鄭堅(jiān)欽，王博弘，張浩然，梁永圖

(中國(guó)石油大學(xué)(北京) 城市油氣輸配集輸北京市重點(diǎn)實(shí)驗(yàn)室，北京 102249)

隨著我國(guó)天然氣消費(fèi)量的急速增長(zhǎng)，2018年初部分地區(qū)甚至出現(xiàn)供氣緊張的現(xiàn)象[1]。合理預(yù)測(cè)各區(qū)域的天然氣需求量，一方面能為管網(wǎng)的優(yōu)化調(diào)度提供參考，及時(shí)滿足下游用戶的需求。另一方面，國(guó)家經(jīng)濟(jì)社會(huì)的發(fā)展需要充足的天然氣來(lái)滿足工業(yè)及居民需求，提前預(yù)測(cè)需求量能幫助國(guó)家從能源戰(zhàn)略層面上制定發(fā)展計(jì)劃[2]。如今，天然氣需求量預(yù)測(cè)范圍可分為世界水平、國(guó)家層面、天然氣分銷(xiāo)系統(tǒng)層面、商業(yè)和住宅領(lǐng)域，以及個(gè)體用戶[3]，針對(duì)不同的預(yù)測(cè)范圍可建立相對(duì)應(yīng)不同規(guī)模的預(yù)測(cè)模型。目前天然氣需求量的預(yù)測(cè)模型有Hubbert模型[4]、灰度模型[5]、統(tǒng)計(jì)學(xué)模型[6]、計(jì)量經(jīng)濟(jì)模型[7]、神經(jīng)網(wǎng)絡(luò)模型[8]、數(shù)學(xué)模型[9]和組合模型[10]，模型各有優(yōu)劣，考慮的影響因素不同，需通過(guò)實(shí)際問(wèn)題具體分析選擇其最優(yōu)的對(duì)應(yīng)模型。模型考慮的影響因素有GDP、天氣(溫度)、天然氣及能源消耗歷史數(shù)據(jù)，天然氣價(jià)格和地區(qū)人口量等，具體的影響因素取決于預(yù)測(cè)模型的規(guī)模[11-14]，如B. Soldo等[15]通過(guò)研究，證實(shí)太陽(yáng)輻射對(duì)居民天然氣的消耗有明顯的影響。天然氣作為一種常用能源，其需求量預(yù)測(cè)與其他能源的需求預(yù)測(cè)有許多共同之處。本文詳細(xì)調(diào)研了國(guó)內(nèi)外能源預(yù)測(cè)問(wèn)題特別是天然氣需求量預(yù)測(cè)問(wèn)題的相關(guān)文獻(xiàn)，對(duì)其所考慮的影響因素及側(cè)重點(diǎn)、構(gòu)建的模型進(jìn)行分析，結(jié)合能源預(yù)測(cè)的現(xiàn)狀，提出未來(lái)在天然氣需求預(yù)測(cè)問(wèn)題上的幾點(diǎn)建議。

1　天然氣需求量預(yù)測(cè)問(wèn)題

在天然氣需求量預(yù)測(cè)上，研究主要從影響因素和預(yù)測(cè)模型入手，預(yù)測(cè)模型可分為兩大類(lèi)：傳統(tǒng)模型和基于機(jī)器學(xué)習(xí)算法建立的模型。傳統(tǒng)模型包括灰度模型、回歸模型和動(dòng)力學(xué)模型?；跈C(jī)器學(xué)習(xí)算法建立的模型包括神經(jīng)網(wǎng)絡(luò)模型、支持向量機(jī)和貝葉斯模型。

