随着低碳城市概念的提出,人们更加关注和重视在城市经济发展过程中的碳排放问题,低碳排放有助于城市的可持续发展。近年来,天然气作为一种清洁能源,在城市燃料消耗中的比重在不断增加,正扮演着越来越重要的角色。在城市燃气系统的建设中,燃气负荷预测为城市燃气系统项目规划与管理提供建议与指导,是城市燃气系统中的重要组成部分,对城市燃气管网的建设、管理与优化具有重要意义。首先,本文介绍了燃气负荷预测的研究背景以及国内外研究现状,同时阐述了燃气负荷预测技术的相关概念,并对燃气负荷数据特征分析与预处理操作进行了说明。接着,本文提出了一种基于卷积神经网络优化的长短期记忆网络预测方法CNN-LSTM。燃气负荷受气温、气候类型、日期类型等众多因子影响,且影响因子之间存在复杂的耦合关系。针对传统的长短时记忆网络(Long Short-term Memory,LSTM)预测方法在训练时因输入数据冗余,会出现梯度消失现象,从而不能捕捉影响因子间的长期依赖问题,本文利用卷积神经网络(Convolutional Neural Network,CNN)自动学习燃气负荷中影响因子的显著特征并进行特征提取,结合长短期记忆网络LSTM来进行时间序列预测,从而提高预测方法的预测准确度。通过建立CNN-LSTM预测模型并与传统LSTM模型进行试验分析对比,证明了该模型的有效性。为进一步提升燃气负荷预测模型的预测准确度,本文提出了基于经验小波变换(Empirical Wavelet Transform,EWT)的燃气负荷降噪方法,利用EWT方法构造合适的小波函数对燃气负荷数据进行自适应分解,得到不同频率尺度下的模态分量,再根据原始负荷的主频设定阈值,对阈值范围内的模态分量进行重构,最终去除燃气负荷数据中的噪声,减少噪声对燃气负荷预测模型的影响。将此方法用于进一步改进以上CNN-LSTM方法,由此提出一种基于EWT-CNN-LSTM的组合预测算法,采用先分解后集成的思路,将负荷序列分解为不同频率特征的模态分量,对分解后的每一模态分量分别构建CNN-LSTM预测模型,得到各分解序列的预测结果,最后叠加各模态分量的预测结果得到燃气负荷的预测值。最后,将本文提出的组合预测模型与传统的LSTM、CNN-LSTM的预测模型进行对比,比较各个模型的预测误差。实验结果表明,本文模型的预测精度更高。针对当前燃气负荷预测领域的问题和不足,本文提出了四个可以改进的方面,以便进行更深入的研究。