李光越 王澤鑫 于文廣 李國(guó)軍 石詠衡 張博越

國(guó)家管網(wǎng)生產(chǎn)經(jīng)營(yíng)本部（油氣調(diào)控中心）

“十四五”報(bào)告中指出要加快推動(dòng)綠色低碳發(fā)展戰(zhàn)略，推進(jìn)能源清潔化、利用高效化進(jìn)程，制定2030 年前碳排放量峰值方案[1]。天然氣因清潔高效、經(jīng)濟(jì)效益高等優(yōu)點(diǎn)，一直是我國(guó)進(jìn)一步實(shí)現(xiàn)低碳發(fā)展的重要選擇[2]，天然氣管道建設(shè)也迎來新的高峰。近年來中俄東線北段、中俄東線中段、閩粵支干線、青寧管線等相繼完成投產(chǎn)工作，國(guó)內(nèi)天然氣消費(fèi)量也隨之大幅度增加。《中國(guó)天然氣高質(zhì)量發(fā)展白皮書（2020）》指出極端天氣下我國(guó)應(yīng)急調(diào)峰能力仍顯不足，儲(chǔ)氣庫(kù)等調(diào)峰設(shè)施可調(diào)配的天然氣量低于世界平均水平[3]。兼顧管網(wǎng)安全運(yùn)行與供氣可靠性問題對(duì)管網(wǎng)調(diào)度運(yùn)行提出新的考驗(yàn)，而管網(wǎng)進(jìn)銷平衡控制是解決該問題的關(guān)鍵。

天然氣進(jìn)銷平衡差直接影響的是管網(wǎng)管存[4]，管存過高直接引發(fā)整條管線平均壓力過高，增加運(yùn)行風(fēng)險(xiǎn)；而管存過低，則無法滿足用戶供氣壓力，增大管線運(yùn)行摩阻，增加管網(wǎng)能耗損失?；诖碎_展對(duì)影響Z地區(qū)天然氣進(jìn)銷平衡差的因素分析，建立預(yù)測(cè)區(qū)域進(jìn)銷氣量模型。

為能夠準(zhǔn)確確定某區(qū)域天然氣消費(fèi)量的預(yù)測(cè)模型，相關(guān)學(xué)者已經(jīng)展開了多方面、多角度的研究工作。基本上將預(yù)測(cè)模型劃分為某時(shí)間段區(qū)域消費(fèi)總量預(yù)測(cè)以及短期天然氣消費(fèi)量預(yù)測(cè)兩個(gè)層次[5]，其中關(guān)于消費(fèi)總量的預(yù)測(cè)研究，多集中在全國(guó)或省級(jí)等范圍的預(yù)測(cè)。通過宏觀預(yù)測(cè)可以幫助相關(guān)部門對(duì)我國(guó)能源結(jié)構(gòu)調(diào)整、天然氣管網(wǎng)以及配套設(shè)施建設(shè)提供理論參考，對(duì)能源經(jīng)濟(jì)的宏觀調(diào)控提供便利[6]。但這種預(yù)測(cè)對(duì)區(qū)域管網(wǎng)的日常生產(chǎn)指導(dǎo)意義較弱、針對(duì)性較差、缺少實(shí)效性，因此建立區(qū)域短期天然氣消費(fèi)模型是非常必要的。

天然氣短期需求量預(yù)測(cè)的研究表明，天然氣短期需求量呈現(xiàn)明顯的周期性與規(guī)律性，這種周期性波動(dòng)規(guī)律的準(zhǔn)確判斷需要專業(yè)人員具備豐富的實(shí)踐與理論儲(chǔ)備[7]，同時(shí)這種規(guī)律與區(qū)域電力負(fù)荷的波動(dòng)規(guī)律基本相似，因此可以借鑒電力負(fù)荷預(yù)測(cè)方法來研究天然氣短期需求規(guī)律。郝迎鵬[5]提出天然氣短期需求是控制管網(wǎng)運(yùn)行、制定管網(wǎng)調(diào)度運(yùn)行計(jì)劃的依據(jù)，認(rèn)為天氣參數(shù)、節(jié)假日、天然氣價(jià)格等都是天然氣短期預(yù)測(cè)重要指數(shù)，并對(duì)北京市與其他地區(qū)實(shí)際需求量進(jìn)行比較，驗(yàn)證其觀點(diǎn)的準(zhǔn)確性。李蘭蘭[8]利用分解重構(gòu)向量機(jī)方法，以鄭州燃?xì)夤芫W(wǎng)過去168 h 負(fù)荷數(shù)據(jù)作為輸入?yún)?shù)，預(yù)測(cè)了接下來24 h天然氣的需求量，并通過結(jié)果證明該預(yù)測(cè)方法優(yōu)于傳統(tǒng)BP 網(wǎng)絡(luò)以及最小二乘支持向量機(jī)方法。彭芳[9]等考慮某市日最高氣溫、日最低氣溫、平均氣溫、相對(duì)濕度、日期類型等因素，分別建立回歸分析、BP神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型，結(jié)果顯示BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果更接近實(shí)際值。

