Z地區天然氣管網平衡差影響因素分析與天然氣需求短期預測

李光越 王澤鑫 于文廣 李國軍 石詠衡 張博越

國家管網生產經營本部（油氣調控中心）

“十四五”報告中指出要加快推動綠色低碳發展戰略，推進能源清潔化、利用高效化進程，制定2030 年前碳排放量峰值方案[1]。天然氣因清潔高效、經濟效益高等優點，一直是我國進一步實現低碳發展的重要選擇[2]，天然氣管道建設也迎來新的高峰。近年來中俄東線北段、中俄東線中段、閩粵支干線、青寧管線等相繼完成投產工作，國內天然氣消費量也隨之大幅度增加。《中國天然氣高質量發展白皮書（2020）》指出極端天氣下我國應急調峰能力仍顯不足，儲氣庫等調峰設施可調配的天然氣量低于世界平均水平[3]。兼顧管網安全運行與供氣可靠性問題對管網調度運行提出新的考驗，而管網進銷平衡控制是解決該問題的關鍵。

天然氣進銷平衡差直接影響的是管網管存[4]，管存過高直接引發整條管線平均壓力過高，增加運行風險；而管存過低，則無法滿足用戶供氣壓力，增大管線運行摩阻，增加管網能耗損失。基于此開展對影響Z地區天然氣進銷平衡差的因素分析，建立預測區域進銷氣量模型。

為能夠準確確定某區域天然氣消費量的預測模型，相關學者已經展開了多方面、多角度的研究工作。基本上將預測模型劃分為某時間段區域消費總量預測以及短期天然氣消費量預測兩個層次[5]，其中關于消費總量的預測研究，多集中在全國或省級等范圍的預測。通過宏觀預測可以幫助相關部門對我國能源結構調整、天然氣管網以及配套設施建設提供理論參考，對能源經濟的宏觀調控提供便利[6]。但這種預測對區域管網的日常生產指導意義較弱、針對性較差、缺少實效性，因此建立區域短期天然氣消費模型是非常必要的。

天然氣短期需求量預測的研究表明，天然氣短期需求量呈現明顯的周期性與規律性，這種周期性波動規律的準確判斷需要專業人員具備豐富的實踐與理論儲備[7]，同時這種規律與區域電力負荷的波動規律基本相似，因此可以借鑒電力負荷預測方法來研究天然氣短期需求規律。郝迎鵬[5]提出天然氣短期需求是控制管網運行、制定管網調度運行計劃的依據，認為天氣參數、節假日、天然氣價格等都是天然氣短期預測重要指數，并對北京市與其他地區實際需求量進行比較，驗證其觀點的準確性。李蘭蘭[8]利用分解重構向量機方法，以鄭州燃氣管網過去168 h 負荷數據作為輸入參數，預測了接下來24 h天然氣的需求量，并通過結果證明該預測方法優于傳統BP 網絡以及最小二乘支持向量機方法。彭芳[9]等考慮某市日最高氣溫、日最低氣溫、平均氣溫、相對濕度、日期類型等因素，分別建立回歸分析、BP神經網絡短期預測模型，結果顯示BP神經網絡模型預測結果更接近實際值。

1 管網平衡差影響因素分析

1.1 影響因素確定

Z地區在役一級天然氣管道建設里程長，下游分輸用戶類型齊全，配有調峰功能的LNG、儲氣庫等設施。隨2018 年底自動分輸工程的推進，積累了較為豐富的進銷分輸動態資料，具備對天然氣管網進銷平衡差指標進行精細評價的基礎。本文所探究的平衡輸差是指每日上午8點Z 區域所結算的進氣量與銷氣量的差。

收集Z 地區天然氣管道近3 年每日進銷氣量的歷史數據，為全面建立預估模型，保留因作業、異常事故等因素造成的突變數據。繪制管網每日進銷平衡差以及平衡偏差率變化趨勢（圖1），其中管網當日平衡偏差率為當日進銷平衡差與當日進氣量的比值。

