基于回归分析的燃气负荷预测
- 格式:pdf
- 大小:199.55 KB
- 文档页数:2
对城市燃气短期负荷预测的分析作者:侯磊来源:《中国化工贸易·上旬刊》2019年第03期摘要: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。
燃气负荷预测1.1燃气负荷预测宜包括下列内容:1各类用气负荷的用气量指标,以及月、日、时用气高峰系数;2燃气年用气量及用气结构;3计算月高峰日用气量、高峰小时用气量、全年平均日用气量以及采暖季日均用气量;4燃气负荷年增长率。
5燃气负荷空间分布。
1.2城镇燃气管道规划设计负荷应按计算月高峰小时用气量确定。
高峰小时用气量应根据所有类型用户在该小时的用气量进行叠加后确定,或通过各类用户用气曲线叠加确定综合高峰系数进行计算。
1.3燃气负荷预测方法的选择宜符合下列规定:1燃气负荷预测方法可采用分类指标法、回归模型法、弹性系数法、平均增长率法、灰色模型法、人工神经网络模型法等;2在城镇燃气工程专项规划阶段,宜采用分类指标法作为负荷预测的主要方法,其他预测方法可以用来比对、校核。
1.4采用分类指标法预测时,宜符合下列规定:1居民生活用气负荷宜根据居民生活用气量指标、城镇规划人口、气化率等进行预测;2商业用气负荷宜采用不同类型用户用气量指标进行预测或按照商业用气与居民生活用气比例进行预测;3工业企业生产用气负荷宜按工业企业生产规模及单位产品用气量指标进行预测也可根据可被燃气替代的燃料用量、利用效率转换预测,或按照工业建筑面积及单位面积用气指标进行预测;4燃气采暖用气负荷、燃气制冷用气负荷宜根据燃气采暖(制冷)方式、供热(冷)量进行预测,或根据单位建筑面积采暖或制冷用气量指标、规划建筑面积等进行预测;5 燃气汽车用气负荷宜根据各类汽车、船舶的用气量指标,以及车船数量和行驶里程进行预测;6燃气冷热电联供系统及燃气发电用气负荷宜根据装机容量、运行时间、热效率、运行规律及相关政策等进行预测。
1.5不可预见用气量可按总用气量的5%以内估算。
城市燃气负荷预测的研究城市燃气负荷预测的研究随着城市化进程的加快和人们对生活质量的要求不断提高,城市的燃气需求日益增长。
合理预测城市燃气负荷,在避免能源浪费和满足居民需求之间找到合适的平衡点,成为了许多研究者关注的焦点。
城市燃气负荷预测是指通过分析历史数据和现有信息,利用数学和统计模型,对未来一段时间内城市燃气需求的数量和趋势进行预测的技术。
这种方法不仅能够帮助燃气公司和相关政府部门进行合理的资源调配和规划,还能够促进燃气供应链的优化和能源消费的合理分配。
城市燃气负荷预测的研究可分为多个方面。
首先,对历史数据进行分析是预测模型的基础。
通过对过去几年的燃气需求数据进行分析,找出其中的规律和趋势,可以为未来的预测提供重要依据。
例如,将历史数据分析后发现,城市燃气需求在冬季明显高于夏季,且在工作日比非工作日要大等。
这种周期性规律的发现,可以帮助预测模型更准确地预测未来的燃气负荷。
其次,利用数学和统计模型进行预测是一种常用的方法。
根据历史数据的分析结果,可以选择适合的模型,如回归模型、时间序列模型等,进行预测。
回归模型可以通过研究燃气需求与各种因素(如气温、人口数量、赛事活动等)之间的关系,进行燃气负荷的预测。
时间序列模型则可以通过对时间序列数据进行建模,找出其中的周期性、趋势性和随机性等特点,进而对未来的燃气需求进行预测。
另外,数据挖掘和人工智能技术的应用也为燃气负荷预测提供了新的思路。
通过采集大量的实时数据,如天气数据、人口数据、燃气使用设备的信息等,利用数据挖掘技术分析其与燃气负荷之间的关系,可以建立更为准确的预测模型。
而人工智能技术,如神经网络和遗传算法等,可以进一步提高预测模型的准确性和稳定性,帮助预测人员更好地预测城市燃气负荷。
