����ȼ������Ԥ��ϵͳ��ϵ�о�

城市燃气负荷与调峰是连接天然气供气系统上游与下游的关键问题，是实现系统优化调度和智能控制的基础，加之我国城市天然气供应呈现快速发展的趋势，燃气负荷预测已经成为一种迫切需求的实用技术。为此，以时间序列分析理论为指导，根据燃气负荷变化的复杂性、多样性和特殊性，将有关负荷基础理论与应用方面的研究系统化，建立了由负荷及相关资料调查、负荷工况分析、负荷变化规律、负荷预测、预测方法与预测模型和工程应用等六大模块构成的城市燃气负荷预测系统体系，以使燃气负荷这一领域的研究内容、研究方法和研究目标逐渐向系统化和高科技化发展，为丰富和完善天然气输气理论和技术奠定了重要的基础，有助于该领域的研究初步形成理论及从技术到实用的转化，并提供了目前燃气负荷预测能够达到的精度范围。     

һ���µ���Ȼ����������Ԥ�ⷽ��

针对天然气管网负荷变化的特点，提出了用模糊逻辑和RBF神经网络模型(FL—RBF NNM)来预测天然气管网的负荷。即首先利用模糊逻辑系统预测出负荷误差及误差变化率，从而实现了天然气负荷的在线修正：再利用改进的RBF神经网络进行天然气管网负荷的预测。在数据的处理上，应用了数据分类处理以及“近大远小”原则，并且在RBF网络模型中采用了最新邻聚类算法，实现了网络结构和参数的双重调节，大大提高了训练的速度和预测的精度。最后将此模型应用于实际中，并和单纯的RBF神经网络模型进行了比较，结果证明该模型可以快速准确预测出天然气管网的负荷值。     

����ȼ���������ڸ���Ԥ���ʱ��ģ��

中国天然气工业将把局限在一个城市内的独立的燃气管网带入跨区域的、全国联网的、甚至与国际天然气管网相连接的天然气网络大系统，这就要求我国目前的燃气系统在功能上要有实质的进步，包括系统的信息采集与处理，建立运行在城市间的天然气网络优化调度系统，季节调峰和事故应急功能的地下储气库等。所有这些功能都离不开对燃气负荷的研究，时序模型的研究对于城市燃气负荷预测有重要的意义。文章对短周期负荷的数学模型进行了深入的研究，提出了用Fourier级数描述的数学模型，并给出了判断隐含周期项数和计算模型参数的方法。     

城市燃气调峰负荷预测软件的研究与开发

准确地预测城市燃气用气负荷量，才能为调峰储气设施的确定及城市燃气优化调度提供最基本的设计参数。考虑近期我国燃气市场的需求，开发了城市燃气调峰负荷预测软件系统。该软件包括历史数据处理及输入模块、负荷预测模型库模块、各类型负荷预测模块、预测结果数据库输出模块、调峰负荷与储气匹配比较等5个模块。对某城市天然气调峰负荷预测的结果表明，该系统能取得满意的预测效果。     

天然气消费量的神经网络方法预测

天然气是现代城市人民生活和工业生产的一种主要能源，正确合理地对天然气消费量进行预测有着重要的意义。文中介绍了BP网络预测天然气消费量的模型，对模型进行了求解，并用实例加以验证，同时与传统方法计算的结果进行了对比。计算结果表明，此方法预测天然气消费量既简单又准确。     

基于残差修正的冬季天然气日负荷预测模型

在考虑冬季天然气相邻日负荷进行连续多日负荷预测时,由于模型本身误差及气象预报误差的存在,将在迭代预测中产生误差累积,造成预测精度降低。基于小波神经网络(WNN)建立初步日负荷预测模型,以温度为标准将数据集分为"日常温度"和"极端温度",分别引入BP神经网络,作为残差修正模型以降低误差累积对连续多日负荷预测的影响,建立适用于北京供暖季天然气负荷短期预测模型。实验结果表明,经残差修正后北京市的天然气日负荷预测平均绝对误差由5.21%降低至2.98%,取得较好的预测效果。通过对比分析,残差修正网络能有效修正极端气象条件负荷预测值以降低连续多日负荷预测中的误差累积现象,从而提升模型整体精度,对商业天然气日负荷预测具有较高应用价值。     