1.1　傳統(tǒng)模型

傳統(tǒng)的天然氣需求量預(yù)測(cè)模型主要為基于灰色系統(tǒng)的灰度模型。隨后，研究者對(duì)灰度模型進(jìn)行改進(jìn)，例如張濤等[16]提出灰色新陳代謝模型，根據(jù)系統(tǒng)產(chǎn)生的最新數(shù)據(jù)，替換掉原序列中最陳舊的數(shù)據(jù)，逐個(gè)預(yù)測(cè)依次遞補(bǔ)直到完成預(yù)測(cè)。相比傳統(tǒng)的灰度模型，通過(guò)不斷迭代所建立的GM(1,1)有效利用預(yù)測(cè)所得的新信息，縮小預(yù)測(cè)范圍，提高預(yù)測(cè)精度。同樣，L. Wu等[17]將新信息優(yōu)先級(jí)的原則集成到累積的生成中，提出的NIGM(1,1)模型數(shù)據(jù)集小，短期預(yù)測(cè)時(shí)能很好地體現(xiàn)其優(yōu)勢(shì)。張衛(wèi)冰[18]克服了灰度模型假設(shè)原始數(shù)據(jù)序列服從近似齊次指數(shù)規(guī)律的局限性，構(gòu)建了一種滿足原始序列為非齊次指數(shù)律變化的灰色非齊次預(yù)測(cè)模型，利用最小二乘法與矩陣運(yùn)算法證明了模型的可行性，并推導(dǎo)得出模型的白化解與精確解。X. Wang等[19]為了提高灰度模型的準(zhǔn)確性，使用多元宇宙優(yōu)化器算法(multiverse optimize，MVO)來(lái)優(yōu)化納什非線性灰色伯努利模型(NNGBM(1,1))的2個(gè)參數(shù)，提出了混合MVO-NNGBM模型來(lái)預(yù)測(cè)中國(guó)30個(gè)地區(qū)的天然氣需求量。X. Ma等[20]提出了一種基于灰度系統(tǒng)的滯后多項(xiàng)式灰度預(yù)測(cè)模型(TDPGM(1, 1))，增加了參數(shù)個(gè)數(shù)，成為一種更通用的一階單變量灰度預(yù)測(cè)模型。雖然該模型增加了復(fù)雜度，但相比以往其他改進(jìn)的灰度預(yù)測(cè)模型增強(qiáng)了準(zhǔn)確性。李義華等[21]在傳統(tǒng)灰色模型基礎(chǔ)上建立無(wú)偏灰色模型再滑動(dòng)處理原始數(shù)據(jù)，建立滑動(dòng)無(wú)偏灰色模型，考慮到馬爾科夫作為一種基于概率矩陣狀態(tài)轉(zhuǎn)移的預(yù)測(cè)方式能彌補(bǔ)傳統(tǒng)灰度模型的不足，輔以馬爾科夫修正預(yù)測(cè)木材需求量。

一些學(xué)者采用回歸模型和動(dòng)力學(xué)模型等傳統(tǒng)方法進(jìn)行預(yù)測(cè)。G. J. He等[22]利用歷史數(shù)據(jù)用SPSS軟件分析天然氣需求的影響因素并建立線性回歸模型來(lái)預(yù)測(cè)未來(lái)需求。高士友等[23]通過(guò)分析我國(guó)總能源與經(jīng)濟(jì)之間的相關(guān)系數(shù)，采用線性回歸預(yù)測(cè)方法預(yù)測(cè)能源的需求量。時(shí)珊珊[24]基于系統(tǒng)動(dòng)力學(xué)在處理非線性問(wèn)題的優(yōu)點(diǎn)，將其運(yùn)用在天然氣需求預(yù)測(cè)上，將定性和定量分析相結(jié)合。

