城市燃氣負荷的短期預測

摘 要

摘要：城市燃氣負荷的短期預測對保證城市供氣的相對穩(wěn)定尤為重要。為此，通過對各類氣象因子與燃氣日負荷間的相關(guān)性分析，以有效溫度為主導因素，結(jié)合大連地區(qū)溫度分布規(guī)律，推導出燃
摘要：城市燃氣負荷的短期預測對保證城市供氣的相對穩(wěn)定尤為重要。為此，通過對各類氣象因子與燃氣日負荷間的相關(guān)性分析，以有效溫度為主導因素，結(jié)合大連地區(qū)溫度分布規(guī)律，推導出燃氣日負荷預測模型與月負荷預測模型間的關(guān)系，建立了不同預測步長下基于雙曲正弦函數(shù)的燃氣負荷短期預測模型，計算出日負荷預測模型在最不利工況下(傳統(tǒng)節(jié)日集中的月份)的平均絕對百分比誤差(MAPE)和均方百分比誤差(RMSPE)值分別為3.67%和5.03%，月負荷預測模型的MAPE和RMSPE值分別為1.02%和1.32%，均小于10%，日負荷預測模型與月負荷預測模型的預測能力均達到較高精確度。利用該轉(zhuǎn)換關(guān)系不但能夠?qū)崿F(xiàn)預測模型預測步長的改變，而且所獲得的模型預測效果也較理想。對于不同的城市，只要根據(jù)該地區(qū)氣象及燃氣負荷特點，選擇合適的模型參數(shù)值，利用該預測方法即可實現(xiàn)不同預測步長下燃氣負荷的短期預測。
關(guān)鍵詞：城市燃氣；負荷；短期預測；有效溫度；模型；預測步長
    近年來，城市燃氣企業(yè)的市場化運作，使燃氣負荷的短期預測顯得尤為重要。目前，國內(nèi)學者提出了幾種燃氣負荷的短期預測方法，如多元線性回歸分析[1]、指數(shù)平滑模型[2]、人工神經(jīng)網(wǎng)絡(luò)[3]等方法，但它們各有優(yōu)缺點，例如，利用多元線性回歸方程法，預測精度較高，便于計算機化，但模型沒有考慮溫度的季節(jié)差；人工神經(jīng)網(wǎng)絡(luò)的BP網(wǎng)用于預測時，逼近效果好，計算速度快，但整個預測過程為黑箱，預測人員無法對系統(tǒng)的預測進程加以分析。國外在燃氣負荷的短期預測方面有小時負荷、日負荷、周負荷和月負荷的預測，相應(yīng)的方法有線性或非線性回歸[4～5]、時間序列法[6]及英國ESI能源集團開發(fā)的Gas Load Forecaster System軟件預測啪等多種方法。值得注意的是，本文參考文獻[8]基于室外氣溫建立了燃氣負荷的短期預測模型，但該模型僅以工作日期間的燃氣負荷為研究對象，沒有考慮節(jié)假日等非常規(guī)用氣時段負荷的變化規(guī)律，同時預測模型偏差明顯。
    筆者以大連市為例，以狹義的城市燃氣負荷[9]為研究對象，分析了燃氣負荷的主要影響因素，同時結(jié)合這些因素(主要是溫度)的變化規(guī)律，建立了燃氣日負荷預測模型與月負荷預測模型間的轉(zhuǎn)換關(guān)系，從而由日負荷預測模型推導出月負荷預測模型，實現(xiàn)了燃氣負荷短期預測模型預測步長的改變。最后，利用實測數(shù)據(jù)驗證了預測模型的有效性。
1 燃氣負荷影響因素分析
1.1 研究對象概況
    以中國東北地區(qū)中型城市大連為研究對象，該市目前已形成較為完善、穩(wěn)定的燃氣供氣系統(tǒng)。
1.2 氣象條件對燃氣負荷的影響
根據(jù)本文參考文獻[10]、[11]可知，在各類氣象因素中，溫度是影響城市燃氣負荷的核心因素。圖1為大連市2006年全年燃氣日負荷隨日平均溫度的變化情況，從中不難發(fā)現(xiàn)二者間存在緊密的反向變化關(guān)系。
 

2 燃氣負荷的短期預測模型
2.1 日負荷預測模型建立
    在燃氣負荷的預測過程中，應(yīng)充分考慮熱慣性對燃氣負荷的影響。在此，引入動態(tài)平均溫度和有效溫度概念[8]。
    動態(tài)平均溫度(Tn)的定義如下：
 
