天然气需求量预测研究进展

郑坚钦，王博弘，张浩然，梁永图

(中国石油大学(北京) 城市油气输配集输北京市重点实验室，北京 102249)

随着我国天然气消费量的急速增长，2018年初部分地区甚至出现供气紧张的现象[1]。合理预测各区域的天然气需求量，一方面能为管网的优化调度提供参考，及时满足下游用户的需求。另一方面，国家经济社会的发展需要充足的天然气来满足工业及居民需求，提前预测需求量能帮助国家从能源战略层面上制定发展计划[2]。如今，天然气需求量预测范围可分为世界水平、国家层面、天然气分销系统层面、商业和住宅领域，以及个体用户[3]，针对不同的预测范围可建立相对应不同规模的预测模型。目前天然气需求量的预测模型有Hubbert模型[4]、灰度模型[5]、统计学模型[6]、计量经济模型[7]、神经网络模型[8]、数学模型[9]和组合模型[10]，模型各有优劣，考虑的影响因素不同，需通过实际问题具体分析选择其最优的对应模型。模型考虑的影响因素有GDP、天气(温度)、天然气及能源消耗历史数据，天然气价格和地区人口量等，具体的影响因素取决于预测模型的规模[11-14]，如B. Soldo等[15]通过研究，证实太阳辐射对居民天然气的消耗有明显的影响。天然气作为一种常用能源，其需求量预测与其他能源的需求预测有许多共同之处。本文详细调研了国内外能源预测问题特别是天然气需求量预测问题的相关文献，对其所考虑的影响因素及侧重点、构建的模型进行分析，结合能源预测的现状，提出未来在天然气需求预测问题上的几点建议。

1　天然气需求量预测问题

在天然气需求量预测上，研究主要从影响因素和预测模型入手，预测模型可分为两大类：传统模型和基于机器学习算法建立的模型。传统模型包括灰度模型、回归模型和动力学模型。基于机器学习算法建立的模型包括神经网络模型、支持向量机和贝叶斯模型。

1.1　传统模型

传统的天然气需求量预测模型主要为基于灰色系统的灰度模型。随后，研究者对灰度模型进行改进，例如张涛等[16]提出灰色新陈代谢模型，根据系统产生的最新数据，替换掉原序列中最陈旧的数据，逐个预测依次递补直到完成预测。相比传统的灰度模型，通过不断迭代所建立的GM(1,1)有效利用预测所得的新信息，缩小预测范围，提高预测精度。同样，L. Wu等[17]将新信息优先级的原则集成到累积的生成中，提出的NIGM(1,1)模型数据集小，短期预测时能很好地体现其优势。张卫冰[18]克服了灰度模型假设原始数据序列服从近似齐次指数规律的局限性，构建了一种满足原始序列为非齐次指数律变化的灰色非齐次预测模型，利用最小二乘法与矩阵运算法证明了模型的可行性，并推导得出模型的白化解与精确解。X. Wang等[19]为了提高灰度模型的准确性，使用多元宇宙优化器算法(multiverse optimize，MVO)来优化纳什非线性灰色伯努利模型(NNGBM(1,1))的2个参数，提出了混合MVO-NNGBM模型来预测中国30个地区的天然气需求量。X. Ma等[20]提出了一种基于灰度系统的滞后多项式灰度预测模型(TDPGM(1, 1))，增加了参数个数，成为一种更通用的一阶单变量灰度预测模型。虽然该模型增加了复杂度，但相比以往其他改进的灰度预测模型增强了准确性。李义华等[21]在传统灰色模型基础上建立无偏灰色模型再滑动处理原始数据，建立滑动无偏灰色模型，考虑到马尔科夫作为一种基于概率矩阵状态转移的预测方式能弥补传统灰度模型的不足，辅以马尔科夫修正预测木材需求量。

一些学者采用回归模型和动力学模型等传统方法进行预测。G. J. He等[22]利用历史数据用SPSS软件分析天然气需求的影响因素并建立线性回归模型来预测未来需求。高士友等[23]通过分析我国总能源与经济之间的相关系数，采用线性回归预测方法预测能源的需求量。时珊珊[24]基于系统动力学在处理非线性问题的优点，将其运用在天然气需求预测上，将定性和定量分析相结合。

