基于氣象因子的西青開發區燃氣負荷模型研究

韓 玥，鄧衛疆，高 強，陳 靖,3，鄭 勇，戴 繪，劉志杰

(1.天津市西青區氣象局 天津300380；2.天津市西青開發區燃氣公司 天津300385；3.天津市氣象科學研究所 天津300074)

0 引 言

天津市西青經濟開發區燃氣公司隸屬于西青經濟開發區開發總公司，主要圍繞西青經濟開發區的招商引資工作，以實現“安全經營、穩定供氣、持續發展”為目標，向西青開發區、微電子工業區及周邊工業園區、居民小區提供供氣服務和管理。開發區上游供氣單位為中石油大港油田天然氣公司，供氣管線由西青小卞莊站至西青開發區燃氣公司末站，為專線供應，日供氣能力 100萬 m3。近幾年作為清潔能源的燃氣需求量不斷加大，極端天氣發生的頻率增多，考慮到賽達工業園六期建設、區域內煤改燃采暖等因素，燃氣需求增長幅度將進一步增大，燃氣公司對燃氣能源供應的保障形勢更加嚴峻。

在針對北方空氣質量惡化的嚴峻考驗，國家優化能源消費結構，大力推進煤改燃的大形勢下，為保障開發區企業燃氣穩定供應，減少高峰供應期間調峰給企業帶來的壓力以及極端天氣情況下供用氣精準調度，充分分析各因素對燃氣負荷的影響變得格外重要。冬季燃氣高峰期陜京大線的供氣能力已經達到滿負荷，加之北京天然氣用量的巨幅增長，給華北地區尤其是天津區域燃氣供應保障帶來巨大壓力。目前西青開發區燃氣公司已取得天然氣供應國家計劃指標，可以說量的需求不是問題。但是上游單位對氣量計劃的執行度和吻合率要求非常嚴格，實施月計劃、周安排、日指定的配送方式，吻合率要求達到99%，每日超出計劃即會切斷氣源，對西青開發區的燃氣持續供應形成隱患，因此燃氣負荷的預測對于保證管網用氣量十分重要，是合理規劃、經濟運行的前提[1-2]。

西青開發區目前日高峰氣量在50萬m3以上，小時高峰也在 2.5萬 m3以上，現有管容儲氣可暫時應急，供氣區域內管容儲氣量僅1.5萬m3。自出現全國性的燃氣供應危機以來，近些年區內燃氣供應中也曾多次出現燃氣暫時供應不足的情況。隨著進駐開發區的生產型企業越來越多，生產上又要求 24,h連續不間斷供氣，對燃氣公司保障供氣提出了更高、更嚴的要求。中芯國際、寶潔等大型企業都要求燃氣公司建設儲氣設施或做出穩定供氣的保證。在公司分別提出地下管束儲氣庫以及LNG儲氣方案未實現的情況下，在與上游單位建立良好溝通渠道的基礎上，通過溫度、風力、風向等多種氣象因子對燃氣日用氣量的影響特性進行研究，建立基于氣象因子的燃氣負荷量預報模型，為氣量供應科學調度、精準預測提供有效依據，保障氣源的正常供應。

研究表明[3-5]，城市燃氣負荷與氣象因子關系密切，雖然影響燃氣負荷的因子有很多，但氣象因子是最直接的影響因子之一，所以基于氣象因子的燃氣負荷量預報技術十分必要。本文利用西青開發區2011—2015年逐日燃氣負荷量和同時期氣象要素值研究燃氣負荷與主要氣象因子間的關系[6]，建立基于氣象因子的西青開發區燃氣負荷模型。

1 資 料

本文選取的燃氣負荷數據為2011—2015年西青開發區燃氣負荷量值(實況值和預報值)，氣象數據來源于 2011—2015年西青區大寺鎮各氣象要素值(氣溫、氣壓、濕度、風速)和溫度預報值。

燃氣負荷變化隨時間變化呈長期變化趨勢和季節波動特征，前者主要受社會經濟發展因素的影響，后者反映季節變化及氣象條件對燃氣負荷的影響。因此研究氣象條件與燃氣負荷關系時，需要剔除燃氣負荷長期變化趨勢項。由于近幾年，西青區社會經濟發展比較平穩，因此采用線性關系表示燃氣變化的長期趨勢：

