对城市燃气短期负荷预测的分析
来源:用户上传
作者:
摘要：在燃气公司市场化运行模式下，做好燃气短期负荷预测工作十分重要，是帮助企业合理降低运营成本的关键途径。文章首先对城市燃气短期负荷变化的主要影响因素进行分析，进而通过构建燃气短期负荷预测模型，对城市燃气的短期负荷变化进行预测，给出具体的实现算法。
关键词：城市燃气;短期负荷;预测分析
1 城市燃气短期负荷变化的主要影响因素
从目前已有的几种城市燃气短期负荷预测模型来看，多元线性回归方程的预测精度较高，计算过程完全由计算机软件完成，使用也较为方便。但是由于未加入季节差的考虑，容易在温度影响分析的过程中出现问题。人工神经网络预测模型具有较好的逼近效果，但由于预测过程属于“黑箱”操作，难以利用预测过程中的信息数据。总体来看，目前城市燃气短期负荷预测模型各有各的优缺点，在构建新预测模型的过程中，还需要从城市燃气短期负荷变化的影响因素分析着手，确保模型的适用性。从实际情况来看，我国绝大多數的大中型城市已经建立了完善的燃气供应体系，在分析燃气短期负荷变化的过程中，也较为全面。其中，温度是影响燃气负荷变化最主要的因素，燃气负荷变化和日平均温度变化存在显著的反向相关性。可以以此为着手点，建立燃气短期负荷变化的预测分析模型。
2 城市燃气短期负荷的预测模型及方法
2.1 日负荷模型
在城市燃气短期负荷预测模型的构建过程中，需要充分考虑燃气负荷变化受热惯性的影响，在根据日平均温度变化预测燃气负荷变化时，加入动态平均温度、有效温度两个指标。其中，动态平均温度的计算公式为：
其中n取3～5，i代表预测目标前一天，Ti为日平均温度。有效温度的计算公式为：
Teff=wT+（1-w）Tn
其中w为权重因子，其取值范围为0～1。通过对某北方城市近三年燃气负荷变化数据及气象数据进行研究，可以建立燃气日负荷、日平均温度、动态平均温度和有效温度之间的关系。其中，日平均温度与燃气日负荷的相关系数为-0.81，动态平均温度的相关系数为-0.83，有效温度的相关系数为-0.85。其中，燃气日负荷受有效温度影响最大，将其作为主导因素，构建日负荷预测模型。得到的燃气日负荷通用预测模型为：
其中，T0为地区年平均温度，Q0为全年平均燃气日负荷，α为相关系数。工作日期间α的取值为1.0，双休日期间α的取值为1.01～1.10，节假日期间α的取值为1.10～1.20。该模型主要适用于1～5日的燃气短期负荷预测。
2.2 月负荷模型
上述构建的日负荷模型虽然在理论上也可进行月负荷预测，但是由于温度的长期预测容易出现偏差，因此还需要单独建立专门的月负荷预测模型。通过对北方某城市多年的温度变化进行研究，发现其每个月的日平均温度近似呈正态分布。设正态分布期望为Tm，方差为σm2，Tm在不同月份有不同取值。由于Tm随月份变化近似服从正态分布，其变化关系式可表示为：
Tm=a+bsin（C×m+d）=11+14×sin（0.5×m-2）
其中m为月份，如果用有效温度描述月平均温度的变化，其分布规律基本相同，因此有效温度分布规律可表示为：
经过计算和整理后，可以得到月平均日负荷计算公式为：
可以根据该公式和待测月份天数N，计算出当月燃气负荷的总量，计算公式为：
Qt=N×Qm。
2.3 短期预测模型的算例分析
本次建立城市燃气日负荷预算模型和月负荷预算模型的意义在于可以实现对尝试燃气负荷预测步长的调节。从两个模型之间的关系来看，月负荷模型相对容易构建，只需要统计月燃气费用账单即可。而日负荷模型则面临着计量数据搜集的困难，也可以利用两个模型进行相互检验，确保最终预测结果的准确性。为确保上述模型的可用性，分别以当地2018年2月份和3月份的数据为例，检验模型预测效果。其中，2月份为最不利工况，3月份为常规工况。分别采用平均绝对百分比误差和均方百分比误差对两个预测模型的精确度进行检验。结果表明，两个模型的预测精确度较高，得到的预测曲线基本重叠。考虑到春节一般在2月份，用户用气规律会发生较大变化，为确保2月份最不利工况下的预测精度，还可以加入富裕系数对模型进行调整。随着城市燃气短期预测模型的研究和改进，其预测精度逐渐提高，可以为燃气供应提供更可靠的参考。
综上所述，在已有研究方法的基础上，从城市燃气负荷变化的主要影响因素出发，构建预测模型，并加入动态平均温度和有效温度指标，解决热惯性的影响，可以让负荷预测结果更加准确。应积极推动城市燃气短期负荷预测的相关研究，为实际燃气供应调节工作提供科学依据。
参考文献：
[1]马钢，等.基于PCA+Elman神经网络的城市燃气短期预测研究[J].天然气技术与经济，2018，12（05）：72-76+84.
转载注明来源:https://www.xzbu.com/1/view-14874764.htm
