基于BO-LSTM的天然气处理厂负荷率预测模型.pdf

天然气与石油1222023年10 月NATURALGASANDOIL基于 BO-LSTM的天然气处理厂负荷率预测模型刘行王秋晨文韵豪?王艺巴玺立1：中国石油大学（北京）油气管道输送安全国家工程实验室石油工程教育部重点实验室城市油气输配技术北京市重点实验室，北京10 2 2 0 0；2中国石油天然气股份有限公司规划总院，北京10 0 0 8 0摘要：为优化天然气处理厂生产计划，弥补天然气处理厂负荷率预测模型的空缺，提出一种基于贝叶斯优化（BayesianOptimization，BO）和长短期记忆（LongShort-TermMemory，LST M）的天然气处理厂负荷率预测模型。LSTM模型用于捕捉因检修天数和日处理量等因素引起的时间特征，贝叶斯算法用于优化LSTM网络的结构、隐藏层层数、隐藏层神经元个数、初始学习率和正则化系数，弥补参数造成预测波动的缺陷。选取波动型和平稳型天然气处理厂负荷率对不同模型测试，结果表明,LSTM模型较其他传统预测模型的预测精度高。BO-LSTM模型的预测平均绝对误差（MAE）值和均方根误差（RMSE）值均最小，预测精度最高，通用性强，较传统LSTM模型的MAE和RMSE值可提高57.8%和30.1%。天然气处理厂负荷率预测模型可为天然气处理厂的生产运行和决策提供数据支撑，具有稳定的预测精度和适应性。关键词：天然气处理厂；负荷率预测;BO-LSTM；超参数D0I:10.3969/j.issn.1006-5539.2023.05.018Forecasting model for load rate of natural gas treatment plant based onBO-LSTM modelLIU Xing,WANG Qiuchen,WEN Yunhao,WANG Yi,BA Xili?1.National Engineering Laboratory for Pipeline Safety/MOE Key Laboratory of Petroleum Engineering/Bejing KeyLaboratory of Urban Oil and Gas Distribution Technology,China University of Petroleum,Beijing,102200,China;2.China National Petroleum Corporation Planning Institute,Bejing,100080,ChinaAbstract:To optimize the production schedule of natural gas treatment plants and fill in a gap in theload rate prediction model,this study introduces a natural gas treatment plant load rate prediction modelbased on Bayesian optimization and long short-term memory(BO-LSTM).The LSTM model capturestemporal patterns arising from maintenance schedules and daily processing volumes.Concurrently,theBayesian optimization refines the LSTM networks structure,hidden layers,neuron counts,initial learningrate,and regularization coefficient,mitigating prediction fluctuations due to parameter variations.The loadrates of treatment plants are classified into fluctuating type and stable type.The results indicate that theLSTM model outperformed other traditional forecasting models regarding prediction accuracy.Furthermore,the BO-LSTM model stands out,boasting the lowest mean absolute error(MAE)and root mean squarederror(RMSE)values,which translates to superior prediction accuracy and robust versatility.Impressively,收稿日期:2 0 2 3-0 6-16基金项目：中国石油天然气股份有限公司科技项目“油气田地面工程绿色高效智能化技术研究”子课题智能化油气田模型构建与应用模块开发（2 0 2 2 KT2101）作者简介：刘行（1998-）,男,河南安阳人，硕士研究生，主要从事天然气处理与加工相关研究工作。