1.2　機(jī)器學(xué)習(xí)算法模型

神經(jīng)網(wǎng)絡(luò)在處理非線性問(wèn)題上有很強(qiáng)的泛化能力，越來(lái)越多地將其運(yùn)用在天然氣需求預(yù)測(cè)上。J. Szoplik[25]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，考慮不同時(shí)刻(月份，月天數(shù)，星期幾，某一小時(shí))和天氣(溫度)的差異，通過(guò)改變神經(jīng)網(wǎng)絡(luò)隱藏層節(jié)點(diǎn)個(gè)數(shù)和數(shù)據(jù)集的大小來(lái)訓(xùn)練模型，以提高其預(yù)測(cè)準(zhǔn)確性。A. Khotanzad等[26]考慮到溫度與天然氣需求復(fù)雜的非線性關(guān)系，基于前饋多層感知機(jī)和函數(shù)型連接人工神經(jīng)網(wǎng)絡(luò)的組合策略來(lái)預(yù)測(cè)天然氣消耗。O. Laib等[27]針對(duì)阿爾及利亞低中高壓消費(fèi)部門(mén)建立了各自的基于列文伯格-馬夸爾特算法(Levinberg-Marquardt，LM)的多層感知機(jī)模型來(lái)預(yù)測(cè)天然氣需求。H. Karimi等[28]預(yù)測(cè)伊朗城市天然氣需求量時(shí)，在建立人工神經(jīng)網(wǎng)絡(luò)(artificial neural network，ANN)的基礎(chǔ)上，用遺傳算法(genetic algorithm，GA)優(yōu)化其結(jié)構(gòu)和參數(shù)，形成混合模型ANN-GA。現(xiàn)今，單一的神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)上存在考慮因素不充分，適應(yīng)度廣但針對(duì)性弱等問(wèn)題，所以更多的研究是改進(jìn)神經(jīng)網(wǎng)絡(luò)算法,以適應(yīng)具體預(yù)測(cè)問(wèn)題。其他機(jī)器學(xué)習(xí)算法也逐漸運(yùn)用在預(yù)測(cè)方面，特別是支持向量機(jī)。M. O. Olgun等[29]預(yù)測(cè)土耳其天然氣需求時(shí)，假設(shè)影響因素的獨(dú)立性，分別用神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)建立預(yù)測(cè)模型，統(tǒng)計(jì)分析發(fā)現(xiàn)支持向量機(jī)預(yù)測(cè)準(zhǔn)確性更高。Y. Bai等[30]預(yù)測(cè)日常天然氣需求時(shí)，建立支持向量回歸模型(support vector regression，SVR)，為了適應(yīng)日常需求量的動(dòng)態(tài)變化，用擴(kuò)展卡爾曼濾波進(jìn)行在線校準(zhǔn)結(jié)構(gòu)參數(shù)，形成SC-SVR模型。H. Iranmanesh等[31]考慮到影響因素的非線性及高維度特征向量，提出基于粒子群算法(particle swarm optimization，PSO)優(yōu)化最小二乘支持向量機(jī)(LS-SVM)參數(shù)的PSO-LSSVM模型。W. Zhang等[32]考慮到預(yù)測(cè)模型結(jié)構(gòu)和參數(shù)的不確定性，提出了貝葉斯模型平均法來(lái)預(yù)測(cè)天然氣的需求量，影響因素包括GDP、人口、能源消費(fèi)結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)、能源效率以及貨物和服務(wù)出口?？傮w來(lái)說(shuō)，結(jié)合機(jī)器學(xué)習(xí)改進(jìn)的模型在預(yù)測(cè)天然氣需求量上己趨于成熟。

1.3　能源結(jié)構(gòu)調(diào)整

近些年來(lái)，國(guó)家開(kāi)始倡導(dǎo)綠色發(fā)展，能源結(jié)構(gòu)調(diào)整，控制CO2排放，大力發(fā)展新能源[33-35]。這對(duì)天然氣消耗影響甚重，到2020年天然氣需求量預(yù)計(jì)將增加7%，到2030年增加10%[36]。然而，目前考慮這方面因素的研究并不多。趙路[37]基于CO2排放控制模型對(duì)上海市的天然氣用氣量進(jìn)行預(yù)測(cè)。相比常規(guī)預(yù)測(cè)方法，該模型在長(zhǎng)期預(yù)測(cè)中優(yōu)勢(shì)更為明顯。V. M. Dalfard等[38]考慮能源價(jià)格的波動(dòng)，提出用綜合自適應(yīng)模糊推理系統(tǒng)預(yù)測(cè)長(zhǎng)期天然氣需求量，蒙特卡羅模擬法用來(lái)生成訓(xùn)練數(shù)據(jù)克服小數(shù)據(jù)集的隨機(jī)不確定性?？紤]其他能源的發(fā)展情況以及國(guó)家未來(lái)能源產(chǎn)業(yè)走向更加符合天然氣需求預(yù)測(cè)模型的實(shí)際應(yīng)用，該領(lǐng)域還需有更多的研究投入。

從前人的研究中可發(fā)現(xiàn)，灰度模型更適合歷史數(shù)據(jù)量小，短期預(yù)測(cè)的情況，基于GM(1,1)改進(jìn)的模型預(yù)測(cè)效果理想，但沒(méi)有考慮到實(shí)質(zhì)影響需求量因素的變化，只從歷史需求量中發(fā)現(xiàn)變化規(guī)律。當(dāng)數(shù)據(jù)量大，考慮影響變量時(shí)，神經(jīng)網(wǎng)絡(luò)強(qiáng)大的處理能力使其脫穎而出。利用其他優(yōu)化算法來(lái)優(yōu)化神經(jīng)網(wǎng)絡(luò)的參數(shù)和結(jié)構(gòu)，能有效提高預(yù)測(cè)模型的準(zhǔn)確性，使預(yù)測(cè)結(jié)果更精準(zhǔn)。隨著數(shù)據(jù)量增多，基于機(jī)器學(xué)習(xí)建立的模型在預(yù)測(cè)天然氣需求上將會(huì)發(fā)揮著越來(lái)越重要的作用。另外，在實(shí)際生活中，天然氣的需求也與其他能源的發(fā)展及國(guó)家產(chǎn)業(yè)結(jié)構(gòu)相聯(lián)系，預(yù)測(cè)模型也需要將其他能源的發(fā)展情況、國(guó)家政策等因素考慮進(jìn)去。

