首页 > 行业资讯 > 【论文精选】城镇燃气日负荷预测模型比较研究

【论文精选】城镇燃气日负荷预测模型比较研究

时间：2023-04-22 来源：浏览：

【论文精选】城镇燃气日负荷预测模型比较研究

原创汤燕刚，等煤气与热力杂志

煤气与热力杂志

微信号 GAS-HEAT1978

功能介绍《煤气与热力》始于1978年，创刊于1981年，中国核心期刊，中国土木工程学会燃气分会会刊。筛选燃气供热行业最有价值的技术信息，新闻分类整理、政策标准、热点讨论、投稿查询、论文检索、写作指导、编委风采、精品会议……

收录于合集

官网注册后

http://www.gasheat.cn

免费下载论文

http://www.gasheat.cn/Periodical/index.html

作者：汤燕刚，房艳立，陈刘洋，黄小美，罗敏

第一作者单位：温州市燃气有限公司

摘自《煤气与热力》2022年4月刊

参考文献示例

汤燕刚，房艳立，陈刘洋，等 . 城镇燃气日负荷预测模型比较研究［J］. 煤气与热力， 2022，42（4）：B07-B11.

1 概述

天然气作为一种清洁低碳、安全高效的高品质能源 ^［ ¹ ^］，在降耗减排上效果显著。准确的燃气负荷预测，对燃气系统的供需平衡具有重要实际意义。

燃气负荷预测按照预测时间分为中长期负荷预测、短期负荷预测以及超短期负荷预测 ^［ ² ^］，本文研究的日负荷预测属于短期负荷预测的范畴。

燃气日负荷受众多因素共同影响，具有一定的随机性、波动性和周期性。燃气日负荷预测研究主要经历了 3 个阶段。第 1 阶段是研究预测的传统方法，以回归分析法 ^［ ³ ^］、指数平滑法 ^［ ⁴ ^］和时间序列法 ^［ ⁵ ^］等为代表；第 2 阶段是研究预测的智能方法，例如人工神经网络 ^［ ⁶ ^］、支持向量机 ^［ ⁷ ^］和小波变换 ^［ ⁸ ^］等，具有较高的预测精度和适用性；第 3 阶段是研究预测的组合方法及预测模型适应性 ^［ ⁹ ^］。

虽然燃气日负荷预测方法在不断进步，组合方式也层出不穷，目前来看仍然存在一些问题亟待解决。一方面，大多数预测模型的建立是基于某一具体城市的历史负荷数据，并以该数据集某一具体时段数据讨论所建立模型预测性能 ^［ ¹⁰ ^］。另一方面，随着燃气系统规模不断扩大和运行条件日益复杂，负荷特征趋于复杂化，预测结果的精确性和稳定性往往受到一定影响，且其泛化性能会受到一定制约。深入挖掘数据间的关联，利用更深层次的信息来获得更为精确的预测结果并应用到实际中，仍然是目前研究燃气负荷预测理论与方法的重点。

近年来有学者将深度学习算法中的循环神经网络（ Recurrent Neural Network ， RNN ）和长短期记忆（ Long Short-Term Memory ， LSTM ）网络应用于燃气负荷预测中，其中 RNN 是解决时间序列预测问题的主要网络框架， LSTM 网络解决了 RNN 梯度消失 ^［ ¹¹ ^］的问题，成为研究热点。 Chung 等人 ^［ ¹² ^］考虑了星期指数和节假日指数，提出了一个基于 LSTM 的神经网络预测模型，并使用多个数据集进行验证，结果都证明了 LSTM 网络模型性能最佳。

2 预测模型及预测精度评价指标

① ARIMA 模型

时间序列法中 ARIMA （ p ， d ， q ）模型在燃气日负荷预测中最为常用，其中 p 表示自回归项，是 AR 模型中的参数，由日负荷数据的自相关系数决定； d 为差分处理的次数，经过 d 次差分可以将非平稳的时序数据平稳化； q 为滑动平均项， MA 模型中的参数，由日负荷数据的偏自相关系数决定。日负荷在经过预处理后，进行平稳化检验，若序列为非平稳序列，则需要进行 d 次差分处理，直至为平稳序列。计算平稳化处理后序列的自相关函数（ ACF ）和偏自相关函数（ PACF ），通过判断函数图中的拖尾性和截尾性，识别该平稳序列适合的模型，即 AR （ p ）、 MA （ q ）或 ARMA （ p ， q ）模型。由阶数判断准则 AIC 准则进行参数的优化选择，确定 AIC 值最小的为最佳模型阶数。对模型定阶后需要进一步对模型适应性进行检测，若残差序列为白噪声，说明所建立的模型是有效的，经差分还原后，可以进行预测分析，否则需要对模型重新选择阶数。

