城市燃氣負荷的短期預測

王樹剛王繼紅端木琳孫海濤

1.大連理工大學土木學院 2.大連安盛燃氣開發有限公司

城市燃氣負荷的短期預測

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.大連安盛燃氣開發有限公司

王樹剛等.城市燃氣負荷的短期預測.天然氣工業,2010,30(5):104-107.

城市燃氣負荷的短期預測對保證城市供氣的相對穩定尤為重要。為此,通過對各類氣象因子與燃氣日負荷間的相關性分析,以有效溫度為主導因素,結合大連地區溫度分布規律,推導出燃氣日負荷預測模型與月負荷預測模型間的關系,建立了不同預測步長下基于雙曲正弦函數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(傳統節日集中的月份)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。利用該轉換關系不但能夠實現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,只要根據該地區氣象及燃氣負荷特點,選擇合適的模型參數值,利用該預測方法即可實現不同預測步長下燃氣負荷的短期預測。

城市燃氣 負荷 短期預測 有效溫度 模型 預測步長

DO I:10.3787/j.issn.100020976.2010.05.027

近年來,城市燃氣企業的市場化運作,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]、指數平滑模型[2]、人工神經網絡[3]等方法,但它們各有優缺點,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差;人工神經網絡的BP網用于預測時,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,相應的方法有線性或非線性回歸[425]、時間序列法[6]及英國ESI能源集團開發的 Gas Load Fo recaster System軟件預測[7]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,沒有考慮節假日等非常規用氣時段負荷的變化規律,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,同時結合這些因素(主要是溫度)的變化規律,建立了燃氣日負荷預測模型與月負荷預測模型間的轉換關系,從而由日負荷預測模型推導出月負荷預測模型,實現了燃氣負荷短期預測模型預測步長的改變。最后,利用實測數據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

以中國東北地區中型城市大連為研究對象,該市目前已形成較為完善、穩定的燃氣供氣系統。

1.2 氣象條件對燃氣負荷的影響

根據本文參考文獻[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,從中不難發現二者間存在緊密的反向變化關系。

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,應充分考慮熱慣性對燃氣負荷的影響。在此,引入動態平均溫度和有效溫度概念[8]。

圖1 大連市燃氣日負荷與日平均溫度間變化關系圖(2006年)

圖2 燃氣日負荷(Q)隨有效溫度(Teff)的變化關系圖

動態平均溫度(Tn)的定義如下:

式中:n取3～5,i表示預測目標的前一天,Ti為對應日的平均溫度。

有效溫度 Teff的定義如下:

式中:w為權重因子,取值范圍在0～1之間。

以2005～2007年燃氣日負荷歷史數據和氣象數據作為研究對象,分別對日平均溫度(T)、動態平均溫度(Tn)及有效溫度(Teff)與燃氣日負荷(Q)進行相關性分析,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性表 ℃

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。

根據大連市近年來燃氣日負荷的觀測數據,繪制工作日期間燃氣日負荷(Q)隨有效溫度(Teff)的變化關系曲線,如圖2所示。

因此,根據觀測數據的分布情況,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為被預測地區年平均溫度,℃;ΔT和fc是在建模過程中使數學模型預測誤差平方和達到最小時所對應的優化參數值。通過研究發現,T0、ΔT及 fc與被預測地區的氣候條件及用氣規律緊密相關,且不隨時間而變化。Q0可根據式(4)求得。

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。

根據已掌握的燃氣負荷數據分析可知,大連地區節假日時段燃氣用戶消費水平明顯高于工作日。因此,式(3)僅適用于工作日期間燃氣日負荷預測,若用于節假日時段的預測,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;在節假日期間(如春節、元旦等),α=1.10～1.20。

理論上,利用式(5)所建立的數學模型也能夠實現燃氣月負荷預測,但由于對溫度進行長期預測的難度較大,所以式(5)所建立的數學模型僅適用于1～5 d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據的分析發現,在大連地區一年中,每個月的日平均溫度(T)近似服從正態分布,如圖3所示。該分布的期望為 Tm,方差為,即 :T～ N(Tm),其中 ,Tm因月份的不同而不同,則在全年中波動較小,如圖4所示。