1 管網(wǎng)平衡差影響因素分析

1.1 影響因素確定

Z地區(qū)在役一級(jí)天然氣管道建設(shè)里程長(zhǎng)，下游分輸用戶類型齊全，配有調(diào)峰功能的LNG、儲(chǔ)氣庫(kù)等設(shè)施。隨2018 年底自動(dòng)分輸工程的推進(jìn)，積累了較為豐富的進(jìn)銷分輸動(dòng)態(tài)資料，具備對(duì)天然氣管網(wǎng)進(jìn)銷平衡差指標(biāo)進(jìn)行精細(xì)評(píng)價(jià)的基礎(chǔ)。本文所探究的平衡輸差是指每日上午8點(diǎn)Z 區(qū)域所結(jié)算的進(jìn)氣量與銷氣量的差。

收集Z 地區(qū)天然氣管道近3 年每日進(jìn)銷氣量的歷史數(shù)據(jù)，為全面建立預(yù)估模型，保留因作業(yè)、異常事故等因素造成的突變數(shù)據(jù)。繪制管網(wǎng)每日進(jìn)銷平衡差以及平衡偏差率變化趨勢(shì)（圖1），其中管網(wǎng)當(dāng)日平衡偏差率為當(dāng)日進(jìn)銷平衡差與當(dāng)日進(jìn)氣量的比值。

由圖1可知，平衡差的存在是不可避免的，無法保證管網(wǎng)進(jìn)銷氣一直處于平衡狀態(tài)。平衡差的值處于波動(dòng)狀態(tài)且周期性并不明顯，因此，從宏觀上直接分析進(jìn)銷平衡差的變化規(guī)律是不可行的，為準(zhǔn)確掌握平衡差變化趨勢(shì)，指導(dǎo)天然氣管網(wǎng)生產(chǎn)運(yùn)行，還需進(jìn)一步分析平衡差的影響因素。

圖1 近三年Z地區(qū)天然氣管網(wǎng)進(jìn)銷平衡差以及平衡偏差率變化趨勢(shì)Fig.1 Trend of the balance difference between input and output and the balance deviation rate of natural gas pipeline network in Z area in recent three years

1.2 影響關(guān)系確定

1.2.1 節(jié)假日對(duì)管網(wǎng)平衡差的影響

為了探究節(jié)假日對(duì)管網(wǎng)平衡差的影響，繪制2017年4月1日—2020年3月31日全年平衡差隨時(shí)間分布趨勢(shì)圖（圖2），同時(shí)用紅色標(biāo)出節(jié)假日期間管網(wǎng)的平衡差。通過統(tǒng)計(jì)，2017—2019 年在節(jié)假日時(shí)平衡差增長(zhǎng)概率分別為54.9%、51.0%、55.1%，且有29.4%、26.5%、34.7%概率達(dá)到近期平衡差的極大值，說明節(jié)假日對(duì)于管網(wǎng)平衡差影響較大。

圖2 2017—2019全年管網(wǎng)進(jìn)銷平衡差隨時(shí)間分布趨勢(shì)圖（節(jié)假日）Fig.2 Distribution trend of balance difference between input and output with time from 2017 to 2019（Holidays）

1.2.2 溫度對(duì)于管網(wǎng)平衡差的影響

通過氣象網(wǎng)站查閱2017 年1 月1 日至2020 年3月31日Z地區(qū)管道途徑城市每天歷史溫度值，平均后將其定義為Z地區(qū)每天的平均溫度值。