由圖1可知，平衡差的存在是不可避免的，無法保證管網進銷氣一直處于平衡狀態。平衡差的值處于波動狀態且周期性并不明顯，因此，從宏觀上直接分析進銷平衡差的變化規律是不可行的，為準確掌握平衡差變化趨勢，指導天然氣管網生產運行，還需進一步分析平衡差的影響因素。

圖1 近三年Z地區天然氣管網進銷平衡差以及平衡偏差率變化趨勢Fig.1 Trend of the balance difference between input and output and the balance deviation rate of natural gas pipeline network in Z area in recent three years

1.2 影響關系確定

1.2.1 節假日對管網平衡差的影響

為了探究節假日對管網平衡差的影響，繪制2017年4月1日—2020年3月31日全年平衡差隨時間分布趨勢圖（圖2），同時用紅色標出節假日期間管網的平衡差。通過統計，2017—2019 年在節假日時平衡差增長概率分別為54.9%、51.0%、55.1%，且有29.4%、26.5%、34.7%概率達到近期平衡差的極大值，說明節假日對于管網平衡差影響較大。

圖2 2017—2019全年管網進銷平衡差隨時間分布趨勢圖（節假日）Fig.2 Distribution trend of balance difference between input and output with time from 2017 to 2019（Holidays）

1.2.2 溫度對于管網平衡差的影響

通過氣象網站查閱2017 年1 月1 日至2020 年3月31日Z地區管道途徑城市每天歷史溫度值，平均后將其定義為Z地區每天的平均溫度值。

2017 年1 月1 日至2020 年3 月31 日Z 地區天然氣管網進銷氣與全國平均氣溫的分布趨勢圖見圖3。從整體上來看，在這段時間內，管網銷氣與平均氣溫均呈周期性變化，且兩者有負相關性，隨年平均氣溫降低管網的銷氣量升高，隨平均氣溫升高管網銷氣量呈先降后穩的變化，這是因為每年4-10 月隨著氣溫回升，北方地區進入非供暖季，使得Z地區用戶用氣量趨于一個相對穩定的狀態。

圖3 2017—2019全年Z地區管網進銷氣量隨時間分布趨勢圖（氣溫）Fig.3 Distribution trend of input and output gas volume with time in Z area from 2017 to 2019（Temperature）

從局部上看，在2017年1月1日至2020年3月31 日，每年的銷氣量都在1 月份前后達到極大值，且該值呈逐年遞增趨勢，從2017 年39 791×104m3增加至2020年53 920×104m3，其中2017—2018年管網銷氣增長幅度最大，增長率達到14.8%。

1.3 各因素對管網平衡差的影響

通過分析確定了影響Z地區管網進銷平衡差的因素，包括季節、節假日、溫度等，但各因素對于管網進銷平衡差的影響程度無法判定。針對此問題，采用方差分析法對各參數進行分析，綜合評價出各因素對管網進銷平衡差的影響程度。

方差分析是一種能夠有效判斷某因素對于結果有無影響以及影響大小的方法。該方法的基本原理是根據實際的數據結構將總偏差平方和分解為兩部分，一部分反應試驗誤差造成的差異，另一部分反應因素水平誤差造成的差異，運用F檢驗法判斷因素是否對結果呈顯著性影響，進行最后的定量分析判斷[10]。2017—2019年不同因素下進銷平衡差平均值見表1。

表1 2017—2019年不同因素下進銷平衡差的平均值Tab.1 Average value of the balance difference between input and output under different factors from 2017 to 2019