用约束型自组织特征映射网络实现多井约束插值

提出了一种用神经网络实现多井约束插值的新方法。作为传统的自组织特征映射网络(Self Organizing Featuere Map，SOFM)的一种推广形式，提出的约束型自组织特征映射(Constraint Self Organizing Featuere Map，CSOFM)对某些特定的输出节点及输出节点的排列方式加以约束，从而既保留了SOFM的长处(如自组织和拓扑映射)，又克服其在处理多井的约束插值问题时存在的一些缺点(如网络规模过大，训练时间过长和归位问题)。对实际资料的处理表明，其方法能取得满意的结果。     

灰色模型预测天然气消费量

天然气是现代城市人民生活和工业生产的一种主要能源，正确合理地对天然气消费量进行预测有着重要的意义。介绍了利用灰色理论预测天然气消费量的模型，包括GM（1，1）模型和动态等维灰数递补灰色预测模型，对模型进行了求解；介绍了模型精度的检验方法，用实例加以验证，与实际消费量进行了对比，计算结果表明，灰色模型预测天然气消费量既简单又准确，有较好的适应性和较高的精度，对天然气输配管网的优化运行和统一调度管理具有重要的参考意义。     

加强需求侧管理提高燃气负荷预测水平

为了做好城市燃气需求侧管理,完善上下游供、用气运营模式,确保燃气供应安全稳定,以北京为例,分析了北方城市燃气用气特点以及用气负荷与影响因素之间的关系,推荐了冬季采暖期、夏季低峰期和采暖过渡期适宜采用的预测方法;根据天然气国际购销一体化趋势的前瞻性需求,探讨了供、用气计划运营模式,通过为客户建立计划"平衡账户",从经济层面制约用户,以提高负荷预测精度并降低未来天然气市场国际化带来的"照付不议"风险。     

基于事例推理的燃气负荷预测

燃气负荷是城市燃气系统运行稳定性和经济性的重要因素，而影响负荷变化的因素很多，所以负荷预测是一个复杂的问题。将事例推理机制和负荷预测有机结合在一起，提出了一种新的燃气预测方法。应用燃气预测方法对某市的燃气负荷随机选取一周进行预测，结果在合理的范围内，对实际应用有一定的指导意义。     

城市天然气短期日需求量预测新模型

准确预测短期城市天然气需求量,对于城市天然气的合理调峰调压、安全供应、管网优化等都具有重要的现实意义。目前,城市天然气短期需求量预测模型主要包括时间序列、回归分析、支持向量机、灰色关联等,但其精度均不很理想,神经网络的精度虽然较高,但却容易陷入局部最小值,降低了泛化性。较之于上述诸多模型,最小二乘支持向量机基于结构风险最小化的原则,对于非线性问题也能得到较高的精度和泛化性,并且不容易出现过拟合现象。为此,基于对城市天然气短期日需求量的各种影响因素的全面分析和讨论,最终将气象、日期、政策确定为影响因素,并采用模糊综合评价法、经验打分法及专家评分法处理因素中的定性数据,采用极差变换法处理其他定量数据,最终利用最小二乘支持向量机建立了城市天然气短期日需求量预测新模型。仿真实验以四川省成都市为例,新模型预测结果平均绝对百分比误差为1.423%,较之于ARIMA、灰色关联、BP神经网络以及非线性回归等模型,新模型的预测精度有了很大的提高。结论认为,新模型的预测结果可作为确定城市天然气短期日需求量的依据和参考。     

燃气短期负荷预测的小波分析综合模型

城市燃气负荷预测对于保证燃气企业的供气安全、优化调度等具有重要意义。燃气负荷受天气、温度、节假日及一些随机因素等影响,很难建立准确的预测模型。为此,根据H市燃气短期日负荷变化特点,提出了用于燃气短期负荷预测的小波分析综合方法。首先用信息熵函数最小选择最优小波基,然后用其对燃气负荷进行二层分解得到负荷的低频信号和高频信号。低频信号受各种主要因素的影响,反映燃气负荷整体的变化趋势,对低频信号利用神经网络进行建模与预测;高频信号则主要受随机因素的影响,可将其看作“白噪声”,对其建立时间序列自回归预测模型。低频信号和高频信号的预测值合成得到预测结果。实例验证表明,燃气短期负荷预测小波分析综合模型有效地提高了负荷预测精度。     

