一種天然氣短期需求預(yù)測方法
【專利摘要】本發(fā)明公開了一種天然氣短期需求預(yù)測方法，在搜集各地區(qū)不同時(shí)期氣象參數(shù)、歷史負(fù)荷、用氣結(jié)構(gòu)基礎(chǔ)上，利用MATLAB進(jìn)行相關(guān)性分析確定負(fù)荷影響因素，通過人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、主成分分析預(yù)測、混合回歸分析、節(jié)點(diǎn)倍比法、誤差修正模型、自回歸分布滯后模型分別進(jìn)行預(yù)測，采用最優(yōu)化技術(shù)和決策理論，根據(jù)虛擬預(yù)測結(jié)果確定各預(yù)測模型權(quán)重，得出模型預(yù)測值，最后根據(jù)各區(qū)域新增/減用戶、用戶檢修等數(shù)據(jù)對模型預(yù)測值進(jìn)行修正，得出最終預(yù)測結(jié)果。本發(fā)明基于傳統(tǒng)的經(jīng)典統(tǒng)計(jì)學(xué)理論和人工智能算法，通過預(yù)測決策理論和最優(yōu)化技術(shù)，形成了一套完整的短期需求預(yù)測方法，實(shí)現(xiàn)對不同區(qū)域內(nèi)未來一個(gè)月內(nèi)分日天然氣需求進(jìn)行預(yù)測。
【專利說明】
一種天然氣短期需求預(yù)測方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及天然氣負(fù)荷預(yù)測領(lǐng)域，具體是一種天然氣短期需求預(yù)測方法。
【背景技術(shù)】
[0002] 美國、歐洲等發(fā)達(dá)國家天然氣市場發(fā)展已處于成熟期，其對燃?xì)忸A(yù)測的研究已達(dá) 到較高水平，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)測軟件，用于預(yù)測天然 氣短期需求。如英國ESI能源集團(tuán)開發(fā)的Gas Load Forecaster氣體負(fù)荷預(yù)測軟件，應(yīng)用于 美國佛羅里達(dá)、荷蘭殼牌等世界大型輸氣企業(yè)，GLF通過分析歷史氣象數(shù)據(jù)、管輸數(shù)據(jù)，結(jié)合 氣象預(yù)報(bào)對未來天然氣需求和管網(wǎng)輸量進(jìn)行預(yù)測;德國0GAD0公司開發(fā)的慕達(dá)能源管理系 統(tǒng)應(yīng)用在莫斯科、柏林、維也納等市區(qū)的燃?xì)夤芫W(wǎng)系統(tǒng)，預(yù)測精度較高，涉及氣象、統(tǒng)計(jì)學(xué)、 概率學(xué)、高煒空間幾何學(xué)、專家經(jīng)驗(yàn)等多個(gè)專業(yè)領(lǐng)域，通過慕達(dá)海量數(shù)據(jù)庫和多元回歸、人 工智能等數(shù)學(xué)模型，實(shí)現(xiàn)對不同城市的小時(shí)、日、周、月等時(shí)間跨度的需求預(yù)測。
[0003] 21世紀(jì)以來，隨著國內(nèi)天然氣市場快速發(fā)展，負(fù)荷預(yù)測研究進(jìn)入了蓬勃發(fā)展階段， 國內(nèi)高校和科研院所對負(fù)荷預(yù)測方法的研究逐漸成熟。部分發(fā)達(dá)城市燃?xì)馄髽I(yè)已研發(fā)并投 入使用燃?xì)庳?fù)荷預(yù)測系統(tǒng):上海市城市燃?xì)庳?fù)荷預(yù)測系統(tǒng)、北京燃?xì)饧瘓F(tuán)研發(fā)的北京市天 然氣日負(fù)荷預(yù)測實(shí)時(shí)優(yōu)化系統(tǒng)、川渝管網(wǎng)城市居民用氣負(fù)荷預(yù)測軟件、清華大學(xué)和北京市 公共事業(yè)科學(xué)研究所共同開發(fā)的燃?xì)庳?fù)荷預(yù)測數(shù)據(jù)庫系統(tǒng)等。平臺(tái)主體功能包括:燃?xì)庑?時(shí)、日、月、年負(fù)荷預(yù)測、春節(jié)期間負(fù)荷預(yù)測、寒潮高峰期負(fù)荷預(yù)測，夏季低谷期負(fù)荷預(yù)測等。 [0004]由于我國天然氣行業(yè)發(fā)展迅速，管理技術(shù)和手段落后，可利用的科技檔案和記錄 數(shù)據(jù)分散，市場尚未成熟，消費(fèi)結(jié)構(gòu)快速變化等因素，對用氣負(fù)荷的整體預(yù)測難度較大。當(dāng) 前，大多數(shù)天然氣需求預(yù)測多用于單獨(dú)的城市燃?xì)夤?，重點(diǎn)關(guān)注日需求和小時(shí)需求，尚未 有區(qū)域性和全國性的短期需求的高水平成熟預(yù)測模型案例。