1.2　机器学习算法模型

神经网络在处理非线性问题上有很强的泛化能力，越来越多地将其运用在天然气需求预测上。J. Szoplik[25]提出了一种基于人工神经网络的预测模型，考虑不同时刻(月份，月天数，星期几，某一小时)和天气(温度)的差异，通过改变神经网络隐藏层节点个数和数据集的大小来训练模型，以提高其预测准确性。A. Khotanzad等[26]考虑到温度与天然气需求复杂的非线性关系，基于前馈多层感知机和函数型连接人工神经网络的组合策略来预测天然气消耗。O. Laib等[27]针对阿尔及利亚低中高压消费部门建立了各自的基于列文伯格-马夸尔特算法(Levinberg-Marquardt，LM)的多层感知机模型来预测天然气需求。H. Karimi等[28]预测伊朗城市天然气需求量时，在建立人工神经网络(artificial neural network，ANN)的基础上，用遗传算法(genetic algorithm，GA)优化其结构和参数，形成混合模型ANN-GA。现今，单一的神经网络在预测上存在考虑因素不充分，适应度广但针对性弱等问题，所以更多的研究是改进神经网络算法,以适应具体预测问题。其他机器学习算法也逐渐运用在预测方面，特别是支持向量机。M. O. Olgun等[29]预测土耳其天然气需求时，假设影响因素的独立性，分别用神经网络和支持向量机建立预测模型，统计分析发现支持向量机预测准确性更高。Y. Bai等[30]预测日常天然气需求时，建立支持向量回归模型(support vector regression，SVR)，为了适应日常需求量的动态变化，用扩展卡尔曼滤波进行在线校准结构参数，形成SC-SVR模型。H. Iranmanesh等[31]考虑到影响因素的非线性及高维度特征向量，提出基于粒子群算法(particle swarm optimization，PSO)优化最小二乘支持向量机(LS-SVM)参数的PSO-LSSVM模型。W. Zhang等[32]考虑到预测模型结构和参数的不确定性，提出了贝叶斯模型平均法来预测天然气的需求量，影响因素包括GDP、人口、能源消费结构、产业结构、能源效率以及货物和服务出口。总体来说，结合机器学习改进的模型在预测天然气需求量上己趋于成熟。

1.3　能源结构调整

近些年来，国家开始倡导绿色发展，能源结构调整，控制CO2排放，大力发展新能源[33-35]。这对天然气消耗影响甚重，到2020年天然气需求量预计将增加7%，到2030年增加10%[36]。然而，目前考虑这方面因素的研究并不多。赵路[37]基于CO2排放控制模型对上海市的天然气用气量进行预测。相比常规预测方法，该模型在长期预测中优势更为明显。V. M. Dalfard等[38]考虑能源价格的波动，提出用综合自适应模糊推理系统预测长期天然气需求量，蒙特卡罗模拟法用来生成训练数据克服小数据集的随机不确定性。考虑其他能源的发展情况以及国家未来能源产业走向更加符合天然气需求预测模型的实际应用，该领域还需有更多的研究投入。

从前人的研究中可发现，灰度模型更适合历史数据量小，短期预测的情况，基于GM(1,1)改进的模型预测效果理想，但没有考虑到实质影响需求量因素的变化，只从历史需求量中发现变化规律。当数据量大，考虑影响变量时，神经网络强大的处理能力使其脱颖而出。利用其他优化算法来优化神经网络的参数和结构，能有效提高预测模型的准确性，使预测结果更精准。随着数据量增多，基于机器学习建立的模型在预测天然气需求上将会发挥着越来越重要的作用。另外，在实际生活中，天然气的需求也与其他能源的发展及国家产业结构相联系，预测模型也需要将其他能源的发展情况、国家政策等因素考虑进去。

2　能源需求预测问题

随着全球经济社会的快速发展，能源消费持续增加，分析预测未来的能源需求，提出相对应的能源发展战略，是当前研究的热点。智能社会的发展，也进一步促进了能源预测模型的改进，许多新型的预测模型算法也相继提出。通过分析能源需求预测模型，探索其在天然气需求量预测上的应用，促进未来天然气需求预测模型的发展。

