深圳市燃气工程设计有限公司 518000
摘要:针对城市燃气负荷在短期内的变化情况进行预测,是维护城市供暖整体稳定的重要基础,同时也有利于燃气企业合理控制成本,所以在本文中,将首先针对影响某城市在短期内燃气负荷变化的主要因素进行分析,并以此为基础构建起相应的预测模型,以供参考。
关键词:城市燃气;负荷;短期预测
自我国西部天然气资源的开发工作得到落实,我国城市的天然气供应效果显著提升,特别是在城市燃气企业进入到市场化运作状态后,燃气负荷短期预测工作越来越重要。既往我国进行城市燃气负荷等级预测的方法主要包括人工神经网络法、指数平滑模型以及多元线性回归分析等多种方法,其各有优势和劣势,但是并不十分适合应用于短期预测当中,所以可以尝试借鉴国外常用的方法,即针对燃气不同阶段的负荷进行预测,包括每小时、每日、每周以及每月的燃气负荷,预测方法则主要为时间序列法、非线性回归、有线性回归等[1],以促使我国城市燃气负荷预测工作得到发展。
一、影响短期内城市燃气负荷变化的主要因素
从当前我国进行城市燃气短期负荷预测过程中主要应用的预测模型来看,多元线性回归方程是精准度最高的预测方法,其完全由计算机软件开展计算工作,使用过程便捷,但是因为计算过程中未考虑到季节差,所以分析温度影响时易出现异常情况。人工神经网络预测模型的预测效果虽然更接近实际,但是实际进行预测时,其中能够出现黑箱操作的情况,预测过程中产生的信息数据难以获得充分利用。整体上来看,不同的预测模型各有优缺点,所以在构建新模型时,应根据有关城市燃气短期负荷变化的各项影响因素开展工作,以保障模型与实际情况相契合。当前我国已经有多个大型、重型城市建设起了全面的燃气供应体系,燃气短期负荷变化相关的分析工作更加全面。从实际上来看,温度是导致燃气负荷发生变化的主要影响因素,但是在燃气负荷以及日平均气温之间,二者的变化存在显著的反向相关的特点,所以可以根据此对燃气负荷短期预测模型进行构建[2]。
二、城市燃气负荷短期预测模型
(一)日负荷预测模型
预测燃气负荷的过程中,应对热惯性对燃气负荷产生的影响进行考虑,所以应在预测过程中融合动态平均温度以及有效温度两个概念,动态平均温度使用Tn表示,其定义如下:
Tn= (1)
在式(1)当中,n值最小可为3,最大可为5,i表示预测目标日之前一天,Ti表示预测目标日的温度平均水平。
有效温度使用Tdf表示,其定义如下:
Tdf=T+(1-)T (2)
在式(2)当中,值最小可为0,最大可为1,在该式中属于权重因子。
针对我国北方某城市2022年的燃气日负荷历史数据以及气象数据展开研究工作,为了明确燃气日负荷受到的以上三者的影响,实施日平均温度(T)、动态平均温度(Tn)、有效温度(Teff)、燃气日负荷(Q)之间的相关性分析,燃气日负荷与其他三者之间,对应的相关系数是-0.81、-0.83、-0.85.由此可以了解到,有效温度能够对燃气日负荷产生的影响最大,且符合将有效温度引入的预期目标,所以在构建起燃气日负荷预测模型时,应设有效温度为主导。所以在此过程中,可以将有效温度作为自变量,构建起燃气日负荷预测模型,即式(3):
Q(Teff)=Q0[1+sinh()] (3)
在式(3)中,T0表示该地区的年平均温度,和为使数学模型预测误差平方以及达到最小时,分别对应的优化参数值,且T0、和均与被预测区域自身的气候条件和用气规律具有密切关联性。
(二)月负荷预测模型