② BP 神经网络模型

BP 神经网络模型（以下简称 BP 模型）实质是利用 BP 算法训练的前馈神经网络，前馈神经网络隐含层各单元是相互独立的，只能单独处理每个输入的数据，每一个输入数据之间没有时间关联性，但是具有较强的自适应能力。 BP 神经网络中主要由输入层、隐含层、输出层组成，层与层之间各神经元全连接，而同一层神经元无连接，在这种网络中，信息只会沿着输入层 - 隐含层 - 输出层这个方向向前流动。 BP 神经网络的训练采用误差反向传播的方式，即当网络输出值与实际值存在偏差时，该偏差值就会反向传回隐含层，并按照一定权重分摊给各个神经元节点，从而调整隐含层的权值和阈值，设定网络迭代次数，确保迭代计算完成后，输出值与实际值损失函数最小，则结束训练，得到最佳参数模型。

③ RNN 模型

BP 神经网络处理时序数据效果不佳， RNN 相比于 BP 神经网络，最大的区别就是隐含层神经元多了一个环状信息流，它的存在使得在计算过程中，当前时刻隐含层状态加入了上一时刻隐含层状态的某些信息，这些记忆信息会影响后输入信息的处理。

④ LSTM 网络模型

为了解决 RNN 的梯度问题， Zhou 等人 ^［ ¹³ ^］在循环神经网络结构的基础上重新设计了计算节点，得到了循环神经网络模型的一种改体 LSTM 网络。 LSTM 网络的核心本质在于通过引入门的概念，控制信息的取舍，从而打造一个可控记忆的功能，特别适合处理时序间隔和延迟非常长的任务。 LSTM 网络每一个单元中都包含输入门（ Input Gate ）、遗忘门（ Forget Gate ）、输出门（ Output Gate ）和内部记忆单元（ Memory Cell ）。这些门结构类似于电路开关，主要功能是控制内部信息的流动。

⑤预测精度评价指标

预测精度用平均绝对百分误差（ Mean Absolute Percentage Error ， MAPE ）评价。 MAPE 越小预测精度越高，可以反映不同模型对同一组数据的总体预测能力。

3 案例数据收集

由于居民、工业和商业用户是城市燃气主要消费群体，在不同时间段内以某类用户用气为主的城市负荷特征不同，因此本文主要以 3 个不同用气结构的城市展开研究，根据实际情况收集了以居民用气为主的 A 市、以商业用气为主的 B 市和以工业用气为主的 C 市近 3 a 门站日负荷历史数据，门站来气均为上游输送的管道天然气。

① 3 个城市的基本信息

A 市属亚热带季风气候，光照充足、气候温和、雨量充沛，年平均温度 18.2 ℃。截至 2017 年年底，居民生活用气量占比约 66% ，商业用气量占比 20% ，其他用气量占比约 14% 。燃气供气区域面积约为 120 km ² ，燃气用户数约为 11.7 × 10 ⁴ 户，截至 2017 年年底，常住人口约为 137.4 × 10 ⁴ 人。 A 市 2015 — 2017 年燃气日负荷曲线见图 1 。

图 1 A 市 2015 — 2017 年燃气日负荷曲线

B 市属热带海洋季风气候，寒暑气温变化不大，年平均温度 25.7 ℃。截至 2018 年年底，商业用气量占比约 67% ，居民用户用气量占比约 26% ，其他用户占比约 7% 。 B 市 2016 — 2018 年燃气日负荷曲线见图 2 。

图 2 B 市 2016 — 2018 年燃气日负荷曲线

C 市属北亚热带湿润季风气候区与南温带半湿润季风气候区的过渡带，季风显著、四季分明、气候温和、雨量适中、光照充足。年平均温度 15.1 ℃，截至 2017 年年底，工业用气量占比约 64% ，居民用户用气占比约 11% ，其他占比 25% 。 C 市 2015 — 2017 年燃气日负荷曲线见图 3 。