2　能源需求預(yù)測(cè)問(wèn)題

隨著全球經(jīng)濟(jì)社會(huì)的快速發(fā)展，能源消費(fèi)持續(xù)增加，分析預(yù)測(cè)未來(lái)的能源需求，提出相對(duì)應(yīng)的能源發(fā)展戰(zhàn)略，是當(dāng)前研究的熱點(diǎn)。智能社會(huì)的發(fā)展，也進(jìn)一步促進(jìn)了能源預(yù)測(cè)模型的改進(jìn)，許多新型的預(yù)測(cè)模型算法也相繼提出。通過(guò)分析能源需求預(yù)測(cè)模型，探索其在天然氣需求量預(yù)測(cè)上的應(yīng)用，促進(jìn)未來(lái)天然氣需求預(yù)測(cè)模型的發(fā)展。

2.1　機(jī)器學(xué)習(xí)算法模型

機(jī)器學(xué)習(xí)算法在能源預(yù)測(cè)方面發(fā)揮著舉足輕重的作用。H. Chiroma等[39]預(yù)測(cè)中東石油消耗時(shí)，基于計(jì)算智能方法，用人工蜂群算法(artificial bee colony，ABC)優(yōu)化LM神經(jīng)網(wǎng)絡(luò)建立模型，具有收斂快、精度高的特點(diǎn)。K. Kavaklioglu[40]為了對(duì)未來(lái)電力消耗的預(yù)測(cè)，對(duì)每個(gè)輸入變量都創(chuàng)建一個(gè)獨(dú)立的SVR模型，通過(guò)對(duì)模型參數(shù)的網(wǎng)格搜索，為根均方差的每個(gè)變量尋找最佳的SVR模型。C. Robinson等[41]對(duì)美國(guó)商業(yè)建筑能耗預(yù)測(cè)時(shí)，用機(jī)器學(xué)習(xí)算法能有效克服只有少量建筑特征變量的局限性，用具體的數(shù)據(jù)訓(xùn)練模型，但由于數(shù)據(jù)的限制而無(wú)法考慮更多的影響變量。得益于機(jī)器學(xué)習(xí)的黑箱原理，尤其是神經(jīng)網(wǎng)絡(luò)，支持向量回歸和K近鄰算法，通過(guò)數(shù)據(jù)訓(xùn)練模型可以對(duì)能源需求進(jìn)行大致的預(yù)測(cè)。

2.2　灰度神經(jīng)網(wǎng)絡(luò)組合模型

在灰度模型的基礎(chǔ)上結(jié)合神經(jīng)網(wǎng)絡(luò)來(lái)預(yù)測(cè)，是目前比較受歡迎的預(yù)測(cè)方法。黎星池[42]通過(guò)灰色理論模型預(yù)測(cè)煤炭消費(fèi)量的各項(xiàng)指標(biāo)，再將各指標(biāo)預(yù)測(cè)值作為BP神經(jīng)網(wǎng)絡(luò)模型的輸入，以煤炭消費(fèi)量作為輸出。余建華[43]對(duì)輸入數(shù)據(jù)進(jìn)行歸一化，充分利用了灰色預(yù)測(cè)方法小樣本模型和BP神經(jīng)網(wǎng)絡(luò)強(qiáng)大的自適應(yīng)能力兩大優(yōu)點(diǎn)來(lái)預(yù)測(cè)煤礦能耗。李劍波等[44]通過(guò)分析影響因素的相關(guān)性，用灰色神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)重慶能源需求。李瑞等[45]對(duì)物流業(yè)能源需求預(yù)測(cè)時(shí)考慮到11個(gè)影響因素，并通過(guò)灰色關(guān)聯(lián)分析其影響程度，在對(duì)比常用的BP神經(jīng)網(wǎng)絡(luò)和GM(1,1)模型后，得到RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)準(zhǔn)確性更強(qiáng)。國(guó)內(nèi)在這方面發(fā)展比較快，技術(shù)也相當(dāng)成熟。應(yīng)用灰度神經(jīng)網(wǎng)絡(luò)組合模型，先用灰度模型預(yù)測(cè)影響天然氣需求量的各項(xiàng)變量，再將各項(xiàng)變量預(yù)測(cè)值作為神經(jīng)網(wǎng)絡(luò)的輸入繼而預(yù)測(cè)天然氣需求量。