燃氣負荷變化量為：

其中，tr(t)為燃氣負荷長期變化趨勢，Y(t)為逐日實際燃氣負荷量，y(t)為剔除掉燃氣負荷長期變化趨勢后的燃氣負荷變化量，本文采用后者作為研究對象，t為樣本時間序列。

2 燃氣負荷時間變化趨勢分析

2.1 燃氣負荷年際變化趨勢分析

圖1為西青區開發區燃氣公司2011年1月1日至2015年12月30日燃氣負荷變化及其線性趨勢。根據近5年的生產數據辨析得出，每年的燃氣負荷具有明顯的季節變化特征。春夏季燃氣負荷較低，波動較小，而秋冬季節燃氣負荷明顯增加。影響燃氣負荷的原因之一，是秋冬季節燃氣供暖和相關取暖設備使用頻率增加，且冬季溫度降低導致爐溫及相關工業材料溫度降低，增加工業用燃氣負荷。

圖1 西青區開發區燃氣公司燃氣負荷變化及其線性趨勢Fig.1 The gas load variation and its linear trend in Xiqing development area

圖2為2011—2015年春節前后燃氣負荷逐日變化曲線，其中，紅色曲線為春節假日期間的燃氣負荷日變化。從圖 2可以看出，在春節假期前后，燃氣負荷波動較大，在春節假日期間出現一個明顯的燃氣負荷谷值[7]，降幅在 50%,左右，這和春節期間工廠停產，用氣量下降有關，有必要對短期燃氣負荷進行調研，并通過相關分析找出其中規律。

圖2 春節期間燃氣負荷變化特征Fig.2 Characteristics of gas load variation during the Spring Festival

2.2 燃氣負荷月不均勻性分析

在天然氣供應系統中，燃氣負荷隨時間變化是一個顯著的特征。一年中每月的燃氣負荷變化情況反映了西青開發區天然氣用氣負荷的不均勻性，用月不均勻性系數Km來表示：

圖3為2011—2015年西青開發區燃氣公司燃氣負荷量月不均勻系數變化曲線，從中可以看出，2011—2015年燃氣負荷月不均勻系數在 0.51～2.12之間，1～10月燃氣負荷較小，月不均勻系數一般都小于 1。從 11月開始，氣溫降低，燃氣負荷開始增加，一般持續到次年的 3月份。燃氣負荷峰值一般出現在 12月份和 1月份，這是由于年底生產任務較重，工業用氣量負荷增加所致。隨著春節假期的到來和溫度的逐步升高，從 2月份開始，燃氣供應量呈現出明顯下降。

圖3 2011—2015年各月不均勻系數變化曲線圖Fig.3 The coefficient of uniformity changed from 2011 to2015

3 燃氣負荷與各氣象要素間的關系

根據歷史氣象資料，西青區大寺鎮入春時間為3月下旬與 4月上旬之間，入夏時間為 5月中下旬，入秋時間為 9月中旬，入冬時間為 11月中旬。根據西青區燃氣公司燃氣負荷的月變化特征，考慮西青區大寺鎮的氣候特征，按春季(4～5月)、夏季(6～8月)、秋季(9～10月)、冬季(11～轉年3月)來劃分四季，分別對西青開發區燃氣負荷及氣象要素進行相關性分析。

表1給出了西青開發區2011年 1月～2015年12月 4個季節逐日燃氣負荷與氣象要素的相關系數。從表 1可以看出，氣溫因子與燃氣負荷的相關性最為顯著[8]，春季、秋季、冬季的日均氣溫、最高氣溫、最低氣溫在相應季節里呈一致負相關，尤其是在冬季，其平均氣溫與燃氣負荷的相關系數達到了-0.809,2，并通過了 0.01的信度檢驗。其次為春季，但相關系數只有-0.232,2。夏季燃氣負荷與平均氣溫呈現正相關，相關系數也僅有 0.160,9，表明夏季氣溫對燃氣負荷的影響并不顯著。綜上，除冬季外，氣溫因子對燃氣負荷的影響并不顯著。除氣溫外，日平均氣壓與燃氣負荷的相關性在冬季最顯著，相關系數達到了 0.488,3，這與冬季頻繁的冷空氣活動有關，冷氣團入侵，冷高壓控制的降溫過程導致燃氣負荷增加。平均風速與燃氣負荷的影響并不顯著，相關系數在0.1以下。

表1 西青開發區燃氣負荷與相應氣象要素相關系數Tab.1 Correlation coefficient between gas load and meteorological factors in Xiqing development area