图 3 C 市 2015 — 2017 年燃气日负荷曲线

由于日负荷具有波动性和随机性，统计期间用气结构每月有波动，但是较大用户用气量都超过了总用气量的 50% ，且波动范围均在总用气量的 10% 以内，因此可认为用气结构未发生较明显的变化。

由图 1 可知， A 市全年用气均匀性较差，整体呈现先下降后上升趋势，各年度日负荷规律相似，具有明显的月（季节）周期性，用气高峰期主要集中在冬季，在每年 7 、 8 月日负荷最低，且在每一年节假日特别是春节期间均出现了陡降。

由图 2 可知，各年度日负荷变化规律相似，总体呈现两头高、中间低的趋势，但是与 A 市不同， B 市每年 7 、 8 月都会出现局部高峰。这是因为 7 、 8 月为学校暑期期间，该市游客大量涌入，导致商业用户特别是餐饮用户和酒店用户用气量增多。由图 3 可知， C 市日负荷变化整体比较平稳。

②输入特征选取

对于 A 市、 B 市、 C 市而言，历史日负荷数据为日负荷预测提供重要信息，环境温度也对燃气日负荷有重要影响。因此本文选择待预测日的前 1 日、前 2 日、前 3 日的日负荷及待预测日的日平均温度作为输入特征，输出为待预测日日负荷。

4 不同方法预测结果及讨论

4.1 A 市的日负荷预测结果

以 A 市为例，建立基于 LSTM 网络的燃气日负荷预测模型。选取 A 市 2015 — 2017 年燃气日负荷作为数据样本，将预处理后的燃气日负荷数据分为训练集、验证集和测试集，其中训练集和验证集的样本数量分别为 700 和 31 ，测试集为各季节典型月份的前 15 日燃气日负荷。例如对冬季进行预测时， 2015 年 1 月 1 日— 2016 年 11 月 30 日共 700 日的燃气日负荷作为训练集， 2016 年 12 月 1 日— 12 月 31 日燃气日负荷作为验证集，当确定模型结构和各项参数值后，再对 2017 年 1 月 1 日— 1 月 15 日日负荷进行预测。 A 市 2017 年不同时段各模型 MAPE 见表 1 。

表 1 A 市 2017 年不同时段各模型 MAPE %

由表 1 可以看出，不同预测模型对于 A 市的适应性不一样， 4 种模型中 BP 模型在冬季和温和季的预测精度最低。 ARIMA 模型总体优于其他模型，特别是在冬季，预测精度较高，但夏季 ARIMA 模型的预测精度低于其他模型，这是因为随着时间延续， ARIMA 模型稳定性和泛化性能逐渐变差。 LSTM 网络模型的预测精度均高于 BP 和 RNN 模型，这是由于 LSTM 网络模型解决了 RNN 模型梯度消失和 BP 模型无法提取时间特征的问题。

4.2 B 、 C 市日负荷预测结果

使用同样方法利用 B 市和 C 市燃气历史日负荷数据进行建模训练。 B 市地理环境独特，按照气候季节划分规则将全年划分为温和季和夏季，但燃气日负荷特征在夏季不同时段也存在差异。 B 市 2018 年不同时段各模型 MAPE 见表 2 ， C 市 2017 年不同时段各模型 MAPE 见表 3 。

表 2 B 市 2018 年不同时段各模型 MAPE %

表 3 C 市 2017 年不同时段各模型 MAPE %

由表 2 可以看出，夏季升温时段各模型预测精度相对其他时段均最低。 ARIMA 模型在各时段预测精度都较低，温和季时段 LSTM 网络模型预测精度最高，夏季各时段， RNN 模型和 LSTM 网络模型预测精度较为稳定，但在夏季高温和降温时段 RNN 模型优于 LSTM 网络模型，可能是 B 市在夏季高温和降温时段，燃气日负荷总体比较平稳，即使有局部突变，变化幅度也不大，训练数据集较大且模型结构复杂，反而会扰乱模型对短期内局部规律的认知及学习。

