CN106779157A - 区域能源消费需求的预测方法 - Google Patents
区域能源消费需求的预测方法 Download PDFInfo
- Publication number
- CN106779157A CN106779157A CN201611028508.8A CN201611028508A CN106779157A CN 106779157 A CN106779157 A CN 106779157A CN 201611028508 A CN201611028508 A CN 201611028508A CN 106779157 A CN106779157 A CN 106779157A
- Authority
- CN
- China
- Prior art keywords
- energy
- demand
- consuming
- delta
- energy consumption
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000005265 energy consumption Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000011161 development Methods 0.000 claims abstract description 29
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 230000018109 developmental process Effects 0.000 claims description 27
- 238000011160 research Methods 0.000 claims description 18
- 230000001419 dependent effect Effects 0.000 claims description 16
- 230000008859 change Effects 0.000 claims description 14
- 239000003245 coal Substances 0.000 claims description 13
- 230000009471 action Effects 0.000 claims description 10
- 230000000694 effects Effects 0.000 claims description 10
- 238000011017 operating method Methods 0.000 claims description 5
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005096 rolling process Methods 0.000 claims description 3
- 230000033772 system development Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 230000003321 amplification Effects 0.000 description 2
- 238000003199 nucleic acid amplification method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 210000001367 artery Anatomy 0.000 description 1
- 239000003610 charcoal Substances 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 210000003462 vein Anatomy 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及区域能源消费需求的预测方法。为避免因能源供应不及时而制约经济发展,需要运用合理的数理方法预测能源消费需求,以及时提供区域能源供给。本发明运用灰色系统理论中的T型关联度模型确定影响能源消费需求的决定性因素,并综合采用移动平均法、时间序列模型、情景分析法等预测不同时期各因素的发展趋势,构建能源消费需求与影响因素的回归模型并通过显著性检验调整优化,以此预测相应的能源消费需求;在此基础上,利用自回归模型计算某一品类能源在能源总量中的占比,确定该能源的消费需求。本发明提高了预测结果的科学性,准确可靠,为确定区域间能源调配水平提供了重要依据。
Description
技术领域
本发明涉及属于能源需求预测技术领域,具体涉及一种区域能源消费需求的预测方法。
背景技术
能源是国家与区域经济增长和社会发展不可或缺的基础物资,控制国民经济命脉,决定区域综合实力的提升。伴随区域经济建设的快速推进,能源消费量也有了显著的增长,合理预测区域的能源消费需求水平,对有效配置能源供给、实现能源合理调配意义重大。
目前,中国正处于工业化和城镇化发展的重要阶段,经济发展迅速,而经济增长必然增加能源消费量,在各地区能源分布不均的背景下,必然带来大规模能源的调入与调出。根据区域社会经济发展进程以及发展规划,准确把握能源消费需求的演化规律,是实现区域间能源合理调配、促进区域间经济互通的基础,从根源上规避了因能源配置不均衡而制约经济发展的问题,因此需要构建科学的数学方法合理预测区域能源消费需求及发展趋势。
