Prediction model for economy-driven provincial natural gas load in China
-
摘要: 摘要：为解决省级天然气规划中发展目标的合理确立与发展潜力的比较问题，开展天然气负荷预测模型的创新探索。通过数据归类、相关性分析以及与发达国家的对标分析，利用曲面拟合方法建立了中国经济驱动型省级天然气负荷中长期预测模型，绘制了天然气消费潜力、GDP以及一次能源消费的三维坐标系，选取南方10个省/直辖市为研究对象，定量分析了各省/直辖市2030年天然气消费需求。结果表明：未来天然气需求旺盛，在GDP复合增长率为5%情景下，10个省/直辖市在2030年天然气需求总量达3 155×108 m3，是2021年的2.5倍，其中消费绝对增量与增速最大的分别为广东省、湖南省。研究结果可为天然气市场调节与发展提供参考。Abstract: In order to reasonably establish the objectives and compare the potential of development in provincial natural gas planning, innovative exploration was carried out for the natural gas load prediction model. Through data classification, correlation analysis and benchmarking analysis with the developed countries, the medium- and long-term prediction model of economy-driven provincial natural gas load in China was established by the surface fitting method. Meanwhile, the three-dimensional coordinate system of natural gas consumption potential, GDP and primary energy consumption was drawn. Ten southern provinces (municipalities directly under the Central Government) were selected as the research subjects to quantitatively analyze the natural gas consumption demand in 2030. The results indicate that there is a strong demand for natural gas in the future. Under the scenario of a compound GDP growth rate of 5%, the total demand for natural gas in the ten provinces (municipalities directly under the Central Government) will reach 3 155×108 m3 in 2030, which is 2.5 times that of 2021. Among them, Guangdong Province and Hunan Province have the largest absolute increase and the highest growth rate of consumption, respectively. Generally, the research results could provide reference for the market regulation and development of natural gas.
-
根据中国石油总体规划，截至2015年，油气管道建设总里程将达到3.7×104 km，形成全国性管道网络，很多区域将不可避免地出现多条管道并行或同沟敷设、联合运行的局面[1]。而国内并行敷设管道阴极保护的相关标准、规范尚未形成成熟体系，通常对后建成的并行管道采用均压线跨接的方式施行联合保护，阴极保护的整体效果依赖于工程师的经验和现场调试。近年来站场区域性阴极保护开始受到重视并已在新建站场全面实施，保护效果取决于工程实施后较长时间的调试结果，仅通过恒电位仪输出参数和少量测试点的通电电位检测，无法全面了解密集埋地结构区域的电位分布、干扰和屏蔽情况[2]。
随着数值模拟技术在阴极保护领域应用的不断发展和深入，使得复杂环境下阴极保护效果的预测和低成本分析研究成为可能。与传统方法相比，该技术在管道和站场阴极保护各种影响因素的干扰趋势和规律研究方面具有无法比拟的优势，同时可用于阳极位置优化、阴极保护效果的预测和全面评价。
1. 边界元法和BEASYCP软件
边界元法是继有限元法之后迅速发展起来的一种方法，具有只对边界进行离散化的特点，被认为更适用于计算阴极保护等与腐蚀相关的问题，这是由于阴极保护计算通常只关心材料外表面和地表的参数分布情况。目前，BEASYCP软件是阴极保护领域应用较为广泛的边界元软件之一，以下计算均采用该软件进行。影响计算结果的关键参数是管道/土壤界面上的电流密度和金属极化电位的对应关系（极化曲线），这里的电流密度是指垂直于管道表面流入管道的电流与流入面积的比值。