3.1 氣溫變化對燃氣負荷的影響

圖4給出了2011年1月～2015年12月西青開發區日均氣溫與燃氣負荷的散點圖，其中紅色部分為根據冬季燃氣負荷與日均氣溫所做散點圖。由于西青開發區一些工業生產企業的搬遷，導致 2014—2015年度西青開發區燃氣負荷略有下降(見圖1)，因此，圖4中使用的日燃氣負荷數據剔除了長期變化趨勢。另外，在國家法定節假日期間，西青開發區燃氣負荷出現了不同程度的下降，因此，剔除掉節假日期間的燃氣負荷數據。

當平均氣溫在 10～-10,℃時，氣溫對燃氣負荷的影響最為顯著，當氣溫每下降 1,℃，燃氣負荷平均增加 4.5%,。而當氣溫在 10～20,℃時，氣溫每上升1,℃，燃氣負荷平均增加 1.7%,，當氣溫在 20,℃以上時，燃氣負荷平均僅增加 0.05%,。從圖 4中可以看出，隨著氣溫的下降，燃氣負荷快速上升，這在冬季尤其明顯，燃氣負荷與日均氣溫呈現線性關系。當平均氣溫高于 10,℃時，燃氣負荷總體變化不大，當氣溫低于 10,℃時，燃氣負荷隨氣溫的降低大幅增加。這與北方冬季供暖大量使用燃氣作為燃料有關。

圖4 2011年 1月～2015年 12月西青開發區日均氣溫與燃氣負荷Fig.4 The relationship between daily temperature and gas load in Xiqing development area from 2011 to 2015

3.2 氣壓變化對燃氣負荷的影響

圖5為2011年1月～2015年12月西青開發區日均氣壓與燃氣負荷的散點圖，其中紅色部分為根據冬季燃氣負荷與日均氣壓值所做的散點圖。從圖 5可知，燃氣負荷隨著氣壓的升高而增加，這在冬季最為明顯，呈現線性相關性，與前文分析一致，這是由于冬季冷空氣活動造成的。

圖5 2011年 1月～2015年 12月西青開發區日均氣壓與燃氣負荷Fig.5 The relationship between daily air pressure and gas load in Xiqing development area from 2011 to 2015

4 燃氣負荷預測模型及其應用分析

4.1 動態回歸模型

4.1.1 動態線性回歸模型(冬季)

從前文的分析可以看出，冬季燃氣負荷與氣溫變化基本呈線性變化，而且燃氣負荷是隨時間變化的，要做出無系統偏差的燃氣預測，預測模型必須是動態的。因此，采用動態的綜合線性回歸和自回歸相結合的混合線性回歸方程來預測燃氣負荷[9-10]。

燃氣負荷模型：

式中：Yt為預報燃氣負荷，Y1-t為前一天的燃氣負荷值，X1為預報的氣溫變量，X2為預報的最高與最低溫度差，X3為前一天的溫度變量，X4為前一天的最高溫度與最低溫度的差，b0、a0、a1、a2、a3、a4為回歸系數。

線性回歸和自回歸相結合，既可以反映其他變量對因變量的作用，又可以體現因變量自身前后的變化，并且考慮了前一天的各變量的變化情況，可以反映燃氣負荷的變化。

數據選取2011—2014年冬季的燃氣負荷和氣象數據作為訓練樣本建立方程，將 2015年的燃氣負荷和氣象數據用來驗證模型，并將春節期間及前后3天的數據剔除。在實際應用中，X1和X2取西青氣象臺的溫度預報值。

圖6(a)為利用動態線性回歸方法預測的2011—2014年冬季燃氣負荷與實際燃氣負荷的散點圖；圖 6(b)為利用動態線性回歸方法預測的 2015年冬季燃氣負荷與實際燃氣負荷的散點圖。從圖中可見，預測燃氣負荷與實際燃氣負荷的散點基本在對角線上，動態線性回歸方法對燃氣負荷的日變化作出了比較準確的預測，擬合優度達到了0.9。

圖6 模型預測燃氣負荷與實際燃氣負荷散點圖Fig.6 Relationship between the gas load from the modelpredicted and the actual gas load

從圖 7中可以看出，無論是訓練樣本，還是驗證樣本預測的燃氣負荷都對實際燃氣負荷的變化作出較準確的預測，相比上報燃氣負荷，利用動態線性回歸模型預測的燃氣負荷能更好地模擬實際燃氣負荷的變化規律。

