张晶,等:不同时间尺度下的天然气需求预测模型研究进展

表1　基于CNKI、Science Direct等论文库筛选出的文献

将以上文献中所预测的时长按照时间颗粒度进行归纳，其中以时、天（日）、周、月为尺度预测的相关文献统一认定为短期预测，主要用于制定储气调峰、流量调度等方案；将以年为尺度的预测统一认定为中长期预测，主要用于制定宏观规划、政策及相关合同等，是分析能源形势及发展前景的关键。将筛选后的63篇文献作为研究对象，按照时间尺度进行划分，结果见图1。

图1　分时间尺度发表文章数量

由图1可以看出，近年来针对不同时间尺度下的需求预测均有较新的进展，针对中长期需求预测的文献明显高于短期预测。中文文献较多关注中长期预测，重在分析天然气能源的宏观供需形势；外文文献重点关注短期预测，旨在提高短期预测模型的精度，为对应时间尺度内的能源保供提供理论及数据支撑。基于筛选出的论文，根据不同时间尺度下的数据特征、影响因素、预测模型及预测性能指标等方面进行总结。

需求预测是分析历史数据的规律并对其进行表征，在该规律下，综合环境约束行为，对未来的需求进行合理分析的统称。而历史数据在不同的时间尺度下表现出较为明显的差异性，对预测模型的选择及构建产生较大的影响，因此需要分析不同时间尺度下消费量的数据特征及相关方法，分析对比不同学者所构建的方法的共性、区别与预测效果，从而为需求预测的深入研究提供新方向。

2.1　数据特征

数据是预测模型的关键性要素。以各时间尺度下的数据作为基础，根据预测目标的历史用气规律选择或搭建合适的预测模型是每位学者做预测工作的前提。图2显示了不同时间尺度下消费数据的特点。短尺度数据的规律性更强，存在明显周期性、季节性变化，波动更加频繁；长尺度数据是短尺度数据的叠加组合，总用气量变化呈现缓慢且持续上升的趋势，趋势性特征更为明显。

图2　不同时间尺度数据特征

图3显示了同时段下3个用户在以时为尺度下的用气规律。该时间尺度下，不同用户显示出的规律存在共性，即：以天为周期进行变换，呈现出不同数量的峰值现象。时尺度的数据是下游用户用气情况的直观体现，影响因素多且杂，因此数据波动剧烈且随机性较强。因此，当以小时的时间尺度数据作为预测依据时，一般先利用平滑法去除干扰，然后再进行分析计算和预测。

图3　不同用户的时尺度数据

图4表明日尺度数据整体呈现出以年、月为周期的规律性波动。图4（a）显示了某用户两年内的日尺度数据，图4（b）显示了同用户一个月内的日尺度数据。在整年内，用气量会出现一个高峰期和一个平缓期，高峰期对应时间为供暖季，平缓期为非供暖季，时长比例为1∶2；在整月内，用气量在每周内均出现一个小型高峰特征。即：在周、年周期内，用户呈现出相似的用气曲线。

图4　某用户不同周期内的日尺度数据

图5显示了中国2017—2020年的月尺度数据。数据整体呈U型，其中消费量高峰对应时间一般为每年的11月15日至次年的3月15日；同时随着政策及市场的推动，消费量逐年增加。由于综合约束的干扰，导致部分月份数据反常，但整体趋势无明显变化。

图5　2017—2020年中国天然气消费月度数据

图6为中国不同地区下的年尺度数据。数据整体随着时间呈持续上升趋势，无明显周期性特征，负荷的增幅及波动情况随地区而存在明显差异；若对年尺度数据进行分解，可以明显看到短尺度数据下的季节性、趋势性及随机性特征的数据。

图6　2000—2019年中国不同地区天然气消费年尺度数据

不同时间尺度所表征的消费特征不同，需求预测模型将依据对应尺度的数据特征进行预测，因此分析不同时间尺度的数据特征对模型构建及选择具有决定性作用。在面对某一新用户时，可根据其历史消费数据特征快速选择合适的预测模型。

2.2　因素探究

量化评价模型是在可获得数据信息的基础上建立的，在PLC系统性能评价模型中即为二级指标量化的过程。评价过程是根据定义的二级指标含义及其数据返回值范围，通过数据描述方式建立百分制量化评价模型。例如Controller对象“TimeSlice”属性作为二级指标，代表分配给通信可用的CPU占用百分比，其数据返回值范围为10 ~ 99，通过线性化处理为百分制分数的形式，当有返回值时，就能得到通信可用CPU占用比二级指标分数，然后通过与其他二级指标线性加权得到通信状况一级指标。常用的数据描述方式包括权值描述、线性化描述、分段函数描述等，其作用为根据数据信息返回值，将返回值转化为百分制分数的形式。以百分制形式存在的二级指标在经过线性加权后，依旧能够得到百分制一级指标，简化了整个量化模型的计算过程，且能够更直观地展现系统性能状态。以控制器工况一级指标为例来介绍其二级指标评价模型中常用的3种数据描述方式。