2. 均压线跨接对并行管道的影响[3]
对干线管道沿线1个站间距和管道两端各半个站间距建模计算，其结果可代表管道全线的情况。模型采用浅层卧式阳极地床，由20根直径0.1 m、长1 m的硅铁阳极组成，阳极地床埋设位置距离石油沥青涂层管道200 m；管道埋深均为1.5 m，沿线土壤类型按常见的黄土或粘土考虑，电阻率为100 Ω•m（表 1）。首先对单根管道进行模拟计算，分析站间距、电流密度、涂层面电阻率等参数的合理性及模拟计算结果的可靠性，然后对并行管道均压前后的变化情况进行模拟计算，研究均压线跨接对阴极保护的影响规律。
表 1 阴极保护数值模拟模型管道的基本参数
2.1 单根管道模拟计算
根据计算结果，通电点控制电位为－1.15 V，模型中3PE防腐层管道需两个阴极保护站各输出电流3 A，平均电流密度为4.7 μA/m2；石油沥青防腐层管道需各阳极地床输出电流2.3 A，平均电流密度为24 μA/m2；管道与阳极地床距离最近处的电位和电流密度达到峰值；电流密度沿管道分布不均匀，通电点的电流密度约为末端电流密度的2~3倍（图 1、图 2）。
2.2 并行管道均压线跨接前后的模拟计算
模型中并行管道采用通电点跨接共用阳极地床进行阴极保护，两条管道之间的安全间距为50 m，后建成的3PE防腐涂层管道与原石油沥青防腐层管道（其阴极保护站间距为50 km）位于阳极地床同一侧，阴极保护站间距为50 km。
根据计算结果，通电点控制电位为－1.15 V，相对于单根石油沥青防腐层管道的情况而言，此时各阳极地床的输出电流需增至3 A，石油沥青防腐层管道上的总电流增至4.29 A，平均电流密度为22.38 μA/m2；而3PE防腐层管道分配到的电流为1.71 A，平均电流密度为5.37 μA/m2。根据跨接前的电位分布（图 3），两条管道虽然共用阳极地床施行阴极保护，但涂层电阻率和管道纵向电阻不同导致电位不同。
工程上通常对并行管道采取每10 km一处进行均压线跨接，按此重新建模，计算管道电位分布（图 4）。
在并行管道跨接后电位分布的模型中，两条管道基本达到相同的阴极保护水平，此时沿线电位处于未跨接时两条管道沿线电位分布（图 3）的中间；均压线跨接前后，恒电位仪处于恒电位模式下，对总输出电流基本没有影响，但是跨接后阴极保护电流进行了重新分配，石油沥青防腐层管道的电流增至4.48 A，平均电流密度为23.38 μA/m2，而3PE防腐涂层管道的电流减至1.52 A，平均电流密度为4.77 μA/m2。
3. 深井阳极保护储罐库区的模拟计算[2]
以东北某站场储罐库的9座储罐、5口阳极井和部分埋地管道为研究对象，采用BEASYCP软件对其建模。以现场实际恒电位仪输出电流（10~12 A）和实测土壤电阻率（约10 Ω•m）作为计算参数。根据模拟计算结果，罐底板边缘与中心部分的电位差约为200 mV，这是由于储罐直径较大，在深井阳极地电场影响范围内的电位不同导致储罐外底板电位分布不均匀。根据9座罐的罐周边缘电位分布（图 5）：罐周电位分布在－870~－1000 mV，罐周边缘电位差最小约30 mV，最大约150 mV。
4. 近网状阳极保护储罐和接地分流
新建站场储罐多采用罐底近网状阳极单独保护，罐底板直接座在沥青砂基础上，下面依次为碎石层、中砂层，中砂层下部与土壤接触；罐底板高于地平面50 cm，罐周环梁将罐基础与周围土壤隔开；参比电极位于中砂层，距罐底板35 cm。在近网状阳极保护形式下，罐底板电位分布受其极化行为的影响较大。通过电化学实验和文献检索[4]，得到罐底板A3钢在土壤、土壤溶液、含水沥青砂及干燥沥青砂4种介质中的极化曲线（图 6），其关键参数是在－1200~－650 mV范围内的阴极极化电流密度。
某新建站场储罐库区1座2×104 m3储罐（直径约为38 m)，其现场恒电位仪输出电流仅为0.2 A，平均保护电流密度仅为0.175 mA/m2，通电点控制电位实测值约为－0.9 V，罐底径向埋设的参比电极测得的Off电位大多在－0.66 V左右。
4.1 通断电位的模拟计算
现场储罐基础下的介质电阻率难以测量，因此利用图 6进行模拟计算。以土壤极化参数计算结果为例，根据罐底电位分布（图 7），罐底板的电位差异很小（采用其他介质极化参数亦如此），表明近网状阳极保护电位分布均匀。根据罐底沿径向埋设的参比电极电位和罐底表面极化电位的计算结果（图 8），参比电极On电位可达－1670 mV，而模拟计算得到的罐底表面电位应为相应位置参比电极可测得的Off电位。
为分析某一因素对阴极保护的影响，计算时仅改变单因素而保持其他因素不变。根据土壤、土壤溶液、含水沥青砂及干燥沥青砂4种介质的极化曲线计算结果（表 2），对于不同的极化曲线，参比电极和罐底板之间的IR降大致相同，说明此时IR降主要由电流流经罐基础所产生，且不受罐底金属极化性能的影响。当极化曲线相同而罐基础电阻率减小时，IR降随之减小。
表 2 储罐在4种介质环境下的阴极保护参数计算结果
4.2 接地对网状阳极保护储罐的影响
现场的储罐罐周外围有一圈垂直打入地下约2 m的角钢，其顶部通过扁钢水平环绕一周连接，再通过接地连引线连接储罐，接入站场整体接地网。为了简化计算模型，仅考虑单个储罐的接地情况，接地的极化参数仍采用图 6进行规律性研究。