首先對近三年不同因素下進銷平衡差進行方差分析，依據方差分析法原理，通過計算得出數據修正項RT、數據總的偏差平方ST和數據總的自由度fT。

不同因素的數據組內偏差平方和Si、組內數據均方差Vi、組內數據自由度fi的計算公式為

式中：Xi為不同因素組內數據數值；ni為不同因素組內數據個數。

不同因素的數據組間數據偏差平方和SE計算公式為

方差分析結果如表2所示。表2中α、F、Fα是方差分析F檢驗法中常用的符號，其中α為顯著性水平，Fα為根據數據自由度以及自由變量數的值，通過查閱不同顯著水平下F分布檢驗表后所得的結果[11]。通過與α=0.01，α=0.05 水平下的對比得出，夏季、冬季、節假日、非節假日因素對管網進銷平衡差有顯著影響，該結果與上述通過圖表直觀分析所得結論相同。

表2 進銷平衡差的方差分析Tab.2 Variance analysis of the balance difference between input and output

為探究各因素間對管網進銷平衡差影響程度的大小，采用q檢驗法，對不同因素的顯著性水平進行兩兩比較，結果見表3、表4。

表3 四種因素下管網平均進銷平衡差排序Tab.3 Ranking of average balance difference between input and output of pipe network under four factors

表4 四組均數對比（q檢驗法）Tab.4 Comparison of four groups of mean（q test method）

表中P值可以通過α=0.01，α=0.05 顯著條件下q的界值表查找，而q值的計算公式為

由表4可知，在α=0.01，α=0.05 水平上，第一組與第四組數，第二組與第四組數據存在0.01＜p＜0.05 關系，其余組間存在p≥0.05 的關系，即說明冬季與夏季，節假日與夏季的平衡差均值有顯著差異性，其余組間則無顯著差異性。該結論再一次證實冬季、節假日管網進銷平衡差的波動性。

2 管網銷氣量神經網絡預測模型

2.1 預測模型建立

2.1.1 BP神經網絡模型算法

BP 神經網絡模型是一種以誤差驗證結果為逆傳播導向的多層前饋型神經網絡模型[12]。該模型模擬大腦信息處理邏輯對數據進行處理，通過大量反復的訓練學習，建立一種高效的容錯反饋學習機制，揭示數據間非線性映射關系[13]。該算法拓撲組成包括輸入層、隱藏層、輸出層，其中隱藏層可以是多層的，但一般不超過3 層。利用極小化函數（激活函數）建立輸入、輸出層間的映射關系，根據所得網絡誤差值反向傳播方式反復調整閾值和權值，而從獲得以誤差最小化為導向的神經網絡參數配置[14-15]。

2.1.2 Elman神經網絡模型算法

Elman 神經網絡模型也是一種前饋型神經網絡模型，算法拓撲組成包括輸入層、隱藏層、承接層、輸出層，相當于在傳統BP 神經網絡模型的隱藏層中增加了承接層[16]。Elman 神經網絡實現的原理是：參數作為樣本通過輸入層進入神經網絡，通過激活函數建立輸入層與隱藏層間的非線性關系，承接層接收隱藏層前一時刻輸出值后，作為一步延時算子再一次返回隱藏層的輸入，最后通過線性加權得出輸出層結果[17]。

2.1.3 RBF神經網絡模型算法

RBF 神經網絡模型是一種徑向基函數神經網絡，算法拓撲組成包括輸入層、隱藏層、輸出層，其中隱藏層為單層結構[18]。輸入層通過徑向基函數建立與隱藏層的非線性關系，而隱藏層通過線性加權求和建立與輸出層關系得出輸出結果[19]。其中基函數通常為一種高斯函數，通過對數據中心和基寬參數的選擇，實現RBF 神經網絡模型隱藏層與輸入層間的數學聯系。與傳統BP 神經網絡模型相比，RBF神經網絡具有學習速度快，處理數據泛化能力強，同時能夠良好地避免局部極小值的問題[20]。

2.2 銷氣量短期預測模型數據處理

2.2.1 預測模型訓練樣本采集

樣本采集取自Z地區2017年1月1日至2020年3月31日管網進銷氣量的數據庫。考慮到進銷氣量每年4～10 月間波動較小，檢驗模型合理與否存在偶然性，因此把2017年年1月1日至2020年2月29日數據樣本為訓練數據，2020年3月1日至31日作為測試樣本，來驗證該短期預測模型的準確性。