E-mail:第41卷第5期INFORMATION,SAFETYAND MANAGEMENT|信息、安全与管理12 3the BO0-LSTM model achieves a 57.8%improvement in MAE and a 30.1%boost in RMSE values whencompared with the conventional LSTM model.This advanced load rate prediction model offers data supportfor the operational and decision-making processes of the treatment plant,ensuring consistent predictionaccuracy and adaptability.Keywords:Natural gas treatment plant;Load rate prediction;BO-LSTM;Hyperparameters越性，天然气处理厂负荷率预测模型可为制定合理生产0前言计划提供数据支撑，满足市场需求和避免天然气资源天然气处理厂是气田开发的重要地面生产设施1-2】,天然气处理厂连续、平稳、安全的运行直接关系到天然气的安全稳定供应3,以及用户的生产和生活需要。天然气处理厂负荷率是一个关键性指标，它是指天然气处理厂的实际产能与设计产能之比。天然气处理厂负荷率的高低受原料气的质量、流量、设备运行状况、气体处理工艺流程、生产计划和管理等因素影响，直接关系天然气处理厂的生产效率和经济性。因此,有必要对天然气处理厂负荷率进行准确预测,以指导生产计划。目前,较多学者使用时间序列预测模型对能源相关的数据进行了预测。梁倩雯4选用自回归积分滑动平均（Autoregressive Integrated Moving Average,ARIMA）、Prophet 和长短期记忆（Long Short-Term Memory,LSTM)三种模型对管输下游不同用户群体的天然气平均负荷进行了预测，认为LSTM模型表现最好。ZhengJianqin等人5采用粒子群算法对LSTM模型进行优化，与LSTM、A NN(A r t i f i c i a l Ne u r a l Ne t w o r k）、XG Bo o s t(e Xt r e meGradientBoosting）模型进行误差对比，突出优化模型的准确性,高效预测了太阳能发电量。Ning Yanrui 等人6 使用ARIMA、LST M、Pr o p h e t 三种模型和传统油品产量预测模型进行了产油量预测,预测误差显示ARIMA模型对于短期预测较为突出,Prophet模型整体的预测效果最好。田文才等人7 提出一种小波变换分解的麻雀搜索算法(Sparrow Search Algorithm,SSA)-LSTM优化模型,用于预测华北某市燃气门站的天然气负荷，提高了预测精度。Fan Dongyan等人8 1集成了线性和非线性时间序列预测模型的优势，提出了一种ARIMA-LSTM-DP（D a i l yProduction)的混合模型，对于油井产量预测表现较好。目前的研究大多基于传统预测模型进行开展，对于时间序列预测模型的改进和优化还可以继续进行。现有研究较少对天然气处理厂负荷率进行预测，尚未形成通用的负荷率预测模型。天然气处理厂负荷率按照数据类型可分为平稳型和波动型。选取波动型负荷率和平稳型负荷率数据进行研究，提出基于贝叶斯优化（BayesianOptimization，BO）-LST M 模型实现对天然气处理厂负荷率预测，极大地提高模型的计算效率和预测精度。同时，对比传统机器学习模型检验优化模型的优浪费。1计算方法1.1LSTM模型LSTM是一种特殊结构的循环神经网络（RecurrentNeuralNetwork，RNN），主要为解决传统RNN可能遇到的梯度消失和爆炸问题9-10。由于具有反馈连接，可以处理长期的数据序列,避免了一般RNN的长期依赖问题。LSTM内部由3个门实现控制传输,分别是遗忘门、输人门和输出门,结构见图1。图1中：g为隐藏层的输人状态；c为状态单元；h为隐藏层的输出状态；W为对应门的权重。遗忘门XWW(tanh)h工g.图1LSTM原理结构示意图Fig.1 Schematic structure of LSTM mechanism遗忘门决定信息是否通过神经元传递，输入门决定新信息是否存储在神经元中，输出门决定信息是否作为当前状态的输出。模块中每个门由乘法运算和Sigmoid函数组成,Sigmoid函数控制通过门的信息，数值范围为01。Si g m o i d 函数的输出值和“tanh层的候选值相乘作为神经元状态值。