此外,城市燃气负荷预测研究还需要考虑到城市发展的可持续性。
在预测过程中,需要综合考虑可再生能源的利用、能源消费的减排和能源供需之间的平衡等方面的因素。
只有在可持续发展的基础上进行燃气负荷预测,才能更好地满足城市居民的需求,并为城市的发展提供可靠的能源保障。
对城市燃气短期负荷预测的分析城市燃气短期负荷预测是指通过对城市燃气使用情况进行分析,预测未来一段时间内的燃气需求量,以便合理安排燃气供应,保障城市居民生活和工业生产的需求。
燃气短期负荷预测是城市燃气供应管理中的重要环节,准确的预测可以有效避免供需不平衡、保障用气安全、提高能源利用效率。
本文将对城市燃气短期负荷预测进行分析,探讨其在城市能源管理中的重要性和应用前景。
一、城市燃气短期负荷预测的重要性燃气是城市生活和工业生产中不可或缺的能源,其供需平衡直接关系到城市居民的生活质量和工业生产的正常运转。
燃气短期负荷预测的准确性对于保障燃气供应的连续性、稳定性和安全性至关重要。
其重要性主要表现在以下几个方面:1. 确保用气安全:准确的燃气短期负荷预测可以避免燃气供应不足或过剩的情况发生,从而确保城市居民和企业的用气安全。
2. 提高能源利用效率:通过对城市燃气使用情况进行分析,可以更好地合理规划燃气供应,避免能源的浪费和过度消耗,提高能源利用效率。
3. 优化能源供给结构:燃气短期负荷预测还可以为城市能源供给结构的优化提供重要参考,有利于促进清洁能源的应用和推广,实现能源供给的多样化和可持续发展。
城市燃气短期负荷预测需要基于城市燃气使用的实际情况和历史数据,结合相关的数学和统计方法进行分析和建模。
目前,常用的燃气短期负荷预测方法主要包括时间序列分析法、回归分析法、神经网络模型、灰色预测模型等。
这些方法各具特点,可以根据实际情况进行选择和组合使用。
1. 时间序列分析法:时间序列分析是一种基于历史数据的预测方法,通过对历史数据的趋势、季节性和周期性进行分析,建立合适的数学模型进行未来燃气负荷的预测。
该方法适用于对燃气短期负荷变化规律进行分析和预测。
2. 回归分析法:回归分析是一种建立因果关系的数学方法,通过对燃气使用量与相关影响因素的关系进行建模和分析,可以实现对未来燃气负荷的预测。
该方法适用于对燃气使用量的影响因素进行定量分析和预测。
城市燃气负荷预测技术【摘要】城市燃气负荷预测是一项非常重要的研究课题,准确的负荷预测有利于保障供气需求,提高燃气部门经济效益。
可靠的短期负荷预测对保证管网运行安全,进行管网的优化调度,都具有重要的意义;本文对城市燃气负荷预测技术及其应用做了简要分析。
【关键词】城市燃气负荷预测技术一、引言燃气负荷预测是一项非常重要的研究课题,它不仅是燃气系统调度、实时控制、运行计划和发展规划的前提,更是一个燃气管网调度部门和规划部门所必须具有的基本信息。
提高负荷预测技术水平,有利于燃气系统计划管理,有利于合理安排燃气管网运行方式和机组检修计划,有利于建设规划,有利于系统的经济效益和社会效益。
负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件与社会影响的条件下,研究或利用一套系统地处理过去与未来负荷的数学方法,在满足一定精度要求下,决定未来某特定时刻的负荷数值。
负荷预测包括两个方面的含义:一是对未来需求量的预测,二是对未来用气量的预测。
燃气负荷预测就是根据历史燃气负荷值,在满足一定精度的情况下决定未来某特定时刻的负荷值。
负荷预测研究早在20世纪50、60年代就开始了,但直到20世纪80年代,这一课题开始得到发展。
随着计算机技术的迅速发展,负荷预测的速度和精度也逐渐提高。
用于城市燃气负荷预测的方法很多,常用的有:时间序列法、灰色理论预测法、回归分析法、专家系统法、神经网络法等。