圖7 訓練樣本與驗證樣本預測的時間序列變化圖Fig.7 Time series change map of training sample and verification sample forecast

4.1.2 動態非線性回歸模型(全年)

對于全年的燃氣負荷的變化，溫度對燃氣負荷的影響并不總是線性關系，因此，采用動態非線性方程對燃氣負荷進行預測。

采用預測溫度X1，前一天的溫度X2，以及前一天的燃氣負荷Y1-t作為因變量，得到如下方程：

數據選取2011—2014年全年的燃氣負荷和氣象數據作為訓練樣本建立方程；將 2015年全年的燃氣負荷和氣象數據用來驗證模型，并將國家法定節假日及前后3天的數據剔除。

圖 8(a)為利用動態非線性線性回歸方法預測的2011—2014年燃氣負荷與實際燃氣負荷的散點圖；圖 8(b)為利用動態非線性回歸方法預測的 2015年燃氣負荷與實際燃氣負荷的散點圖。從圖中可見，動態非線性回歸方法預測的燃氣負荷與實際燃氣負荷的散點基本在對角線上，對全年燃氣日變化做出了比較準確的預測。

圖8 模型預測燃氣負荷與實際燃氣負荷散點圖Fig.8 Relationship between the gas load from the model predicted and the actual gas load

圖9 訓練樣本與驗證樣本預測時間序列變化圖Fig.9 Forecast time series change chart for training samples and validation samples

圖 9(a)、(b)分別為訓練樣本與驗證樣本預測的燃氣負荷與實際燃氣負荷、上報燃氣負荷的時間序列變化圖。從圖中可以看出，無論是訓練樣本，還是驗證樣本預測的燃氣負荷對實際燃氣負荷的變化均作出較準確的預測，相比上報燃氣負荷，利用動態非線性回歸模型預測的燃氣負荷能更好地模擬實際燃氣負荷的全年變化規律。

4.2 預測結果分析

4.2.1 動態線性回歸燃氣預測統計結果分析

表 2列出了分別利用訓練樣本和驗證樣本預測的燃氣負荷與實際燃氣負荷的比較，以及相對應的上報燃氣負荷與實際燃氣負荷的對比的一些統計值。從表中可以看出，無論是利用訓練樣本還是驗證樣本預測的燃氣負荷與實際燃氣負荷的平均誤差，都表現為較小的負偏差，比上報燃氣負荷與實際燃氣負荷的平均誤差小很多，均方根誤差也同樣如此。而利用兩種樣本預測的燃氣負荷的正、負最大誤差也都小于相應的上報燃氣負荷的正、負最大誤差。

表2 動態線性方法預測的燃氣負荷與上報燃氣負荷Tab.2 Contrast between the dynamic linear method predicted gas load and the reported gas load

分別統計訓練樣本和驗證樣本預測的燃氣負荷與上報燃氣負荷的平均絕對誤差的分布(見表 3)，對于 2011—2014年冬季的訓練樣本，利用動態線性模型預測的燃氣負荷的平均絕對誤差小于3萬m3/d的天數占到所有樣本的98%,，大于3萬m3/d的天數僅占 2%,；而上報燃氣負荷的平均絕對誤差小于3萬m3/d的天數僅有40.9%,，大于3萬m3/d的天數占到了 59.1%,。對于 2015年冬季的驗證樣本，利用動態線性模型預測的燃氣負荷的平均絕對誤差小于3萬 m3/d的天數占到所有樣本的 96.1%,，大于3萬m3/d的天數也僅有3.9%,；而上報燃氣負荷的平均絕對誤差小于 3萬 m3/d的天數僅有 45.7%,，大于3萬m3/d的天數占到了54.3%,。

從以上分析可以看出，利用動態線性模型預測燃氣負荷可以更加準確地把握實際燃氣負荷的變化情況，相比燃氣公司根據歷史數據上報的燃氣負荷更加準確、科學，可以為燃氣公司冬季供氣提供更加科學、合理的預測。

表3 2011—2014年、2015年預測燃氣負荷、上報燃氣負荷的平均絕對誤差分布Tab.3 Average absolute error distribution between the predicted gas load from 2011 to 2014 and the reported gas load in 2015