表2　不同时间尺度模型中所采用的因素

由表2可见：①对于时尺度需求量的预测，学者们主要考虑气候、价格作为影响因素的输入；②日尺度的预测拓展了气候类数据的范围，涵盖温度、湿度、风速、气压等多维度信息，并新增了日期类型作为变量；③月尺度数据所考虑的因素更接近日尺度数据但更单一；④年尺度数据更多地考虑了宏观层面，以经济数据为主，兼顾人口数据、天然气行业相关数据和宏观政策等。

天然气需求量预测模型经过多年的研究和发展，针对不同时间尺度的预测因素逐渐扩展，通常短期预测中主要影响因素取决于温度等气候类数据和节假日等日期类数据，而中长期消费量的变化则主要由经济、人口、天然气产业因素和政策等因素决定。

2.3　模型探究

迄今为止，国内外所建立的天然气需求量预测模型已逐渐系统化。按照所用基础数据的时间尺度不同，可将预测模型分为短期预测（小时、日、月度数据）与中长期预测（年度数据）两类。将搜集筛选的文献分类进行划分，见表3。

表3　不同预测时长对应文献

2.3.1　短期需求预测模型

短期消费数据是用户用气行为最直观的体现，通过分析用气的周期性、规律性、季节性行为，从而对未来的需求做出预测，可提高天然气资源分配效率及管网运行的经济效率。在丰富的短尺度数据的基础上，通过对用户历史用气规律及环境约束进行分析，才能正确估计未来需求走势。在传统需求预测模型取得的成果下，智能化领域的发展使得处理因素与消费量数据之间的非线性能力得到有效提高，因此针对短期需求预测的成果更加明显。实际天然气用气行为属于系统性问题，受多种因素的影响，在建立需求预测模型时，主要将模型分为两类：一类不考虑相关因素，仅基于历史消费量与时间的关系进行估计，常见模型有时间序列模型；另一类是考虑相关因素，通过多个约束条件合理化预测结果，常见模型包括统计学模型、神经网络模型、组合模型等。

当用户用气行为表现出强周期性、规律性特征且预测期较短时，可直接采用不考虑因素的时间序列模型进行预测。Ervural等 ^［10］ 以土耳其城市伊斯坦布尔的历史数据为基础，比较了传统ARMA模型（自回归滑动平均模型）和使用GA（遗传算法）优化的ARMA模型预测结果，表明GA可以有效改善传统ARMA模型的预测精度。Cihan等 ^［52］ 将季节性特征的影响纳入传统ARIMA（差分整合移动平均自回归模型）模型，组建Holt-Winters（霍尔特-温特）模型，对土耳其4个工业园区未来10 d的天然气消耗量进行了预测，修正模型添加了新的输入特征，即在显示趋势性的同时增加了季节性规律，使得该模型的预测结果更加倾向实际消费规律且准确性高于ARIMA模型。但该种方法只适用于用气规律较强的用户，适用范围较为局限，故而大多数学者仍采用考虑因素的预测模型进行分析。

2.3.1.1　统计学模型

统计学模型是通过简单的数学公式对用气量与因素之间的规律进行表征，并根据该规律及因素的发展趋势推测未来的用气量变化。此方法在短期需求预测中主要用于建筑物用气规律的分析，包括线性回归模型、MARS（多元自适应回归样条）模型等。MARS模型通过构建基函数不断逼近样本数据，主要针对高维数据进行回归分析。Williams等 ^［6］ 考虑了居住面积、气候、房间数量等建筑属性，通过相关性分析验证后，构建出针对独立住宅的月度需求预测模型，为其他学者对建筑物用气规律的研究奠定了坚实的基础。Özmen等 ^［28］ 利用MARS模型预测住宅用户用气规律，准确度较高。Shaikh等 ^［7］ 着重于小时时间尺度上建筑物用气量的研究，用回归方法重点刻画消费量和温度之间的关系，在MATLAB（矩阵实验室）中用Simulink模块构建建筑物小时需求预测模型进行预测；Ravnik等 ^［34］ 利用改进的sigmoid（逻辑斯蒂）函数描述了温度与历史用气量之间的关系，并以此为依据划分消费群体，分别对每类用户制定独特的标准天然气消费曲线后进行预测，然后累加输出总体趋势，为输气管网进行流量分配提供数据支撑。Yukseltan等 ^［48］ 认识到消费量与温度之间的强依赖关系，运用傅里叶级数的数学方法，将环境温度和舒适温度的偏差作为自变量进行回归分析，高效地获取未来一周、月尺度上的需求量。