1.2贝叶斯优化算法贝叶斯优化算法是一种全局优化方法，可以利用较少的迭代步数和已知数据去获取最优解，可用于调节机器学习算法的超参数。贝叶斯优化算法的核心由两部分构成：一是通过高斯过程回归建立目标函数的数学模型,即计算每点处函数值的均值和方差；二是根据后验概率分布构造采集函数12-13,用于决定本次迭代时的最优采样点。tanh)W.输人门输出门(h.=z)天然气与石油1242023年10 月NATURALGAS ANDOIL由贝叶斯定理可知14-15：后验分布=先验分布+观察数据P(B/A):P(A)P(A IB)=!P(B)式中:P(A)、P(B)分别为数据AB先验分布,即代理模型,采用高斯过程;P(BIA)为利用代理模型A观察数据B的分布;P(AIB)为后验分布,即利用观察数据B更新代理模型A的新分布。高斯过程(GP)的突出特点是“先验分布”可由观测值更新，从而使得更新后的“先验分布”获得新函数的分布,实现优化拟合过程。高斯过程由均值函数和协方差函数组成16 ,即f(x)=GP(m(x),C(x,x)式中:m(x)为均值函数;C(x,x)为协方差函数。采集函数根据后验分布构造，用于选择下一个采样点，即X,+1=argmin(x)XER式中：t+1为下一时刻的采样点;()为采集函数。贝叶斯优化超参数流程：1)超参数作为优化变量x,均方根误差作为目标函数y,基于高斯过程和已知的（x,y)拟合出代理模型。2)利用采集函数选择下一步的最优值（*,y*）,并通过本步的最优值去优化代理模型，重复迭代。3)经过一定的迭代次数后，即可获得全局最优值。1.3BO-LSTM模型在进行基本LSTM模型训练时，以典型天然气处理厂负荷率的历史数据作为输人，将当前时刻的天然气处理厂负荷率作为预测目标。网络层中超参数的设置对模型的预测性能有很大影响，由于超参数大部分通过手动调整，需反复试验才能获取较好的模型。因此,本文提出一种基于贝叶斯优化的超参数优化方法，实现自动选择超参数，提高模型的泛化能力，贝叶斯优化流程见图2。本研究主要是对LSTM网络的结构、隐藏层层数、隐藏层神经元个数、初始学习率和正则化系数进行贝叶斯优化，超参数范围设置见表1。贝叶斯优化器景秀满NLSTM复终止选择超参数条件？Y图2 贝叶斯优化流程图Fig.2Bayesian optimization process表1LSTM网络超参数选择表(1)Tab.1 Selection of hyperparameters in LSTM networks超参数(2)双向网络隐藏层层数神经元个数初始学习率L2正则化系数BO-LSTM模型预测天然气处理厂负荷率流程见图3,基本步骤如下。1)输人待优化超参数范围，优化目标为RMSE。(3)2)数据归一化处理,并构建模型数据的训练集和测试集。3）贝叶斯优化算法调节LSTM网络超参数。4)利用优化后的BO-LSTM模型进行天然气处理厂(4)负荷率预测。5)在测试集上对预测结果进行误差评估,检验模型的准确度。6)结束。数据预处理BO-LSTM预测模型训练天然气处理厂负荷率得到时间序列预测结果对预测结果进行误差评价结束图3BO-LSTM模型预测天然气处理厂负荷率流程图Fig.3 Forecasting process of natural gas treatmentplant based on BO-LSTM model1.4楼数据预处理数据预处理部分包括数据收集、数据清洗、数据集划分、数据归一化等过程。本研究的天然气处理负荷率RMSE网络验证最优LSTM参数范围True,False1,450,2500.01,0.5 1 10-8,1 10-2开始数据来源于某油气田处理厂的各季度报表，数据分训练集和测试集两部分。为了加快算法的收敛速度提高预测精度,需要对历史数据进行归一化处理。采用最大一最小标准化方法处理,将数据值映射到0,1。归一化表达式如下：X,-XminaxminLSTM网络贝叶斯优化不同预测模型(5)第41卷第5期INFORMATION,SAFETY AND MANAGEMENT|信息、安全与管理12 5式中：X*为归一化后的值;X,为样本数据;Xmin和Xmax分接影响,具有一定的时间序列特征。处理厂A、B受检修别为样本的最小值和最大值。天数影响较大，天然气处理厂负荷率呈现明显的周期性1.5模型评价指标波动；处理厂C、D 的天然气日处理量变化较小，天然气本研究选取的模型评价指标为RMSE、M A E和拟合处理厂负荷率总体呈平稳趋势。优度（R）。RM SE为预测值与实际值之间均值误差平方2.2模型对比和的算术平方根，对误差较大的数据值较敏感；MAE为为了验证BO-LSTM模型的优劣，本研究选用反向传预测值与实际值的绝对误差平均值，不易受极端值的影播神经网络（Back-propagation Neural Network,BPNN）、支响;R为回归模型的拟合优度，检验模型拟合效果，其值持向量机（SupportVectorMachine,SVM）、A RIM A、LST M取值为0,1。这4种传统时间序列预测模型作对比。BPNN模型是基1mMAE=mi=11mRMSE=mi=1m2(y:-9.)2R?