城市天然氣短期日需求量預測新模型

舒 漫 劉夏蘭 徐 婷 謝雯娟 何 斌

1.成都理工大學管理科學學院 2.中國石油西南油氣田公司天然氣經(jīng)濟研究所 3.中石油大英燃氣有限責任公司

0 引言

天然氣作為一種低碳高效清潔能源，正逐步成為中國能源結(jié)構(gòu)轉(zhuǎn)型的重要選擇之一。近年來，中國天然氣儲量、產(chǎn)量和消費量均呈現(xiàn)出快速增長的趨勢[1]。盡管天然氣消費量增長顯著，但天然氣在我國一次能源消費結(jié)構(gòu)中的占比仍僅為6.2%，遠遠低于世界平均水平。由此可以預見，未來我國天然氣消費市場仍具有巨大的增長發(fā)展?jié)摿2]。城市天然氣是天然氣使用的重心，2016年中國城市天然氣消費量在天然氣消費總量中的占比達到32.5%。因此，如何完善城市天然氣供需系統(tǒng)，確保城市天然氣的利用達到最大化，不僅是每個城市天然氣公司都需要考慮的問題，而且也是政府制定相關天然氣政策的基礎和前提[3]。除此之外，準確地預測短期城市天然氣需求量，對于城市天然氣的合理調(diào)峰調(diào)壓、安全供應、管網(wǎng)優(yōu)化等也有著重要的現(xiàn)實意義。

城市天然氣短期需求量預測結(jié)果受到多種因素的共同影響，并且有關因素大多數(shù)都具有顯著的隨機不確定特點，使得城市天然氣需求量預測演變?yōu)榈湫偷姆蔷€性問題，簡單的數(shù)學預測模型已經(jīng)不能滿足要求[4]。目前，城市天然氣短期需求量預測模型主要包括時間序列[5]、回歸分析[6]、支持向量機[7-8]、灰色關聯(lián)[9]等，但其精度均不很理想。神經(jīng)網(wǎng)絡[10-11]的精度雖然較高，但其因遵循經(jīng)驗風險最小化的基本原則而容易導致過度學習，也容易陷入局部最小值，降低了泛化性。較之于上述諸多模型，最小二乘支持向量機基于結(jié)構(gòu)風險最小化的原則，對于非線性問題也能得到較高的精度和泛化性，并且不容易出現(xiàn)過擬合現(xiàn)象[12]。因此，本文綜合分析討論了短期城市天然氣日需求量的影響因素，結(jié)合這些影響因素，利用最小二乘支持向量機（LS-SVM）建立了城市天然氣短期日需求量預測新模型；并且在仿真實驗中，以四川省成都市為例，驗證了新模型的實用性和有效性，以期為城市天然氣短期日需求量的預測提供依據(jù)和參考。

1 城市天然氣短期日需求量預測新模型

1.1 影響因素的選取

以往的研究所選取的短期城市天然氣需求量影響因素大多局限在氣溫、季節(jié)、重大節(jié)假日、星期屬性等[13-14]。筆者經(jīng)過全面綜合分析后，將影響因素確定為氣象維、日期維以及政策維。以下分述之。

1.1.1 氣象因素

氣象包括溫度、濕度、天氣狀況、降雨量、風級等，以往的短期城市天然氣需求量預測多采用溫度作為氣象維唯一的影響因素[13-14]，很少考慮其他子因素。筆者通過各子因素與城市天然氣用量的相關性大小排序發(fā)現(xiàn)，日最高溫度、日平均濕度、空氣質(zhì)量指數(shù)（AQI）和PM2.5指數(shù)（大氣中直徑小于或等于2.5 μm的顆粒物含量）等4個氣象子因素與城市天然氣使用量的相關性位居前四位，全面考慮后選定這4個子因素作為氣象維子因素。其中，選取日最高溫度是因為城市天然氣用戶產(chǎn)生城市天然氣使用需求時，一般都是在溫度較高的時段[14]，并且日平均溫度的計算尤為復雜。因此，選取日最高溫度比日平均溫度更為合理。