二、燃气负荷预测方法及模型1、回归分析预测法回归分析预测方法是一种应用广泛、理论性较强的定量预测方法。
它的基本思路是根据历史数据及一些影响负荷变化的外来因素来推断将来时刻的负荷值。
回归分析预测方法不仅方法简单,而且预测速度快;它能够研究预测对象与相关因素的相互关系,研究预测对象变化的实质原因,结果比较可靠,外推性好,对于历史上未出现的情况有较好的预测性;它还能给出预测结果的置信区间和置信度,使得预测结果完整、客观。
但它也存在一定的缺陷,即认为每一个实际数据对预测对象的影响程度相同;对数据的要求较高,特别是在历史数据残缺或存在较大误差的情况下,预测效果较差;计算工作量较大,出现新数据时,要重新估计回归方程和进行相关分析;主、次要因素的选取在实际建模时较难把握,并且无法比较详细地考虑各种影响负荷的因素。
燃气规划用气量的预测方法
燃气规划用气量的预测方法是指根据历史数据和相关因素,综合分析后预测未来某一时段燃气用气量的方法。
常见的预测方法有多元线性回归分析、趋势分析法、对数函数模型、单位根检验、季节性分析、指数平滑法等。
(1)多元线性回归分析:多元线性回归分析是通过建立用气量与影响因素之间的线性关系,从而预测用气量的方法。
(2)趋势分析法:可以根据历史资料中用气量的变化情况,采用线性或非线性的方法,对用气量的趋势进行预测。
(3)对数函数模型:将用气量与影响因素之间的关系用对数函数形式表示,运用多元线性回归分析法,确定其参数,从而预测用气量。
(4)单位根检验:单位根检验是检验用气量序列是否具有随机性的方法,如果用气量序列的单位根检验结果显示不具有随机性,则可以使用ARIMA模型预测用气量。
(5)季节性分析:根据历史用气量数据,采用季节性分析法,分析每个季节用气量的特点,从而预测未来每个季节的用气量。
(6)指数平滑法:根据历史用气量数据,采用指数平滑法,对用气量进行处理,根据处理后的结果,预测未来某一时段的用气量。
对城市燃气短期负荷预测的分析随着城市的不断发展和人口的逐渐增加,城市燃气的需求也越来越大。
如何准确地预测城市燃气的需求,对于城市燃气公司的运营和管理具有重要意义,因此燃气短期负荷预测是一项非常关键的工作。
燃气短期负荷预测的基本流程是:首先收集相关数据,包括历史数据、天气数据等。
然后通过分析和处理这些数据,建立预测模型,最后利用模型进行短期负荷预测。
在数据收集方面,可以利用传感器和监测设备采集燃气用量和天气数据等。
历史数据是燃气短期负荷预测的重要基础,包括过去一段时间内的燃气用量和天气情况,通过对历史数据的分析可以得到燃气用量与天气因素之间的相关性。
在数据分析方面,需要借助一些统计学方法和数据挖掘技术,例如时间序列分析、回归分析、灰色预测等。
时间序列分析是一种经典的方法,它可以分析历史数据中的周期性和趋势性,并且可以利用历史数据预测未来的燃气负荷。
回归分析是一种常用的预测方法,它可以通过建立燃气用量与天气变量之间的数学模型,进行预测。
灰色预测是一种新兴的方法,它可以补充经典的时间序列方法和统计学方法的不足之处,提高预测的准确性和可靠性。
在模型建立方面,需要根据数据分析的结果建立合适的数学模型。
模型可以是传统的数学模型,也可以是一些新兴的模型,例如神经网络模型、支持向量机模型等。
神经网络模型模拟了人的神经系统的处理过程,它可以自适应地学习和调整模型参数,从而提高预测的精度和可靠性。
支持向量机模型则是一种基于统计学习的方法,它可以在非线性分类和回归问题上进行有效处理,具有较高的精度和泛化能力。
在预测方面,可以利用建立好的模型进行燃气短期负荷预测。
预测结果不仅可以为燃气公司提供重要的决策支持,还可以为用户提供方便的服务,例如用户可以预约添加燃气,以避免燃气短缺。
综上所述,城市燃气短期负荷预测是一项复杂的工作,需要集成多种技术和方法。