2.1　机器学习算法模型

机器学习算法在能源预测方面发挥着举足轻重的作用。H. Chiroma等[39]预测中东石油消耗时，基于计算智能方法，用人工蜂群算法(artificial bee colony，ABC)优化LM神经网络建立模型，具有收敛快、精度高的特点。K. Kavaklioglu[40]为了对未来电力消耗的预测，对每个输入变量都创建一个独立的SVR模型，通过对模型参数的网格搜索，为根均方差的每个变量寻找最佳的SVR模型。C. Robinson等[41]对美国商业建筑能耗预测时，用机器学习算法能有效克服只有少量建筑特征变量的局限性，用具体的数据训练模型，但由于数据的限制而无法考虑更多的影响变量。得益于机器学习的黑箱原理，尤其是神经网络，支持向量回归和K近邻算法，通过数据训练模型可以对能源需求进行大致的预测。

2.2　灰度神经网络组合模型

在灰度模型的基础上结合神经网络来预测，是目前比较受欢迎的预测方法。黎星池[42]通过灰色理论模型预测煤炭消费量的各项指标，再将各指标预测值作为BP神经网络模型的输入，以煤炭消费量作为输出。余建华[43]对输入数据进行归一化，充分利用了灰色预测方法小样本模型和BP神经网络强大的自适应能力两大优点来预测煤矿能耗。李剑波等[44]通过分析影响因素的相关性，用灰色神经网络模型预测重庆能源需求。李瑞等[45]对物流业能源需求预测时考虑到11个影响因素，并通过灰色关联分析其影响程度，在对比常用的BP神经网络和GM(1,1)模型后，得到RBF神经网络的预测准确性更强。国内在这方面发展比较快，技术也相当成熟。应用灰度神经网络组合模型，先用灰度模型预测影响天然气需求量的各项变量，再将各项变量预测值作为神经网络的输入继而预测天然气需求量。

2.3　数据驱动模型

2.4　绿色能源发展

中国正处于工业化和城镇化发展的关键阶段，经济的高速增长以高能耗为代价。为了缓解能源需求，我国提出了一系列节能政策，以降低单位国内生产总值能耗，提高能源效率。N. Xie等[51]在考虑国家节能政策下，基于能源需求与GDP的历史数据，用优化变量离散灰色模型(OSDGM(1,1))预测单位GDP的能耗，符合我国未来能源的发展趋势。目前我国着重发展风能、太阳能等可再生能源，H. Dai等[52]对2050年可再生能源(RE)在中国大规模发展的经济效益和环境影响进行了评估，表明其具有显著的绿色增长效应，能带来可观的环境效益。

3　结论与展望

从近几年的文献可以看到，随着研究的推进，模型中考虑的因素越来越多，与实际的预测问题越来越接近。随着天然气巨大的需求，准确预测天然气需求量，为管网企业提供调度参考以满足日常生活需求与经济增长是未来发展的一个重要趋势。

传统的预测模型趋于成熟，但由于考虑的因素不多，比较适合小范围预测，难以满足更大规模的预测模型。(1)对于目前的研究，灰度模型结合神经网络在能源预测方面取得比较好的成果，其同样可以运用在天然气需求量预测上，在处理天然气需求影响因素的非线性关系上有很大的借鉴作用。(2)国家重点强调绿色发展，出台节能政策以提高能源利用率，控制温室气体排放量，调整能源战略布局，大力发展清洁能源，所以在预测天然气需求时要考虑到国家发展政策。能源的发展趋势等因素，调整预测模型的影响变量，使预测结果更符合实际的发展需求。(3)大数据与人工智能的发展，对于数据的采集与存储就显得十分重要，可以建立天然气数据管理系统，记录不同时刻工业以及商业用户的消费量，与智能城市相互结合，形成一套地区天然气需求监控系统，实时在线预测用户需求以及实时更新校准。基于数据挖掘分析的模型是未来预测天然气需求量一个重要的发展方向。