上述学者侧重于从主要变量与用气量的关系入手，利用简单的数学公式描述其特有的天然气需求变化趋势。但是此类模型仅能揭示简单变量对天然气消费量的影响，对复杂变量缺乏描述性；且模型所需基础数据的数据量大、维度少，因此在准确刻画建筑物的用气规律方面还有很大提升改进空间。

2.3.1.2　神经网络模型

相较于传统的统计学模型，现代的神经网络模型在处理大量、高维、非线性关系的数据时具有优势，为预测模型精度的提高提供了有力的保障，代表模型有LSTM（长短时记忆网络）模型、SVR（支持向量回归）模型、ANN（人工神经网络）模型、BPNN（反向传播神经网络）模型等。

部分学者将传统回归模型与神经网络模型进行了对比，通过实际案例说明现代智能化模型在短期预测中独特的优势。Beyca等 ^［36］ 对比了MLR（多元线性回归）、ANN、SVR等各种模型在某地区未来12个月内的天然气消费量预测结果，表明神经网络模型在短期预测中具有良好的性能；但是其中ANN模型存在泛化能力差、收敛速度慢以及容易过拟合的缺点，使得该模型的适用性变窄，而采用结构风险最小化原理及核函数原理的SVR模型能有效规避ANN模型的不足。实例验证结果显示，多项式三次核函数的SVR模型的预测精度明显优于ANN模型和MLR模型。Wei等 ^［35］ 使用ISSA-LSTM（改进麻雀搜索算法优化长短时记忆神经网络）模型预测了3个不同气候带中的伦敦（温带）、香港（热带）、墨尔本（亚热带）、卡尔季察（亚热带）4个城市的天然气需求量，并对比了MLR、BPNN和SVR等预测结果，发现不同区域内因基础数据特点等的差异导致不同模型预测效果存在差异。

还有学者建立了新的神经网络模型实现短期预测，如模糊认知图理论模型、ANFIS（自适应神经模糊推理系统）模型等。Soltanisarvestani等 ^［57］ 利用模糊认知图的方法描绘了不同因素与消费量的因果关系，从而估算出伊朗某地区的住宅用户天然气需求走势；该方法能通过简单的认知图将相关数值进行推理，并具有较强的学习和反馈机制，但同样受其结构简单的影响，预测效果不佳。AnĐelkovic等 ^［44］ 基于塞尔维亚诺维萨德市2014—2018年的天然气历史消费量、天气预报逐小时数据，采用ANFIS模型分别对供暖季和非供暖季的历史消费量特征进行学习，实现了区域内的逐时天然气需求量预测；该模型深入挖掘了基础数据在各时间段内所表现出的差异，基于自适应网络的学习理解数据中的隐含规律，但会导致训练速度慢且容易陷入局部极小解的情况。Li等 ^［56］ 研究了季节性波动对于月度天然气消费量的影响规律，搭建粒子群优化的分数阶累积非同质离散灰色季节模型PFSM(1,1)，在增加原始数据季节性特征比重的同时，也增强了该模型的适用性。

由于计算机科学及人工智能的发展，结合多维、丰富的短期数据，神经网络模型能够根据其高效的学习能力深入挖掘输入输出间隐含的非线性规则，进而预测出未来的发展趋势；但是不同的模型结构及参数各不相同，需要人为反复调试；且模型的拟合效果与基础数据密切相关，易出现收敛缓慢、拟合不当（过拟合及欠拟合）、计算耗时较长等缺点。