由表 3 可以看出， C 市 4 种模型在温和季降温时段预测精度较低。在不同季节， C 市不同模型的 MAPE 均小于 4.00% ，这与该市工业占比较大，总体用气特征比较平稳有关，相比于 ARIMA 、 BP 和 RNN 模型， LSTM 网络模型在各时段均具有较好的预测效果。

综上，整体分析可以看出， LSTM 网络模型在不同城市的适应性均较强。

5 结论

①对于以居民用气为主的 A 市进行预测， ARIMA 模型总体优于其他模型。

②对于以商业用气为主的 B 市进行预测， ARIMA 模型不适用， RNN 模型和 LSTM 网络模型预测精度较为稳定。

③对于以工业用气为主的 C 市进行预测，各模型的平均绝对百分误差均小于 4.00% ， LSTM 网络模型在各时段均具有较好的预测精度。

④ LSTM 网络模型的适用性和预测精度在不同用气结构城市均比较高。

参考文献：

［ 1 ］ CHAKER M ， MEHER H C B ， PILLAI P ， et al. Application of boil off gas compressors in liquefied natural gas plants ［ J ］ . Journal of Engineering for Gas Turbines and Power ， 2015 （ 4 ）： 8.

［ 2 ］ TAO H ， FAN S. Probabilistic electric load forecasting ： a tutorial review ［ J ］ . International Journal of Forecasting ， 2016 （ 3 ）： 914-938 ．

［ 3 ］ AKPINAR M ， YUMUSAK N. Estimating household natural gas consumption with multiple regression ： effect of cycle ［ C ］ //IEEE.International Conference on Electronics Computer and Computation. New York ： IEEE ， 2013 ： 188-191.

［ 4 ］ AKPINAR M ， YUMUSAK N. Day-ahead natural gas forecasting using nonseasonal exponential smoothing methods ［ C ］ //IEEE. 2017 IEEE International Conference on Environment and Electrical Engineering and 2017 IEEE Industrial and Commercial Power Systems Europe. New York ： IEEE ， 2017 ： 1-4.

［ 5 ］ AKPINAR M ， YUMUSAK N. Forecasting household natural gas consumption with ARIMA model ： a case study of removing cycle ［ C ］ //IEEE. 20137th International Conference on Application of Information and Communication Technologies. New York ： IEEE ， 2013 ： 1-6.

［ 6 ］ HRIBAR R ， POTOCNIK P ， SILC J ， et al. A comparison of models for forecasting the residential natural gas demand of an urban area ［ J ］ . Energy ， 2019 ， 167 ： 511-522.

［ 7 ］ BEYCA O F ， ERVURAL B C ， TATOGLU E ， et al. Using machine learning tools for forecasting natural gas consumption in the province of Istanbul ［ J ］ . Energy Economics ， 2019 ， 80 ： 937-949.

［ 8 ］ LI S ， WANG P ， LALIT G.Short-term load forecasting by wavelet transform and evolutionary extreme learning machine ［ J ］ . Electric Power Systems Research ， 2015 ， 122 ： 96-103.

［ 9 ］ YU F ， XU X. A short-term load forecasting model of natural gas based on optimized genetic algorithm and improved BP neural network ［ J ］ . Applied Energy ， 2014 ， 134 ： 102-113.

［ 10 ］ LU H ， AZIMI M ， ISELEY T. Short-term load forecasting of urban gas using a hybridmodel based on improved fruit fly optimization algorithm and support vectormachine ［ J ］ . Energy Reports ， 2019 ， 5 ： 666-677.

［ 11 ］ JOZEFOWICZ R ， ZAREMBA W ， SUTSKEVER I. An empirical exploration of recurrent network architectures ［ C ］ //BACH F ， BLEI D. International Conference on Machine Learning. San Diego ： JMLR ， 2015 ： 2342-2350.

［ 12 ］ CHUNG J ， GULCEHRE C ， CHO K H ， et al. Empirical evaluation of gated recurrent neural networks on sequence modeling ［ J ］ . Computer Science ， 2014 ， 16 ： 4-5.

［ 13 ］ ZHOU Y D ， WEI C K ， YOU W J ， et al. Short-term residential load forecasting based on LSTM recurrent neural network ［ J ］ . IEEE Transactions on Smart Grid ， 2019 （ 1 ）： 841-851.