4.2.1 极化参数与接地分流效应
按接地极化与罐底板相同、强于罐底板、弱于罐底板3种情况进行接地影响规律的研究。当总输出电流为0.2 A时，根据接地极与罐底板分别按两种相同的极化参数进行计算的结果（表 3、表 4），分流效应极不相同，接地极与储罐同为土壤溶液极化参数时，接地极上分配了大部分的电流。
表 3 储罐接地极和罐底板同为土壤溶液介质极化参数的阴极保护计算结果
表 4 储罐接地极和罐底板同为含水沥青砂介质极化参数的阴极保护计算结果
考察了相关参数对分流效应的影响，从并联电路原理上，分流比例取决于两部分回路电阻的相对大小。因此，表 3、表 4所示的分流效应不同应是由阴极保护系统中接地回路和罐底板电流回路的电阻相对大小发生变化造成的。恒电位仪输出电流的回路电阻中，包含环境介质电阻和金属的极化电阻。根据欧姆定律ΔU/ΔI=R，可将极化曲线的斜率定义为金属的极化电阻率。当极化曲线相同时，罐底板和接地极具有相同的极化电阻率，但由于罐底板和接地极的面积不同，造成极化电阻不同。计算使用的回路电阻包含电流流经环境介质的电阻，即土壤或罐基础的IR降中的电阻值，而忽略了相同的阳极电阻。
接地极和储罐回路电阻数值的相对大小趋势与电流分流的大小趋势基本吻合（表 5），即接地回路电阻远小于储罐回路电阻时，大部分电流通过接地极流回恒电位仪负极。因此，当总输出电流为0.2 A，储罐符合含水沥青砂介质的极化参数，接地极符合土壤模拟溶液介质的极化参数时，接地回路电阻减小导致的分流效应大于表 4所列数据，实际计算结果亦然，此时接地极分配了0.2 A总阳极电流的154.25 mA。
表 5 电流流经储罐接地极和储罐回路的电阻计算
4.2.2 接地自然电位与接地分流效应
各极化介质中的金属自腐蚀电位相差不多。接地极自然电位通常负于被保护结构的电位，否则将形成电偶腐蚀。因此接地极的极化曲线处于保护结构的极化曲线下方，同时，电位较负的金属，其极化曲线处于管钢极化曲线左侧。为考察接地极自然电位对阴极保护的影响，设阳极输出电流为0.2 A，罐底板符合含水沥青砂介质的极化参数，接地极符合土壤溶液介质的极化参数，按自然电位较A3钢正向偏移200 mV、不变和负向偏移200 mV三种情况进行计算。
接地极自然电位越正，分配到罐底板上的电流越少，罐底板的极化水平降低（表 6）。说明接地极自然电位越正，接地与罐底板形成电偶腐蚀的倾向性越强，导致更多的电流流向接地回路；而接地极自然电位越负，越容易作为电流的流出源对罐底板提供牺牲阳极保护，抵消接地极原本需要消耗的电流，恒电位仪的电流更容易流向罐底板。
表 6 储罐接地极自然电位对阴极保护的影响
5. 结论
（1）先期建设管道的站间距、末端保护电位和后期建设管道的涂层电阻率是影响并行管道建成后其共同的阴极保护电位和电流分布的主要因素；均压线跨接后两条管道上的电流重新分配，分配的原理是保证均压效果而非电流平均分配，并最终使两条管道达到相同的阴极保护水平。
（2）通过对站场储罐库区的深井阳极区域阴极保护进行数值模拟，研究了储罐外底板和罐周的电位分布。结果表明：储罐外底板电位分布不均匀，当罐周测试电位达到保护时，外底板电位最正部位仍然有未达到保护的风险。
（3）通过对站场储罐罐底近网状阳极阴极保护进行数值模拟，研究了罐底通断电位的IR降和接地分流作用。结果表明：罐底板上极化电位和电流分配比例取决于罐底板钢材在沥青砂罐基础上的极化性能，接地极在土壤中的极化性能，以及两者在极化过程中电流密度参数的相对大小；在该阴极保护系统中，罐底板和接地极都属于阴极，接地极自然电位比管钢负，则有利于阴极保护，采用铜包钢或石墨接地模块等电位较管钢正的材料，将不利于阴极保护；虽然存在接地分流效应，但由储罐基础产生的垂直于罐底方向的IR降导致罐底参比电极的On电位可以在阳极输出电流很小时即达到保护。现场实际工作中，随着阳极输出电流的增大，在参比电极处测得的Off电位提升较慢。
-
![]()
图 1 2010—2021年中国天然气市场消费量变化图
Figure 1. Current situation of natural gas market consumption in China from 2010 to 2021
![]()
图 2 2005—2021年中国部分省/直辖市天然气消费曲线（不包含港澳台与西藏）
Figure 2. Natural gas consumption curve of various provinces and cities in China from 2005 to 2021 (excluding Hong Kong, Macao, Taiwan and Tibet)
![]()
图 3 中国部分省（直辖市）天然气消费量气泡图
Figure 3. Bubble chart of natural gas consumption in some provinces (municipalities directly under the Central Government) of China
![]()
图 4 中国南方部分省（直辖市）与部分发达国家天然气消费量气泡图
Figure 4. Bubble chart of natural gas consumption in some southerm provinces (municipalities directly under the Central Government) of China and some developed countries
