随着燃气市场的不断发展,燃气负荷预测工作成为燃气系统管理部门的一项重要工作。准确地进行燃气负荷预测可以更好地制定燃气管网规划方案,可以更加合理地调度燃气。对于提高燃气公司企业的经济效益和社会效益、保持燃气系统的安全稳定运行、保障人们日常生活的有序进行具有重要的意义。本文首先介绍了燃气负荷预测的研究背景、研究意义以及国内外研究现状,并且叙述了燃气负荷预测的基本理论;其次,叙述了燃气负荷自身的特点以及燃气负荷的影响因素,并且对燃气负荷数据所做的数据预处理工作,为负荷预测提供理论基础和准备工作。接着本文主要叙述对于燃气负荷预测所用的方法,由于燃气负荷预测是一项十分具有挑战性的工作,其影响因素多、数据变化大,预测很难达到令人满意的精度。为确定更加合适于燃气负荷的预测模型,本文从多模型比较以及优化两个方面进行了探索。本文研究的方法是在传统成熟理论的基础上建立灰色理论模型、支持向量机模型和BP神经网络模型,通过对比分析得到最为合适的模型;在此基础上,本文针对BP神经网络收敛速度慢,容易陷入局部最小值的缺点,在模型的优化上进行了进一步探索研究,具体要用到两个主要方案,即参数优化以及数据分类。其中为优化预测模型参数,本文引入了遗传算法、粒子群优化算法和布谷鸟算法这几种属于生物学领域的参数寻优算法来分别对BP神经网络进行参数寻优。经过三种参数优化算法得到适应度较好的种群个体作为BP神经网络的权值和阈值组合进行网络训练和预测。通过实验分析,布谷鸟搜索算法对BP神经网络的参数寻优效果更好,模型预测精度更高,因此本文最终用到的燃气负荷预测模型为CS-BP神经网络模型。另一方面,本文提出将负荷数据分为两类:一类为平常日的负荷数据,一类为特殊日(主要为节假日)的负荷数据,其做法主要是将特殊日分离出来单独建立预测模型,并对特殊日负荷预测引入相似日方法,通过计算特征向量的模糊化筛选到候选相似日,再通过与预测日相似度以及灰色关联度的计算,当相似度度量a?5.0以及灰色关联度排序在前10的数据,选为最终相似日。又由于节假日的负荷预测时间跨度较大,本文还引入时间修正的方法进一步精确相似日的负荷数据,进而确定CS-BP神经网络的输入向量。实验证明该数据分类一方面减少了特殊日对整体预测精度的影响,另一方面提高了节假日的负荷预测精度。