[0005] 目前，全國天然氣跨區(qū)域骨干管網(wǎng)已基本形成，但管網(wǎng)系統(tǒng)整體輸配能力仍然不 足，干線之間尚無法實(shí)現(xiàn)完全意義上的靈活調(diào)運(yùn)，在出現(xiàn)極端氣象條件時(shí)，局部地區(qū)會(huì)出現(xiàn) 供氣緊張的局面。因此，供氣企業(yè)迫切需要研發(fā)一套成熟、可靠的短期需求預(yù)測模型庫，建 立短期預(yù)測平臺(tái)，以協(xié)調(diào)天然氣產(chǎn)運(yùn)銷各環(huán)節(jié)，做好應(yīng)急管理，同時(shí)有針對性地協(xié)調(diào)用氣客 戶，做好需求側(cè)管理。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服單一預(yù)測技術(shù)存在的缺點(diǎn)和不足，從多角度建立天然氣市 場短期負(fù)荷預(yù)測模型，結(jié)合虛擬預(yù)測結(jié)果，通過決策理論和最優(yōu)化技術(shù)，形成一套自適應(yīng)性 較強(qiáng)的天然氣短期需求預(yù)測方法，以實(shí)現(xiàn)對不同用氣區(qū)域內(nèi)日用氣需求預(yù)測，預(yù)測結(jié)果可 為供氣企業(yè)合理安排上游資源、優(yōu)化調(diào)度運(yùn)行提供參考，以解決上述【背景技術(shù)】中提出的問 題。
[0007] 為實(shí)現(xiàn)上述目的，本發(fā)明提供如下技術(shù)方案：
[0008] -種天然氣短期需求預(yù)測方法，具體步驟如下：
[0009] (1)搜集用氣區(qū)域3~5年天然氣的歷史負(fù)荷數(shù)據(jù)、分用戶用氣細(xì)分?jǐn)?shù)據(jù)、氣象數(shù) 據(jù)、日期類型、新增減用戶、冬季保供壓減、夏季降價(jià)促銷的關(guān)鍵事件信息數(shù)據(jù)；
[0010] (2)對搜集獲取的歷史數(shù)據(jù)進(jìn)行預(yù)處理，包括氣象數(shù)據(jù)和負(fù)荷數(shù)據(jù)，氣象數(shù)據(jù)處理 是對缺失數(shù)據(jù)進(jìn)行補(bǔ)充，各區(qū)域內(nèi)實(shí)際負(fù)荷數(shù)據(jù)是由供應(yīng)側(cè)和需求側(cè)共同決定，處理原則 是將統(tǒng)計(jì)周期內(nèi)的實(shí)際負(fù)荷處理為用氣區(qū)域內(nèi)的實(shí)際用氣需求量，如冬季保供時(shí)期應(yīng)根據(jù) 實(shí)際壓減量對負(fù)荷進(jìn)行還原;發(fā)生地質(zhì)災(zāi)害造成斷供或供應(yīng)減少情況時(shí)，將需求量按近期 或同期數(shù)據(jù)作平滑處理；
[0011] (3)通過MATLAB對區(qū)域內(nèi)各行業(yè)用氣日負(fù)荷(城市燃?xì)?、工業(yè)用氣、發(fā)電用氣)與影 響變量(氣象數(shù)據(jù)、日期類型)進(jìn)行相關(guān)分析，根據(jù)相關(guān)分析結(jié)果確定模型輸入變量；
[0012] (4)結(jié)合預(yù)測理論和天然氣負(fù)荷自身波動(dòng)特點(diǎn)，建立人工神經(jīng)網(wǎng)絡(luò)模型、支持向量 機(jī)模型、主成分回歸分析預(yù)測模型、節(jié)點(diǎn)倍比模型、誤差修正模型、自回歸分布滯后模型和 混合回歸模型的七種預(yù)測單模型；