2.3.1.3　组合预测模型

单一预测模型存在丢失数据信息等固有缺陷，而有效的组合模型可以在消除固有缺陷的同时提高预测模型的精度。短期需求预测中采用模型间组合（一种模型的输出作为另一种模型的输入）和结果组合（两种预测模型结果的叠加运算）的方式进行，通过模型的不断训练和优化运算而提高预测精度。Bai等 ^［9］ 提出了SC-SVR（结构校准的支持向量回归）的组合模型，对中国安徽省某城市在短期内的居民、商业部门的消费数据进行分析，并且与标准LSSVR（最小二乘支持向量回归）模型的计算结果进行了对比，表明SC-SVR较LSSVR具有更优的预测性能；舒漫等 ^［22］ 提出了面向城市的短期日需求量的新型预测模型——LSSVM（最小二乘支持向量机）模型，选取了与短期天然气用气量关联度较高的气象类、日期类和政策类数据纳入模型，相较于传统ARIMA等其他模型，新构建的模型预测精度更高；Wei等 ^［53］ 采用PCA（主成分分析）和WPMA（加权并行预测策略），结合MLR（多元线性回归）理论，形成了PCA-WPMA-MLR组合模型，并以3个气候区的4个代表性城市伦敦、香港、墨尔本、雅典为例，进行了综合分析，研究证明新建立的混合智能模型能够在城市层面上有效地进行短期天然气需求预测。Wang等 ^［47］ 着重考虑了政策因素，将模型划分为传统定量模型与基于政策因素的增量模型两部分，其中传统定量模型采取SVM模型，增量模型利用终端用户智能电表上丰富的数据作为概率抽样的依据，同时综合考虑了用户的温度、GDP、日期等因素，最后对政策因素下的河北省短期天然气需求量进行预测，将短期预测结果与真实结果之间的误差控制在5%以内，为其他学者研究政策调控下的消费量提供了新思路。Panapakidis等 ^［15］ 对原历史消费数据进行小波分解，分析了各小波间的相关性，在GA优化的ANFIS模型上对各子序列进行预测，并将预测结果输入到FFNN（前馈神经网络）模型中进行细化处理，通过对国外某城市各部门消费量的验证，结果表明该组合模型能有效降低ANFIS模型的预测误差。

2.3.1.4　小结

尽管人工智能技术所取得的丰硕成果能够有效地处理数据之间的非线性拟合问题，并在计算能力和自适应能力上具有优势，但是最佳参数的选取、数据集划分以及网络结构的设计等都需要人为调控和检验。传统的统计模型能够用最简单的公式来说明复杂问题，因此这种模型在需求量预测领域有其独特的优势。组合模型能更加准确地描述不同变量之间的关系并规律化，非线性数据处理能力与自适应能力得到增强，极大地提高了模型的计算精度与计算效率。表4显示了短期预测中所使用的模型及各自的优缺点。

表4　短期预测模型总结

2.3.2　中长期需求预测模型

中长期预测基于历史年度数据，数据表现较宏观、数据量少，非线性特征弱化，因此短期预测模型并不适用于中长期预测模型。同时中长期预测的难点之一是未来长时期内相关因素数据发展趋势不确定，因此，模型发展较为受限。部分学者仅通过描述历史消费的规律来推测未来的需求趋势。张东明等 ^［21］ 利用建立的布朗单一参数线性指数平滑计算模型对陕西省天然气消费量的变化规律进行了分析，以期为解决该地区供需矛盾提供理论支持。

Shaikh等 ^［7］ 利用LMA算法（阻尼最小二乘法）推算逻辑回归模型中最优参数以提高模型的适用性；李洪兵等 ^［63］ 采用灰色关联方法筛选出影响天然气消费量的诸多因素后，用逐步回归双对数需求函数方法预测川渝地区天然气需求量，但对于突变较明显的地区不适用；朱美峰等 ^［38］ 将残差自回归模型与KF（卡尔曼滤波算法）结合，利用拟合值推算出权重，提高了模型预测精度。以上所建立的模型要求基础数据在时间周期上均匀分布，仅以时间作为分析因子，没有考虑其他因素的影响。当基础数据呈现高度平稳性且外部市场没有明显变化时，时间序列模型的拟合效果较好；当原数据非平稳或外部市场出现变化时，预测结果与实际情况产生较大偏差。

一般情况下，针对未来因素的发展趋势，各大机构、专家等均根据相关规划文本或政策实施情况，设定不同的发展情景，继而估计长期天然气需求形势。如：荆延妮等 ^［18］ 根据最新发布的政策文件，设定基准方案与潜力方案中不同的需求量增速，从而实现对该区域未来天然气用气负荷的预测；Chai等 ^［26］ 使用组合模型LMDI-STIRPAT-PLSR（对数平均迪式分解法-可拓展的随机性的环境影响评估模型-偏最小二乘回归），基于1985—2010年的数据，分3种情景对中国2016—2025年的需求量做出预测，分析了其主要影响因素，以上述几种算法为基础建立的组合模型在中长期预测中得到了较为理想的结果；Sen等 ^［32］ 以土耳其地区的消费为实例进行研究，考虑到GDP、通货膨胀率等因素对历史数据的影响，对不同类型的回归模型的长期预测结果进行比较，将最优模型应用于3种不同的情景，实现了对政策情景下消费量趋势的评价；胡小夫等 ^［14］ 根据已出台的《国家能源发展战略行动计划（2014—2020年）》确定了天然气消费量占能源消费总量的比例，对中国中长期天然气消费量进行了分场景分析；杨国渊 ^［23］ 认为在“煤改气”政策实施段结束后，浙江省的天然气需求增长率会回归正常，故设定近两年的需求年增长率为15%，后10年的需求增长率分别为10%和5%，以此方案进行预测，但数据设置带有一定的主观性；甄仟 ^［40］ 分析了典型国家天然气消费的影响因素，并将该成果直接运用到中国，用相同的因素分解法对中国不同部门的天然气消费趋势进行量化。由于在场景设计中充分考虑了政策及主观因素的影响，因此获得的预测结果精度相对较高。