1.1.2 日期因素

城市天然氣的使用量受日期變化的影響，從數(shù)據(jù)來看，城市天然氣用量呈現(xiàn)冬春兩季波動明顯且用量明顯增高的態(tài)勢，而夏秋兩季則呈現(xiàn)波動較為平穩(wěn)并且用量較低的態(tài)勢。此外，節(jié)假日和周末的天然氣用量與平時相比也存在著一定的差別。因此，最后擬定季節(jié)、節(jié)假日以及星期屬性作為3個日期子因素。

1.1.3 政策因素

城市天然氣的使用與衣食住行息息相關，城市天然氣需求量在一定程度上受與城市天然氣相關行業(yè)的動蕩影響，而行業(yè)動蕩程度又受到政府政策的影響。因此筆者經(jīng)全面考慮后，加入了政策維因素。政策包括價格政策和宏觀調(diào)控政策，價格屬于剛性指標，在短期內(nèi)變化不大，因而本文選擇的政策即宏觀調(diào)控政策，將政策分為內(nèi)部直接影響政策和外部環(huán)境影響政策，經(jīng)過相關性分析分別選定天然氣政策和房地產(chǎn)政策。

最終的影響因素指標體系如圖1所示。

1.2 影響因素的處理

1.2.1 氣象因素

氣象因素的4個子因素中， PM2.5指數(shù)和空氣質(zhì)量指數(shù)屬于定量數(shù)據(jù)，這2個指數(shù)都是逆指標，選擇極差變換法作標準化，逆向指標為：

式中yi表示第i個標準化后數(shù)據(jù)值；xi表示第i個原始數(shù)據(jù)值；m表示需要標準化指標的總數(shù)。

圖1 指標體系圖

日最高溫度和日相對濕度不能根據(jù)原始數(shù)據(jù)來判斷其好壞程度，不能明確地歸類為屬于正指標還是負指標，具有一定的模糊性，只能根據(jù)數(shù)值來確定對人體的舒適程度，再將這種定性的判斷轉(zhuǎn)換為定量數(shù)據(jù)。因此，筆者選用了模糊綜合評判法來處理，根據(jù)本文參考文獻[15]確定指標等級標準，如表1所示。模糊綜合評價算法流程如圖2所示。

表1 溫度、濕度指標等級劃分表

圖2 模糊綜合評價算法流程圖

1.2.2 日期因素

日期因素的3個子因素——季節(jié)、節(jié)假日以及星期屬性都是定性數(shù)據(jù)，采用經(jīng)驗打分方式[16]來處理數(shù)據(jù)，其中在星期屬性的處理中有別于以往將一周分為周一至周日[16]，而是將一周分為工作日和非工作日兩類，經(jīng)驗打分表如表2所示。

表2 季節(jié)、節(jié)假日、星期屬性打分表

1.2.3 政策因素

政策因素中天然氣政策和房地產(chǎn)政策都是定性數(shù)據(jù)，但房地產(chǎn)政策的實施效果可以用定量指標加以代替。因此，選取日住房成交量作為房地產(chǎn)政策的代替指標，日住房成交量是正向指標，采用極差變換進行處理（公式2）。考慮到政策的實施效果是人為感受的，天然氣行業(yè)專家對于相關政策的感受是最為敏捷的。因此選擇專家評分法對無法定量分析的天然氣政策進行定性評估，選取10位業(yè)內(nèi)專家對天然氣政策進行評分，專家評分表如表3所示。此外，由于政策的實施進度無法度量，因而本文不考慮政策的滯后性。正向指標為：

表3 業(yè)內(nèi)專家對天然氣政策的評分結(jié)果表

1.3 模型的建立

筆者利用最小二乘支持向量機（LS-SVM）基于氣象、日期和政策三維影響因素建立了城市天然氣短期日需求量預測新模型，核函數(shù)選取高斯核函數(shù)，采用十倍交叉驗證的方法來調(diào)試核參數(shù)（σ）和懲罰因子（γ）。使用平均絕對百分比誤差來評價該模型預測結(jié)果的準確度，平均絕對百分比誤差（eMAPE）計算見公式（3）。整個模型的計算流程如圖3所示。

