融合外生变量的储气库短期供气量预测研究

doi:10.12422/j.issn.1006-396X.2025.06.005

石油化工高等学校学报 ›› 2025, Vol. 38 ›› Issue (6): 40-48.DOI: 10.12422/j.issn.1006-396X.2025.06.005

融合外生变量的储气库短期供气量预测研究

刘倩¹^,²(), 侯磊¹^,²(), 喻鹏飞¹^,², 王敏聪¹^,², 李睿麒³

^1.中国石油大学（北京）机械与储运工程学院，北京 102249
^2.国家能源地下储气库研发中心，北京 102249
^3.国家石油;天然气管网浙江省天然气管网有限公司，浙江丽水 323000

收稿日期:2025-06-10 修回日期:2025-07-07 出版日期:2025-12-25 发布日期:2025-12-07
通讯作者: 侯磊
作者简介:刘倩（2001⁃），女，硕士研究生，从事储气库群协同调峰及运行优化方面的研究；E⁃mail:lq010201@163.com。
基金资助:
国家自然科学基金面上项目(52174063)

Study on Short⁃Term Gas Supply Prediction of Gas Storage Incorporating Exogenous Variables

Qian LIU¹^,²(), Lei HOU¹^,²(), Pengfei YU¹^,², Mincong WANG¹^,², Ruiqi LI³

^1.College of Mechanical and Transportation Engineering，China University of Petroleum （Beijing），Beijing 102249，China
^2.National Energy Research and Development Center of Underground Gas Storage，Beijing 102249，China
^3.Zhejiang Natural Gas Pipeline Co. ，Ltd. ，China Oil & Gas Pipeline Network Corporation，Lishui Zhejiang 323000，China

Received:2025-06-10 Revised:2025-07-07 Published:2025-12-25 Online:2025-12-07
Contact: Lei HOU

摘要/Abstract

摘要：

通过预测储气库短期供气量，并将其作为储气库季节性调峰量，可在保障供气可靠性的同时，提升储气设施运行效率与经济效益，破解由季节性“峰谷差”导致的供需失衡难题。通过精准预测下游用户的天然气需求量，能够有效反映储气库在短期内所需的供气量。选取某地区2021-2024年的每日天然气用气量，结合气温变化及日期类型，综合考量趋势项、季节项及节假日效应，提出了适用于储气库短期供气量预测的Prophet预测模型；采用平均绝对误差（r_MAE）、平均绝对百分比误差（r_MAP）、均方根误差（r_RMS）、决定系数（R²）4项性能指标，对比评估了Prophet模型与STL分解、VARMAX等5种常用预测模型的预测性能。结果表明，Prophet模型在测试集上的r_MAE为13.15 m³，r_MAP为2.71%，r_RMS为16.52 m³，R²为0.99，显著优于其他模型；在冬季用气高峰期，其预测误差可控制在5%以内。Prophet模型通过融合气候条件、日期类型两个外生变量，能够准确捕捉下游用户天然气用气量的季节性与突发性波动特征，提高储气库供气量预测精度，为储气库调峰保供提供关键数据支持。

关键词: 供气量预测, Prophet模型, 时间序列模型, 深度学习, 机器学习

Abstract:

This study uses short?term gas supply prediction for storage facilities as the seasonal peak?shaving volume.This approach ensured supply reliability while improving the operational efficiency and economic benefits of storage facilities,tackling the supply?demand imbalance caused by seasonal peak?valley differences.Accurate prediction of downstream users' natural gas demand could effectively reflect the required short?term gas supply from storage.Daily natural gas consumption data from a specific region during 2021-2024 was selected.Incorporating temperature variations and date types,the study comprehensively considers trend components,seasonal patterns, and holiday effects.A Prophet forecasting model suitable for predicting short?term gas supply from storage was proposed.Four performance metrics?Mean Absolute Error (r_MAE),Mean Absolute Percentage Error (r_MAP),Root Mean Square Error (r_RMS),and Coefficient of Determination (R²)?were used to comparatively evaluate the Prophet model against five other common models (including STL decomposition and VARMAX).The results show that the Prophet model achieves an r_MAE of 13.15 m3,an r_MAP of 2.71%,an r_RMS of 16.52 m3,and an R2 of 0.99 on the test set,which is significantly superior to other models.During the winter gas consumption peak period,its prediction error can be controlled within 5%.By integrating two exogenous variables?climatic conditions and date types.The Prophet model can accurately capture the seasonal and sudden fluctuation characteristics of natural gas consumption of downstream users, improve the prediction accuracy of gas storage supply,and provide key data support for peak?shaving and supply guarantee of gas storage reservoirs.

