La prévision de la demande de gaz naturel est une étape importante pour analyser la situation actuelle de l'offre et de la demande, et prévoir les perspectives de développement du marché du gaz naturel. Après de nombreuses années de recherche et de développement, un système de méthodes de prévision relativement complet a été élaboré, avec des résultats applicatifs correspondants. En raison de multiples contraintes environnementales, l'incertitude de la tendance de la demande à long terme en gaz naturel augmente, et en même temps, le comportement varié des consommateurs de gaz naturel à court terme nécessite une gestion fine. Par conséquent, la division et la synthèse des modèles de prévision de la demande dans différents échelles de temps est un aspect important de la prévision de l'utilisation du gaz. Basée sur des documents pertinents publiés au pays et à l'étranger entre 2016 et 2021, cette étude analyse les caractéristiques de l'utilisation du gaz dans différentes échelles de temps, discute des principaux facteurs d'influence considérés dans différentes périodes, et synthétise les avantages et les inconvénients des modèles de prévision dans chacune des échelles de temps. Les résultats de l'étude montrent que les données à court terme reflètent clairement les caractéristiques des utilisateurs finaux, avec une forte périodicité et régularité influencées principalement par des conditions climatiques, des types de dates, etc. Selon les résultats de calcul de l'indicateur de performance MAPE, le modèle SVR dans le modèle unique présente un excellent performant, et le modèle LSSVM dans le modèle combiné présente également de bons résultats; tandis que les données à long terme représentent une macro-reflet de l'utilisation du gaz par les utilisateurs, influencée principalement par la population, la structure économique, les données pertinentes de l'industrie du gaz naturel et les politiques, et selon les résultats du calcul de l'indicateur de performance MAPE, le meilleur modèle de prédiction est le modèle combiné de la régression grise et de la régression linéaire; selon les résultats du calcul de l'indicateur de performance RMSE, le modèle SVM optimisé par algorithme génétique a la meilleure performance. Sur cette base, un cadre de sélection de modèles axé sur l'échelle des données, les facteurs et les modèles est présenté, et des orientations pour la recherche future des modèles de prévision sont proposées du point de vue de la prévision à court, moyen et long terme, afin de fournir des recommandations pour la recherche future sur les modèles de prévision.

gaz naturel; prévision de la demande; échelle de temps; caractéristiques d'utilisation; facteurs d'influence