式中y和yi分別表示實際值和預測值。

2 仿真實驗

筆者采用四川省成都市某城市天然氣公司2016年5月1日—6月30日城市天然氣用量數(shù)據(jù)作為訓練數(shù)據(jù)，采用2016年7月1—15日數(shù)據(jù)作為測試數(shù)據(jù)，建立了成都市城市天然氣短期日需求量預測新模型。經(jīng)調(diào)試，最終確定模型懲罰因子γ＝1，核參數(shù)σ2＝5。新模型（LS-SVM）預測結(jié)果與ARIMA(1,1,13)、灰色關聯(lián)、ВP神經(jīng)網(wǎng)絡、非線性回歸等方法的預測結(jié)果對比如圖4所示。從圖4可以看出，新模型預測結(jié)果優(yōu)于其他模型預測結(jié)果。新模型預測結(jié)果平均絕對百分比誤差為1.423%，小于其他模型預測結(jié)果平均絕對百分比誤差，模型精度優(yōu)于其他模型。各種模型平均絕對百分比誤差對比如表4所示。綜上所述，本文所建立的城市天然氣日需求量預測新模型預測效果好，精確度和可信度高，能夠?qū)ι嫌喂夤竞侠碚{(diào)度、調(diào)峰調(diào)壓和保障安全供應提供幫助，也可以為行業(yè)管理者和決策者做出科學決策提供依據(jù)和參考。

圖3 算法流程圖

圖4 多種模型預測結(jié)果對比圖

表4 多種模型平均絕對百分比誤差對比表

3 結(jié)論與建議

筆者基于最小二乘支持向量機建立了高精度的城市天然氣日需求量預測新模型，并以成都市為仿真實例驗證了其合理性。該模型可以為天然氣市場短期日需求量預測提供一定的幫助。基于本項研究的認識和成果，筆者得出了以下結(jié)論并提出相關建議。

1）城市天然氣需求量的影響因素繁多，需要全面考慮，不能以偏概全只選取最大的影響因素。本文通過分析討論，天然氣短期日需求量受到日最高溫度、日相對濕度、PM2.5指數(shù)、空氣質(zhì)量指數(shù)、季節(jié)、節(jié)假日、星期屬性、天然氣政策、房地產(chǎn)政策多種因素的共同影響。

2）影響短期城市天然氣需求量的因素摻雜定性數(shù)據(jù)和定量數(shù)據(jù)，合理選擇處理方法有利于提高城市天然氣日需求量預測模型的精度。

3）城市天然氣需求量的預測方法的選擇很多，本文所建立的模型較優(yōu)于傳統(tǒng)的算法，并且具有一定的通用性，可作為其他地區(qū)建立類似的天然氣需求量預測模型的參考。

4）在城市天然氣的短期需求量預測中，城市天然氣的使用與民生行業(yè)息息相關，不僅要考慮城市天然氣行業(yè)本身的情況，而且更應當時刻關注相關行業(yè)的動態(tài)以及政策變動。這樣才有利于行業(yè)管理者和決策者做出精準的判斷和決策。

5）城市天然氣的使用與城市的環(huán)境狀況有著一定的聯(lián)系，對城市天然氣短期需求量的預測應當考慮到城市的環(huán)境狀況，天然氣行業(yè)的管理者和決策者應多與環(huán)境監(jiān)測相關部分合作。這樣才有利于天然氣行業(yè)的可持續(xù)發(fā)展。

[ 1 ] 郭威, 潘繼平, 婁鈺. “十三五”全國油氣資源勘查開采規(guī)劃2016年度目標執(zhí)行情況評估[J]. 天然氣工業(yè), 2017, 37(8):125-131.Guo Wei, Pan Jiping & Lou Yu. Evaluation on the implementation of 2016 National 13thFive-Year oil & gas resources exploration and production planning[J]. Natural Gas Industry, 2017,37(8): 125-131.

[ 2 ] 康建國. 全球天然氣市場變化與中國天然氣發(fā)展策略思考[J].天然氣工業(yè), 2012, 32(2): 5-10.Kang Jianguo. Changes in global natural gas market and development strategy of natural gas in China[J]. Natural Gas Industry,2012, 32(2): 5-10.

[ 3 ] 汪麗娟. 基于粒子群優(yōu)化的最小二乘支持向量機天然氣負荷預測方法研究[D]. 上海: 華東理工大學, 2013.Wang Lijuan. Research on forecasting methods of natural gas based on partical swarm optimization—least squares support vector machine[D]. Shanghai: East China University of Science and Technology, 2013.

