摘要
随着全球工业化水平的不断提高，人类日常生产活动对能源的需求日益增长。然而日积月累的能源消耗会对环境造成严重的污染，给全球市场造成经济损失。为了应对这一局面，世界各国积极投资和发展新能源。天然气这一作为过渡时期的清洁能源逐渐在各个领域得到广泛应用，但随着用气需求的增加，天然气供需矛盾日益突出。而准确的天然气用气负荷预测可协助相关部门掌握未来的用气需求，实现精准的能源供应，进而有效缓解这一矛盾。因此本文针对天然气的用气负荷预测问题展开了研究。主要研究如下: （1）数据处理及特征分析。本文首先对采集的实验数据中的缺失值和异常数据进行填充和处理。然后利用斯皮尔曼秩相关系数对负荷数据与其影响因素进行度量分析以确定与天然气用气量相关性高的影响因素，此举在减少特征数量的基础上可有效降低预测模型的计算成本。 （2）天然气用气负荷预测方案研究。针对天然气非平稳和非线性特性，本文将变分模态分解（VariationalModeDecomposition,VMD）和样本熵（SampleEntropy，SampEn）算法相结合的输入序列优化算法与当下时兴的深度学习算法融合，提出一种新的基于VMD-SE和CNN-BiLSTM-Attention融合的天然气负荷预测方案。 该方案首先利用VMD算法将原始的天然气负荷数据分解成多个有限带宽的本征模态分量。接着使用样本熵算法对分解的多个模态分量的复杂度进行度量并将其重构，得到三种具有明显特征信息的模态分量。最后，在加入注意力机制基础上，结合具有良好多维特征提取能力的CNN算法和具有优异时间序列特征提取能力的BiLSTM算法分别构建适用于这三种模态分量的预测模型，最终得出预测结果。 （3）天然气短期与超短期用气负荷预测模型建立。以A市某天然气场站所提供的日用气负荷量和小时用气负荷量数据为基础，构建基于VMD-SE-CNN-BiLSTM-Attention的天然气短期及超短期用气负荷预测模型。从纵向、横向两种维度出发，设置共包含16种预测模型的两组实验对这些算法模型在两种天然气用气负荷数据样本中的应用效果进行对比。实验结果表明，本文提出的天然气负荷预测模型效果最优，可进一步减小预测误差。 （4）预测系统开发。开发一套天然气负荷预测系统。系统嵌入上述最优预测模型以实现天然气用气负荷的准确预测，从而帮助天然气场站及时掌握调气需求，保障天然气供应。
NETL