在采用情景分析方法关注发展的多种可能的同时，情景的假设在因素选择、目标制定和趋势发展等方面主观性较强，对情景数据准确性、逻辑性和因果关系建立的要求较高。因此，在实际的中长期需求预测中，主要采用系统动力学模型、人工智能模型、组合模型等进行定量化分析。

2.3.2.1　系统动力学方法

系统动力学方法是将天然气消费量的变化作为一个系统来研究，每个因素及其影响力都被视作系统内的一个子系统，通过考察每个子系统和系统之间以及子系统间的因果关系来构建系统仿真模型，进而对系统整体未来的发展状况做出评判。适用于数据不充分或数据难以定量的情况，善于解决长期性和周期性问题。以下学者以系统动力学理论为依据，以计算机模拟手段为中介，探讨系统行为和子系统之间的相互关系，从而对天然气行业的中长期发展提供战略评估。

陈红仙 ^［13］ 运用系统动力学模型对中国7个不同终端用户部门的天然气消费特征进行了分析；李亚伟 ^［49］ 从人口、经济发展、价格、产业结构和能源政策5个方面剖析其对天然气消费状况的影响，构建系统动力学模型，设定不同场景分析陕西省咸阳市天然气中长期需求变化趋势；丁聿等 ^［64］ 将SD（系统动力学）理论和GIS（地理信息系统）相结合，搭建了SD-GIS集成模型，从时间和空间两个维度对北京市中长期的天然气需求量进行分析；赵红凯 ^［67］ 运用LMDI模型分解出各个影响因素对天然气消费量的贡献度，结合系统动力学理论对河北省的天然气需求量变化进行了实证研究。

尽管系统动力学方法显示了应对长期性问题的优势，但是每个子系统的选择和模型的建立都强调了不同的假设目标和对应的函数，因此模型效果会受建模者理解能力及对参数把控能力的影响。

2.3.2.2　人工智能模型

虽然神经网络方法在短期预测中取得了较好的效果，但往往需要大量、高维的数据支撑，长时间尺度数据并不具备这一条件；少量的基础数据影响智能模型的训练过程，取得的预测效果不佳，因此使用神经网络模型的文献较少。而灰色预测模型凭借依靠少量数据便可进行预测的特殊性得到广泛应用。灰色预测模型是针对包含有不确定性信息系统的预测方法，将原始无规律数据经过变换（累加或累减等运算）转变成具有强规律性的数据，从而使用新数列构建微分方程并求解，将预测值进行还原从而实现中长期的预测。宗庆莹 ^［68］ 利用SPSS（社会科学统计软件包）和stata15.0（计量经济学软件）等专业分析软件，利用灰色系统理论对中国天然气消费量的影响因素进行了筛选和长期预测；邓宏伟等 ^［29］ 采用传统灰色模型GM(1,1)深入研究了四川省长期的天然气需求规律，其平均相对误差为6.92%；叶志宏等 ^［30］ 采用灰色残差模型GM(1,1)预测中国天然气需求趋势，一定程度上提高了模型的预测精度。

由于传统灰色模型仅能刻画呈指数变化规律的过程，而这一特点与实际的长期消费规律相差甚远，需要不断改进完善。张涛等 ^［12］ 在传统模型的基础上提出了一种改进模型——动态灰色模型，即：将预测获得的部分天然气需求新数据作为基础数据输入，替换掉原序列中最陈旧的数据，逐个预测依次递补，直到达到所要完成的预测目标为止，建立灰色新陈代谢GM(1,1)模型，有效地延伸了准确度高对应的预测时长；Karadede等 ^［16］ 考虑了环境对消费量的刺激作用，建立了灰色Verhulst模型、NGBM（非线性灰色伯努利模型），以中国2014—2020年的天然气需求量为实例进行了验证，两种模型预测效果接近，均优于传统灰色模型；李洪兵等 ^［65］ 对灰色Verhulst模型与传统灰色模型结果进行了对比，利用川渝地区和中国的天然气消费数据进行了实例验证，改进模型的预测精度得到提高；Wang等 ^［60］ 采用两种新的灰色多变量模型：SRMGM(1,M)（基于辛普森规则优化的自适应多变量灰色滚动预测模型）和BRMGM(1,M)（基于布尔公式优化的自适应多变量灰色滚动预测模型），对中国2020—2025年的GDP、天然气消费量、城市人口进行了预测； Ma ^［33］ 和王建良 ^［50］ 则利用分数阶理论对灰色模型进行了优化，其中Ma ^［33］ 采用优化器寻求FTDGM（分数时间延迟灰色模型）的最优解，结果表明该模型的天然气消费预测精度得到改善。 传统灰色模型基于不同视角下的改进均能有效提高预测精度，但是因实例区域差异，不能直接判定最优模型。