通过科学合理的燃气短期负荷预测,可以为燃气公司提供重要的决策支持,并为城市居民提供方便的服务。
技术与市场创新与实践2020年第27卷第7期基于Holt Winters模型的天然气负荷预测胡 凯(合肥燃气集团有限公司,安徽合肥230001)摘 要:探讨Holt Winters乘法模型在企业天然气供应负荷预测中的应用价值。
以2015—2018年各季度天然气负荷为基础,运用SPSS分别建立Holt Winters加法模型和乘法模型,采用2019年各季度的实际数据验证模型,采用均方根误差(RMAE)作为模型评价指标。
结果:RMAE的比较结果表明加法模型优于乘法模型,具有较高的预测精度,可较好的拟合企业天然气负荷的变化趋势。
关键词:天然气;负荷;时间序列;Holt Winters;预测NaturalgasloadforecastingbasedonHoltwintersmodelHUKai(HefeiGasGroupCo.,Ltd.,Hefei230001,China)Abstract:InordertodiscusstheapplicationvalueofHoltwintersmultiplicationmodelinnaturalgassupplyloadforecastingofenterprises.Basedonthenaturalgasloadofeachquarterfrom2015to2018,theHoltwintersadditionmodelandmultiplicationmodelareestablishedbySPSS,theactualdataofeachquarterin2019isusedtoverifythemodel,andtherootmeansquareerror(RMSE)isusedasthemodelevaluationindex.Results:thecomparisonresultsofRMSEshowthattheadditivemodelisbetterthanthemultiplicativemodel,whichhashighpredictionaccuracyandcanbetterfitthechangetrendofthenaturalgasloadoftheenterprise.Keywords:Naturalgas;Load;Timeseries;Holt Winters;Forecastingdoi:10.3969/j.issn.1006-8554.2020.07.009! 引言近年来,合肥地区随着城市规模的不断扩大,燃气民用户与工业、公建和商业用户数的持续增加,城镇天然气消费量持续增加。
城市燃气负荷猜测的探究一、引言城市气体管道系统扮演着重要的角色,为居民提供燃气供应。
随着城市人口的增长和工业的进步,燃气需求量也在不息增加。
为了更好地满足城市居民和企业的需求,合理猜测城市燃气负荷显得尤为重要。
过去,城市燃气负荷猜测一般依靠于阅历和统计方法,但这些方法往往存在一定的不准确性和局限性。
因此,探究城市燃气负荷猜测的方法成为提高燃气供应效率和质量的必要手段。
二、城市燃气负荷猜测的意义城市燃气负荷猜测对燃气供应公司具有重要的意义。
准确的负荷猜测可以援助公司合理打算燃气供应,并优化管道网的运行。
同时,合理的负荷猜测还可以有效打算能源供应,提高能源利用效率,降低能源消耗,改善环境质量。
因此,城市燃气负荷猜测探究对于实现燃气供应的可持续进步具有重要意义。
三、常用的城市燃气负荷猜测方法1. 阅历方法阅历方法是利用过去的数据和阅历来进行猜测的方法。
这种方法常用于相对稳定的负荷状况下,通过观测历史数据来猜测将来的负荷。
然而,阅历方法的局限性在于无法思量到燃气需求的复杂变化因素。
2. 统计方法统计方法是利用统计学原理来进行燃气负荷猜测的方法。