Key words: Gas supply forecast, Prophet model, Time ? series model, Deep learning, Machine learning

中图分类号:

TE822

刘倩, 侯磊, 喻鹏飞, 王敏聪, 李睿麒. 融合外生变量的储气库短期供气量预测研究[J]. 石油化工高等学校学报, 2025, 38(6): 40-48.

Qian LIU, Lei HOU, Pengfei YU, Mincong WANG, Ruiqi LI. Study on Short⁃Term Gas Supply Prediction of Gas Storage Incorporating Exogenous Variables[J]. Journal of Petrochemical Universities, 2025, 38(6): 40-48.

0
/ / 推荐

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://journal.lnpu.edu.cn/syhg/CN/10.12422/j.issn.1006-396X.2025.06.005

https://journal.lnpu.edu.cn/syhg/CN/Y2025/V38/I6/40

图/表 7

表1 Prophet模型的参数设置

Table 1 Prophet model parameter settings

参数名称	设置	用途描述
年季节性参数	是	天然气需求量数据表现出明显的年季节性波动，周季节性影响较小
周季节性参数	否	周季节性对天然气需求量数据的影响较小，因此设置为“否”
预测置信区间	0.9	模型在预测时提供90%置信区间的预测范围
趋势变化点检测范围	0.9	在历史数据中准确识别趋势变化点
超参数调整	贝叶斯算法	调整超参数变点灵活度系数和节假日强度系数，进行贝叶斯算法迭代优化

图1 LSTM网络结构[21]

Fig.1 LSTM network structure[21]

图2 6种模型对2024年天然气用气量的预测值与真实值的对比结果

Fig.2 Plot of predicted vs. true values of natural gas usage in 2024 for six models

表2 性能指标的计算公式

Table 2 Formula for calculating performance indicators

指标	计算公式
r_MAE	r_MAE $= 1 m ∑ i = 1 m y i ∧ - y i$
r_MAP	r_MAP $= 1 m ∑ i = 1 m y i - y i ∧ y i × 100 %$
r_RMS	r_RMS $= 1 m × ∑ i = 1 m y i ∧ - y i 2$
R²	$R 2 = 1 - ∑ i = 1 m y i - y i ∧ 2 / ∑ i = 1 m y i - y i - 2$

表2 性能指标的计算公式

Table 2 Formula for calculating performance indicators

指标	计算公式
r_MAE	r_MAE $= 1 m ∑ i = 1 m y i ∧ - y i$
r_MAP	r_MAP $= 1 m ∑ i = 1 m y i - y i ∧ y i × 100 %$
r_RMS	r_RMS $= 1 m × ∑ i = 1 m y i ∧ - y i 2$
R²	$R 2 = 1 - ∑ i = 1 m y i - y i ∧ 2 / ∑ i = 1 m y i - y i - 2$

表3 6种模型在2024年预测结果的误差

Table 3 Errors in the forecast results of six models in 2024

模型	r_MAE/m³	r_MAP/%	r_RMS/m³	R²
STL	36.17	6.34	43.97	0.97
Prophet	13.15	2.71	16.52	0.99
VARMAX	66.54	10.49	86.79	0.92
XGBoost	74.68	12.55	93.68	0.89
Random Forest	78.51	13.19	99.08	0.87
LSTM	72.09	11.80	90.74	0.91

图3 6种模型的预测残差箱线图

Fig.3 Box plots of prediction residuals for six models

图4 6种模型在[-5%，5%]的预测结果的相对误差散点分布图

Fig.4 Scatter plot of relative prediction errors(-5% to 5%) for six forecasting models