除灰色模型得到广泛应用外，还有学者建立其他相关的智能化模型。柴建等 ^［39］ 对经济水平、产业结构、能源结构、天然气价格等在内的12个方面的影响因素的变化趋势进行了分析，构建BMA（贝叶斯模型平均法）分析中国长期的用气趋势，与ARIMA、ETS（单变量指数平滑模型）、BVAR（贝叶斯向量自回归模型）等模型结果的对比结果表明：BMA模型在充分考虑影响因素后，预测精度明显优于其他模型。由于中长期天然气需求预测的基础数据量少，而智能模型往往需要大量样本数据作为支撑，因此，除灰色模型外的其他智能模型在长期预测范围的利用率较低。

2.3.2.3　组合模型

单一预测模型均有各自的适用范围及缺点，为消除这种弊端，学者们在充分考虑各种预测模型特点后，通过特定的途径对它们加以组合，从而形成组合模型以获得较高精度。大量学者将线性加权的并联型组合思想应用到中长期天然气需求预测中。王晓敏等 ^［31］ 将基于因果关系的多元回归预测模型和基于天然气消费自身发展规律的指数平滑模型，按照一定的权重线性组合来预测中国长期天然气需求趋势，该模型的构建为其他学者提供了思路。张吉军等 ^［62］ 提出复合权重的预测模型，用3种方法对历史数据回归后加以整合，对中国城市的天然气需求进行分析，但该模型不适用于市场环境发生变化的区域。灰色模型借助所需数据量少、便于预测等优势在中长期预测中应用广泛，但中期内效果表现较好，长期预测结果与实际消费偏差较大；因此借助传统回归模型可解释性强等优势，将二者进行组合，从而优化长期预测精度。刘建勋 ^［19］ 将灰色等维递补模型与偏最小二乘回归模型结合形成新的组合模型，并根据其影响因素定性分析的结果，讨论了中国长期天然气需求变化趋势。李洪兵等 ^［41］ 将灰色Verhulst模型和线性回归理论组合，预测了湖北省某市的天然气需求量，既可以有效降低预测误差，又能增加模型的解释度；马小艳 ^［37］ 建立DGM(1,1)与线性回归的组合模型，对重庆市的天然气用气量进行了预测；郭晓茜等 ^［42］ 针对工业、生活、交通3个部门，分别采取单位根检验、协整分析、格兰杰因果检验等多种手段筛选影响因子，最后利用灰色预测模型与回归分析的组合模型对3个部门的天然气需求量进行了预测，预测精度更高，是当前需求预测研究的主流手段；何润民等 ^［66］ 从诸多影响因素中挖掘出6种影响因子，运用灰色模型和多元回归相结合的组合模型，对中国天然气消费形势进行了分析，预测出2025年的天然气需求状况。部分机构综合考虑了历史用气规律和气候等环境的影响，形成了综合评估模型。Duan等 ^［61］ 对比了8种综合评价模型（CE3METL、DNE21+、IPAC、AIM/CGE、IMAGE、REMIND、WITCH和POLES）对2020—2060年中国天然气用气负荷的预测结果，并对关键节点2030年、2045年、2060年的需求情况进行了对比分析。

除了模型间的组合外，部分学者采用智能算法对预测模型进行参数优化，以有效提高预测模型的精度。主要智能算法包括PSO（粒子群算法）、GA、AA（自适应算法）、MFO（飞蛾火焰优化算法）等。PSO通过随机搜索从而找寻最优解；GA则是通过对参数不断优胜劣汰的方式逐渐进化得到最优解；AA是基于基础数据的结构及分布情况，自行判断参数从而优化基础模型的参数；MFO是通过不断逼近路径的方式探寻全局最优解。Wu等 ^［25］ 、Wu等 ^［43］ 分别采用PSO对LSSVM模型、新型灰色伯努利模型的参数进行了优化，由此分析中国和其他国家的长期用气趋势；董明亮等 ^［20］ 、Liu等 ^［51］ 、Karadede 等 ^［16］ 使用GA优化的SVM模型、离散灰色模型和非线性回归模型，对于中国以及各省层面的天然气需求预测精度均有所提升； Ding ^［27］ 采用自适应算法对传统灰色模型进行优化，在对中国中长期天然气需求预测实例中取得良好的效果； Zhang等 ^［54］ 结合了分数阶累积多项式、离散灰色预测模型FPDFM(1,1)，采用了WOA（鲸鱼优化算法）、PSO算法、ALO（蚁狮优化算法）等进行优化，并对重庆市、上海市、天津市和全国的天然气需求量进行了预测。 Zheng等 ^［46］ 通过构建整合式分数阶、非齐次的灰色伯努利模型CFNHGBM(1,1,k)与MFO结合，对北美地区的天然气产量和消费量进行预测； 张月蓉 ^［11］ 将采用布谷鸟优化算法优化的模型（CS-FDGM）与其他传统4种模型比较，发现该模型在中国天然气需求预测中具有较传统模型更高的精度。