![]()
图 5 天然气负荷预测二元二次曲面拟合图
Figure 5. Binary quadric surface fitting diagram for prediction of natural gas load
![]()
图 6 中国南方10个省/直辖市天然气需求量预测值与实际值对比图（2021年）
Figure 6. Comparison of predicted and actual natural gas demand in ten southern provinces (municipalities directly under the Central Government) of China (2021)
![]()
图 7 部分发达国家能源强度回归图（2015—2021年）
Figure 7. Regression diagram of energy intensity of some developed countries (2015–2021)
![]()
图 8 中国南方部分省/直辖市天然气负荷预测气泡图（2030年）
Figure 8. Bubble chart for prediction of natural gas load in some southern provinces(municipalities directly under the Central Government) of China (2030)
![]()
图 9 中国南方部分省/直辖市2030年天然气消费预测图（GDP复合增长率为5%）
Figure 9. Natural gas consumption prediction of some southern China's provinces (municipalities directly under the Central Government) in 2030 (GDP compound growth rate 5%)
表 1 2015—2021年中国南方10个省/直辖市及部分发达国家天然气消费量数据表
Table 1 Natural gas consumption data of ten southern China's provinces (municipalities directly under the Central Government) and some developed countries from 2015 to 2021
省/直辖市及部分发达国家 不同年份的天然气消费量/（108 m3） 2015 2016 2017 2018 2019 2020 2021 上海 77.41 79.04 83.23 93.49 99.40 94.84 98.35 江苏 165.02 172.73 237.69 276.21 288.06 280.38 302.92 浙江 80.35 87.78 104.93 134.91 147.20 142.48 179.88 安徽 34.83 39.18 44.37 53.01 59.64 67.13 60.98 福建 45.38 48.55 50.16 51.92 52.77 52.18 61.53 江西 18.02 20.04 21.73 25.93 26.96 27.81 37.60 湖北 40.26 41.50 49.96 62.70 68.46 61.40 71.00 湖南 26.51 28.32 26.98 30.47 32.90 40.21 48.60 广东 145.16 167.79 182.38 190.64 206.18 274.36 340.98 海南 46.00 41.29 43.45 44.27 46.15 50.03 55.63 法国 430.41 405.83 436.62 428.38 447.66 445.30 407.52 德国 905.30 871.13 892.83 858.51 877.38 848.85 769.54 西班牙 338.99 324.90 359.74 314.97 317.12 291.22 285.44 英国 769.48 730.30 776.86 785.66 785.49 806.74 720.45 日本 1 036.22 1 041.28 1 081.23 1 157.08 1 169.86 1 164.17 1 187.18 
下载: 导出CSV
表 2 2015—2021年中国南方10个省/直辖市及部分发达国家一次能源消费量数据表
Table 2 Primary energy consumption data in ten southern China's provinces (municipalities directly under the Central Government) and some developed countries from 2015 to 2021
