城市天然氣月用量的預測方法

梁金鳳，郭開華，皇甫立霞

（中山大學工學院，廣東 廣州510275）

引 言

在我國的燃氣輸配設施規劃設計中，僅以不均勻系數進行月用氣量估算，方法粗略且缺少可靠性。當前國內外的研究主要集中在年用氣量預測［1－6］以及 日、 小 時 用 氣 量 預 測［7－14］方 面， 使 用 的方法有傳統的 （非）線性回歸方法［15－17］以及神經網絡［18－20］、 遺 傳 算 法［21－22］等 一 些 現 代 智 能 算 法，建立的預測模型僅適用于發展穩定的城市，或多為趨勢外推類方法，更適用于日常調度的短期精準預測。本研究針對我國快速發展中城市的用氣量變化特點建立月用氣量預測模型，并對不同類型城市的預測模型進行參數分析及實際應用，對我國城市燃氣輸配設施的規劃設計提供參考。

1 用氣量變化規律數學描述

城市用氣量的發展變化具有 “有限制增長”特點和周期變化規律。在城市區域不變的條件下，我國絕大多數城市用氣量處于快速增長階段，但天然氣作為能源供應量是有限的，因此城市用氣量的增長具有一定的上限。同時，由于人的生活或生產活動具有時間周期變化特點，城市用氣量的變化也具有周期性。

1.1 用氣量變化規律

1.1.1 用氣量的增長變化規律 城市用氣量的發展變化過程與自然界的物種演變過程以及人類社會的經濟發展變化過程相似，具有S形曲線變化特點，可用邏輯斯蒂方程表征。

1.1.2 用氣量的周期變化規律 城市用氣量具有以12個月為周期的變化規律，單位周期內具有高峰特征值和低谷特征值。

1.2 用氣量變化規律的數學描述

1.2.1 用氣量增長變化規律的數學描述 以年為基礎時間單位，設定年用氣量初始值為Qy0、年用氣量極限值為Qylim，年用氣量同比增長率為ry，基于邏輯斯蒂原理［23－24］，描述用氣量的增長變化規律，并得到年用氣量的計算表達式

1.2.2 用氣量周期變化規律的數學描述 以12個月為單位周期，月用氣量與年用氣量的比值作為該月用氣量的特征值。設月用氣量的高峰特征值為crmmax、低谷特征值為crmmin，根據單位周期內月用氣量變化特點給出月用氣量變化分布曲線fcrm（tm）的表達式

2 月用氣量預測模型

在已知年用氣量的前提下，根據月用氣量變化分布曲線可得城市月用氣量計算方法，實現城市月用氣量的預測。

以月為基礎時間單位的年用氣量計算公式為

由此得到城市月用氣量預測公式

3 預測模型的參數分析

在年用氣量確定的條件下，影響月用氣量預測值的參數主要有月用氣量高峰特征值crmmax、低谷特征值crmmin、高峰時刻μm以及月用氣量變化分布曲線寬度σm，即月用氣量變化分布曲線決定了月用氣量的實際變化形態。crmmax與crmmin決定了月用氣量的變化范圍，μm決定了月用氣量最大值的位置點，σm決定了月用氣量的變化幅度。顯然不同類型城市的月用氣量變化分布曲線特征各異。

3.1 生活類城市預測模型的參數分析

民商用戶用氣量占比大的城市可視為生活類城市，主要采用天然氣進行炊事和采暖。是否集中采暖決定了月用氣量變化分布曲線高峰特征值與低谷特征值之間的差距，即集中采暖的城市月用氣量變化分布曲線高程差相對突出，沒有集中采暖的城市月用氣量變化分布曲線相對平緩。

如圖1所示，HC市為集中采暖類城市，GK市為非集中采暖類城市。可以看出，集中采暖類城市冬季用氣量高峰明顯，用氣量變化劇烈，采暖期的開始與結束對城市用氣量影響巨大；非集中采暖類城市用氣量變化波動相對小，高峰值與低谷值相差不大，但用氣量高峰依然出現在冬季12月，說明冬天人們生活對熱量的需求顯著。不同城市高峰時刻位置點略有不同，但都在12月或1月左右。

