随着智能燃气管网建设工作的飞速发展,负荷预测工作越来越重要。短期负荷预测是城市燃气系统的一项基础工作,其数据对项目规划、运行调度、管网维修以及工程技术分析都具有根本意义,因此寻求有效的短期负荷预测方法以提高预测精度是非常重要的。本文首先深入剖析了上海燃气负荷特性,研究了负荷自身的周期性、季节性规律和主要影响因素,为预测模型输入向量的确定提供了依据。针对历史负荷样本集中存在的“坏数据”,使用一系列预处理技术进行辨识和修正,保证负荷曲线的整体趋势性和平滑性,从而提高模型的预测准确率,为仿真实验的展开做了数据准备。接着阐述了基于Morlet小波基的小波BP神经网络和小波核支持向量机,用以改善单一BP神经网络和支持向量机的缺陷。同时引入自适应惯性权重和cat混沌映射改善基本粒子群算法的全局和局部搜索能力。用改良的粒子群算法对小波BP神经网络和小波核支持向量机的相关参数迭代寻优,构建优化的模型,加快模型的收敛速度,提高模型的预测精度。这些知识都为组合预测模型的建立做了理论准备。最后详细介绍了预测模型的建立和仿真实验分析过程。基于燃气负荷在不同季节、季节交替和节假日期间所表现出的不同特性,为了提高整体预测精度,分别采用了三种预测模型以应对不同的情形。针对燃气负荷具有的明显的季节特性,采用基于残差修正的分季节预测模型,具体方法是:小波BP神经网络作初步预测,小波核支持向量机进行残差修正,二者之和为最终的预测结果。针对季节交替时负荷预测存在较大偏差的问题,采用加权平均的季节交替预测模型,具体方法是:将交替季节的预测结果加权求和作为最终结果。针对节假日与工作日负荷曲线波动的差异,采用基于相似日修正的节假日预测模型,具体方法是:凭借综合相似度筛选历史相似日,依据它们与预测节假日之间的不同关系修正相似日负荷,然后在综合相似度和修正负荷的基础上实现节假日负荷评估。通过一系列参照实验,验证了以上模型对于不同工况下燃气负荷预测的有效性和优越性。