2017年初“气荒”事件发生引发社会广泛关注,2020年“新冠”病毒冲击局部地区天然气市场,实现天然气消费量精准预测关乎到国家民生大计。受宏观经济及能源调控影响,天然气市场处于快速变化态势,冬季天然气峰谷差持续增大,不均匀性愈加明显,天然气负荷预测难度增大。因此,如何在市场变动地区实现天然气短期负荷预测对冬季保供、优化调度、储气调峰具有着重要意义。本文通过实地调研西部地区3座“煤改气”城市天然气日负荷数据,对天然气市场规模及结构迅速变动地区天然气日负荷变化规律及短期日负荷预测模型进行系统研究,探究全年不同阶段的天然气短期日负荷数据集选取、预测模型在不同城市的应用与改进和供暖季时期特殊条件下预测修正方法,建立一套天然气短期日负荷预测的综合模型,具体研究内容和成果如下:分析3座城市天然气历史数据集中天然气消费市场规模及用气结构的变化规律,考虑月不均匀系数变化特性,综合天然气日负荷变化特点,将全年日负荷细分为5个阶段,分析不同城市不同阶段天然气日负荷与气象因素、时间因素的相关性,制定了按照相同月份、同一阶段相邻月份、去年同期的顺序“就近”选取30-180天的小数据集作为训练集的选取方案。针对天然气日负荷与气象因素、时间因素的相关性选取平均温度、相邻日负荷、相邻日平均温度等系数作为输入层变量。基于小数据集探究了时序日负荷预测模型在非供暖季时期的应用与改进。研究了ARMA模型和SVR模型2种单一预测模型,EMD、EEMD模态分解方法与单一模型相互组合的8种组合模型及1种改进的EEMD-SVR-SVR（IEEMD-SVR-SVR）模型共11种预测短期模型的应用效果,结果表明EMD-AMIMA、EEMD-AMIMA、EEMD-PSO-SVR、EEMD-SVR-SVR等组合模型相比AMIMA模型、SVR模型单一模型具有更高预测精度。针对EMD/EEMD分解过程中高频分量预测失真导致日负荷预测误差较大的问题,提出了IEEMD-SVR-SVR模型,通过实验说明IEEMD-SVR-SVR模型可进一步减小预测误差。基于小数据集探究了基于影响因素的天然短期预测模型在供暖季时期及供暖季过渡时期的应用效果。对比BP神经网络、WNN神经网络、RBF神经网络及PSO-SVR模型预测效果,实验结果表明WNN模型与PSO-SVR模型在不同城市回归与预测过程更接近实际情况。在添加供暖季开启或关闭的时间系数后,WNN模型与PSO-SVR模型在供暖季过渡同样具有较好预测效果。对比三城市的预测效果,对于A、B市这类天然气用户数量大,单位用户用气量小,以城市燃气为主的天然气日负荷预测选择WNN模型作为预测模型,对于C城市这类天然气单位用户用气量大,单位用户用气量较大,供暖季天然气日负荷受随机因素影响较大的日负荷预测,选择PSO-SVR模型作为预测模型。探究了冷暖交替及极端低温下天然气日负荷预测的修正方案。在供暖季时期冷空气来临、寒流过境后气温回暖或准备回暖时,温度累积效应凸显,导致预测模型预测失真。本文在分析不同文献中修正公式的适用性,提出考虑低温持续天数、天然气日负荷随温度的变化速率等因素的温度累积效应修正公式,针对不同城市的日负荷变化特点设置相应修正系数参考值。对于极端低温时期,由于供暖时期日负荷、平均温度变化范围超出历史数据集将导致预测误差,本文从市场规模增长的角度出发提出修正系数求解方案,为城市天然气日负荷预测提供了新思路。