天然气作为一种相比于煤和石油更为清洁的能源,已经引起了各国政府的重视。近年来,随着各国政府对天然气需求量的增加,同时也给能源管理者带来了巨大的调度压力,当出现天燃气调度不均时,调度过少的行业就会导致巨大的经济损失。此外,燃气合同是一种提前购买合同,当购买量不足以满足社会需求时,购买者违反合同也会导致巨大的经济损失。合理预测天然气负荷可以减轻上述经济损失。在燃气负荷预测领域,国内外已经有很多研究者进行深入的研究。大部分研究者都是用不同的单模型预测燃气负荷,这些预测模型包括统计模型,机器学习模型,深度学习模型。近年来,LSTM及其相关的混合模型得到了广泛应用,其主流方案是先用特殊算法分解燃气序列,然后优化模型结构,最后再用LSTM预测燃气负荷,其中基于LSTM的残差混合模型也有少量研究。本文将深入研究基于残差混合算法的燃气预测模型,目前残差混合模型的主流方案有单个算法优化残差模型、特殊算法分解残差序列然后再用模型预测残差、模型直接预测残差,这些模型已经用于风能、电力、燃气等领域,从而证明了有效性。本文提出一种改进的残差模型用于燃气负荷预测。针对燃气负荷数据本身具有周期性、随机性的复杂特点,一般的LSTM混合模型只对预测前端进行优化处理,忽略了对LSTM预测后端残差的优化处理,一般的残差混合模型以及基于LSTM残差混合模型只对混合模型中的单个模型进行优化,忽略了对主次模型的同时优化,以及只有残差序列作为残差模型的输入因子,忽略了其他影响因子的分析,因此本文对LSTM混合模型进行了如下改进:⑴增加了BPNN预测LSTM后端的残差;⑵用模糊编码遗传算法(FCGA)和Adam算法同时优化LSTM-BPNN残差修正模型;⑶提出了两个新的燃气残差影响因子,并用于燃气残差预测;由此得到基于模糊编码遗传算法和改进LSTM-BPNN残差修正模型—LSTM-FCGA-BPNN(Adam)1,其基本流程是先用Adam优化的主模型LSTM预测初步值,然后用模糊编码遗传算法优化BPNN的初始权重和阈值,接着用新残差影响因子输入到Adam优化的BPNN中去预测残差值,最后用残差值修正的初步值作为最后预测值。为了验证该模型在燃气负荷预测的有效性,本文采用上海市某地区2005年-2014年的燃气负荷数据来进行预测实验,并将实验结果与经典模型LSTM、LSTMBPNN、LSTM-BPNN(Adam)、LSTM-GA-BPNN(Adam)进行对比分析,实验结果表明,该模型的MAPE是最低的,其值为0.059。由此证明提出的模型有着更高的预测精度,具有改进意义。下一步工作,将继续研究燃气残差混合模型以及燃气残差的影响因素,以及由混合模型引起的计算效率问题以及研究自动在原始数据中选择出燃气负荷影响因素的问题。