一种天然气短期需求预测方法
【专利摘要】本发明公开了一种天然气短期需求预测方法，在搜集各地区不同时期气象参数、历史负荷、用气结构基础上，利用MATLAB进行相关性分析确定负荷影响因素，通过人工神经网络、支持向量机、主成分分析预测、混合回归分析、节点倍比法、误差修正模型、自回归分布滞后模型分别进行预测，采用最优化技术和决策理论，根据虚拟预测结果确定各预测模型权重，得出模型预测值，最后根据各区域新增/减用户、用户检修等数据对模型预测值进行修正，得出最终预测结果。本发明基于传统的经典统计学理论和人工智能算法，通过预测决策理论和最优化技术，形成了一套完整的短期需求预测方法，实现对不同区域内未来一个月内分日天然气需求进行预测。
【专利说明】
一种天然气短期需求预测方法
技术领域
[0001] 本发明涉及天然气负荷预测领域，具体是一种天然气短期需求预测方法。
【背景技术】
[0002] 美国、欧洲等发达国家天然气市场发展已处于成熟期，其对燃气预测的研究已达 到较高水平，许多燃气企业结合下游用户用气特点，自主研发负荷预测软件，用于预测天然 气短期需求。如英国ESI能源集团开发的Gas Load Forecaster气体负荷预测软件，应用于 美国佛罗里达、荷兰壳牌等世界大型输气企业，GLF通过分析历史气象数据、管输数据，结合 气象预报对未来天然气需求和管网输量进行预测;德国0GAD0公司开发的慕达能源管理系 统应用在莫斯科、柏林、维也纳等市区的燃气管网系统，预测精度较高，涉及气象、统计学、 概率学、高炜空间几何学、专家经验等多个专业领域，通过慕达海量数据库和多元回归、人 工智能等数学模型，实现对不同城市的小时、日、周、月等时间跨度的需求预测。
[0003] 21世纪以来，随着国内天然气市场快速发展，负荷预测研究进入了蓬勃发展阶段， 国内高校和科研院所对负荷预测方法的研究逐渐成熟。部分发达城市燃气企业已研发并投 入使用燃气负荷预测系统:上海市城市燃气负荷预测系统、北京燃气集团研发的北京市天 然气日负荷预测实时优化系统、川渝管网城市居民用气负荷预测软件、清华大学和北京市 公共事业科学研究所共同开发的燃气负荷预测数据库系统等。平台主体功能包括:燃气小 时、日、月、年负荷预测、春节期间负荷预测、寒潮高峰期负荷预测，夏季低谷期负荷预测等。 [0004]由于我国天然气行业发展迅速，管理技术和手段落后，可利用的科技档案和记录 数据分散，市场尚未成熟，消费结构快速变化等因素，对用气负荷的整体预测难度较大。当 前，大多数天然气需求预测多用于单独的城市燃气公司，重点关注日需求和小时需求，尚未 有区域性和全国性的短期需求的高水平成熟预测模型案例。
[0005] 目前，全国天然气跨区域骨干管网已基本形成，但管网系统整体输配能力仍然不 足，干线之间尚无法实现完全意义上的灵活调运，在出现极端气象条件时，局部地区会出现 供气紧张的局面。因此，供气企业迫切需要研发一套成熟、可靠的短期需求预测模型库，建 立短期预测平台，以协调天然气产运销各环节，做好应急管理，同时有针对性地协调用气客 户，做好需求侧管理。
【发明内容】
[0006] 本发明的目的在于克服单一预测技术存在的缺点和不足，从多角度建立天然气市 场短期负荷预测模型，结合虚拟预测结果，通过决策理论和最优化技术，形成一套自适应性 较强的天然气短期需求预测方法，以实现对不同用气区域内日用气需求预测，预测结果可 为供气企业合理安排上游资源、优化调度运行提供参考，以解决上述【背景技术】中提出的问 题。
[0007] 为实现上述目的，本发明提供如下技术方案：
[0008] -种天然气短期需求预测方法，具体步骤如下：
[0009] (1)搜集用气区域3~5年天然气的历史负荷数据、分用户用气细分数据、气象数 据、日期类型、新增减用户、冬季保供压减、夏季降价促销的关键事件信息数据；
[0010] (2)对搜集获取的历史数据进行预处理，包括气象数据和负荷数据，气象数据处理 是对缺失数据进行补充，各区域内实际负荷数据是由供应侧和需求侧共同决定，处理原则 是将统计周期内的实际负荷处理为用气区域内的实际用气需求量，如冬季保供时期应根据 实际压减量对负荷进行还原;发生地质灾害造成断供或供应减少情况时，将需求量按近期 或同期数据作平滑处理；