式中：n取3～5，i表示預測目標的前一天，Ti為對應(yīng)日的平均溫度。
    有效溫度丁鮒的定義如下：
    Teff=wT+(1-w)Tn    (2)
式中：w為權(quán)重因子，取值范圍在0～1之間。
    以2005～2007年燃氣日負荷歷史數(shù)據(jù)和氣象數(shù)據(jù)作為研究對象，分別對日平均溫度(T)、動態(tài)平均溫度(L)及有效溫度(Teff)與燃氣日負荷(Q)進行相關(guān)性分析，以判定3者對燃氣日負荷的影響程度，如表1所示。
表1 燃氣日負荷與溫度的相關(guān)性表    ℃
溫度類型
日平均溫度
動態(tài)平均溫度
有效溫度
相關(guān)系數(shù)
-0.81
-0.83
-0.85
    由表1可知，在上述3種類型溫度中，有效溫度(Teff)對燃氣日負荷的影響相對較大，這也與引入有效溫度的預期目標相吻合，所以本研究將以有效溫度為主導因素建立燃氣日負荷預測模型。
   根據(jù)大連市近年來燃氣日負荷的觀測數(shù)據(jù)，繪制工作日期間燃氣日負荷(Q)隨有效溫度(Teff)的變化關(guān)系曲線，如圖2所示。

因此，根據(jù)觀測數(shù)據(jù)的分布情況，以有效溫度(Teff)為自變量可建立工作日期間燃氣日負荷預測模型，如式(3)所示。
 
式中：T0為被預測地區(qū)年平均溫度，℃；△T和fc是在建模過程中使數(shù)學模型預測誤差平方和達到最小時所對應(yīng)的優(yōu)化參數(shù)值。通過研究發(fā)現(xiàn)，T0、△T及fc與被預測地區(qū)的氣候條件及用氣規(guī)律緊密相關(guān)，且不隨時間而變化。Q0可根據(jù)式(4)求得。
    Q0(t)=Q0r[1+fQ(t-t0r)]    (4)
式中：Q0(t)為計算年份第t年的全年平均燃氣日負荷，104m3/d；Q0r為參考年份t0r年的全年平均燃氣日負荷，104m3/d；fQ為決定于燃氣負荷變化的線性系數(shù)。
根據(jù)已掌握的燃氣負荷數(shù)據(jù)分析可知，大連地區(qū)節(jié)假日時段燃氣用戶消費水平明顯高于工作日。因此，式(3)僅適用于工作Et期間燃氣日負荷預測，若用于節(jié)假日時段的預測，需對上述預測值加以修正，即得到燃氣日負荷預測的通用模型如式(5)所示。
 
式中：α=1.0～1.2，在工作日期間，α=1.0；在雙休日期間，α=1.01～1.10；在節(jié)假日期間(如春節(jié)、元旦等)，α=1.10～1.20。
    理論上，利用式(5)所建立的數(shù)學模型也能夠?qū)崿F(xiàn)燃氣月負荷預測，但由于對溫度進行長期預測的難度較大，所以式(5)所建立的數(shù)學模型僅適用于1～5d的短期日負荷預測。
2.2 月負荷預測模型建立
通過對大連市多年來溫度數(shù)據(jù)的分析發(fā)現(xiàn)，在大連地區(qū)一年中，每個月的日平均溫度(T)近似服從正態(tài)分布，如圖3所示。該分布的期望為Tm，方差為σm2，即：T～N(Tm，σm2)，其中，Tm因月份的不同而不同，σm2則在全年中波動較小，如圖4所示。
 

    在圖4中，Tm隨月份的變化關(guān)系近似服從正弦規(guī)律，其具體變化關(guān)系如式(6)所示。
    Tm=a+b×sin(C×m+d)=11+14×sin(0.5×m-2)    (6)
式中：m表示月份數(shù)。
如果用有效溫度(Teff)代替日平均溫度(T)來描述月平均溫度(Tm)隨月份的變化曲線，經(jīng)驗證分布規(guī)律相同。綜上可得，大連地區(qū)各個月內(nèi)日有效溫度(Teff)分布規(guī)律如式(7)所示。
 
根據(jù)式(4)、(5)和式(7)可以計算出一年中各個月份的月平均日負荷(Qm)，計算方法如式(8)所示。
 
經(jīng)計算整理可得，月平均日負荷(Qm)計算公式為：
 
    根據(jù)式(9)和式(10)以及待預測月份的天數(shù)(N)，可以計算出該月燃氣負荷總量(Qt)，如式(11)所示。
    Qt=N×Qm    (11)
    綜上所述，根據(jù)式(4)和式(5)所建立的日負荷預測模型，同時結(jié)合大連地區(qū)的溫度分布規(guī)律，能夠得到式(9)、(10)和式(11)所構(gòu)成的月負荷預測模型，從而實現(xiàn)了燃氣負荷短期預測模型預測步長的改變。
2.3 日負荷預測模型與月負荷預測模型間的關(guān)系
    通常，燃氣負荷的月負荷預測模型比較容易建立。因為，通過統(tǒng)計待預測地區(qū)的月燃氣費用賬單，就能夠比較方便地建立月負荷預測模型。相反，由于目前我國城市燃氣負荷計量體系尚不完備，因此燃氣日負荷計量數(shù)據(jù)的收集較為困難，這也給燃氣日負荷的預測帶來諸多不便。所以我們可以利用上述方法，通過預測模型(9)來間接地得到燃氣日負荷預測模型，從而實現(xiàn)燃氣日負荷預測。其轉(zhuǎn)換關(guān)系如圖5所示。
 