省/直辖市及部分发达国家 不同年份的一次能源消费量/（1015 J） 2015 2016 2017 2018 2019 2020 2021 上海 3.19 3.28 3.34 3.37 3.42 3.25 3.42 江苏 8.90 9.13 9.25 9.25 9.51 9.57 10.60 浙江 5.74 5.94 6.15 6.35 6.56 7.23 7.79 安徽 3.60 3.72 3.81 3.89 4.07 4.30 4.48 福建 3.48 3.51 3.69 3.83 4.01 4.07 4.45 江西 2.46 2.55 2.63 2.72 2.84 2.87 3.01 湖北 4.54 4.65 4.74 4.89 5.06 4.77 5.33 湖南 4.24 4.33 4.45 4.54 4.68 4.77 4.95 广东 8.81 9.13 9.45 9.75 9.98 9.89 10.54 海南 0.56 0.59 0.61 0.64 0.67 0.67 0.70 法国 9.40 8.84 9.83 10.04 9.86 9.92 10.10 德国 12.62 12.35 13.29 13.64 13.99 13.82 13.58 西班牙 5.59 5.18 5.71 5.88 5.80 5.71 5.65 英国 7.17 7.05 7.84 8.05 8.08 8.11 8.20 日本 17.71 17.12 18.47 18.94 19.03 18.79 19.05
下载: 导出CSV
表 3 2015—2021年中国南方10个省/直辖市及部分发达国家GDP数据表
Table 3 GDP data of ten southern China's provinces (municipalities directly under the Central Government) and some developed countries from 2015 to 2021
省/直辖市及部分发达国家 不同年份的GDP/（1012元） 2015 2016 2017 2018 2019 2020 2021 上海 2.69 2.99 3.29 3.60 3.80 3.87 4.32 江苏 7.13 7.74 8.59 9.32 9.87 10.27 11.64 浙江 4.35 4.73 5.24 5.80 6.25 6.46 7.35 安徽 2.38 2.63 2.97 3.40 3.68 3.87 4.30 福建 2.68 2.96 3.38 3.87 4.23 4.39 4.88 江西 1.68 1.84 2.02 2.27 2.47 2.57 2.96 湖北 3.03 3.34 3.72 4.20 4.54 4.34 5.00 湖南 2.85 3.09 3.38 3.63 3.99 4.18 4.61 广东 7.47 8.22 9.16 9.99 10.80 11.08 12.44 海南 0.37 0.41 0.45 0.49 0.53 0.55 0.65 法国 18.95 17.95 18.76 18.38 17.44 16.38 15.20 德国 27.25 26.25 26.63 26.45 24.83 23.03 20.93 西班牙 9.20 8.84 9.59 9.44 8.85 8.18 7.47 英国 20.56 18.68 19.52 18.70 17.71 17.40 18.25 日本 31.85 34.82 35.04 32.89 32.90 32.81 27.34
下载: 导出CSV
表 4 二元二次曲面拟合方程系数及误差表
Table 4 Coefficients and errors of binary quadric surface fitting equations
系数 求解值 标准差 z0 99.35 21.35 a -97.63 11.34 b 75.45 5.19 c 8.79 1.68 d 0.48 0.46 f -5.23 1.60
下载: 导出CSV
表 5 天然气消费量二元二次与二元一次拟合方程结果统计对比表
Table 5 Statistical comparison of binary quadric and binary linear fitting equation solutions for natural gas consumption
拟合方程 数据点数量 自由度 均方根误差 残差平方和 可决系数 二元二次 105 99 3 653 361 638 0.970 二元一次 105 102 5 653 576 646 0.951
下载: 导出CSV
表 6 不同GDP复合增长率下中国南方省级天然气2030年气量及其相对于2021年绝对增量预测结果表
Table 6 Predicted results of China's provincial (southeastern) natural gas volume in 2030 and its absolute increment relative to 2021 under different GDP compound growth rates