2.3.2.4　小结

由于长时间尺度天然气消费数据量少的特点，同时数据间的因果关系较为浅显，因此中长期的需求预测模型经历了从传统数学模型到智能模型的应用，到现如今传统模型的复兴、智能算法的应用及组合模型的实现的转变，长期尺度下的定量模型预测精度不断提升。但是，由于长期的天然气需求会受到市场波动、环境约束以及相关政策的宏观调控等影响，造成单独的定量模型较实际消费变化规律存在一定差异，因此模型有较大提升空间。表5显示了中长期预测下所使用的模型及各自的优缺点。

表5　中长期预测模型总结

2.4　性能指标

对模型性能进行评价是预测模型中不可缺少的一环，也是评估模型优劣和预测精度的参考性判据。在对所建立的预测模型进行评价时，不同研究人员所使用的性能评价指标不同，主要有17项评价指标（见表6）。其中表示实际消费数据，表示预测数据， m 为样本数据个数。

表6　性能评价指标符号及对应计算方法

模型评价指标一方面受原数据的数据量、数据特征等因素的影响，另一方面单一评价指标存在片面性。随着对天然气需求预测的深入研究，其性能评价指标逐步多元化，论文中也逐渐使用多个指标进行全面评价。表7、表8显示了不同时间尺度下各性能指标在已发表文献中的应用情况。

表7　短期预测模型中性能指标使用情况

表8　中长期预测模型中性能指标使用情况

表7、表8列举了在不同模型中使用指标的情况。以指标作为主要研究对象，分析其使用频数及最优效果对应的模型，并按不同时间尺度进行总结，结果见表9。

表9　短期、中长期模型中不同性能指标下的最优模型

表9显示了不同时间尺度模型中所使用的性能指标情况。在短期预测模型的性能评价指标选取时，学者们均采用了 MAPE 这一指标，结果表明：短期预测单一模型中表现最优的是SVR模型， MAPE 为5.53%；组合模型中表现最优的是LSSVM模型， MAPE 为1.42%。在中长期预测模型中系统动力学方法未采用指标进行评价，其他模型中使用频率最高的指标分别是 MAPE 和 RMSE 。其中灰色模型和线性回归构成的组合模型所表现的 MAPE 最低，为1.00% ~ 5.00%，GA优化的SVM模型在 RMSE 指标评价下表现最好，为0.04。

3.1　模型选择及评价

在天然气逐渐得到广泛应用的背景下，针对天然气需求量预测所建立的模型数量也在不断上升；但由于不同模型所使用基础数据的时间尺度不同和案例地区的不同，模型的性能显示出差异性，而目前学者们所关注的重点在于如何提高预测模型的精度。因此本文提出以时间尺度为衡量标准，以数据、因素、模型及性能指标选取为主线的模型选择框架，为后续研究人员建立新的高精度预测模型提供思路。该框架具体实现过程见图7。

图7　模型选择框架实现过程

（1）依据预测目标和基础数据的时间尺度决定是短期预测或中长期预测；

（2）依据是否存在因素数据和数据量的丰富度、因果关系的复杂程度选取适当的预测模型；

（3）从数据特征和自身需求出发选取相应的预测模型；如在进行短期预测时，若各因素与消费量之间的关系较简单时选用回归模型；如果因素间的非线性较强时选择智能模型；若需要获得精度较高的结论时选择组合模型；

（4）根据模型预测结果，利用性能指标对模型表现进行评价，最终得出结论。

上述步骤为其他学者在构建模型时提供了一个基本的选择框架，但面临不同实体用户所需的预测目标，一方面由于数据特征本身的差异性导致模型结构及参数不同，同时模型易受到预测层面的影响，在经济结构、气候条件、消费结构、城市发展类型等具有相似性的区域的模型结构相似；另一方面模型性能指标计算与数据量及训练效果有关。因此，有必要建立一套标准体系，能整合相似区域的相关数据，并针对性建立适用于不同时间尺度的性能指标，从而为提高模型的预测精度提供基础性指导。