圖1 生活類城市月用氣量變化分布曲線Fig.1 Distribution curve of life city monthly nature gas consumption

3.2 生產類城市預測模型的參數分析

工業用戶用氣量占比大的城市可視為生產類城市，主要采用天然氣進行工業生產活動。生產類城市工業用戶用氣量占比大，但是冬季是否集中采暖仍是影響月用氣量不均勻性的主要原因，對于生產類城市也應區分是否集中采暖。對于完全生產類城市，城市用氣量變化特征實際表現的是工業用戶用氣量的變化特征。因此將生產類城市再細分為是否集中采暖以及完全生產3類。

如圖2所示，HS市為集中采暖的生產類城市，可以看出冬季用氣量不均勻性較大。用氣高峰特征值高達0.18，低谷特征值與其他城市相差不大，而且高峰過后用氣量急劇降低，月用氣量變化曲線后坡寬度較小，說明從用氣量高峰值下降到低谷值所用時間短，用氣量變化快速。此外，生產類城市在1月或2月用氣量會出現超常規降低，說明春節對生產類城市用氣量影響顯著。

圖2 集中采暖生產類城市 （HS）月用氣量變化分布曲線Fig.2 Distribution curve of centralized heating production city（HS）monthly nature gas consumption

AB市為無集中采暖的生產類城市 （圖3）。與集中采暖城市相比，AB市的冬、夏季用氣不均勻性相對較小，但工業用戶春節期間用氣量降低的特點依然明顯。

圖3 非集中采暖生產類城市 （AB）月用氣量變化分布曲線Fig.3 Distribution curve of non centralized heating production city（AB）monthly nature gas consumption

GD和FQ市為完全生產類城市 （圖4），此類城市工業用氣已占城市用氣總量的80%以上，城市用氣量的變化特征實為工業用戶的用氣量變化特征。此類城市的月用氣量在單位周期內有明顯的兩個高峰和低谷，月用氣量變化曲線具有極強的個體性。

圖4 完全生產類城市月用氣量變化分布曲線Fig.4 Distribution curve of entire production city monthly nature gas consumption

3.3 綜合類城市預測模型的參數分析

民商用戶與工業用戶用氣量相當的城市可視為綜合類城市。它既有民商用戶隨季節變化的高峰、低谷用氣特征，又有工業用戶用氣較平穩的特征，兩種特征交織在一起，使此類城市看起來同時具有兩種城市特征但程度又不強。

根據SL市多年歷史數據得到月用氣量特征值，采用式 （4）對特征值進行計算，得到月用氣量變化分布曲線，如圖5所示。SL市冬季集中采暖期短，而且采暖用氣量相對小。由于工業用戶受春節影響，城市用氣量在1月左右出現急劇下降情況。

4 預測模型的實際應用

4.1 HC市月用氣量的預測

4.1.1 HC城市概況 HC市屬亞熱帶季風氣候，年平均氣溫17.2℃，由于城市社會經濟發展水平較高，冬季出現短期采暖且天然氣使用量較大。HC市從2005年起大規模使用天然氣，燃氣發展迅速，民用和商業用戶用氣占主導地位，約為城市總用氣量的70%。

圖5 綜合類城市 （SL）月用氣量變化分布曲線Fig.5 Distribution curve of comprehensive city （SL）monthly nature gas consumption

4.1.2 HC市月用氣量預測模型參數 根據城市實際用氣量的變化情況對預測模型的參數進行設定，其中：年用氣量增長率ry＝0.26year－1，年用氣量 （標準狀況，下同）初始值Qy0＝1.4×108m3，年用氣量極限值Q＝25×108m3，月高峰

ylim特征值crmmax＝0.133，月低谷特征值crmmin＝0.065，年高峰對應月μm＝1.02month；月用氣量變化分布曲線前坡寬度σm1＝1.4month，后坡寬度σm2＝2.2month。