選取待預測時間()d前三天（d-3）、前兩天（d-2）前一天（d-1）的管網進氣量、銷氣量、平均氣溫、最高氣溫、最低氣溫以及待預測時間當日日期類型，16 個維度的矩陣作為輸入數據，模型輸出值為待預測時間當日的管網銷氣量。

2.2.2 樣本數據歸一化處理

（1）進銷氣量與溫度數據歸一化。訓練樣本包括Z地區進氣量、銷氣量、氣候溫度、日期類型等參數，各參數數量級別、量綱單位存在差異，使得訓練結果誤差增大。為避免因訓練樣本數據量綱差異造成的影響，需要對所有輸入、輸出數據進行歸一化處理，將各參數歸換算至[-1，1]區間。換算公式為

式中：x′為歸一化后數據；X為歸一化前數據；xmax、xmin分別為X數據參數中的最大值與最小值。

（2）日期的歸一化。根據影響管網平衡差因素的方差分析，考慮日期對平衡差的影響程度，將其分類為工作日（周一至周五）、雙休日（周六日）、節假日（元旦、春節、清明、勞動、端午、中秋、國慶）三類。為進行數據歸一化處理，定義工作日為0，雙休日為1，重大節假日對平衡輸差影響過大，加入到訓練數據中會影響預測模型對非重大節假日管網銷氣量預測的準確性，因此在本部分將重大節日數據參數剔除，后續將專門建立神經網絡節假日短期預測模型。

2.3 神經網絡預測模型精度的評定

預測模型精度通過平均相對誤差以及均方根誤差作為評判標準，公式如下

式中：δ、MAPE、RMSE分別為相對誤差，平均相對誤差和均方根誤差，%；yi為通過神經網絡計算預測出i天的管網銷氣量，104m3；Yi為待預測時間i天管網的實際銷氣量，104m3；a為預測樣本數量；N為求均值樣本數量。

2.4 神經網絡短期預測模型結果分析

通過上述過程建立的神經網絡預測模型對2020年3月1日至2020年3月31日Z地區天然氣管網銷氣量進行了預測。將預測值與實際值進行對比發現，三種神經網絡模型都能夠較好地預測Z地區天然氣銷量，所得平均相對誤差最分別為1.95%、1.51%、1.45%，均方根誤差分別為781.34×104m3、703.65×104m3、655.31×104m3，其中RBF 神經網絡能更準確地預測Z 地區3 月份天然氣的需求量。

由圖4可知，三種神經網絡預測模型所產生的誤差均在-4%～4%之間。其中BP、Elman、RBF 神經網絡預測相對誤差分別在3月20日、3月3日、3月31 日達到極值3.67%、-4.00%、-3.77%，說明雖然傳統BP 神經網絡預測平均相對誤差較大，但預測結果偏離程度較小。三種神經網絡模型所得相對誤差為正值的比例為80.65%，41.94%，54.84%，說明BP 神經網絡預測Z 地區天然氣需求值易大于實際值，Elman 神經網絡預測Z 地區天然氣需求值易小于實際值。

圖4 神經網絡預測相對誤差柱狀圖Fig.4 Column of relative error in neural network prediction

通過圖5對比發現，三種神經網絡預測值與實際值的走勢基本吻合，能夠準確地預測Z 地區3月份天然氣銷氣量的變化規律。同時可以觀察出RBF神經網絡預測曲線與實際值十分接近，精度要明顯高于其他兩種預測模型，但局部存在偏離程度大的情況，例如3 月20 日和21 日RBF 預測模型預測精度就要低于另外兩種模型。

圖5 神經網絡預測值與實際值對比曲線圖Fig.5 Comparison curve of neural network predicted value and actual value