城市燃气负荷的短期预测

城市燃气负荷的短期预测对保证城市供气的相对稳定尤为重要。为此,通过对各类气象因子与燃气日负荷间的相关性分析,以有效温度为主导因素,结合大连地区温度分布规律,推导出燃气日负荷预测模型与月负荷预测模型间的关系,建立了不同预测步长下基于双曲正弦函数的燃气负荷短期预测模型,计算出日负荷预测模型在最不利工况下(传统节日集中的月份)的平均绝对百分比误差(MAPE)和均方百分比误差(RMSPE)值分别为3.67%和5.03%,月负荷预测模型的MAPE和RMSPE值分别为1.02%和1.32%,均小于10%,日负荷预测模型与月负荷预测模型的预测能力均达到较高精确度。利用该转换关系不但能够实现预测模型预测步长的改变,而且所获得的模型预测效果也较理想。对于不同的城市,只要根据该地区气象及燃气负荷特点,选择合适的模型参数值,利用该预测方法即可实现不同预测步长下燃气负荷的短期预测。     

利用BP人工神经网络预测天然气中重组分对净化装置的影响

由于天然气中的重组分会对脱硫装置的运行效果及产品气气质造成影响,这一实际生产问题需要得到有效的解决。在MDEA溶液吸收性能评价装置上测定了不同条件下的MDEA溶液吸收性能,系统地研究了不同重组分对MDEA溶液吸收性能的作用规律,采用多因素方差分析筛选了关键因素,以判定其影响程度的大小,并采用人工神经网络建立了天然气中重组分不利影响的预测模型。结果表明:天然气中的重组分i-C_5、C_6、C_7、C_8和C_(10)对MDEA溶液吸收能力具有十分显著的影响,它们均属于BP神经网络预测模型的有效输入信号,模型预测值与真实值较为近似,BP人工神经网络表现出良好的准确性和稳定性。因此,利用BP人工神经网络能够准确、可靠地预测天然气中重组分对MDEA溶液吸收性能的不利影响。     

基于2种机器学习方法的页岩TOC含量评价——以川南五峰组—龙马溪组为例

为了建立合理准确的川南五峰组—龙马溪组页岩TOC含量预测方法,以长宁、泸州等地区的测井曲线及17口井实测TOC含量数据为基础,利用主成分分析法对这些资料进行预处理,基于BP神经网络和梯度提升决策树（GBDT）方法建立2种TOC含量预测模型,并将之与传统TOC含量预测方法进行对比。结果表明： ① 2种新模型的准确度均高于传统方法,预测结果与实际值吻合度均满足要求。②与BP神经网络模型相比,GBDT预测精度更高,均方根误差仅为0.0387。利用GBDT方法所建立的TOC含量预测模型具有低成本、高效、连续等特点,能够快速准确地预测目的层TOC含量。该成果可为提高页岩油气勘探开发效率提供有效技术支撑。     

胜利油田民用天然气负荷预测研究

胜利油田不同地区民用气用户的用气量不均匀,用气量随不同地区,每天不同时间段,每年的不同月份存在巨大波动,给民用气系统输配安全和平稳供气造成巨大障碍。为实现输配系统平稳供气,介绍了指数平滑预测模型,并运用该模型对胜利油田民用天然气负荷进行预测计算,并用后验差方法对预测结果进行了精度检验,结果发现预测模型在实际应用中均可满足预测需要,直线模型预测精度最高,达1级;二次曲线模型较差,精度是2级。在实际应用中需要根据预测精度灵活选择合适的预测模型。     

有监督SOM神经网络在油气预测中的应用

用于油气预测的方法基本上可分为两类：一类是有监督预测方法，另一类是无监督预测方法，８０年代传统模式识别方法（统计、句法和模糊模式识别）得到广泛应用；９０年代以来神经网络理论异军突起，以ＢＰ为代表的有监督神经网络和以ＳＯＭ为代表的无监督神经网络广泛应用于油气预测。本文介绍了应用有监督ＳＯＭ神经网络进行油气预测的方法原理，经两个工区的实际资料试算结果证明本方法性能良好，可以成为油气预测的一种可选方法。