在圖4中,Tm隨月份的變化關系近似服從正弦規律,其具體變化關系如式(6)所示。

式中:m表示月份數。

圖3 大連市日平均溫度分布頻率直方圖

圖4 大連市各月平均溫度分布圖

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,經驗證分布規律相同。綜上可得,大連地區各個月內日有效溫度(Teff)分布規律如式(7)所示。

根據式(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。

根據式(9)和式(10)以及待預測月份的天數(N),可以計算出該月燃氣負荷總量(Qt),如式(11)所示。

綜上所述,根據式(4)和式(5)所建立的日負荷預測模型,同時結合大連地區的溫度分布規律,能夠得到式(9)、(10)和式(11)所構成的月負荷預測模型,從而實現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,通過統計待預測地區的月燃氣費用賬單,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據的收集較為困難,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,從而實現燃氣日負荷預測。其轉換關系如圖5所示。

圖5 預測模型轉換關系框圖

3 短期預測模型算例

根據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(常規工況)為例,得到燃氣日負荷預測模型的預測結果,如圖6、7所示。

圖6 日負荷預測模型的預測值與觀測值對比圖(2006202)

圖7 日負荷預測模型的預測值與觀測值對比圖(2006203)

根據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果,如圖8所示。

圖8 月負荷預測模型的預測值與觀測值對比圖(2006年)

根據本文參考文獻[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M APE和均方百分比誤差RM SPE,從而實現對上述預測模型的精度檢驗。檢驗結果(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不難發現,在節假日分布相對較少的常規工況下(如2006203),負荷變化相對平穩,此時預測模型能夠達到較為理想的預測效果;在傳統節日集中的月份(如2006202),用戶的用氣規律會發生較大變化,在該月的月初幾天,由于正值春節期間,負荷變化規律比較復雜,因此雖然我們考慮了利用富裕系數α來調整模型的預測值,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 RM SPE值升高。

表2 預測模型精度檢驗表 %

4 結論

結合大連地區室外溫度分布規律,推導出燃氣日負荷預測模型與月負荷預測模型間的關系,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。通過相關性分析,在各類氣象因素中有效溫度與燃氣日負荷的相關性達-0.85,是影響城市燃氣負荷的關鍵性因素。

2)以有效溫度 Teff為自變量,可建立基于雙曲正弦函數的燃氣日負荷預測模型。同時,結合大連地區每個月的日有效溫度分布近似服從正態分布的規律,可建立燃氣日負荷預測模型與月負荷預測模型間的關系,推導出燃氣月負荷預測模型,從而實現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,可以根據該地區氣象及燃氣負荷特點,通過確立合適的模型參數值,即可進行燃氣負荷的短期預測。

[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體系研究[J].天然氣工業,2005,25(1):155-157.

[4]GORUCU F B,GUMRA H F.Evaluation and fo recasting of gas consump tion by statistical analysis[J].Energy Sources,2004,26(3):267-276.

[5]VONDRACEK J,PEL IKAN E,KONAR O,et al.A statisticalmodel fo r the estimation of natural gas consump tion[J].App lied Energy,2008,85(5):362-370.

[6]FAVOREEL W,LEMM ERL ING P,SU YKENSJ,et al.Modeling the belgian gas consump tion[J/OL].http:∥citeseerx.ist.psu.edu/view doc/summary doi=10.1.1.53.8788.

[7]Gas Load Forecaster[EB/OL].http:∥www.energy2solutions.cn/p roducts/p rod_apps_glf.htm l.

[8]GIL S,DEFERRARIJ.Generalized model of p rediction of natural gas consump tion[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,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]WEIC H,LEE Y.Sequential fo recast of incident duration using artificial neural network models[J].Accident Analysis and Prevention,2007,39(5):951-952.

(修改回稿日期 2010203220 編輯 何 明)

國家“十一五”科技支撐計劃項目(編號:2006BAJ03B01201)部分成果。

王樹剛,1963年生,教授,博士生導師,博士;主要從事熱泵制冷設備與系統、室內空氣品質及人工環境安全保障技術研究工作。地址:(116024)遼寧省大連市大連理工大學建設工程學部綜合實驗4號樓433室。電話:(0411)84706407。E-mail:sg2 wangln@yahoo.com.cn