=1-鱼mZ(y:-)?i=1式中：m为样本总数;y；为第i个样本的实际值;,为第i个样本的预测值。2实实例分析2.1处理厂运行数据本研究选取国内某油气田天然气处理厂（包含处理厂A、B、C、D)历史负荷率数据,样本数据记录了2 0 17 年6月1日至2 0 2 2 年2 月2 8 日的数据。剔除无效数据后，处理厂A、B、C、D 的实际数据分别为1 7 34 d、17 11 d、1711d、16 7 0 d,原始数据见图4。数据集按照起伏情况分为波动型（处理厂A、B)和平稳型（处理厂C、D）。另外,按天然气处理厂负荷率高低划分为中低型（处理厂A、C)和中高型（处理厂B、D)。所选天然气处理厂数据覆盖面广，可用于检验模型的适应性。一处理厂A一处理厂C110%一处理厂B一处理厂D100%90%80%70%60%负50%40%30%20%10%0图4天然气处理厂负荷率原始数据图Fig.4Raw data on treatment plant load rates由图4可知，仅处理厂B出现极少天数满负荷运行，天然气处理厂负荷率受天然气日处理量和检修天数直于误差逆向传播算法的多层前馈神经网络，初始权值或(6)阅值容易导致训练结果陷人局部最优值17-18 1。SVM模型可用于回归预测、分类预测，核心思想是在预测值与(7)实际值的误差平方和最小的情况下找到一个最大间隔平面1 9。ARIMA(p,d,g)模型是常用的随机时序模型，(8)将非平稳序列转为平稳序列，然后仅对目标参数的滞后值与随机误差项的现值和滞后值进行回归2 0-2 1。双向的(Bi-directional,Bi)LSTM模型是将LSTM网络分为向前和向后两个方向，综合考虑序列的历史和未来的数据,从而提高准确度。ARIMA模型的关键参数:p为自回归阶数，9 为滑动平均指数，d为时间序列化为平稳时所需的差分次数。BPNN模型的神经元数目为50,学习率设置为0.5。SVM模型的惩罚系数取5.0,核函数选择常用的径向基函数（Radial Basis Function，RBF），RBF的gamma值取1.0。ARIMA模型的超参数由数据平稳性、赤池信息准则和贝叶斯信息准则确定6.2。LSTM模型隐含层层数为1，神经元数目为50，初始学习率为0.5，L2 正则化系数为1 10-4。2.3模型验证对比模型统一设置条件：时间序列模型的延时步长设置为30,最大迭代步数均为2 0 0。为防止模型过拟合，采用数据集的后10%数据作为测试集。初始的1组延时步长数据不做预测,故处理厂A、B、C、D 的测试集样本数分别为144、142、143、137。通过贝叶斯优化算法寻找LSTM模型的超参数，经过多次迭代寻优，确定最优超参数值,BO-LSTM模型超参数的最优值见表2。表2 BO-LSTM网络超参数表Tab.2JBO-LSTM network hyperparameters最优值超参数处理厂A处理厂B处理厂C处理厂D2004006008001 000 1200 1 400 1 600 1 800时间/d双向网络隐藏层层1神经元/个50初始学习率0.031 4L2正则化1.439 8 系数10-8FalseFalse1750.060 36.28226.785 61.712.5 10610-4False2570.010 0False11030.022 210-4天然气与石油1262023年10 月NATURALGAS AND OIL由表2 可知，各模型的训练集R值均大于0.9,训练效果较好，说明本研究所用模型均可用于天然气处理厂负荷率预测。ARIMA模型的Durbin-Watson检验值均实际值30%BO-LSTMARIMABPNN25%SVMLSTM20%BiLSTM15%货10%5%0-5%20406080100120140160时间/da)预测结果a)Predicting results图5处理厂A不同模型的预测结果及残差分布图Fig.5Prediction results and residual distribution of different models in treatment plant A160%140%120%100%80%负60%40%20%020%120406080100120140160时间/da)预测结果a)Predicting results图6 处理厂B不同模型的预测结果及残差分布图Fig.6 Prediction results and residual distribution of different models in treatment plant B50%实际值BO-LSTMARIMA45%BPNNSVMLSTM40%BiLSTM：35%30%25%20%20 40 6080100120140160时间/da)预测结果a)Predicting results图7 处理厂C不同模型的预测结果及残差分布图Fig.7 Prediction results and residual distribution of different models in treatment plant C接近2,说明残差相互独立，ARIMA模型符合要求。