2017 年1 月1 日至2020 年3 月31 日Z 地區(qū)天然氣管網(wǎng)進(jìn)銷氣與全國(guó)平均氣溫的分布趨勢(shì)圖見圖3。從整體上來看，在這段時(shí)間內(nèi)，管網(wǎng)銷氣與平均氣溫均呈周期性變化，且兩者有負(fù)相關(guān)性，隨年平均氣溫降低管網(wǎng)的銷氣量升高，隨平均氣溫升高管網(wǎng)銷氣量呈先降后穩(wěn)的變化，這是因?yàn)槊磕?-10 月隨著氣溫回升，北方地區(qū)進(jìn)入非供暖季，使得Z地區(qū)用戶用氣量趨于一個(gè)相對(duì)穩(wěn)定的狀態(tài)。

圖3 2017—2019全年Z地區(qū)管網(wǎng)進(jìn)銷氣量隨時(shí)間分布趨勢(shì)圖（氣溫）Fig.3 Distribution trend of input and output gas volume with time in Z area from 2017 to 2019（Temperature）

從局部上看，在2017年1月1日至2020年3月31 日，每年的銷氣量都在1 月份前后達(dá)到極大值，且該值呈逐年遞增趨勢(shì)，從2017 年39 791×104m3增加至2020年53 920×104m3，其中2017—2018年管網(wǎng)銷氣增長(zhǎng)幅度最大，增長(zhǎng)率達(dá)到14.8%。

1.3 各因素對(duì)管網(wǎng)平衡差的影響

通過分析確定了影響Z地區(qū)管網(wǎng)進(jìn)銷平衡差的因素，包括季節(jié)、節(jié)假日、溫度等，但各因素對(duì)于管網(wǎng)進(jìn)銷平衡差的影響程度無法判定。針對(duì)此問題，采用方差分析法對(duì)各參數(shù)進(jìn)行分析，綜合評(píng)價(jià)出各因素對(duì)管網(wǎng)進(jìn)銷平衡差的影響程度。

方差分析是一種能夠有效判斷某因素對(duì)于結(jié)果有無影響以及影響大小的方法。該方法的基本原理是根據(jù)實(shí)際的數(shù)據(jù)結(jié)構(gòu)將總偏差平方和分解為兩部分，一部分反應(yīng)試驗(yàn)誤差造成的差異，另一部分反應(yīng)因素水平誤差造成的差異，運(yùn)用F檢驗(yàn)法判斷因素是否對(duì)結(jié)果呈顯著性影響，進(jìn)行最后的定量分析判斷[10]。2017—2019年不同因素下進(jìn)銷平衡差平均值見表1。

表1 2017—2019年不同因素下進(jìn)銷平衡差的平均值Tab.1 Average value of the balance difference between input and output under different factors from 2017 to 2019

首先對(duì)近三年不同因素下進(jìn)銷平衡差進(jìn)行方差分析，依據(jù)方差分析法原理，通過計(jì)算得出數(shù)據(jù)修正項(xiàng)RT、數(shù)據(jù)總的偏差平方ST和數(shù)據(jù)總的自由度fT。

不同因素的數(shù)據(jù)組內(nèi)偏差平方和Si、組內(nèi)數(shù)據(jù)均方差Vi、組內(nèi)數(shù)據(jù)自由度fi的計(jì)算公式為

式中：Xi為不同因素組內(nèi)數(shù)據(jù)數(shù)值；ni為不同因素組內(nèi)數(shù)據(jù)個(gè)數(shù)。

不同因素的數(shù)據(jù)組間數(shù)據(jù)偏差平方和SE計(jì)算公式為

方差分析結(jié)果如表2所示。表2中α、F、Fα是方差分析F檢驗(yàn)法中常用的符號(hào)，其中α為顯著性水平，F(xiàn)α為根據(jù)數(shù)據(jù)自由度以及自由變量數(shù)的值，通過查閱不同顯著水平下F分布檢驗(yàn)表后所得的結(jié)果[11]。通過與α=0.01，α=0.05 水平下的對(duì)比得出，夏季、冬季、節(jié)假日、非節(jié)假日因素對(duì)管網(wǎng)進(jìn)銷平衡差有顯著影響，該結(jié)果與上述通過圖表直觀分析所得結(jié)論相同。