常见的统计方法包括时间序列分析、回归分析等。
这些方法可以思量到多种因素对燃气负荷的影响,能够做到比较准确的猜测。
然而,统计方法对数据的敏感性较强,需要较长的历史数据才能进行可靠的猜测。
3. 人工智能方法人工智能方法是近年来应用较多的城市燃气负荷猜测方法。
接受神经网络、遗传算法等技术,可以更好地处理复杂的燃气负荷猜测问题。
人工智能方法具有较强的自进修和优化能力,能够依据实际状况自适应猜测模型,提高猜测准确率。
四、城市燃气负荷猜测的关键因素城市燃气负荷猜测的关键因素有多种,包括季节变化、天气条件、经济进步水对等。
这些因素的综合作用对燃气负荷产生重要影响。
因此,在进行燃气负荷猜测时需要充分思量这些因素,并建立相应的模型进行分析。
五、基于人工智能的城市燃气负荷猜测模型近年来,随着人工智能技术的进步,基于人工智能的燃气负荷猜测模型得到了广泛应用。
城市燃气负荷预测方法及其分析对城市燃气进行负荷预测在城市燃气的运行调度方面以及系统规划方面有着十分重要的意义。
负荷预测体现出来的经济效益十分明显。
文章从负荷预测的重要意义入手,分析了燃气负荷预测的重要方法。
标签:燃气负荷;负荷预测;方法随着我国经济水平和人民生活水平的提高,燃气作为城市使用的主要能源之一,发展迅猛。
其中,负荷预测工作是燃气企业工作中较为重要的一个部分,同时也受到了城市相关管理和规划部门的极度重视。
燃气的负荷预测是一个非常值得深入研究的命题,它为燃气的调度、控制以及运行计划和相关规划提供了基础,也为城市相关的管理和规划部门提供了可控参考的信息参数。
不断地提高燃气负荷预测的水平,研究符合预测的相关技术,对于城市燃气的计划于管理有着积极的辅助作用,对于城市燃气的运行以及维修的合理安排有着重要意义,使用科学的建设与规划方法,能够大大提升城市燃气方面的经济以及社会效益。
1 燃气负荷的预测基本过程1.1 负荷预测所谓负荷预测指的是通过对于相关系统运行的特性、自然因素、社会因素以及增容决策等因素进行分析,找出一套完整的、有规律性的可以对过去、现在和未来的负荷进行处理的数学方法。
如果精度达到了一定的标准,则可以对未来特定的某一具体时刻的负荷值起到决定性作用。
负荷预测的含义包括以下两个方面:其一是,预测未来的需求量;其二是预测未来的用气量。
燃气负荷预测的本质方法就是对过去的一些负荷数值进行分析,依据旧的负荷值和精度分析,决定未来某一时刻的负荷值。
负荷预测的研究起源于二十世纪五六十年代,在二十世纪八十年代得到了迅猛的发展。
现如今,计算机技术迅速的发展,随着信息化时代的到来,负荷预测的数值精度越来越高,负荷预测的速度也越来越快。
1.2 负荷预测的基本过程1.2.1 对于历史数据以及基本数据的整合收集科学使用描述性数据的汇总技术可以有效地识别出数据具有的典型性质,将噪声数据和离群点突出地表现出来。
这个技术主要是对一些相关数据中体现的中心趋势以及离散程度进行度量。
城市燃气管网负荷预测方法【摘要】城市燃气管网在整个城市的规划建设中占据着举足轻重的地位。
城市燃气管网的安全运行也对一个城市能否安全发展产生重要的影响。
而城市燃气管网负荷的预测在整个城市燃气管网工程中占据着十分重要的地位。
能否准确的预测直接关系到燃气管网能否安全运行。
本文主要就分析下城市燃气管网负荷的预测几种方法。
【关键词】燃气管网;安全运行;负荷预测中图分类号:TU714文献标识码:A一、前言城市燃气管网在我国有着几十年的发展,并且伴随着“西气东输”的工程完工,越来越多的天然气走进了千家万户,方便了我们的日常生活。
然而我国很多地方的燃气管网还比较陈旧、落后,有些年久失修,已经很难满足现在社会巨大的燃气供给。
我们必须通过科学的计算、实地的考察建设一套现代化、信息化的燃气管网。
在这里对燃气管网负荷的预测就显得格外重要。