[0011] (3)通过MATLAB对区域内各行业用气日负荷(城市燃气、工业用气、发电用气)与影 响变量(气象数据、日期类型)进行相关分析，根据相关分析结果确定模型输入变量；
[0012] (4)结合预测理论和天然气负荷自身波动特点，建立人工神经网络模型、支持向量 机模型、主成分回归分析预测模型、节点倍比模型、误差修正模型、自回归分布滞后模型和 混合回归模型的七种预测单模型；
[0013] (5)根据虚拟预测思想，采用七种单模型对用气区域内近期或去年同期用气负荷 进行预测，并与实际用气需求进行对比;根据各模型分日预测误差情况，采用预测决策理论 完成模型筛选，剔除预测效果较差的模型;基于误差平方和准则建立最优化模型，求解各单 模型权重，作为未来预测时各模型分配权重；
[0014] (6)将相关变量的未来预测值作为输入变量，采用步骤(5)中筛选出的单模型对区 域内短期用气需求进行预测，并根据对应单模型分配权重得出各区域内模型预测负荷结 果；
[0015] (7)根据区域内上报的未来一个月"关键事件"信息情况，对分日负荷预测结果进 行修正，得出最终用气需求。
[0016] 作为本发明进一步的方案:所述步骤(4)中，人工神经网络模型、支持向量机模型、 主成分回归分析预测模型、节点倍比模型、混合回归模型进行预测通过MATLAB编程实现，误 差修正模型和自回归分布滞后模型通过Eviews软件运算输出。
[0017] 与现有技术相比，本发明的有益效果是:本发明预测方法对不同区域分日负荷进 行预测，结合"关键事件"信息上报情况对各区域用气需求进行调整，得出未来一个月内分 日负荷预测结果，应用结果表明，平均预测精度可达到97%以上。与国外成熟预测软件平台 相比，平均预测精度提高约3%。
【附图说明】
[0018]图1为本发明的预测流程图。
[0019] 图2为为采用MATLAB进行用气负荷与影响因素之间进行关联分析计算流程图。
[0020] 图3为混合回归预测模型预测流程图。
[0021]图4为"同类型日"原理示意图。
[0022] 图5为节点倍比预测模型计算流程图。
[0023] 图6为人工神经网络预测模型流程图。
[0024]图7为3层神经网络模型结构图。
[0025]图8为主成分回归分析模型原理示意图。
[0026]图9为神经网络模型预测结果误差曲线图。
[0027]图10为多元回归模型预测结果误差曲线图。
[0028]图11为北京市6月真实值与慕达能源管理系统预测结果的拟合曲线对比图。
【具体实施方式】
[0029]下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他 实施例，都属于本发明保护的范围。
[0030] 实施例1
[0031] 以北京市2015年1月份分日用气需求预测为例，对本发明提出的天然气市场短期 需求预测方法体系的实施过程进行说明，如图1-8所示，
[0032] (1)搜集北京市2013年1月1日起至2014年12月31日用气负荷(按行业细分)及气象 数据(包括:最高温度、最低温度、平均温度、平均风速、降水/雪量等)和日期类型（国家法定 节假日及重大社会活动），结合过去两年内冬季北京市实际用气压减情况对历史负荷进行 还原，以反映真实需求量;对搜集到的气象数据进行预处理，补充缺失数据(采用取平均值 方法）；
[0033] (2)通过MATLAB对各行业用气负荷与各变量进行相关分析，最后确定平均温度、日 期类型、前一日负荷作为城市燃气用气负荷的相关变量(针对不同时期(采暖季、非采暖季） 用气负荷，最高温度、最低温度对城市燃气负荷的相关系数相对大小，如采暖季期间最低温 度对城市燃气负荷的相关系数大于最高温度，非采暖季期间则相反）；日期类型、平均温度 作为电厂用气负荷的相关变量;工业用气负荷主要受日期类型的影响，根据相关分析结果， 对各行业负荷与相关变量分别进行统计处理，形成分类训练样本；
[0034] (3)将训练样本自变量作为输入变量，用气负荷作为输出变量，对七种单模型进行 训练，训练结果使各模型训练输出结果与实际负荷(还原后的负荷)拟合效果最好；
[0035] (4)搜集北京市2015年1月份分日气象数据，并对月内日期类型进行标注，作为输 入样本输入至训练好的七个单模型中，得到各单模型预测结果；