表2 進(jìn)銷平衡差的方差分析Tab.2 Variance analysis of the balance difference between input and output

為探究各因素間對(duì)管網(wǎng)進(jìn)銷平衡差影響程度的大小，采用q檢驗(yàn)法，對(duì)不同因素的顯著性水平進(jìn)行兩兩比較，結(jié)果見表3、表4。

表3 四種因素下管網(wǎng)平均進(jìn)銷平衡差排序Tab.3 Ranking of average balance difference between input and output of pipe network under four factors

表4 四組均數(shù)對(duì)比（q檢驗(yàn)法）Tab.4 Comparison of four groups of mean（q test method）

表中P值可以通過α=0.01，α=0.05 顯著條件下q的界值表查找，而q值的計(jì)算公式為

由表4可知，在α=0.01，α=0.05 水平上，第一組與第四組數(shù)，第二組與第四組數(shù)據(jù)存在0.01＜p＜0.05 關(guān)系，其余組間存在p≥0.05 的關(guān)系，即說明冬季與夏季，節(jié)假日與夏季的平衡差均值有顯著差異性，其余組間則無顯著差異性。該結(jié)論再一次證實(shí)冬季、節(jié)假日管網(wǎng)進(jìn)銷平衡差的波動(dòng)性。

2 管網(wǎng)銷氣量神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型

2.1 預(yù)測(cè)模型建立

2.1.1 BP神經(jīng)網(wǎng)絡(luò)模型算法

BP 神經(jīng)網(wǎng)絡(luò)模型是一種以誤差驗(yàn)證結(jié)果為逆?zhèn)鞑?dǎo)向的多層前饋型神經(jīng)網(wǎng)絡(luò)模型[12]。該模型模擬大腦信息處理邏輯對(duì)數(shù)據(jù)進(jìn)行處理，通過大量反復(fù)的訓(xùn)練學(xué)習(xí)，建立一種高效的容錯(cuò)反饋學(xué)習(xí)機(jī)制，揭示數(shù)據(jù)間非線性映射關(guān)系[13]。該算法拓?fù)浣M成包括輸入層、隱藏層、輸出層，其中隱藏層可以是多層的，但一般不超過3 層。利用極小化函數(shù)（激活函數(shù)）建立輸入、輸出層間的映射關(guān)系，根據(jù)所得網(wǎng)絡(luò)誤差值反向傳播方式反復(fù)調(diào)整閾值和權(quán)值，而從獲得以誤差最小化為導(dǎo)向的神經(jīng)網(wǎng)絡(luò)參數(shù)配置[14-15]。

2.1.2 Elman神經(jīng)網(wǎng)絡(luò)模型算法

Elman 神經(jīng)網(wǎng)絡(luò)模型也是一種前饋型神經(jīng)網(wǎng)絡(luò)模型，算法拓?fù)浣M成包括輸入層、隱藏層、承接層、輸出層，相當(dāng)于在傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型的隱藏層中增加了承接層[16]。Elman 神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)的原理是：參數(shù)作為樣本通過輸入層進(jìn)入神經(jīng)網(wǎng)絡(luò)，通過激活函數(shù)建立輸入層與隱藏層間的非線性關(guān)系，承接層接收隱藏層前一時(shí)刻輸出值后，作為一步延時(shí)算子再一次返回隱藏層的輸入，最后通過線性加權(quán)得出輸出層結(jié)果[17]。

2.1.3 RBF神經(jīng)網(wǎng)絡(luò)模型算法

RBF 神經(jīng)網(wǎng)絡(luò)模型是一種徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)，算法拓?fù)浣M成包括輸入層、隱藏層、輸出層，其中隱藏層為單層結(jié)構(gòu)[18]。輸入層通過徑向基函數(shù)建立與隱藏層的非線性關(guān)系，而隱藏層通過線性加權(quán)求和建立與輸出層關(guān)系得出輸出結(jié)果[19]。其中基函數(shù)通常為一種高斯函數(shù)，通過對(duì)數(shù)據(jù)中心和基寬參數(shù)的選擇，實(shí)現(xiàn)RBF 神經(jīng)網(wǎng)絡(luò)模型隱藏層與輸入層間的數(shù)學(xué)聯(lián)系。與傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型相比，RBF神經(jīng)網(wǎng)絡(luò)具有學(xué)習(xí)速度快，處理數(shù)據(jù)泛化能力強(qiáng)，同時(shí)能夠良好地避免局部極小值的問題[20]。