二、燃气管网预测的必要性燃气管网负荷的预测可以从时间上分为:长期、中期、短期以及超短期的负荷预测。
其中最重要的是中长期预测和短期预测。
它们从两个方面为燃气管网的安全运行提供了必要的保障。
中长期的预测可以为燃气管网提供一个较为长远的规划,制定出符合当地供气实际情况的方案以及对设备的更新维护提供了理论支持;短期的预测可以很好的对当地燃气进行合理的调度,有针对性的安排燃气的生产计划、产量和存储量,从而可以做到价值最大化。
因此,在实际操作中,城市燃气管网负荷的预测对于长期的规划和短期的调度都起着十分重要的作用。
三、燃气管网负荷预测的原理随着社会技术的进步,越来越多的燃气管网负荷预测方法随之涌现。
当前国内外在燃气管网负荷预测方面采用较多的有:时间序列法、灰色预测理论法、指数平滑预测法、回归分析预测法、人工神经网络预测法等。
然而这些方法都不能对燃气管网作出全面的预测。
因为燃气管网的负荷预测很复杂,牵涉到很多方面,如模型的完善程度、管网设施的特性、预测的时间范围、原始的数据是否可靠等。
因此我们要掌握城市燃气管网负荷预测方法的工作原理,从而为我们能够有效的进行预测奠定坚实的基础。
城市燃气负荷的短期预测探讨摘要: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]。
数理科学科技创新导报 Science and Technology Innovation Herald1701 燃气用气量预测的作用当前我国天然气产业处于快速发展阶段,一是天然气兼具环保性和经济性,在交通运输领域运用广泛。
预计到2020年天然气汽车保有量将达到1 100万辆,车用天然气或将超过居民用气跃居天然气消费领域之首。
二是天然气发电规模不断地扩大,2015年天然气发电量同比增长24.4%。
三是天然气分布式能源发展进入实质性开发阶段,分布式能源项目将呈现井喷式增长。
各类燃气输配设施的规划设计与投资建设需要对城市用气量的预测研究。
燃气用气量预测工作的水平已成为衡量一个燃气企业的管理是否成熟的重要指标之一。
2 线性回归模型预测的原理用气量预测模型就是根据过去历史数据,建立可以进行分析的数学模型,对未来进行预测。
数理统计中的回归分析,就是通过最小二乘法进行统计分析,确定变量之间的关系,达到预测的结果。
假设可控制变量只有一个,回归函数f (x )是线性函数,不妨设:x f y )(==0+1xDOI:10.16660/ k i.1674-098X.2016.16.170一元线性回归模型在用气量预测中的应用①陈明(重庆燃气集团股份有限公司 重庆 400020)摘 要:该文介绍了一元线性回归模型的特点和原理,通过分析用气人口和天然气消费总量的历史数据,建立数学模型,采用最小二乘法,对重庆市的天然气消费量进行预测。
并对预测计算过程加以说明,证明了回归模型的实用性和合理性,得到了预期的应用效果。
关键词:一元线性回归 最小二乘法 天然气消费总量 显著性检验中图分类号:F224文献标识码:A文章编号:1674-098X(2016)06(a)-0170-03①作者简介:陈明(1983—),男,汉,重庆人,本科,工程师,研究方向:数据分析。
年份天然气用气人口(万人)天然气消费总量(万吨标准煤)2005615.26472.152006668.16532.672007780.21578.952008846.46648.382009900.42657.822010 1 062.53750.392011 1 089.98819.812012 1 149.41941.242013 1 183.84954.920141 276.621 085.68表1 用气人口与天然气消费总量年份222005615.26 472.15 378 544.87 222 925.62 