4.2.2 動態非線性回歸燃氣預測統計結果分析

表 4列出了分別利用訓練樣本和驗證樣本預測的燃氣負荷與實際燃氣負荷的比較，以及相對應的上報燃氣負荷與實際燃氣負荷的比較的部分統計值。

分別統計訓練樣本和驗證樣本預測的燃氣負荷與上報燃氣負荷的平均絕對誤差的分布(見表 5)，對于 2011—2014年全年的訓練樣本，利用動態線性模型預測的燃氣負荷的平均絕對誤差小于3萬m3/d的天數占到所有樣本的 83.6%,，大于 3萬 m3/d的天數占所有樣本的16.4%,；而上報燃氣負荷的平均絕對誤差小于3萬m3/d的天數有73.5%,，大于3萬m3/d的天數占到了 26.5%,。對于 2015年冬季的驗證樣本，利用動態線性模型預測的燃氣負荷的平均絕對誤差小于 3萬 m3/d的天數占到所有樣本的 98.8%,，大于3萬m3/d的天數僅有1.2%,；而上報燃氣負荷的平均絕對誤差小于 3萬 m3/d的天數僅有 69.4%,，大于3萬m3/d的天數占到了31.6%,。

表4 動態線性方法預測的燃氣負荷與上報燃氣負荷的比較Tab.4 Contrast between the dynamic nonlinear method predicted gas load and the reported gas load

從以上分析可以看出，對于全年的燃氣負荷預測，利用動態非線性模型預測燃氣負荷比燃氣公司根據歷史數據上報的燃氣負荷，更加準確、科學，可以為燃氣公司全年的供氣提供更加科學、合理的預測。

表5 2011—2014年、2015年預測燃氣負荷、上報燃氣負荷的平均絕對誤差分布Tab.5 Average absolute error distribution between the predicted gas load from 2011 to 2014 and the reported gas load in 2015

5 結 論

①2011—2015年西青開發區的燃氣負荷具有明顯的季節變化特征。春夏季燃氣負荷較低，波動較小，而秋冬季節燃氣負荷明顯增加。燃氣負荷還具有較顯著的節假日效應，節假日期間的燃氣負荷較工作日明顯偏低，其中春節期間的燃氣負荷降幅最大。四季燃氣負荷的日變化規律較相似，基本呈單峰型變化。②氣溫、平均氣壓與燃氣負荷呈現季節性相關，冬季最強，春秋次之，夏季最弱；其他氣象要素對于燃氣負荷的影響較小。③利用動態回歸模型得出的燃氣預報模型，在冬季的預測樣本平均絕對誤差小于3萬m3/d的天數占到所有樣本的96.1%，較人為上報量高出 50%；在全年的預測樣本平均絕對誤差小于3萬m3/d的天數占所有樣本的98.8%，較人為上報量高出近 30%。基于氣象因子的燃氣預報模型較人為預報數值的優勢明顯。④本文僅討論氣象因子對于燃氣負荷預報的影響，實際生產生活中還要考慮企業數量的增減、工期長短等具體原因。■

［1］田一梅，趙元，趙新華.城市煤氣負荷的預測[J].煤力與熱力，1998，18(4)：20-23.

［2］朱麟，張玉潤，吳明光，等.城市煤氣負荷預報[J].煤力與熱力，1998，18(2)：27-28，39.

［3］張中秀，周偉國，姚健，等.城市燃氣負荷的氣溫響應特性研究[J].煤力與熱力，2008，28(10)：11-13.

［4］丁峰，劉運良，劉建波，等.氣象條件對城市燃氣日負荷的影響[J].煤力與熱力，2007，27(2)：17-20.

［5］譚羽非.城市燃氣季節性負荷預測模型的建立及求解[J].煤力與熱力，2003，23(3)：131-133.

［6］顧婷婷，駱月珍，張青，等.基于氣象因子杭州市燃氣負荷預測研究[J].氣象與環境學報，2017，33(3)：107-112.

［7］王樹剛，王繼紅，端木琳，等.城市燃氣負荷的短期預測[J].天然氣工業，2010，30(5)：104-107.

［8］羅志鵬，牟軍，吳淵.西安市冬季天然氣用氣負荷與氣溫關系分析[J].遼寧化工，2012，41(3)：276-278.

［9］胡江林，陳正洪，洪斌，等.基于氣象因子的華中電網負荷預測方法研究[J].應用氣象學報，2002，13(5)：600-608.

［10］楊位欽，顧嵐.時間序列分析與動態數據建模[M].北京：北京理工大學出版社，1988：537-542.