姜秋龙,徐晓钟

(上海师范大学 信息与机电工程学院,上海 201400)

目前,随着工业化进程的加快、技术的发展、人民生活水平的提高、人口的快速增长等因素,能源消耗特别是石油和煤炭的消耗量不断增加,同时,石油和煤炭燃料排放出大量的温室气体,这将加速全球气候变化,例如全球变暖,海平面上升和各种次生灾害频繁发生[1].因此,天然气作为一种相对清洁的能源,已经引起了各国政府的重视,并成为世界各国政府主要需求能源之一.另一方面,天然气需求量的模糊性增加了能源分配的复杂性,并且天然气供应不足会给经济和社会带来危害.此外,在天然气购买方面,天然气购买合同属于严格的收付合同类型,这意味着当人们违反合同规定时,存在更大的赔偿风险[2].在上述情况下,合理预测天然气负荷对解决这些问题具有重要意义.

在天然气负荷预测领域,已经有许多不同的方法用于预测天然气负荷.Soldo[3]和Tamba[4]对相关工作进行了详细总结,并根据预测范围、模型类型、地理区域和其他条件进行了排序总结.天然气负荷预测的模型研究主要包含3 类:(1)基于统计方法的模型:线性回归方法[5]、自回归综合移动平均(ARIMA)[2]、带外生变量的函数自回归模型(FARX)[6]、二次多元自适应回归样条(CMARS)[7];(2)基本机器学习方法:极限学习机[8]、支持向量回归[9]、BP 神经网络[10];(3)深度学习方法:深度受限Boltzmann 机器(DRBM)[11].

上述一系列适合短期燃气负荷预测的模型是从线性模型到包含机器学习和……