参考文献 25

[1]	刘合，梁坤，张国生，等.碳达峰、碳中和约束下我国天然气发展策略研究［J］.中国工程科学，2021，23（6）：33‐42.
	LIU H，LIANG K，ZHANG G S，et al.China's natural gas development strategy under the constraints of carbon peak and carbon neutrality［J］.Strategic Study of Chinese Academy of Engineering，2021，23（6）：33‐42.
[2]	贾爱林，何东博，位云生，等.未来十五年中国天然气发展趋势预测［J］.天然气地球科学，2021，32（1）：17‐27.
	JIA A L，HE D B，WEI Y S，et al.Predictions on natural gas development trend in China for the next fifteen years［J］.Natural Gas Geoscience，2021，32（1）：17‐27.
[3]	杨棽垚，杨二龙，戚志林，等.基于反应分子动力学的超临界多元热流体发生规律及物性变化特征［J］.东北石油大学学报，2024，48（6）：98⁃108.
	YANG S Y，YANG E L，QI Z L，et al.Generation and variation characteristics of supercritical multicomponent thermal fluids based on reaction molecular dynamics simulation，2024，48（6）：98⁃108.
[4]	杨奕，刘金源，陈天民，等.基于PSO‐SVR模型的短期天然气负荷预测［J］.科学技术与工程，2023，23（35）：15210‐15216.
	YANG Y，LIU J Y，CHEN T M，et al.Short‐term natural gas load forecasting based on PSO‐SVR model［J］.Science Technology and Engineering，2023，23（35）：15210‐15216.
[5]	SZOPLIK J.Forecasting of natural gas consumption with artificial neural networks［J］.Energy，2015，85：208‐220.
[6]	SHAIKH F，JI Q.Forecasting natural gas demand in China：Logistic modelling analysis［J］.International Journal of Electrical Power & Energy Systems，2016，77：25‐32.
[7]	李洪兵，张吉军.天然气需求影响因素分析及未来需求预测［J］.运筹与管理，2021，30（9）：132‐138.
	LI H B，ZHANG J J.Analysis of influencing factors of natural gas demand and forecast of future demand［J］.Operations Research and Management Science，2021，30（9）：132‐138.
[8]	张吉军，李洪兵，孙逸林，等.基于复合权重的天然气需求组合预测模型的构建［J］.天然气技术与经济，2021，15（2）：57‐63.
	ZHANG J J，LI H B，SUN Y L，et al.Coweight‐based combination forecast model of natural‐gas demand and its application［J］.Natural Gas Technology and Economy，2021，15（2）：57‐63.
[9]	SHAIKH F，JI Q，SHAIKH P H，et al.Forecasting China' s natural gas demand based on optimised nonlinear grey models［J］.Energy，2017，140（Part 1）：941‐951.
[10]	李永生，周晨，张思萌，等.利用Prophet模型进行地下水位异常识别初探［J］.大地测量与地球动力学，2025，45（3）：313‐318.
	LI Y S，ZHOU C，ZHANG S M，et al.Preliminary study on groundwater level anomaly identification using the Prophet model［J］.Journal of Geodesy and Geodynamics，2025，45（3）：313‐318.
[11]	满建峰，侯磊，杨凯，等.基于PSO‐LSTM混合模型的天然气管道多用气节点负荷预测研究［J］.油气与新能源，2022，34（6）：91‐100.
	MAN J F，HOU L，YANG K，et al.Study on the multiple gas nodes load forecast of natural gas pipelines based on PSO‐LSTM mixed model［J］.Petroleum and New Energy，2022，34（6）：91‐100.
[12]	郑陈达，兰雁宁.基于XGboost和Prophet组合模型的天然气需求预测［J］.城市燃气，2024（12）：32‐36.
	ZHENG C D，LAN Y N.Natural gas demand forecasting based on XGboost and Prophet combined model［J］.Urban Gas，2024（12）：32‐36.
[13]	杨铠嵽.基于机器学习的气藏产能评价方法［D］.北京：中国石油大学（北京），2024.
[14]	何宇涵.基于STL‐分解与LSTM‐RF组合模型的PM2.5浓度预测［J］.长江信息通信，2024，37（10）：38‐42.
	HE Y H.PM2.5 concentration prediction based on the combination of STL decomposition and LSTM‐RF ensemble model［J］.Changjiang Information & Communications，2024，37（10）：38‐42.