上文中所述的日负荷模型也可在月负荷预测工作当中发挥作用,但是使用日负荷模型开展长期的温度预测工作,预测结果极易出现偏差。所以应该针对预负荷预测设置专门的预测模型。针对2022年我国北方某城市的温度变化情况进行分析,结果显示,该城市在2022年每个月的日平均气温基本完全处于正态分布状态。设正态分布期望为Tm,与其对应的方差为m2,不同月份的Tm值各不相同,且因为Tm值能够在月份变化的情况下呈现出近似服从正态分布的状态,所以相应的变化关系式如下:
Tm=a+bsin(C×m+d)=11+14×sin(0.5×m-2) (4)
在式(4)中,m表示月份,采用有效温度描述月平均温度变化情况的过程中,其中的分布规律基本一致,所以可以使用式(5)表示有效温度分布规律:
F(Teff)= (5)
以此为基础,可以使用式(6)对一年中不同月份的月平均日负荷(Qm)进行计算:
Qm=(Tm=Q0×)×[1+sinh()] dTeff (6)
通过以上,月平均日负荷(Qm)应使用式(7)计算:
Qm=(Tm)=Q0=[1+sinh()] (7)
设待测月份的天数为N,当月的燃气负荷总量使用式(8)计算即可:
Qt==N×Qm (8)
三、城市燃气负荷短期预测模型的实际应用
将我国北方某城市2022年1月1日~2022年12月31日之间的燃气日负荷作为研究对象,针对城市燃气日负荷的基本特点进行分析。在该北方城市,供暖起始日期为11月15日,结束日期为次年3月15日,燃气日负荷主要影响因素包括自然条件和人为因素,前者主要涉及到环境温度、环境湿度、天气情况、风力等级、日期属性等,后者主要涉及市民自行设定的室内温度等。因为燃气负荷时间序列之中能够呈现出显著的负荷变化规律信息,所以可以根据此对未来的燃气负荷进行预测。预测模型预测值与实际观测值的对比如下图所示:
图1 月负荷预测模型的预测值与观测值对比
图2 2月(最不利工况)日负荷预测模型的预测值与观测值对比
图3 3月(常规工况)日负荷预测模型的预测值与观测值对比
根据图1、2、3的内容可以了解到,日负荷或是月负荷预测模型均具有较强的预测能力,且图2、3的内容显示,2月二月的负荷变化较为复杂,原因在于,2月的传统节日相对集中,市民多处于休假的状态,不同市民对于供暖的需求存在差异,负荷变化难以呈现出显著的规律性[3],而进入到3月以后,因为节假日较少,市民休假时间相对较少,同时天气逐渐转暖,市民自行设定室内温度的行为有所减少,负荷变化受自然因素和人为因素的影响均较少,所以其中的负荷变化规律性更强[4]。基于此,预测模型的精准度如下表1所示:
表1 预测模型精准度
预测时间 | 分时期预测模型 | 全面预测模型 | 预测效果 |
2022年2月 | 3.68 | 5.04 | 精准 |
2022年3月 | 1.03 | 1.32 | 精准 |
2022年全年 | 1.03 | 1.33 | 精准 |
结束语:
根据上文可以了解到,针对城市燃气负荷进行短期预测,可以为后续燃气公司的运行和发展起到指导作用,所以应该根据实际情况构建起日/月负荷预测模型,以提升城市燃气负荷的预测精准程度,使燃气公司能够更加充分的掌握燃气负荷变化规律,从而为城市整体供暖的整体稳定打下基础。
参考文献:
[1] 于铭多,郝学军. 基于Dropout-LSTM模型的城市燃气日负荷预测[J]. 煤气与热力,2023,43(2):后插10-后插16.
[2] 孙军民,张文涛,刘超,等. 基于PCA-LSTM的城市燃气日负荷预测[J]. 城市燃气,2023,576(2):12-19.
[3] 周凯,吕海舟,马鹏岳,等. 基于LSTM-BPNN混合模型的天然气负荷预测研究[J]. 城市燃气,2022,569(7):6-11.
[4] 西南石油大学. 一种基于长短期记忆神经网络的燃气短期负荷预测方法:CN202211222824.4[P]. 2022-12-13.