2.2 銷氣量短期預(yù)測(cè)模型數(shù)據(jù)處理

2.2.1 預(yù)測(cè)模型訓(xùn)練樣本采集

樣本采集取自Z地區(qū)2017年1月1日至2020年3月31日管網(wǎng)進(jìn)銷氣量的數(shù)據(jù)庫(kù)?？紤]到進(jìn)銷氣量每年4～10 月間波動(dòng)較小，檢驗(yàn)?zāi)Ｐ秃侠砼c否存在偶然性，因此把2017年年1月1日至2020年2月29日數(shù)據(jù)樣本為訓(xùn)練數(shù)據(jù)，2020年3月1日至31日作為測(cè)試樣本，來驗(yàn)證該短期預(yù)測(cè)模型的準(zhǔn)確性。

選取待預(yù)測(cè)時(shí)間()d前三天（d-3）、前兩天（d-2）前一天（d-1）的管網(wǎng)進(jìn)氣量、銷氣量、平均氣溫、最高氣溫、最低氣溫以及待預(yù)測(cè)時(shí)間當(dāng)日日期類型，16 個(gè)維度的矩陣作為輸入數(shù)據(jù)，模型輸出值為待預(yù)測(cè)時(shí)間當(dāng)日的管網(wǎng)銷氣量。

2.2.2 樣本數(shù)據(jù)歸一化處理

（1）進(jìn)銷氣量與溫度數(shù)據(jù)歸一化。訓(xùn)練樣本包括Z地區(qū)進(jìn)氣量、銷氣量、氣候溫度、日期類型等參數(shù)，各參數(shù)數(shù)量級(jí)別、量綱單位存在差異，使得訓(xùn)練結(jié)果誤差增大。為避免因訓(xùn)練樣本數(shù)據(jù)量綱差異造成的影響，需要對(duì)所有輸入、輸出數(shù)據(jù)進(jìn)行歸一化處理，將各參數(shù)歸換算至[-1，1]區(qū)間。換算公式為

式中：x′為歸一化后數(shù)據(jù)；X為歸一化前數(shù)據(jù)；xmax、xmin分別為X數(shù)據(jù)參數(shù)中的最大值與最小值。

（2）日期的歸一化。根據(jù)影響管網(wǎng)平衡差因素的方差分析，考慮日期對(duì)平衡差的影響程度，將其分類為工作日（周一至周五）、雙休日（周六日）、節(jié)假日（元旦、春節(jié)、清明、勞動(dòng)、端午、中秋、國(guó)慶）三類。為進(jìn)行數(shù)據(jù)歸一化處理，定義工作日為0，雙休日為1，重大節(jié)假日對(duì)平衡輸差影響過大，加入到訓(xùn)練數(shù)據(jù)中會(huì)影響預(yù)測(cè)模型對(duì)非重大節(jié)假日管網(wǎng)銷氣量預(yù)測(cè)的準(zhǔn)確性，因此在本部分將重大節(jié)日數(shù)據(jù)參數(shù)剔除，后續(xù)將專門建立神經(jīng)網(wǎng)絡(luò)節(jié)假日短期預(yù)測(cè)模型。

2.3 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型精度的評(píng)定

預(yù)測(cè)模型精度通過平均相對(duì)誤差以及均方根誤差作為評(píng)判標(biāo)準(zhǔn)，公式如下

式中：δ、MAPE、RMSE分別為相對(duì)誤差，平均相對(duì)誤差和均方根誤差，%；yi為通過神經(jīng)網(wǎng)絡(luò)計(jì)算預(yù)測(cè)出i天的管網(wǎng)銷氣量，104m3；Yi為待預(yù)測(cè)時(shí)間i天管網(wǎng)的實(shí)際銷氣量，104m3；a為預(yù)測(cè)樣本數(shù)量；N為求均值樣本數(shù)量。