[0013] (5)根據(jù)虛擬預(yù)測思想，采用七種單模型對用氣區(qū)域內(nèi)近期或去年同期用氣負(fù)荷 進(jìn)行預(yù)測，并與實(shí)際用氣需求進(jìn)行對比;根據(jù)各模型分日預(yù)測誤差情況，采用預(yù)測決策理論 完成模型篩選，剔除預(yù)測效果較差的模型;基于誤差平方和準(zhǔn)則建立最優(yōu)化模型，求解各單 模型權(quán)重，作為未來預(yù)測時(shí)各模型分配權(quán)重；
[0014] (6)將相關(guān)變量的未來預(yù)測值作為輸入變量，采用步驟(5)中篩選出的單模型對區(qū) 域內(nèi)短期用氣需求進(jìn)行預(yù)測，并根據(jù)對應(yīng)單模型分配權(quán)重得出各區(qū)域內(nèi)模型預(yù)測負(fù)荷結(jié) 果；
[0015] (7)根據(jù)區(qū)域內(nèi)上報(bào)的未來一個(gè)月"關(guān)鍵事件"信息情況，對分日負(fù)荷預(yù)測結(jié)果進(jìn) 行修正，得出最終用氣需求。
[0016] 作為本發(fā)明進(jìn)一步的方案:所述步驟(4)中，人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、 主成分回歸分析預(yù)測模型、節(jié)點(diǎn)倍比模型、混合回歸模型進(jìn)行預(yù)測通過MATLAB編程實(shí)現(xiàn)，誤 差修正模型和自回歸分布滯后模型通過Eviews軟件運(yùn)算輸出。
[0017] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是:本發(fā)明預(yù)測方法對不同區(qū)域分日負(fù)荷進(jìn) 行預(yù)測，結(jié)合"關(guān)鍵事件"信息上報(bào)情況對各區(qū)域用氣需求進(jìn)行調(diào)整，得出未來一個(gè)月內(nèi)分 日負(fù)荷預(yù)測結(jié)果，應(yīng)用結(jié)果表明，平均預(yù)測精度可達(dá)到97%以上。與國外成熟預(yù)測軟件平臺(tái) 相比，平均預(yù)測精度提高約3%。
【附圖說明】
[0018]圖1為本發(fā)明的預(yù)測流程圖。
[0019] 圖2為為采用MATLAB進(jìn)行用氣負(fù)荷與影響因素之間進(jìn)行關(guān)聯(lián)分析計(jì)算流程圖。
[0020] 圖3為混合回歸預(yù)測模型預(yù)測流程圖。
[0021]圖4為"同類型日"原理示意圖。
[0022] 圖5為節(jié)點(diǎn)倍比預(yù)測模型計(jì)算流程圖。
[0023] 圖6為人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型流程圖。
[0024]圖7為3層神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖。
[0025]圖8為主成分回歸分析模型原理示意圖。
[0026]圖9為神經(jīng)網(wǎng)絡(luò)模型預(yù)測結(jié)果誤差曲線圖。
[0027]圖10為多元回歸模型預(yù)測結(jié)果誤差曲線圖。
[0028]圖11為北京市6月真實(shí)值與慕達(dá)能源管理系統(tǒng)預(yù)測結(jié)果的擬合曲線對比圖。
【具體實(shí)施方式】
[0029]下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完 整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例。基于 本發(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他 實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。
[0030] 實(shí)施例1
[0031] 以北京市2015年1月份分日用氣需求預(yù)測為例，對本發(fā)明提出的天然氣市場短期 需求預(yù)測方法體系的實(shí)施過程進(jìn)行說明，如圖1-8所示，