290 495.01 2006668.16 532.67 446 437.79 283 737.33 355 908.79 2007780.21 578.95 608 727.64 335 183.10 451 702.58 2008846.46 648.38 716 494.53 420 396.62 548 827.73 2009900.42 657.82 810 756.18 432 727.15 592 314.28 2010 1 062.53 750.39 1 128 970.00 563 085.15 797 311.89 2011 1 089.98 819.81 1 188 056.40 672 088.44 893 576.50 2012 1 149.41 941.24 1 321 143.35 885 932.74 1 081 870.67 2013 1 183.84 954.90 1 401 477.15 911 834.01 1 130 448.82 2014 1 276.62 1 085.68 1 629 758.62 1 178 701.06 1 386 000.80 合计9 572.89 7 441.99 9 630 366.52 5 906 611.23 7 528 457.07表2 计算列表数据来源:重庆统计年鉴2015,重庆统计信息网。
基于回归分析的燃气负荷预测
X
刘 红,邹艳双
(佛山市南海燃气发展有限公司,广东佛山 528200)
摘 要:燃气负荷预测是实现燃气管网现代化、智能化管理的重要手段,是合理利用天然气的关键之所在。
建立在回归分析基础上的负荷预测建立在统计学基础上,具有建模简单、直观明了、理解简单的优点。
尽管回归分析对历史数据有一定的依赖性,精确度不如神经网络等模型。
但是作为对数据的模糊预测,结果可以满足预测要求,具有较高的参考价值。
关键词:燃气负荷;回归分析;神经网络
中图分类号:T U 996.3 文献标识码:A 文章编号:1006—7981(2012)04—0039—02 随着“西气东输”战略的逐步实施,我国天然气工业进入了迅速发展的阶段。
随着燃气事业的发展和供气区域的扩大,燃气负荷预测问题显得尤为重要。
城市燃气负荷是制定城市燃气建设规划、确定燃气生产维修计划以及燃气输配科学调度的重要依据。
对于燃气负荷变化规律,国内外都对其做了系统的研究,不同的燃气负荷预测模型也不断涌现,并逐步得到完善。
针对燃气负荷的变化规律,选取适当的模型对其进行预测,从而达到科学指导未来的生产计划对燃气行业发展具有重要意义。
1 燃气负荷
1.1 燃气负荷定义与分类
负荷是一种很广泛的概念。
燃气系统终端用户对燃气的需用气量形成燃气系统最基本的负荷,即燃气用气负荷,简称燃气负荷。
可见,用户对燃气的需求量具有随时间变化的形态。
从燃气工程技术系统角度,可以将终端用户对燃气一个时间段内的需用量以及用气量随时间目前对燃气负荷的分类方法有很多,主要有按累计时间分类和按用户类型分类两种。
按累计时间分为:年用气量、月用气量、日用气量、小时用气量等。
按用户类型分为:居民生活用气负荷、商业及公共建筑用气负荷、工业企业生产用气负荷、采暖通风和空调用气负荷、燃气汽车用气负荷等。
1.2 燃气负荷的特点
从燃气负荷的定义和分类可以看出,燃气负荷是由为数众多的各类用户用气所构成,它是动态的,这是最一般的特性。
在城市燃气系统中,有各种各样的用户,它们对用气的要求彼此不一定相关,负荷的变动具有随机性,但因大部分城市的用气目的和用
户类型相似,而显现出燃气负荷的一般特性:时序性、时变性、随机性、分散性、周期性、非线性、突然性。
2 燃气负荷预测常用方法
针对燃气负荷周期性、随机性、非线性、时变性等特点,利用建立在负荷特点分析之上的预测模型对未来燃气负荷进行合理的预测是至关重要的。