省/直辖市 2030年气量预测值/（108 m3） 2030年相对于2021年绝对增量/（108 m3） 3% 4% 5% 6% 7% 3% 4% 5% 6% 7% 上海 221 233 246 261 277 122 134 148 163 179 江苏 480 523 571 625 685 177 220 268 322 382 浙江 320 343 369 398 430 140 163 189 218 250 安徽 220 232 245 260 276 159 171 184 199 215 福建 238 252 268 285 303 177 191 206 223 242 江西 180 188 196 206 216 142 150 159 168 178 湖北 242 256 272 290 309 171 185 201 219 238 湖南 230 243 257 273 291 181 194 209 225 242 广东 512 560 612 672 738 171 219 271 331 397 海南 116 118 119 121 123 60 62 64 65 67
下载: 导出CSV
表 7 不同GDP复合增长率下中国南方省级天然气2022—2030年复合增长率与2030年相对于2021年增长倍数预测结果表
Table 7 Predicted results of China's provincial (southeastern) natural gas compound growth rate from 2022 to 2030 and 2030 relative to 2021 under different GDP compound growth rates
省/直辖市 2022—2030天然气复合增长率 2030年相对于2021年增长倍数 3% 4% 5% 6% 7% 3% 4% 5% 6% 7% 上海 9.4 10.1 10.7 11.5 12.2 2.2 2.4 2.5 2.7 2.8 江苏 5.2 6.3 7.3 8.4 9.5 1.6 1.7 1.9 2.1 2.3 浙江 6.6 7.4 8.3 9.2 10.2 1.8 1.9 2.1 2.2 2.4 安徽 15.3 16.0 16.7 17.5 18.3 3.6 3.8 4.0 4.3 4.5 福建 16.2 17.0 17.8 18.6 19.4 3.9 4.1 4.3 4.6 4.9 江西 19.0 19.6 20.1 20.8 21.4 4.8 5.0 5.2 5.5 5.7 湖北 14.6 15.3 16.1 16.9 17.8 3.4 3.6 3.8 4.1 4.4 湖南 18.9 19.6 20.3 21.1 22.0 4.7 5.0 5.3 5.6 6.0 广东 4.6 5.7 6.7 7.8 9.0 1.5 1.6 1.8 2.0 2.2 海南 8.5 8.7 8.8 9.0 9.2 2.1 2.1 2.1 2.2 2.2
下载: 导出CSV
-
[1] 王雅菲, 周淑慧, 李广. 基于天然气视角的《"十四五"现代能源体系规划》解读[J]. 国际石油经济, 2022, 30(4): 1-10. DOI: 10.3969/j.issn.1004-7298.2022.04.001. WANG Y F, ZHOU S H, LI G. Analysis of the 14th Five-Year modern energy system plan from natural gas perspective[J]. International Petroleum Economics, 2022, 30(4): 1-10. doi: 10.3969/j.issn.1004-7298.2022.04.001
[2] 何东博, 贾成业, 位云生, 郭建林, 冀光, 李易隆. 世界天然气产业形势与发展趋势[J]. 天然气工业, 2022, 42(11): 1-12. DOI: 10.3787/j.issn.1000-0976.2022.11.001. HE D B, JIA C Y, WEI Y S, GUO J L, JI G, LI Y L. Current situation and development trend of world natural gas industry[J]. Natural Gas Industry, 2022, 42(11): 1-12. doi: 10.3787/j.issn.1000-0976.2022.11.001
[3] 温泉, 石小平, 张利分, 李蕾. 基于改进Tent映射的APSO-LSTM天然气需求量预测模型[J]. 油气储运, 2023, 42(6): 702-712. DOI: 10.6047/j.issn.1000-8241.2023.06.012. WEN Q, SHI X P, ZHANG L F, LI L. APSO-LSTM model based on improved Tent mapping for natural gas demand forecasting[J]. Oil & Gas Storage and Transportation, 2023, 42(6): 702-712. doi: 10.6047/j.issn.1000-8241.2023.06.012
[4] 徐博, 金浩, 向悦, 段天宇, 张愉. 中国"十四五"天然气消费趋势分析[J]. 世界石油工业, 2021, 28(1): 10-19. XU B, JIN H, XIANG Y, DUAN T Y, ZHANG Y. Analysis of natural gas consumption trend in China during the 14th Five-Year Plan[J]. World Petroleum Industry, 2021, 28(1): 10-19.