[0036] (5)采用前述方法对2014年12月份北京市用气负荷进行虚拟预测，根据2014年12 月份分日实际负荷，结合预测筛选理论，完成单模型的筛选，并确定各单模型的权重。
[0037] (6)根据步骤(4)中各模型预测结果，利用步骤(5)中分配的各单模型权重，计算模 型综合预测结果；
[0038] (7)根据2015年1月份下游大用户的"关键事件"信息上报情况，对分日用气需求进 行修正，得出最终预测结果。
[0039] 实施例2
[0040]采用英国ESI能源公司GLF预测软件（预测方法主要采用神经网络模型和回归模 型）对北京、长沙、兰州、天津市四地市用气负荷进行预测，预测效果并不理想。如图9、图10 所示。从预测曲线可以看出，除少数点的预测精度高于95%之外，大部分点精度不高，甚至 出现大幅度偏离的数据点。
[0041]采用慕达能源管理系统对北京市2015年6月份分日用气负荷进行预测，采用两组 模型预测结果平均值，总体来看，预测误差为-5.55%，预测结果偏低。其中模型一组平均预 测误差-11.66%，模型二组平均预测误差0.56 %。
[0042]北京市6月份慕达能源管理系统预测结果误差分布情况
[0044] 两组模型预测结果与北京市6月份实际分日用气负荷曲线对比如图11所示，从图 中可以看出，模型一组分日预测结果均偏低，模型二组预测结果与实际结果较为贴近。6月 下旬，受新增电厂用户影响，预测结果与实际值偏差较大。
[0045] 对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在 不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论 从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权 利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有 变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
【主权项】
1. 一种天然气短期需求预测方法，其特征在于，步骤如下： (1) 搜集用气区域3~5年天然气的历史负荷数据、分用户用气细分数据、气象数据、日 期类型、新增减用户、冬季保供压减、夏季降价促销的信息数据； (2) 对搜集获取的历史数据进行预处理，包括气象数据和负荷数据，气象数据处理是对 缺失数据进行补充，各区域内实际负荷数据是由供应侧和需求侧共同决定，处理原则是将 统计周期内的实际负荷处理为用气区域内的实际用气需求量;发生地质灾害造成断供或供 应减少情况时，将需求量按近期或同期数据作平滑处理； (3) 通过MATLAB对行业区域内用气日负荷与影响变量进行相关分析，根据相关分析结 果确定模型输入变量； (4) 结合预测理论和天然气负荷自身波动的特点，建立人工神经网络模型、支持向量机 模型、主成分回归分析预测模型、节点倍比模型、误差修正模型、自回归分布滞后模型和混 合回归模型的七种预测单模型； (5) 根据虚拟预测方法，采用七种单模型对用气区域内近期或去年同期用气负荷进行 预测，并与实际用气需求进行对比;根据各模型分日预测误差情况，采用预测决策理论完成 模型筛选，剔除预测效果较差的模型;基于误差平方和准则建立最优化模型，求解各单模型 权重，作为未来预测时各模型分配权重； (6) 将相关变量的未来预测值作为输入变量，采用步骤(5)中筛选出的单模型对区域内 短期用气需求进行预测，并根据对应单模型分配权重得出各区域内模型预测负荷结果； (7) 根据区域内上报的未来一个月信息数据，对分日负荷预测结果进行修正，得出最终 用气需求。2. 根据权利要求1所述的天然气短期需求预测方法，其特征在于，所述步骤(4)中，人工 神经网络模型、支持向量机模型、主成分回归分析预测模型、节点倍比模型、混合回归模型 进行预测通过MATLAB编程实现，误差修正模型和自回归分布滞后模型通过Eviews软件运算 输出。
【文档编号】G06Q50/06GK105894113SQ201610197156
【公开日】2016年8月24日
【申请日】2016年3月31日
【发明人】陈进殿, 郝迎鹏, 杨建红, 韩景宽, 赵忠德, 孙春良, 沈鑫
【申请人】中国石油天然气股份有限公司规划总院