4.1.3 HC市月用氣量預測結果 已知預測模型的計算參數，根據式 （7）對HC市2012～2013年的月用氣量進行預測計算，結果見表1。

4.2 JH市月用氣量的預測

4.2.1 JH城市概況 JH市兼有南北氣候特征，全市年平均氣溫為14.5℃。JH市從2002年起大規模使用天然氣，燃氣發展相對穩定。城市總用氣量的45%為工業用戶生產用氣，城市總用氣量的40%為民商用戶生活用氣。

4.2.2 JH市月用氣量預測模型參數 根據城市實際用氣量的變化情況對預測模型的參數進行設定，其中：年用氣量增長率ry＝0.22year－1，年用氣量初始值Q＝0.17×108m3，年用氣量極限

y0值Q＝5×108m3；月高峰特征值crmmax＝0.1，ylim月低谷特征值crmmin＝0.08，年高峰對應月μm＝12month；月用氣量變化分布曲線前坡寬度σm1＝2month，后坡寬度σm2＝0.5month。

表1 2012～2013年HC市月用氣量預測結果Table 1 Predicted results of city HC's monthly nature gas consumption in 2012—2013

表2 2012～2013年JH市月用氣量預測結果Table 2 Predicted results of city JH's monthly nature gas consumption in 2012—2013

4.2.3 JH市月用氣量預測結果 已知預測模型的計算參數，根據式 （7）對JH市2012～2013年的月用氣量進行預測計算，結果見表2。

4.3 預測誤差的評價

根據表3中的誤差評價指標，對建立的城市月用氣量預測模型進行精度評價。表3的數據顯示，預測模型的后驗差小于0.35，小誤差概率大于0.95，判定精度等級為一級優秀。

表3 預測誤差的統計分析Table 3 Statistical analysis of forecast error

5 結 論

（1）城市天然氣用量具有 “有限制增長”特點及以12個月為周期的變化規律，單位周期內存在高峰特征值和低谷特征值。

（2）本研究建立的月用氣量預測模型體現了城市天然氣月用氣量的變化特點和規律，適用于城市燃氣輸配設施的規劃設計。

（3）不同類型城市月用氣量變化分布曲線的特征值及其變化范圍各異，而且高峰點前后曲線寬度不同。集中采暖類城市月用氣量具有明顯的高峰特征值，而且高峰特征值與低谷特征值相差范圍較大。非集中采暖類城市月用氣量的高峰特征值與低谷特征值相近。完全生產類城市月用氣量具有明顯的個體特點。

（4）對HC和JH市2012～2013年的月用氣量進行預測，平均相對誤差為9.7%，模型后驗差為0.15，小誤差概率為0.98，精度等級為一級優秀。

符 號 說 明

crm（tm）——tm月用氣量特征值

fcrm（tm）——月用氣量變化分布曲線函數

Qmmax——月用氣量高峰值，m3

Qmmin——月用氣量低谷值，m3

Qm（tm）——tm月用氣量，m3

Qy——年用氣量，m3

——年用氣量極限值，m3

——年用氣量初始值，m3

ry——年用氣量同比增長率，year－1

tm——基礎時間單位，month

μm——高峰用氣量對應月，month

σm——月用氣量變化分布曲線寬度，month下角標

m——月份 （m＝1，2，…，12）

max——高峰值

min——低谷值

y——年 （y＝0，1，…，lim）

［1］ Mbamalu G A N，El－Hawary M E.Load forecastingviasuboptimal season models and iteratively reweighted least squares estimation ［J］.IEEETransationsonPower Systems，1993，8 （1）：343－348.

［2］ David R Brillinger.Time Series Data Analysis and Theory［M］.Berkeley：University of California at Berkeley，2001.

［3］ David Gottlieb，Steven A Orszag.Numerical Analysis of Spectral Methods：Theory and Applications（Sixth Printing）［M］. USA：the Society for Industrial and Applied Mathematics，1993.

［4］ Gorucu F B，Gumrah F.Evaluation and forecasting of gas consumption by statistical analysis ［J］.AppliedEnergy，2004，26 （3）：267－276.

［5］ Sahbi Farhani， Muhammad Shahbaz， Mohamed Arouri，FrédéricTeulon.The role of natural gas consumption and trade in Tunisia's output［J］.EnergyPolicy，2014，66：677－684.