[5] 杜学平, 吴江涛, 柳梦琳. 中国天然气市场重心迁移定量分析[J]. 天然气技术与经济, 2021, 15(5): 45-51, 82. DOI: 10.3969/j.issn.2095-1132.2021.05.008. DU X P, WU J T, LIU M L. Focus shift of China's natural-gas market[J]. Natural Gas Technology and Economy, 2021, 15(5): 45-51, 82. doi: 10.3969/j.issn.2095-1132.2021.05.008
[6] 国家统计局. 中国统计年鉴——2022[M]. 北京: 中国统计出版社, 2022: 277-278. National Bureau of Statistics. China statistical yearbook: 2022[M]. Beijing: China Statistics Press, 2022: 277-278.
[7] 安昱萱, 宫敬, 安旭. 俄罗斯天然气在东北地区的利用发展分析[J]. 石油与天然气化工, 2020, 49(3): 61-66. DOI: 10.3969/j.issn.1007-3426.2020.03.010. AN Y X, GONG J, AN X. Analysis on the utilization and development of Russian natural gas in Northeast China[J]. Chemical Engineering of Oil and Gas, 2020, 49(3): 61-66. doi: 10.3969/j.issn.1007-3426.2020.03.010
[8] 英国石油公司. BP世界能源统计年鉴2021[M]. 伦敦: 英国石油公司, 2021: 7-8. BP. BP Statistical review of world energy (2021)[M]. London: BP, 2021: 7-8.
[9] 李洪兵, 张吉军. 中国能源消费结构及天然气需求预测[J]. 生态经济, 2021, 37(8): 71-78. LI H B, ZHANG J J. China's energy consumption structure and forecast on natural gas demand[J]. Ecological Economy, 2021, 37(8): 71-78.
[10] 国家能源局石油天然气司, 国务院发展研究中心资源与环境政策研究所, 自然资源部油气资源战略研究中心. 中国天然气发展报告(2021)[M]. 北京: 石油工业出版社, 2021: 3-6. Oil and Gas Department of National Energy Administration, Resource and Environmental Policy Research Institute of the Development Research Center of the State Council, Oil and Gas Resources Strategic Research Center of the Ministry of Natural Resources. China natural gas development report (2021)[M]. Beijing: Petroleum Industry Press, 2021: 3-6.
[11] 肖进, 孙海燕, 刘敦虎, 曹瀚文, 汪寿阳. 基于GMDH混合模型的能源消费量预测研究[J]. 中国管理科学, 2017, 25(12): 158-166. DOI: 10.16381/j.cnki.issn1003-207x.2017.12.017. XIAO J, SUN H Y, LIU D H, CAO H W, WANG S Y. GMDH based hybrid model for China's energy consumption prediction[J]. Chinese Journal of Management Science, 2017, 25(12): 158-166. doi: 10.16381/j.cnki.issn1003-207x.2017.12.017
[12] 田文才, 傅宗化, 周国峰, 乔伟彪. 基于WT+改进SSA-LSTM模型的短期天然气负荷预测算法[J]. 油气储运, 2023, 42(2): 231-240. DOI: 10.6047/j.issn.1000-8241.2023.02.013. TIAN W C, FU Z H, ZHOU G F, QIAO W B. Short-term natural gas load forecast algorithm based on WT+improved SSA-LSTM model[J]. Oil & Gas Storage and Transportation, 2023, 42(2): 231-240. doi: 10.6047/j.issn.1000-8241.2023.02.013
[13] 叶志宏, 陈二龙. 基于残差灰色模型的天然气消费预测研究[J]. 重庆理工大学学报(自然科学), 2018, 32(9): 99-102. DOI: 10.3969/j.issn.1674-8425(z).2018.09.016. YE Z H, CHEN E L. Study on the prediction of natural gas consumption based on residual grey model[J]. Journal of Chongqing University of Technology (Natural Science), 2018, 32(9): 99-102. doi: 10.3969/j.issn.1674-8425(z).2018.09.016
[14] ZHU M F, WU Q L, WANG Y Q. Forecasting gas consumption based on a residual auto-regression model and Kalman filtering algorithm[J]. Journal of Resources and Ecology, 2019, 10(5): 546-552. DOI: 10.5814/j.issn.1674-764x.2019.05.011.