2.3　數(shù)據(jù)驅(qū)動(dòng)模型

2.4　綠色能源發(fā)展

中國(guó)正處于工業(yè)化和城鎮(zhèn)化發(fā)展的關(guān)鍵階段，經(jīng)濟(jì)的高速增長(zhǎng)以高能耗為代價(jià)。為了緩解能源需求，我國(guó)提出了一系列節(jié)能政策，以降低單位國(guó)內(nèi)生產(chǎn)總值能耗，提高能源效率。N. Xie等[51]在考慮國(guó)家節(jié)能政策下，基于能源需求與GDP的歷史數(shù)據(jù)，用優(yōu)化變量離散灰色模型(OSDGM(1,1))預(yù)測(cè)單位GDP的能耗，符合我國(guó)未來(lái)能源的發(fā)展趨勢(shì)。目前我國(guó)著重發(fā)展風(fēng)能、太陽(yáng)能等可再生能源，H. Dai等[52]對(duì)2050年可再生能源(RE)在中國(guó)大規(guī)模發(fā)展的經(jīng)濟(jì)效益和環(huán)境影響進(jìn)行了評(píng)估，表明其具有顯著的綠色增長(zhǎng)效應(yīng)，能帶來(lái)可觀的環(huán)境效益。

3　結(jié)論與展望

從近幾年的文獻(xiàn)可以看到，隨著研究的推進(jìn)，模型中考慮的因素越來(lái)越多，與實(shí)際的預(yù)測(cè)問(wèn)題越來(lái)越接近。隨著天然氣巨大的需求，準(zhǔn)確預(yù)測(cè)天然氣需求量，為管網(wǎng)企業(yè)提供調(diào)度參考以滿足日常生活需求與經(jīng)濟(jì)增長(zhǎng)是未來(lái)發(fā)展的一個(gè)重要趨勢(shì)。

傳統(tǒng)的預(yù)測(cè)模型趨于成熟，但由于考慮的因素不多，比較適合小范圍預(yù)測(cè)，難以滿足更大規(guī)模的預(yù)測(cè)模型。(1)對(duì)于目前的研究，灰度模型結(jié)合神經(jīng)網(wǎng)絡(luò)在能源預(yù)測(cè)方面取得比較好的成果，其同樣可以運(yùn)用在天然氣需求量預(yù)測(cè)上，在處理天然氣需求影響因素的非線性關(guān)系上有很大的借鑒作用。(2)國(guó)家重點(diǎn)強(qiáng)調(diào)綠色發(fā)展，出臺(tái)節(jié)能政策以提高能源利用率，控制溫室氣體排放量，調(diào)整能源戰(zhàn)略布局，大力發(fā)展清潔能源，所以在預(yù)測(cè)天然氣需求時(shí)要考慮到國(guó)家發(fā)展政策。能源的發(fā)展趨勢(shì)等因素，調(diào)整預(yù)測(cè)模型的影響變量，使預(yù)測(cè)結(jié)果更符合實(shí)際的發(fā)展需求。(3)大數(shù)據(jù)與人工智能的發(fā)展，對(duì)于數(shù)據(jù)的采集與存儲(chǔ)就顯得十分重要，可以建立天然氣數(shù)據(jù)管理系統(tǒng)，記錄不同時(shí)刻工業(yè)以及商業(yè)用戶的消費(fèi)量，與智能城市相互結(jié)合，形成一套地區(qū)天然氣需求監(jiān)控系統(tǒng)，實(shí)時(shí)在線預(yù)測(cè)用戶需求以及實(shí)時(shí)更新校準(zhǔn)?；跀?shù)據(jù)挖掘分析的模型是未來(lái)預(yù)測(cè)天然氣需求量一個(gè)重要的發(fā)展方向。