3.2　短期预测

已有的短期预测方法仍聚焦于历史数据与因素数据的耦合关系中，短尺度数据是终端用户用气规律的直接体现，易受到突发性因素影响而对原始数据造成干扰，所产生的噪声数据将会影响预测性能，因此需要对历史数据进行识别与修复。其次，因素数据受地区、行业、用途等影响而存在差异性。一方面由于天然气资源禀赋的差异、消费水平和区域发展类型不同导致其市场呈区域性分布，供需结构表现出较大差异；另一方面不同行业部门的天然气消费影响因素存在差异性，比如，城镇燃气的用气量与温度和日期类型密切相关，商业、服务业等用气量受节假日或突发事件影响较大。

目前针对天然气短期负荷预测的研究仍集中在预测方法本身，而忽略了用户及其自身规律性的深层次的分析。“X+1+X”的天然气市场体系确立后，短期预测将转向精细化管理层面，通过对下游用户画像，从用气属性与外部环境等多角度深入剖析各类型用户，描绘用户行为属性、用气规模、波动程度等，在丰富基础数据的同时能对用气量进行精准预测并及时调整布局，最终构建出针对不同类型客户的差异化需求预测模型，从而优化天然气利用结构，对促进天然气产业良性均衡发展有着重要的指导意义。

3.3　中长期预测

中国能源消费结构正从“以煤为主”的化石能源转向“清洁化、多元化”的低碳能源，天然气在此阶段将发挥过渡性引导作用，在市场化深入改革的背景下天然气整体消费形势向好。但同时受到诸多不利影响，地缘政治冲突等突发事件深刻影响天然气用气结构及需求趋势，“碳中和”目标实现前后的天然气用气趋势发生变化，在以上综合约束的环境下，未来天然气需求走势仍具有较高不确定性。

传统的长期天然气消费预测模型均基于历史数据建立，而政策的实施与偶然事件的影响是造成天然气长期需求趋势不明朗的重要原因。因此针对长期天然气需求预测，需在宏观把握能源结构变化的基础上，结合环境约束进行精确评估，因此，针对环境约束有必要建立一套评估体系，能对发布的政策或突发事件进行量化，转化为增量数据，与定量预测模型计算结果叠加，形成政策（事件）视角下的精确预测，为中国天然气能源的健康发展提供技术支撑。

本文回顾了近年来天然气需求量预测研究历史，总结了不同时间尺度下的消费数据特征、因素及对应模型的优缺点和性能指标。对未来中国天然气行业的发展及构建新模型的方向进行了分析，主要结论如下：

（1）不同时间尺度下的用气量数据表现出不同特征，其中以时为尺度的预测数据最直观地体现了下游用户的波动情况，日尺度数据和月尺度数据最能反映中国天然气行业下游用户的规律性和季节性，而年尺度数据反映消费数据的趋势性。

（2）所建立预测模型的影响因素经历了从少量、低维到大量、高维的变化，但一般而言，短期预测主要受到气候、价格和日期类型的影响，中长期预测主要受人口、经济、产业结构及政策等因素的影响较大。同时以上预测将受到地区、行业等宏观影响。

（3）对模型使用情况及预测结果的分析表明，短期预测模型采用智能模型的效果更好，其中SVM模型由于其独特优势在智能模型中误差最小；而中长期预测模型中灰色模型与回归模型形成的组合模型的误差最小， MAPE 为1.00% ~ 5.00%，GA优化的SVM模型在 RMSE 指标评价下表现最好，为0.04。

本文通过分析不同的天然气需求预测模型，根据其优缺点，结合中国天然气行业发展趋势，对未来的天然气需求预测研究提出如下建议：

（1）短尺度数据是下游用户用气规律的真实写照，而噪声对原数据有显著影响，故应从辨识和修复数据以及用户画像角度进行探讨；长期预测难点在于不能精确量化政策及不确定因素所带来的变化，建议先从宏观分析天然气总体需求形势，将数据模型与环境约束结合后进行细化，并提出一种政策评估机制，以期评估政策产生的需求增量，从而提高长期预测的准确性。

（2）在天然气市场化改革持续进行和政策的助力下，逐步形成“X+1+X”的天然气市场格局。在多气源供应、管道互联互通能力提升的背景下，面对区域型、季节型不平衡的消费格局，高精度的负荷预测结论是政府、企业制定合理的政策文本、运营计划及调度的重要理论支撑。而中长期预测是分析宏观天然气市场的供需形势、把握管道建设方向的基础，短期预测是燃气企业合理采购资源、做好储备、畅通销售、平稳运行的有力参考。因此，为预判天然气市场供需形势和精细化管理用户，需要了解不同时间尺度下的预测模型的进展，从而为建立高精度的天然气需求预测模型奠定坚实的基础。

审核|张曦