2.5 神經網絡預測重大節日管網銷氣的模型

節假日會影響用戶的用氣規律，管網整體銷氣量一般會比平時有所降低。2020 年春節期間受疫情影響，全國多地管存接近應急高水平。為做好管網運行調整，控制管道管存在合理范圍內，建立重大節日管網銷氣模型是十分必要的。在上述三種神經網絡訓練樣本中加入2017—2020 年重大節日（元旦、春節、清明、勞動、端午、中秋、國慶）管網進銷氣量、氣溫等數據參數，根據神經網絡構建思想，建立模型來預測重大節日期間管網銷氣量。

根據方差分析可知，冬季、節假日均是影響管網進銷氣造成波動的參數，為驗證神經網絡對于重大節日管網預測的準確性，對2019 年和2020 年冬季元旦、春節假日期間管網銷氣進行預測，并與實際值進行對比發現，三種模型差距較為明顯，所得到的平均相對誤差分別為2.47%、2.12%、1.95%，均方根誤差分別為1 184.46×104m3、774.68×104m3、630.67×104m3。其中Elman、RBF神經網絡模型預測結果較好，能夠較為準確地預測重大節日下Z地區管網銷氣量，而傳統BP 神經網絡模型預測結果偏離實際天然氣消費量較大。同時重大節假日下預測結果的誤差值明顯大于非節假日下短期預測模型的誤差值，證明節假日天然氣銷量預測難度較大，需建立重大節假日預測模型。

從圖6可知，三種神經網絡預測模型所產生的誤差均在-4%～6%之間，其中BP、Elman、RBF 神經網絡預測相對誤差分別在2019年2月4日、2020年1 月26 日、2020 年1 月1 日達到極值-5.68%、4.99%、5.34%，誤差波動極值明顯大于非重大節假日模型誤差波動程度。由圖7對比發現，三種神經網絡對于預測值與實際值走勢基本吻合，能夠準確反應Z 地區2019 年至2020 年天然氣銷氣量重大節日天然氣需求的變化規律。同時可以觀察出RBF神經網絡預測曲線與實際值最為接近，精度要明顯高于其他兩種預測模型，但局部存在偏離程度大的情況，例如2020 年元旦RBF 預測模型預測精度要低于另外兩種模型。

圖6 重大節日神經網絡預測相對誤差柱狀圖Fig.6 Column of relative error in neural network prediction on major holidays

圖7 重大節日神經網絡預測值與實際值對比曲線圖Fig.7 Comparison curve of neural network predicted value and actual value on major holidays

3 結論

（1）針對Z地區天然氣管網進銷特征，結合近3 年管網進銷平衡差動態資料，將季節、節假日、氣溫等因素與管網進銷氣量、平衡差等動態數據相結合，研究影響管網平衡差的主要因素。并采用方差分析法對各影響因素進行綜合評價，量化分析各因素對管網平衡差的影響程度。結果表明冬季（供暖季）、節假日對管網進銷平衡差有顯著的影響。

（2）以進氣量、銷氣量、氣溫、日期類型為輸入參數分別建立傳統BP、Elman、RBF神經網絡天然氣消費量短期預測模型。通過與實際銷氣量對比，得出平均相對誤差分別為1.95%、1.51%、1.45%，均方根誤差分別為781.34 × 104、703.65×104、655.31×104m3。相比其他兩種模型，RBF神經網絡預測值更加貼近實際銷氣量，具有良好的預測能力，能夠準確預測短期時間內管網日銷氣量。

（3）在已建短期神經網絡模型基礎上，加入近3年重大節日相關參數，建立RBF神經網絡重大節日期間管網銷氣量預測模型，通過與實際值對比發現，模型所得誤差值稍大于非節假日下的預測模型，且誤差在合理的范圍之內，無論是從相對誤差大小還是與波動范圍角度來看，該模型都能較為準確地預測重大節日下管網銷氣量，為Z地區管網調度運行、工況調整提供數據支持。