[0032] (1)搜集北京市2013年1月1日起至2014年12月31日用氣負(fù)荷(按行業(yè)細(xì)分)及氣象 數(shù)據(jù)(包括:最高溫度、最低溫度、平均溫度、平均風(fēng)速、降水/雪量等)和日期類型（國家法定 節(jié)假日及重大社會(huì)活動(dòng)），結(jié)合過去兩年內(nèi)冬季北京市實(shí)際用氣壓減情況對歷史負(fù)荷進(jìn)行 還原，以反映真實(shí)需求量;對搜集到的氣象數(shù)據(jù)進(jìn)行預(yù)處理，補(bǔ)充缺失數(shù)據(jù)(采用取平均值 方法）；
[0033] (2)通過MATLAB對各行業(yè)用氣負(fù)荷與各變量進(jìn)行相關(guān)分析，最后確定平均溫度、日 期類型、前一日負(fù)荷作為城市燃?xì)庥脷庳?fù)荷的相關(guān)變量(針對不同時(shí)期(采暖季、非采暖季） 用氣負(fù)荷，最高溫度、最低溫度對城市燃?xì)庳?fù)荷的相關(guān)系數(shù)相對大小，如采暖季期間最低溫 度對城市燃?xì)庳?fù)荷的相關(guān)系數(shù)大于最高溫度，非采暖季期間則相反）；日期類型、平均溫度 作為電廠用氣負(fù)荷的相關(guān)變量;工業(yè)用氣負(fù)荷主要受日期類型的影響，根據(jù)相關(guān)分析結(jié)果， 對各行業(yè)負(fù)荷與相關(guān)變量分別進(jìn)行統(tǒng)計(jì)處理，形成分類訓(xùn)練樣本；
[0034] (3)將訓(xùn)練樣本自變量作為輸入變量，用氣負(fù)荷作為輸出變量，對七種單模型進(jìn)行 訓(xùn)練，訓(xùn)練結(jié)果使各模型訓(xùn)練輸出結(jié)果與實(shí)際負(fù)荷(還原后的負(fù)荷)擬合效果最好；
[0035] (4)搜集北京市2015年1月份分日氣象數(shù)據(jù)，并對月內(nèi)日期類型進(jìn)行標(biāo)注，作為輸 入樣本輸入至訓(xùn)練好的七個(gè)單模型中，得到各單模型預(yù)測結(jié)果；
[0036] (5)采用前述方法對2014年12月份北京市用氣負(fù)荷進(jìn)行虛擬預(yù)測，根據(jù)2014年12 月份分日實(shí)際負(fù)荷，結(jié)合預(yù)測篩選理論，完成單模型的篩選，并確定各單模型的權(quán)重。
[0037] (6)根據(jù)步驟(4)中各模型預(yù)測結(jié)果，利用步驟(5)中分配的各單模型權(quán)重，計(jì)算模 型綜合預(yù)測結(jié)果；
[0038] (7)根據(jù)2015年1月份下游大用戶的"關(guān)鍵事件"信息上報(bào)情況，對分日用氣需求進(jìn) 行修正，得出最終預(yù)測結(jié)果。
[0039] 實(shí)施例2
[0040]采用英國ESI能源公司GLF預(yù)測軟件（預(yù)測方法主要采用神經(jīng)網(wǎng)絡(luò)模型和回歸模 型）對北京、長沙、蘭州、天津市四地市用氣負(fù)荷進(jìn)行預(yù)測，預(yù)測效果并不理想。如圖9、圖10 所示。從預(yù)測曲線可以看出，除少數(shù)點(diǎn)的預(yù)測精度高于95%之外，大部分點(diǎn)精度不高，甚至 出現(xiàn)大幅度偏離的數(shù)據(jù)點(diǎn)。
[0041]采用慕達(dá)能源管理系統(tǒng)對北京市2015年6月份分日用氣負(fù)荷進(jìn)行預(yù)測，采用兩組 模型預(yù)測結(jié)果平均值，總體來看，預(yù)測誤差為-5.55%，預(yù)測結(jié)果偏低。其中模型一組平均預(yù) 測誤差-11.66%，模型二組平均預(yù)測誤差0.56 %。
[0042]北京市6月份慕達(dá)能源管理系統(tǒng)預(yù)測結(jié)果誤差分布情況
[0044] 兩組模型預(yù)測結(jié)果與北京市6月份實(shí)際分日用氣負(fù)荷曲線對比如圖11所示，從圖 中可以看出，模型一組分日預(yù)測結(jié)果均偏低，模型二組預(yù)測結(jié)果與實(shí)際結(jié)果較為貼近。6月 下旬，受新增電廠用戶影響，預(yù)測結(jié)果與實(shí)際值偏差較大。