[ 4 ] 朱剛. 城市天然氣管網(wǎng)負荷預測的研究[D]. 天津: 天津大學,2009.Zhu Gang. Study on city gas pipeline network load forecasting[D]. Tianjin: Tianjin University, 2009.

[ 5 ] 黃岳嶸, 徐曉鐘, 張益銘, 王勁松. 基于ARIMA和神經(jīng)網(wǎng)絡模型的城市燃氣負荷預測[J]. 計算機應用與軟件, 2011,28(12): 206-209.Huang Yuerong, Xu Xiaozhong, Zhang Yiming & Wang Jinsong.Arima and neural network model based city gas load forecasting[J]. Computer Applications and Software, 2011, 28(12): 206-209.

[ 6 ] 葉倩, 陳曉慧, 謝揚. 基于通徑分析的重慶市天然氣消費量影響因素分析及預測[J]. 機械, 2010, 37(9): 1-4.Ye Qian, Chen Xiaohui & Xie Yang. The natural gas factors analysis and forecasting in Chongqing based on path coeきcient analysis[J]. Machinery, 2010, 37(9): 1-4.

[ 7 ] 張超, 劉奕, 張輝, 黃弘. 基于支持向量機的城市燃氣日負荷預測方法研究[J]. 清華大學學報(自然科學版), 2014, 58(3):320-325.Zhang Chao, Liu Yi, Zhang Hui & Huang Hong. Study on urban short-term gas load forecasting based on support vector machine model[J]. Journal of Tsinghua University (Natural Science Edition), 2014, 58(3): 320-325.

[ 8 ] Вai Y & Li C. Daily natural gas consumption forecasting based on a structure-calibrated support vector regression approach[J].Energy & Вuildings, 2016, 127: 571-579.

[ 9 ] Zeng В & Li C. Forecasting the natural gas demand in China using a self-adapting intelligent grey model[J]. Energy, 2016, 112:810-825.

[10] Demirel OF, Zaim S, Caliskan A & Ozuyar P. Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods[J]. Turkish Journal of Electrical Engineering & Computer Sciences, 2012, 20(5): 695-711.

[11] Kizilaslan R & Karlk В. Comparison neural networks models for short term forecasting of natural gas consumption in Istanbul[C]//International Conference on Applications of Digital Information& Web Technologies, 2008, Ostrava, Czech Republic. New York:IEEE, 2008.

[12] 康傳會. 基于最小二乘支持向量機的磁滯建模[D]. 金華: 浙江師范大學, 2010.Kang Chuanhui. Hysteresis modeling based on least squares support vector machines[D]. Jinhua: Zhejiang Normal University,2010.

[13] 李謙益, 吳淵. 基于氣溫累積效應的冬季天然氣日負荷預測——以西安市為例[J]. 油氣儲運, 2016, 35(9): 1014-1017.Li Qianyi & Wu Yuan. Forecast on daily gas load based on the accumulative effect of temperature in winter: A case study of Xi'an[J]. Oil & Gas Storage and Transportation, 2016, 35(9):1014-1017.

[14] 何春蕾, 段言志, 鄔宗婧, 楊光道. 基于氣溫的城市燃氣短期日負荷預測模型——以四川省成都地區(qū)為例[J]. 天然氣工業(yè),2013, 33(4): 131-134.He Chunlei, Duan Yanzhi, Wu Zongjing & Yang Guangdao . A short-term forecasting model of city gas daily load based on air temperature[J]. Natural Gas Industry, 2013, 33(4): 131-134.

[15] Qiu Zeyang, Liang Wei, Wang Xue, Lin Yang & Zhang Meng.Study on quantitative risk assessment model of the third party damage for natural gas pipelines base Lin d on fuzzy comprehensive assessment[J]. Journal of Physics: Conference Series, 2017,842: Conference 1.

[16] 劉涵, 劉丁, 鄭崗, 梁炎明, 宋念龍. 基于最小二乘支持向量機的天然氣負荷預測[J]. 化工學報, 2004, 55(5): 828-832.Liu Han, Liu Ding, Zheng Gang, Liang Yanming & Song Nianlong. Natural gas load forecasting based on least squares support vector machine[J]. CIESC Journal, 2004, 55(5): 828-832.