处理厂A、B、C、D 的预测结果和残差直方图见图5 8，仅展示测试集的数据以代表预测效果。14012010080#6040200-20实际值BO-LSTMARIMABPNNSVMLSTMBiLSTMBO-LSTMARIMABPNNSVMLSTMBiLSTM-100残差值b)残差分布b)Residual distribution140r12010080604020F-4080604020010IBO-LSTMARIMABPNNSVMLSTMBiLSTM-200残差值b)残差分布b)Residual distribution04残差值b)残差分布b)Residual distribution202040BO-LSTMARIMABPNNSVMLSTMBiLSTM26第41卷第5期信息、安全与管理12 7INFORMATION,SAFETYANDMANAGEMENT100%实际值BO-LSTMARIMABPNNSVM90%LSTMBiLSTM70%60%2040 6080100120140160时间/da)预测结果a)Predicting results图8 处理厂D不同模型的预测结果及残差分布图Fig.8 Prediction results and residual distribution of different models in treatment plant D由图5 8 可知,ARIMA和SVM模型的预测结果有明显偏差,其余模型均与实际值的历史走向相似。SVM模型的预测结果波动幅度较大,与Du Jian等人2 3给出的SVM模型善于捕捉数据的波动性相吻合。BPNN模型对历史数据的拟合效果较好，但对于有波动负荷率的预测效果不如LSTM模型，这是由于LSTM模型内部存在控制储存结构的模块，能较好地捕捉长期趋势的特征。另外,BO-LSTM模型的预测样本集中在残差最小-5,5范围内,说明测试样本的预测结果均接近实际值,且对于平稳型处理厂的优势最为明显。LSTM模型经贝叶斯优化后，弥补了参数造成预测波动的缺陷，减少了残差值较高的样本数，预测数据明显更贴近实际值。不同模型的MAE、RM SE和R值见表3。BO-LSTM模型对于处理厂A、C、D 的拟合优度分别为0.97 4、表3不同模型的预测误差表Tab.3 Prediction errors of different models名称处理厂A处理厂B处理厂C处理厂D100r80604020100.964.0.964,拟合效果极好。而处理厂B的拟合优度略低,这是由于该厂检修频繁和天然气处理厂负荷率较高导致数据难以捕捉，模型整体的拟合效果减弱,MAE与RMSE结果对比见图9。由图9可直观看出，误差效果，误差最小的依次为BO-LSTM模型、LSTM模型,其余模型对不同天然气处理厂预测准确性的高低有所不同。由此可见，本研究中BiLSTM模型的预测精度不如LSTM模型。BO-LSTM模型的预测误差MAE和RMSE值均最小，预测精度最高。BO-LSTM模型较传统LSTM模型，处理厂A的MAE和RMSE值分别降低12.6%和16.3%，处理厂B的MAE和RMSE值分别降低2 9.4%和17.1%，处理厂C的MAE和RMSE值分别降低9.4%和6.0%，处理厂D的MAE和RMSE值分别降低57.8%和 30.1%。模型评价指标ARIMAMAE2.268RMSE2.871R20.947MAE16.848RMSE20.029R20.924MAE1.679RMSE1.914R20.961MAE5.429RMSE6.317R20.938BO-LSTMARIMABPNNSVMLSTMBiLSTM山-50残差值b)残差分布b)Residual distributionBPNNSVM0.8070.7592.4742.3240.9650.9729.4687.72320.99017.7640.9270.9251.0852.5131.3612.2840.9610.9742.7864.6783.8356.0100.9410.9625LSTMBiLSTM0.6700.8532.2442.1070.9560.9554.5895.66812.43612.6890.9160.9260.8412.2540.9662.3790.9510.9441.5233.0921.9653.8100.9180.92710BO-LSTM0.5611.9610.9743.24210.3160.9280.7620.9080.9640.6431.3730.964天然气与石油1282023年10 月NATURALGAS AND OIL181614121086420通过对波动型和平稳型天然气处理厂负荷率预测结果比较,可以得出BO-LSTM模型的预测精度和稳定性相较于传统时间序列预测模型具有显著提升，通用性较高。