2.4 神經(jīng)網(wǎng)絡(luò)短期預(yù)測(cè)模型結(jié)果分析

通過上述過程建立的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)2020年3月1日至2020年3月31日Z地區(qū)天然氣管網(wǎng)銷氣量進(jìn)行了預(yù)測(cè)。將預(yù)測(cè)值與實(shí)際值進(jìn)行對(duì)比發(fā)現(xiàn)，三種神經(jīng)網(wǎng)絡(luò)模型都能夠較好地預(yù)測(cè)Z地區(qū)天然氣銷量，所得平均相對(duì)誤差最分別為1.95%、1.51%、1.45%，均方根誤差分別為781.34×104m3、703.65×104m3、655.31×104m3，其中RBF 神經(jīng)網(wǎng)絡(luò)能更準(zhǔn)確地預(yù)測(cè)Z 地區(qū)3 月份天然氣的需求量。

由圖4可知，三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所產(chǎn)生的誤差均在-4%～4%之間。其中BP、Elman、RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差分別在3月20日、3月3日、3月31 日達(dá)到極值3.67%、-4.00%、-3.77%，說明雖然傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)平均相對(duì)誤差較大，但預(yù)測(cè)結(jié)果偏離程度較小。三種神經(jīng)網(wǎng)絡(luò)模型所得相對(duì)誤差為正值的比例為80.65%，41.94%，54.84%，說明BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)Z 地區(qū)天然氣需求值易大于實(shí)際值，Elman 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)Z 地區(qū)天然氣需求值易小于實(shí)際值。

圖4 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差柱狀圖Fig.4 Column of relative error in neural network prediction

通過圖5對(duì)比發(fā)現(xiàn)，三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值的走勢(shì)基本吻合，能夠準(zhǔn)確地預(yù)測(cè)Z 地區(qū)3月份天然氣銷氣量的變化規(guī)律。同時(shí)可以觀察出RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線與實(shí)際值十分接近，精度要明顯高于其他兩種預(yù)測(cè)模型，但局部存在偏離程度大的情況，例如3 月20 日和21 日RBF 預(yù)測(cè)模型預(yù)測(cè)精度就要低于另外兩種模型。

圖5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值對(duì)比曲線圖Fig.5 Comparison curve of neural network predicted value and actual value

2.5 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)重大節(jié)日管網(wǎng)銷氣的模型

節(jié)假日會(huì)影響用戶的用氣規(guī)律，管網(wǎng)整體銷氣量一般會(huì)比平時(shí)有所降低。2020 年春節(jié)期間受疫情影響，全國(guó)多地管存接近應(yīng)急高水平。為做好管網(wǎng)運(yùn)行調(diào)整，控制管道管存在合理范圍內(nèi)，建立重大節(jié)日管網(wǎng)銷氣模型是十分必要的。在上述三種神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本中加入2017—2020 年重大節(jié)日（元旦、春節(jié)、清明、勞動(dòng)、端午、中秋、國(guó)慶）管網(wǎng)進(jìn)銷氣量、氣溫等數(shù)據(jù)參數(shù)，根據(jù)神經(jīng)網(wǎng)絡(luò)構(gòu)建思想，建立模型來預(yù)測(cè)重大節(jié)日期間管網(wǎng)銷氣量。

根據(jù)方差分析可知，冬季、節(jié)假日均是影響管網(wǎng)進(jìn)銷氣造成波動(dòng)的參數(shù)，為驗(yàn)證神經(jīng)網(wǎng)絡(luò)對(duì)于重大節(jié)日管網(wǎng)預(yù)測(cè)的準(zhǔn)確性，對(duì)2019 年和2020 年冬季元旦、春節(jié)假日期間管網(wǎng)銷氣進(jìn)行預(yù)測(cè)，并與實(shí)際值進(jìn)行對(duì)比發(fā)現(xiàn)，三種模型差距較為明顯，所得到的平均相對(duì)誤差分別為2.47%、2.12%、1.95%，均方根誤差分別為1 184.46×104m3、774.68×104m3、630.67×104m3。其中Elman、RBF神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果較好，能夠較為準(zhǔn)確地預(yù)測(cè)重大節(jié)日下Z地區(qū)管網(wǎng)銷氣量，而傳統(tǒng)BP 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果偏離實(shí)際天然氣消費(fèi)量較大。同時(shí)重大節(jié)假日下預(yù)測(cè)結(jié)果的誤差值明顯大于非節(jié)假日下短期預(yù)測(cè)模型的誤差值，證明節(jié)假日天然氣銷量預(yù)測(cè)難度較大，需建立重大節(jié)假日預(yù)測(cè)模型。