[15]	SHAIK N B，JONGKITTINARUKORN K，BINGI K.XGBoost based enhanced predictive model for handling missing input parameters：A case study on gas turbine［J］.Case Studies in Chemical and Environmental Engineering，2024，10：100775.
[16]	吕红燕，冯倩.随机森林算法研究综述［J］.河北省科学院学报，2019，36（3）：37‐41.
	LÜ H Y，FENG Q.A review of random forests algorithm［J］.Journal of the Hebei Academy of Sciences，2019，36（3）：37‐41.
[17]	ALPAYDIN E.Machine learning［M］.Cambridge：MIT Press，2021.
[18]	张潇，李超，窦衍光，等.利用随机森林算法预测中国东部海域表层沉积物有机碳含量分布［J］.海洋地质与第四纪地质，2025，45（4）：187‐197.
	ZHANG X，LI C，DOU Y G，et al.Predicting the distribution of organic carbon content in surface sediments of the eastern China seas using random forest algorithm［J］.Marine Geology & Quaternary Geology，2025，45（4）：187‐197.
[19]	琚冬祥，袁红叶，董威，等.基于随机森林算法的短时交通流量预测平台建设［J］.中国交通信息化，2025，307（3）：94‐97.
	JU D X，YUAN H Y，DONG W，et al.Construction of short‐term traffic flow prediction platform based on random forest algorithm［J］.China ITS Journal，2025，307（3）：94‐97.
[20]	常万杰，刘琳琳，曹宇，等.基于Informer算法的病毒传播预测研究［J］.辽宁石油化工大学学报，2024，44（1）：80‐88.
	CHANG W J，LIU L L，CAO Y，et al.Research on virus propagation prediction based on Informer algorithm［J］.Journal of Liaoning Petrochemical University，2024，44（1）：80‐88.
[21]	田文才，乔伟彪，周国峰，等.基于小波变换和深度学习的短期天然气负荷预测研究［J］.辽宁石油化工大学学报，2021，41（5）：91‐96.
	TIAN W C，QIAO W B，ZHOU G F，et al.Research on short‐term natural gas load forecasting based on wavelet transform and deep learning［J］.Journal of Liaoning Petrochemical University，2021，41（5）：91‐96.
[22]	陈振宇，刘金波，李晨，等.基于LSTM与XGBoost组合模型的超短期电力负荷预测［J］.电网技术，2020，44（2）：614‐620.
	CHEN Z Y，LIU J B，LI C，et al.Ultra short‐term power load forecasting based on combined LSTM‐XGBoost model［J］.Power System Technology，2020，44（2）：614‐620.
[23]	喻鹏飞，侯磊，王雪婷，等.考虑地层压力动态变化的地下储气库注气方案优化［J］.油气储运，2025，44（4）：440‐451.
	YU P F，HOU L，WANG X T，et al.Optimization of gas injection scheme for underground gas storage considering dynamic changes in reservoir pressure［J］.Oil & Gas Storage and Transportation，2025，44（4）：440‐451.
[24]	周康，魏朝良，汤仲平，等.结合机器学习和强化学习的润滑油分子集生成方法［J］.石油学报（石油加工），2025，41（3）：804‐816.
	ZHOU K，WEI C L，TANG Z P，et al.Molecule library generation method of lubricating oil based on machine learning and reinforcement learning［J］.Acta Petrolei Sinica （Petroleum Processing Section），2025，41（3）：804‐816.
[25]	于倩男，唐慧敏，李承龙，等.天然气水合物注热分解渗流特征及数值模拟［J］.东北石油大学学报，2023，47（6）：38‐54.
	YU Q N，TANG H M，LI C L，et al.Numerical simulation of seepage flow and decomposition characteristics of natural gas hydrate in process of heat injection production［J］.Journal of Northeast Petroleum University，2023，47（6）：38‐54.

融合外生变量的储气库短期供气量预测研究

Study on Short⁃Term Gas Supply Prediction of Gas Storage Incorporating Exogenous Variables

HTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 25

相关文章 1

编辑推荐

Metrics