图10 给出了天然气处理厂负荷率预测模型120%100%80%60%货40%20%0-20%0200400600800 1 000 1 200 1 400 1 600 1 800时间/da)波动型a)Fluctuating typeFig.10 Results of the load rate prediction model for natural gas treatment plant3结论本文对天然气处理厂负荷率预测开展研究，由于历史数据周期性较弱、数据量大，有一定的波动幅度，预测难度较高,现有研究未提出较好的预测模型。因此，本文基于数据的时间序列特性建立了BO-LSTM 模型。为验证模型的准确性和通用性，选择了波动型（处理厂A、B)和平稳型(处理厂C、D)的天然气处理厂负荷率,并对25处理厂A处理厂B处理厂C处理厂DWLST模型a)MAE结果对比a)Comparison of MAE resultsFig.9Comparison of MAE and RMSE results处理厂A（实际）处理厂B（实际）处理厂A（预测）处理厂B（预测）图10天然气处理厂负荷率预测模型结果图比ARIMA、BPNN、SVM、LST M 和BiLSTM等传统预测模型以检验模型的优劣。1）A RI M A、BPNN、SVM、LST M、Bi LST M 和 BO-LSTM模型均可用于天然气处理厂负荷率预测。其中，预测效果最好的模型为BO-LSTM和LSTM。针对不同类型天然气处理厂，BO-LSTM模型能较好捕捉时间特征，天然气处理厂负荷率的预测精度最高，稳定性最强，处理厂A的MAE值和RMSE值分别为0.56 1和1.9 6 1，处理厂B处理厂A处理厂B20处理厂C处理厂D15F10F50ARIMABPNNb)RMSE结果对比b)Comparison of RMSE results图9MAE和RMSE结果对比图的预测结果,所有样本的预测数据与实际数据基本吻合，说明本研究的BO-LSTM模型能较好地捕捉因检修天数和日处理量等主要因素引起的时间特征，预测效果显著。100%80%40%20%0200400600800,1 000 1 200 1 400 1 600 1 800时间/db)平稳型b)Stable typeSVM模型处理厂C（实际）处理厂D（实际）处理厂C（预测处理厂D（预测）BiLSTM第41卷第5期INFORMATION,SAFETYAND MANAGEMENT|信息、安全与管理12 9的MAE值和RMSE值分别为3.2 42 和10.316 处理厂C的MAE值和RMSE值分别为0.7 6 2 和0.9 0 8，处理厂D的MAE值和RMSE值分别为0.6 43和1.37 3。与传统LSTM模型相比，预测误差MAE值和RMSE值最大可提升 57.8%和 30.1%。2)本研究的BO-LSTM模型能够实现对天然气处理厂负荷率的实时预测和监控，可为天然气处理厂生产运行和决策提供技术支持。3)传统LSTM模型的预测准确性和稳定性高于ARIMA、BPNN和SVM模型。因此,在LSTM模型基础上结合物理机理作进一步优化可实现更加准确的预测模型，未来可应用于电厂、水厂负荷率预测等领域。参考文献：1刘蔷，高晓根，雷英，等天然气处理厂投产条件研究J.石油与天然气化工,2 0 14,43(2):12 2-12 6.LIU Qiang,GAO Xiaogen,LEI Ying,et al.Research oncommissioning condition of natural gas processing plant J.Chemical Engineering of Oil&Gas，2 0 14,43（2):122-126.2游龙，孙润林，汤国军，等.天然气处理厂工程建设质量管理探讨J.广东化工，2 0 2 0,47（8）：7 9-8 0.YOU Long,SUN Runlin,TANG Guojun,et al.Study onquality management of engineering construction in natural gasprocess plant J.Guangdong Chemical Industry,2020,47(8):79-80.3黄维和,周淑慧,王军.全球天然气供需格局变化及对中国天然气安全供应的思考J.油气与新能源，2 0 2 3,35(2):1-13.HUANG Weihe,ZHOU Shuhui,WANG Jun.Changes of thepattern of global natural gas supply and demand and thoughton the security of Chinese natural gas supply J.Petroleumand New Energy,2023,35(2):1-13.4梁倩雯.基于LSTM的居民用户天然气负荷预测研究D.