[15] KHANI H, FARAG H E Z. An online-calibrated time series based model for day-ahead natural gas demand forecasting[J]. IEEE Transactions on Industrial Informatics, 2019, 15(4): 2112-2123. DOI: 10.1109/TII.2018.2861390.
[16] 穆献中, 李国昊. 基于系统动力学模型的中国天然气需求情景预测及影响因素研究[J]. 工程研究-跨学科视野中的工程, 2018, 10(1): 56-67. DOI: 10.3724/SP.J.1224.2018.00056. MU X Z, LI G H. Study on natural gas consumption forecast and influence factors in China based on system dynamics model[J]. Journal of Engineering Studies, 2018, 10(1): 56-67. doi: 10.3724/SP.J.1224.2018.00056
[17] SZOPLIK J. Forecasting of natural gas consumption with artificial neural networks[J]. Energy, 2015, 85: 208-220. DOI: 10.1016/j.energy.2015.03.084.
[18] 李哲, 张淑英. 基于多项式趋势面分析理论的天然气需求预测[J]. 资源与产业, 2008, 10(2): 105-107. DOI: 10.3969/j.issn.1673-2464.2008.02.025. LI Z, ZHANG S Y. Prediction of natural gas demands based on multi-trend analysis[J]. Resources & Industries, 2008, 10(2): 105-107. doi: 10.3969/j.issn.1673-2464.2008.02.025
[19] 李洪兵, 张吉军. 一种天然气需求量预测新模型及其应用——以川渝地区为例[J]. 天然气工业, 2021, 41(4): 167-175. DOI: 10.3787/j.issn.1000-0976.2021.04.018. LI H B, ZHANG J J. A new natural gas demand forecasting model and its application in the Sichuan-Chongqing area[J]. Natural Gas Industry, 2021, 41(4): 167-175. doi: 10.3787/j.issn.1000-0976.2021.04.018
[20] 杨义, 韩克江, 黄苏琦, 艾勇, 单蕾, 郭杰. 延边州天然气市场需求预测及供气方案[J]. 油气与新能源, 2019, 30(4): 1-4, 7. DOI: 10.3969/j.issn.1004-2970.2019.04.001. YANG Y, HAN K J, HUANG S Q, AI Y, SHAN L, GUO J. Forecast of natural gas market demand and gas supply scheme for Yanbian prefecture[J]. Petroleum and New Energy, 2019, 30(4): 1-4, 7. doi: 10.3969/j.issn.1004-2970.2019.04.001
[21] 秦步文, 张吉军, 李岚, 曾镰, 文静, 韩咪. Shapley值在中国城市天然气需求量组合预测中的应用[J]. 天然气技术与经济, 2022, 16(2): 50-55. DOI: 10.3969/j.issn.2095-1132.2022.02.009. QIN B W, ZHANG J J, LI L, ZENG L, WEN J, HAN M. Application of Shapley value in the combination forecasting of city gas demand in China[J]. Natural Gas Technology and Economy, 2022, 16(2): 50-55. doi: 10.3969/j.issn.2095-1132.2022.02.009
[22] 张吉军, 李洪兵, 孙逸林, 韩咪. 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. DOI: 10.3969/j.issn.2095-1132.2021.02.011. ZHANG J J, LI H B, SUN Y L, HAN M. Coweight-based combination forecast model of natural-gas demand and its application[J]. Natural Gas Technology and Economy, 2021, 15(2): 57-63. doi: 10.3969/j.issn.2095-1132.2021.02.011
[23] 王建良, 李孥. 中国东中西部地区天然气需求影响因素分析及未来走势预测[J]. 天然气工业, 2020, 40(2): 149-158. DOI: 10.3787/j.issn.1000-0976.2020.02.018. WANG J L, LI N. Influencing factors and future trends of natural gas demand in the eastern, central and western areas of China based on the grey model[J]. Natural Gas Industry, 2020, 40(2): 149-158. doi: 10.3787/j.issn.1000-0976.2020.02.018
计量
- 文章访问数: 1
- HTML全文浏览量: 2
- PDF下载量: 0