵菁，许克明.神经网络和模糊理论在短期负荷预测中的应用[J].电力系统及其自动化学报，2010，22（3）：129-133.

[17] 韩路莹，徐勇.基于支持向量机的短期负荷预测[J].电脑编程技巧与维护，2019（6）：16-18.

[18] 朱雪鹏.城市燃气负荷预测方法及其分析[J].石化技术，2017，24（3）：201-202.

[19] 陈娟，鲍伟强.人工神经网络在电力负荷预测中的应用[J].技术与市场，2019，26（3）：29-31.

[20] 宋娟，廖尚泰.基于BP神经网络与多元线性回归的短期燃气负荷预测[J].宁夏工程技术，2019，18（4）：343-346.

[21] 那幸仪，贾俊铖，赵晓筠，等.基于小波变换和LSTM模型的城市天然气负荷预测[J].计算机应用与软件，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城市燃气负荷预测技术的研究与开发[D].西安：西安石油大学，2020.

[24] 彭燕，刘宇红，张荣芬.基于LSTM的股票价格预测建模与分析[J].计算机工程与应用，2019，55（11）：209-211.

[25] 刘春霞，李军，党伟超，等.基于遗传算法优化小波神经网络的短期天然气负荷预测[J].计算机系统应用，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] 徐扬，张紫涛.基于遗传模拟退火算法改进BP神经网络的中长期电力负荷预测[J].电气技术，2021，22（9）：70-76.

[28] 刘金源，王寿喜，李婵. 城市燃气日负荷PCA-GM-BPNN 组合预测模型[J]. 天然气与石油，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

杨奕（1997-），女，陕西省铜川市人，硕士研究生，研究方向：天然气负荷预测技术。

TU996.3

A

1004-0935（2023）01-0104-04

猜你喜欢天然气神经网络负荷Opening flexible resources by integrating energy systems: A review of flexibility for the modern power system长江大学学报(自科版)(2021年6期)2021-02-16第六章 意外的收获——石油和天然气小学科学(学生版)(2020年5期)2020-05-25石油和天然气小学科学(学生版)(2019年11期)2019-12-09神经网络抑制无线通信干扰探究电子制作(2019年19期)2019-11-23基于神经网络的中小学生情感分析电子制作(2019年24期)2019-02-23天然气：供暖季在即LNG价格持续走高能源(2018年10期)2018-12-08天然气：LNG价格已经开始预热了么？能源(2018年8期)2018-01-15防止过负荷时距离保护误动新判据东北电力技术(2016年2期)2016-05-17主动降负荷才是正经事中国化肥信息(2016年35期)2016-05-17基于神经网络的拉矫机控制模型建立重型机械(2016年1期)2016-03-01