3 短期預測模型算例
    根據(jù)2.1所介紹的方法，分別以2006年2月(最不利工況)和2006年3月(常規(guī)工況)為例，得到燃氣日負荷預測模型的預測結(jié)果，如圖6、7所示。
 

    根據(jù)2.2所介紹的方法，以2006年為例，得到燃氣月負荷預測模型的預測結(jié)果，如圖8所示。
 

    根據(jù)本文參考文獻[12]所提出的預測模型精度評價方法，分別計算平均絕對百分比誤差MAPE和均方百分比誤差RMSPE，從而實現(xiàn)對上述預測模型的精度檢驗。檢驗結(jié)果(如表2)表明，日負荷預測模型和月負荷預測模型的預測能力均能達到高精確度。但對比圖6和圖7不難發(fā)現(xiàn)，在節(jié)假日分布相對較少的常規(guī)工況下(如2006-03)，負荷變化相對平穩(wěn)，此時預測模型能夠達到較為理想的預測效果；在傳統(tǒng)節(jié)日集中的月份(如2006-02)，用戶的用氣規(guī)律會發(fā)生較大變化，在該月的月初幾天，由于正值春節(jié)期間，負荷變化規(guī)律比較復雜，因此雖然我們考慮了利用富裕系數(shù)α來調(diào)整模型的預測值，但模型對于峰值點的預測還存在一定的偏差，這也直接導致了預測模型的MAPE和RMSPE值升高。
表2 預測模型精度檢驗表    %
時間
預測模型
MAPE
RMSPE
預測能力
2006-02
日負荷預測模型
3.67
5.03
高精確度
2006-03
日負荷預測模型
1.02
1.31
高精確度
2006全年
月負荷預測模型
1.02
1.32
高精確度
4 結(jié)論
   結(jié)合大連地區(qū)室外溫度分布規(guī)律，推導出燃氣日負荷預測模型與月負荷預測模型間的關(guān)系，建立了以溫度為主導因素的燃氣負荷短期預測模型。
   1) 燃氣負荷受氣象因素制約。通過相關(guān)性分析，在各類氣象因素中有效溫度與燃氣日負荷的相關(guān)性達-0.85，是影響城市燃氣負荷的關(guān)鍵性因素。
    2) 以有效溫度Teff為自變量，可建立基于雙曲正弦函數(shù)的燃氣日負荷預測模型。同時，結(jié)合大連地區(qū)每個月的日有效溫度分布近似服從正態(tài)分布的規(guī)律，可建立燃氣日負荷預測模型與月負荷預測模型間的關(guān)系，推導出燃氣月負荷預測模型，從而實現(xiàn)燃氣負荷短期預測模型預測步長的改變。
    3) 通過對預測模型的精度檢驗，日負荷預測模型與月負荷預測模型的預測能力均達到高精確度。因此對于不同的城市，可以根據(jù)該地區(qū)氣象及燃氣負荷特點，通過確立合適的模型參數(shù)值，即可進行燃氣負荷的短期預測。
參考文獻
[1] 杜元順.煤氣日負荷短期預測用的回歸分析法[J].煤氣與熱力，1982，2(4)：26-30.
[2] 焦文玲，展長虹，廉樂明，等.城市燃氣短期負荷預測的研究[J].煤氣與熱力，2001，21(6)：483-486.
[3] 焦文玲，秦裕琨，趙林波.城市燃氣負荷預測系統(tǒng)體系研究[J].天然氣工業(yè)，2005，25(1)：155-157.
[4] GORUCU F B，GUMRAH F. Evaluation and forecasting of gas consumption by statistical analysis[J].Energy Sources，2004，26(3)：267-276.
[5] VONDRACEK J，PELIKAN E，KONAR O，et al. A statistical model for the estimation of natural gas consumption[J].Applied Energy，2008，85(5)：362-370.
[6] FAVOREEL W，LEMMERLING P，SUYKENS J，et al. Modeling the belgian gas consumption[J/OL].http：∥citeseerx.ist.psu.edu/viewdoc/summary doi=10.1.1.53.8788.
[7] Gas Load Forecaster[EB/0L].http：∥WWW.energy-solutions.cn/products/prod_apps_glf.html.
[8] GIL S，DEFERRARI J. Generalized model of prediction of natural gas consumption[J].Journal of Energy Resources Technology，2004，126(2)：90-98.
[9] 嚴銘卿.燃氣輸配工程分析[M].北京：石油工業(yè)出版社，2007.
[10] 張中秀，周偉國，潘艷，等.氣象因素對城市燃氣日用氣量的影響[J].建筑熱能通風空調(diào)，2008，27(4)：93-96.
[11] 丁鋒，劉運良，劉建波.氣象條件對城市燃氣日負荷的影響[J].煤氣與熱力，2007，27(2)：17-20.
[12] WEI C H，LEE Y. Sequential forecast of incident duration using artificial neural network models[J].Accident Analysis and Prevention，2007，39(5)：951-952.
 
(本文作者：王樹剛1 王繼紅1 端木琳1 孫海濤2 1.大連理工大學土木學院；2.大連安盛燃氣開發(fā)有限公司)