［6］ Himadri Shekhar Dey，Md Ashfanoor Kabiry，Zia Wadudz，Shahidul Islam Khany，Md Abul Kalam Azad.Econometric modeling and forecasting of natural gas demand for power sector in Bangladesh／／TENCON 2011—2011IEEE Region 10Conference ［C］.2011：1383－1386.

［7］ Sabo K，Scitovski R，Vazler I，etal.Mathematical models of natural gas consumption ［J］.EnergyConversionand Management，2011，52 （3）：1721－1727.

［8］ Eugenio Fco Sánchez－＇Ubeda，Ana Berzosa.Modeling and forecasting industrial end－use natural gas consumption ［J］.EnergyEconomics，2007，29：710－742.

［9］ Marek Brabec，Ondˇrej Konár，Emil Pelikán，Marek Mal＇y.A nonlinear mixed effects model for the prediction of natural gas consumption by individual customers ［J］.International JournalofForecasting，2008，24：659－678.

［10］ Marina Theodosiou.Disaggregation ＆aggregation of time series components：a hybrid forecasting approach using generalized regression neural networks and the theta method［J］.Neurocomputing，2011，74：896－905.

［11］ Petr Musilek， Emil Pelikán， Tomá? Brabec， Milan ?im°unek.Recurrent neural network based gating for natural gas load prediction system／／International Joint Conference on Neural Networks ［C］.Vancouver，Canada，2006：3736－3741.

［12］ Bo?idar Soldo， Primo? Potoˇcnik， Goran ?imunovi＇c，Tomislav?ari＇c，Edvard Govekar.Improving the residential natural gas consumption forecasting models by using solar radiation ［J］.EnergyandBuildings，2014，69：498－506.

［13］ Papalxopoulos A D，Hesterberg T C.A regression based approach to short term system load forcasting ［J］.IEEE TransactionsonPowerSystems，1990，5 （4）：1535－1547.

［14］ Pahasa J，Theera－Umpon N.Short－term load forecasting using wavelet transform and support vector machines ［J］.2007ConferenceProceedingsIpec，2007，（1－3）：47－52.

［15］ Gorucu F B，Gumrah F.Evaluation and forecasting of gas consumption by statistical analysis ［J］.EnergySources，2004，26 （3）：267－276.

［16］ Gutiérrez R，Nafidi A，Gutiérrez Sánchez R.Forecasting total natural－gas consumption in Spain by using the stochastic Gompertz innovation diffusion model［J］.AppliedEnergy，2005，80（2）：115－124.

［17］ Vondracek J，Pelikan E，Konar O.A statistical model for the estimation of natural gas consumption ［J］.Applied Energy，2008，85 （5）：362－370.

［18］ Martin Anthony.Discrete Mathematics of Neural Networks Selected Topics ［M］.Philadelphia：Society for Industrial and Applied Mathematics，2001.

［19］ The Intelligent Network： Current Technologies，Applications，and Operations ［R］.USA：International Engineering Consortium，1997.

［20］ Demirel O F，Zaim S，Caliskan A.Forecasting natural gas consumption in Istanbul using neural networks and multivariate time series methods ［J］.TurkishJournalofElectricalEngineeringandComputerSciences，2012，20（5）：695－711.

［21］ Kyung－shik S，Han I.Case－based reasoning supported by genetic algorithms for corporate bond rating ［J］.Expert SystemswithApplications，1999，（16）：85－95.

［22］ Fonseca C M，Fleming P J.An overview of evolutionary algorithms in multiobjective optimization［J］.Evolutionary Computation，1995，3 （1）：165－180.

［23］ Nikolay A Kudryashov.Polynomials in logistic function and solitary waves of nonlinear differential equations ［J］.AppliedMathematicsandComputation，2013，219：9245－9253.

［24］ Humberto Ramos Quoirin，Kenichiro Umezu.The effects of indefinite nonlinear boundary conditions on the structure of the positive solutions set of a logistic equation ［J］.DifferentialEquations，2014，257：3935－3977.