目前,用于城市燃气负荷预测的模型有很多,主要有回归分析模型,灰色理论模型,人工神经网络模型等,每种方法都有各自的预测精度、适用范围,在实际使用时根据具体情况进行选择。
主要的预测方法如表1所示:
表1
常用燃气负荷预测方法
预测目标
可采用的模型输入变量选取输出变量选取
短期日负荷
时间序列法、回归分
析法、指数平滑法、灰色模型法、小波分析法
温度、降雨量、降雪量、风速、湿度、历史负荷等等
日负荷时负荷
中期负荷
时间序列法、回归分
析法、指数平滑法、灰色模型法、马尔科夫法
社会生活总体水平、历史年负荷、燃气价格、新发展户数等年负荷长期负荷类比法、专家估算
法、德尔菲法、成长曲线法、马尔科夫法
历史年负荷、经济发展不平、新户发展数、国家能源政策
年负荷 考虑到燃气负荷的随机性与分布的规律性,以
及算法的实现的难易程度和对预测精度的需求,这里采用回归分析方法对燃气负荷进行预测。
3 回归分析燃气负荷预测的原理与实现3.1 燃气负荷预测原理
通常情况下燃气负荷与多个变量有关,比如温度、湿度、风速等等。
这就决定了特定时间的燃气负荷是多方面因素共同作用的结果。
在实际建模时,选取对燃气负荷影响较大的因素进行建模。
燃气负荷
39
2012年第4期 内蒙古石油化工
X
收稿日期作者简介刘红(3),男,汉族,助理工程师,学士学位,主要研究方向城市燃气。
:2012-01-12
:198-:
预测的多维回归模型如(1)式所示:
y d=b d0+b d1x1+b d2x2+…+b d m x m(1)
式中x0,x1,x2,…,x m是影响负荷变化的各个因素,b d0,b d1,b d2,…,b d m是回归系数的最小二乘估计,y d 是预测值。
b d0,b d1,b d2,…,b d m的求取由最小二乘思想得到,简述如下:
Q(b0,b1,b2,…,b m)=2(y0-b0-b1x i1-b2x i2-…-b m x im)2(2)
求(2)式中5Q
5b0
、
5Q
5b j
(j=1,2,…,m)并令其等于
零,再稍为整理即得如下的正规方程组,如(3)式所示:
把,,,…,带入=y x x……-b d m x d m中得到b d0。
最终得到m元线性回归方程: y d=b d0+b d1x1+b d2x2+…+b d m x m
3.2 燃气负荷预测实例
某城市某日的燃气负荷值曲线如图1所示
:
图1 某城市某日燃气负荷值曲线
这里选取比较关心的两个变量(温度、湿度)作为回归分析的变参来建立回归分析模型,通过上面阐述的最小二乘法原理求解方程,完成回归分析的燃气负荷预测,预测结果与历史数据的比较如图2所示:
图2 历史数据与预测值得结果比较
4 结论
本文从目前燃气行业的实际情况出发,针对燃气负荷的特点,对燃气负荷的相关数据进行了分析,选取对燃气负荷影响较大的参数建立回归分析模型,并对燃气负荷进行了回归分析预测,对燃气的日常供应、调度提供了指导性意见。
针对燃气负荷影响因素复杂多变的特性以及对预测精度的不同需求,采取负荷的分段回归预测、神经网络预测、多种预测方法相结合的方式会取得更为满意的结果。
这也是目前燃气负荷预测的发展方向。
[参考文献]
[1] 严铭卿,廉乐明.天然气输配工程.北京:中国
建筑工业出版社,2005.
[2] 厉戌吟.城市燃气负荷预测技术.上海燃气市
北销售有限公司,2003.
[3] 焦文玲,谭羽非.燃气负荷及其研究进展.煤气
与热力,2002.
[] 肖久明城市燃气负荷的特点与预测模型的特征煤气与热气,5
[5] 喻兵,宋鼎等城市燃气负荷预测数据库系统
的设计煤气与热气,6
40内蒙古石油化工 2012年第4期
b d0b d1b d2b d m b d0--b d1-1-b d2d2-4.
.200.
.
.200.。