郑州：郑州大学，2 0 2 1.LIANG Qianwen.Natural gas load forecasting for residentialusers based on LSTM D .Zh e n g z h o u:Zh e n g z h o uUniversity,2021.5 ZHENG Jianqin,ZHANG Haoran,DAI Yuanhao,et al.Time series prediction for output of multi-region solar powerplants J.Applied Energy,2020,257:114001.6 NING Yanrui,KAZEMI H,TAHMASEBI P.A comparativemachine learning study for time series oil productionforecasting:ARIMA,LSTM,and Prophet J.Computers&Geosciences,2022,164:105126.7田文才，傅宗化,周国峰，等.基于WT+改进SSA-LSTM模型的短期天然气负荷预测算法J.油气储运，2 0 2 3,42(2):231-40.TIAN Wencai,FU Zonghua,ZHOU Guofeng,et al.Short-term natural gas load forecast algorithm based on WT+improved SSA-LSTM model J.Oil&Gas Storage andTransportation,2023,42(2):231-240.8 FAN Dongyan,SUN Hai,YAO Jun,et al.Well productionforecasting based on ARIMA-LSTM model considering manualoperations J.Energy,2021,220:119708.9 PAN Shiyuan,LIAO Qi,LIANG Yongtu.Multivariable salesprediction for filling stations via GA improved BiLSTM J.Petroleum Science,2022,19(5):2483-2496.10朱汪友,侯磊.基于人工智能技术的输气管道系统可靠性量化方法J.天然气工业,2 0 2 2,42（5）：110-119.ZHU Wangyou,HOU Lei.Reliability quantification methodof natural gas pipeline system based on artificial intelligencetechnology J.Na t u r a l G a s I n d u s t r y，2 0 2 2，42(5):110-119.11 SRINIVAS N,ANDREAS K,SHAM K,et al.Gaussianprocess optimization in the bandit setting:No regret andexperimental design C /Pr o c e e d in g s o f t h e 2 7 t hInternational Conference on Machine Learning(ICML-10),21-24June,2010,Haifa,Israel.USA:Omnipress,2010:1015-1022.12 BROCHUE,CORA V M,FREITAS N D.A tutorial onbayesian optimization of expensive cost functions withapplication to active user modeling and hierarchicalreinforcement learning EB/0L.（2 0 10 -12 -12)2 0 2 3-05-19.https:/doio r g/10.48 550/a r Xi v.1012.2599.13崔佳旭,杨博.贝叶斯优化方法和应用综述J.软件学报,2 0 18,2 9(10):30 6 8-30 90.CUI Jiaxu,YANG Bo.A review of Bayesian optimizationmethods and applications J.Journal of Software,2018,29(10):3068-3090.14 T U RNER R,ERI C K SSO N D,M C C O U RT M,e t a l.Bayesian optimization is superior to random search formachine learning hyperparameter tuning:Analysis of theblack-box optimization challenge 2020 EB/OL.(2021-08-312023-05-19.https:/doi.org/10.48550/arXiv 2104.10201.15范霖，苏怀，彭世亮，等.基于供气可靠性的天然气管道系统预防性维护方案智能优化方法J.