[0045] 對于本領(lǐng)域技術(shù)人員而言，顯然本發(fā)明不限于上述示范性實(shí)施例的細(xì)節(jié)，而且在 不背離本發(fā)明的精神或基本特征的情況下，能夠以其他的具體形式實(shí)現(xiàn)本發(fā)明。因此，無論 從哪一點(diǎn)來看，均應(yīng)將實(shí)施例看作是示范性的，而且是非限制性的，本發(fā)明的范圍由所附權(quán) 利要求而不是上述說明限定，因此旨在將落在權(quán)利要求的等同要件的含義和范圍內(nèi)的所有 變化囊括在本發(fā)明內(nèi)。不應(yīng)將權(quán)利要求中的任何附圖標(biāo)記視為限制所涉及的權(quán)利要求。
【主權(quán)項(xiàng)】
1. 一種天然氣短期需求預(yù)測方法，其特征在于，步驟如下： (1) 搜集用氣區(qū)域3~5年天然氣的歷史負(fù)荷數(shù)據(jù)、分用戶用氣細(xì)分?jǐn)?shù)據(jù)、氣象數(shù)據(jù)、日 期類型、新增減用戶、冬季保供壓減、夏季降價(jià)促銷的信息數(shù)據(jù)； (2) 對搜集獲取的歷史數(shù)據(jù)進(jìn)行預(yù)處理，包括氣象數(shù)據(jù)和負(fù)荷數(shù)據(jù)，氣象數(shù)據(jù)處理是對 缺失數(shù)據(jù)進(jìn)行補(bǔ)充，各區(qū)域內(nèi)實(shí)際負(fù)荷數(shù)據(jù)是由供應(yīng)側(cè)和需求側(cè)共同決定，處理原則是將 統(tǒng)計(jì)周期內(nèi)的實(shí)際負(fù)荷處理為用氣區(qū)域內(nèi)的實(shí)際用氣需求量;發(fā)生地質(zhì)災(zāi)害造成斷供或供 應(yīng)減少情況時(shí)，將需求量按近期或同期數(shù)據(jù)作平滑處理； (3) 通過MATLAB對行業(yè)區(qū)域內(nèi)用氣日負(fù)荷與影響變量進(jìn)行相關(guān)分析，根據(jù)相關(guān)分析結(jié) 果確定模型輸入變量； (4) 結(jié)合預(yù)測理論和天然氣負(fù)荷自身波動(dòng)的特點(diǎn)，建立人工神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī) 模型、主成分回歸分析預(yù)測模型、節(jié)點(diǎn)倍比模型、誤差修正模型、自回歸分布滯后模型和混 合回歸模型的七種預(yù)測單模型； (5) 根據(jù)虛擬預(yù)測方法，采用七種單模型對用氣區(qū)域內(nèi)近期或去年同期用氣負(fù)荷進(jìn)行 預(yù)測，并與實(shí)際用氣需求進(jìn)行對比;根據(jù)各模型分日預(yù)測誤差情況，采用預(yù)測決策理論完成 模型篩選，剔除預(yù)測效果較差的模型;基于誤差平方和準(zhǔn)則建立最優(yōu)化模型，求解各單模型 權(quán)重，作為未來預(yù)測時(shí)各模型分配權(quán)重； (6) 將相關(guān)變量的未來預(yù)測值作為輸入變量，采用步驟(5)中篩選出的單模型對區(qū)域內(nèi) 短期用氣需求進(jìn)行預(yù)測，并根據(jù)對應(yīng)單模型分配權(quán)重得出各區(qū)域內(nèi)模型預(yù)測負(fù)荷結(jié)果； (7) 根據(jù)區(qū)域內(nèi)上報(bào)的未來一個(gè)月信息數(shù)據(jù)，對分日負(fù)荷預(yù)測結(jié)果進(jìn)行修正，得出最終 用氣需求。2. 根據(jù)權(quán)利要求1所述的天然氣短期需求預(yù)測方法，其特征在于，所述步驟(4)中，人工 神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)模型、主成分回歸分析預(yù)測模型、節(jié)點(diǎn)倍比模型、混合回歸模型 進(jìn)行預(yù)測通過MATLAB編程實(shí)現(xiàn)，誤差修正模型和自回歸分布滯后模型通過Eviews軟件運(yùn)算 輸出。
【文檔編號】G06Q50/06GK105894113SQ201610197156
【公開日】2016年8月24日
【申請日】2016年3月31日
【發(fā)明人】陳進(jìn)殿, 郝迎鵬, 楊建紅, 韓景寬, 趙忠德, 孫春良, 沈鑫
【申請人】中國石油天然氣股份有限公司規(guī)劃總院