随着全球能源消费结构转型的不断推进，作为清洁能源代表的天然气供需矛盾逐年升级。天然气负荷的精准预测对促进我国天然气管网合理化布局、有效指导天然气储气调峰有着重要意义。因此，有必要寻求一种精度高、鲁棒性强的模型对天然气负荷进行预测，一定程度上缓解供需矛盾，保障安全供气。某输气管线全长2206公里，年输气量120亿立方米，沿线共60多个用户，本文使用该条输气管线沿线用户2018年1月1日至2020年12月31日共1096组天然气负荷数据，开展以下研究工作：
　　首先，本文对天然气负荷预测数据特性进行研究。采用均值插补法对天然气负荷的缺失数据进行填补，通过对天然气负荷进行平稳性和随机性检验，发现天然气负荷数据是一组非平稳、非纯随机性的时间序列，使用皮尔逊相关性分析方法，验证了气温和天然气负荷之间具有强负相关关系。
　　其次，为了充分发挥各单一预测模型的优势，从传统时间序列预测模型和基于机器学习的时间序列预测模型两个方面展开研究。在传统时间序列预测模型方面，基于“分解—组合”思想，建立了“EMD-ARIMA”组合预测模型；在机器学习时间序列预测模型方面，对传统PSO算法进行改进，基于“优化—组合”思想，建立了“IPSO-LSTM”组合预测模型。
　　最后，对该条输气管线典型用户A、B进行负荷预测。以2018年1月1日—2020年6月18日共900组数据作为训练集，2020年6月19日—2020年9月26日共100组数据作为测试集，2020年9月27日—2020年12月31日共96组数据作为预测集，将预测结果与ARIMA、LSTM、PSO-LSTM进行对比，结果表明组合模型预测效果更好。在对A用户进行预测时，IPSO-LSTM和EMD-ARIMA的RMSE分别为7.10和11.12；在对B用户进行预测时，IPSO-LSTM和EMD-ARIMA的RMSE均为0.30，IPSO-LSTM的鲁棒性更强。