從圖6可知，三種神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型所產(chǎn)生的誤差均在-4%～6%之間，其中BP、Elman、RBF 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差分別在2019年2月4日、2020年1 月26 日、2020 年1 月1 日達(dá)到極值-5.68%、4.99%、5.34%，誤差波動(dòng)極值明顯大于非重大節(jié)假日模型誤差波動(dòng)程度。由圖7對(duì)比發(fā)現(xiàn)，三種神經(jīng)網(wǎng)絡(luò)對(duì)于預(yù)測(cè)值與實(shí)際值走勢(shì)基本吻合，能夠準(zhǔn)確反應(yīng)Z 地區(qū)2019 年至2020 年天然氣銷氣量重大節(jié)日天然氣需求的變化規(guī)律。同時(shí)可以觀察出RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)曲線與實(shí)際值最為接近，精度要明顯高于其他兩種預(yù)測(cè)模型，但局部存在偏離程度大的情況，例如2020 年元旦RBF 預(yù)測(cè)模型預(yù)測(cè)精度要低于另外兩種模型。

圖6 重大節(jié)日神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)相對(duì)誤差柱狀圖Fig.6 Column of relative error in neural network prediction on major holidays

圖7 重大節(jié)日神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與實(shí)際值對(duì)比曲線圖Fig.7 Comparison curve of neural network predicted value and actual value on major holidays

3 結(jié)論

（1）針對(duì)Z地區(qū)天然氣管網(wǎng)進(jìn)銷特征，結(jié)合近3 年管網(wǎng)進(jìn)銷平衡差動(dòng)態(tài)資料，將季節(jié)、節(jié)假日、氣溫等因素與管網(wǎng)進(jìn)銷氣量、平衡差等動(dòng)態(tài)數(shù)據(jù)相結(jié)合，研究影響管網(wǎng)平衡差的主要因素。并采用方差分析法對(duì)各影響因素進(jìn)行綜合評(píng)價(jià)，量化分析各因素對(duì)管網(wǎng)平衡差的影響程度。結(jié)果表明冬季（供暖季）、節(jié)假日對(duì)管網(wǎng)進(jìn)銷平衡差有顯著的影響。

（2）以進(jìn)氣量、銷氣量、氣溫、日期類型為輸入?yún)?shù)分別建立傳統(tǒng)BP、Elman、RBF神經(jīng)網(wǎng)絡(luò)天然氣消費(fèi)量短期預(yù)測(cè)模型。通過與實(shí)際銷氣量對(duì)比，得出平均相對(duì)誤差分別為1.95%、1.51%、1.45%，均方根誤差分別為781.34 × 104、703.65×104、655.31×104m3。相比其他兩種模型，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值更加貼近實(shí)際銷氣量，具有良好的預(yù)測(cè)能力，能夠準(zhǔn)確預(yù)測(cè)短期時(shí)間內(nèi)管網(wǎng)日銷氣量。

（3）在已建短期神經(jīng)網(wǎng)絡(luò)模型基礎(chǔ)上，加入近3年重大節(jié)日相關(guān)參數(shù)，建立RBF神經(jīng)網(wǎng)絡(luò)重大節(jié)日期間管網(wǎng)銷氣量預(yù)測(cè)模型，通過與實(shí)際值對(duì)比發(fā)現(xiàn)，模型所得誤差值稍大于非節(jié)假日下的預(yù)測(cè)模型，且誤差在合理的范圍之內(nèi)，無論是從相對(duì)誤差大小還是與波動(dòng)范圍角度來看，該模型都能較為準(zhǔn)確地預(yù)測(cè)重大節(jié)日下管網(wǎng)銷氣量，為Z地區(qū)管網(wǎng)調(diào)度運(yùn)行、工況調(diào)整提供數(shù)據(jù)支持。