发明内容
本发明的目的是提供一种区域能源消费需求的预测方法,运用基于数理统计的非参数统计的敏感性分析方法(灰色关联度模型、主成份分析等)计算各主要因素对能源消费量影响程度的大小,运用统计回归模型确定经济增长情况、人口增长幅度、居民生活消费、产业结构调整等因素对区域能源消费水平的影响程度,从而确定能源消费与其影响因素之间的定量关系,进而确定影响能源消费的敏感性因素,作为指导能源消费需求预测的主要依据。
本发明所采用的技术方案为:
区域能源消费需求的预测方法,其特征在于:
包括以下步骤:
步骤一:以区域历年经济发展和能源消费的统计数据为基础,运用灰色系统理论中的T型关联度模型,从区域能源消费需求的影响因素中确定关键影响因素;
步骤二:以关键影响要素为自变量,区域能源消费总量为因变量,利用SPSS软件对回归方程进行拟合,确定能源消费总量与影响因素之间的关系模型;进一步通过显著性检验调整优化;
步骤三:以区域宏观经济发展规划为基础,确定不同影响要素的发展规律与变化趋势,综合运用移动平均法、时间序列模型、情景分析法预测研究年度各要素的发展水平;
步骤四:根据能源消费需求规模与影响要素的回归模型以及研究年度各要素的发展水平,计算研究年度能源消费需求规模;
步骤五:以某一具体品类能源消费的统计数据为基础确定其历年变化趋势,如煤炭,运用自回归模型计算其在能源总量中的占比;
步骤六:根据研究年度能源消费需求规模和某一具体品类能源在能源总量中的占比,计算此类能源研究年度消费需求。
步骤一中,T型关联度模型的操作步骤为:
(1)选定系统中反映系统行为特征的参考数列和影响系统行为特征的比较数列;
首先,指定参考数列,记为X0:
其次,建立比较数列,也称因素数列,记为Xi:
(2)运用归一化方法对参考数列和比较数列进行无量纲化处理,得到一个新的数列,分别记为X′0、X′i;
(3)依据因素的时间序列曲线的相对变化势态的接近程度来计算关联度;对于离散时间序列,所谓两曲线的相对变化势态的接近程度,是指两时间序列在对应各时段(Δtk=tk-tk-1)内变量经标准化后的增量值;若在时段Δtk间两增量相等或者趋于相等,则判定关联系数较大;假如在时间段Δtk间两增量不等且相差很大,则判定关联系数较小;对象系统关联度定义为时段Δtk间的关联系数的加权平均数;则X′0与X′i的关联度为:
其中:
(4)根据T型关联度计算的X′0与X′i关联度,确定各影响因素与预测对象的相关性大小,从而确定关键影响因素。
步骤三中,移动平均法的操作步骤为:
St=(At-1+At-2+…+At-n)/n
式中:
St——下一时期的预测值;
n——移动平均的时期个数;
At-1——前一时期的实际值;
At-2、At-n——分别为前两期、前n期的实际值。
本发明具有以下优点:
1、采用数理统计模型系统地确定了区域能源消费需求预测的关键影响因素,通过对关键影响因素的量化处理,提高预测结果的科学准确性。
2、运用关联模型计算影响因素对能源消费需求的影响程度,进一步运用回归方法构建区域能源预测模型,确定各主要因素的影响权重以及能源消费需求的变化趋势,确保预测结果的可靠性。
3、在预测模型建立的基础上,进一步确定不同时期不同影响因素的变化规律,判断能源消费需求的敏感性,能够准确掌握不同时代背景下能源消费需求的规模,是实现区域间能源均衡配置的重要基础。
附图说明
图1是区域能源消费需求预测的流程图;
图2是四川省因变量与自变量的关系散点图;
图3是重庆市因变量与自变量的关系散点图;
图4是对数变换后四川省因变量与自变量的关系散点图;
图5是对数变换后重庆市因变量与自变量的关系散点图。
具体实施方式
下面结合具体实施方式对本发明进行详细的说明。
合理预测区域能源消费需求需要科学的理论方法予以支持,本发明提供了一种符合区域社会经济发展规律、涵盖影响能源消费需求关键要素的预测方法,用于指导区域能源需求结构的确定,对进行区域社会经济发展规划与产业结构调整、确定能源配置结构提供基础支撑,是确定区域间能源调配水平的重要依据。本发明提出的方法是建立在大量数理统计基础资料的基础上,不仅能够准确挖掘影响能源消费需求的关键要素,而且能够及时掌握影响因素变化驱动能源需求规模变化的动态规律,对于准确预测区域能源消费需求提供有力的理论支持与科学的计算方法。
本发明采用灰色系统理论中的T型关联度模型确定影响区域能源消费的众多因素,筛选出关键的主导要素,进而进行能源消费总量与关键影响要素的回归分析,构建反映二者作用关系的数学模型,指导区域能源消费需求的预测,为能源供给方案的规划设计提供基础。具体包括以下步骤:
步骤一:以区域历年经济发展和能源消费的统计资料为基础,确定区域能源消费需求的影响因素,运用灰色系统理论中的T型关联度模型确定关键的影响因素;
步骤二:以关键影响要素为自变量、区域能源消费总量为因变量,利用SPSS软件对回归方程进行拟合,确定能源消费总量与影响因素之间的关系模型;进一步通过显著性检验调整优化;
步骤三:以区域宏观经济发展规划为基础,确定不同影响要素的发展规律与变化趋势,综合运用移动平均法、时间序列模型、情景分析法等多种方法预测研究年度各要素的发展水平;
步骤四:根据能源消费需求规模与影响要素的回归模型以及研究年度各要素的发展水平,计算研究年度能源消费需求规模;
步骤五:以某一具体品类能源(如煤炭)消费的统计数据为基础确定其历年变化趋势,运用自回归模型预测其在能源总量中的占比;
步骤六:根据研究年度能源消费需求规模和某一具体品类能源在能源总量中的占比,计算此类能源研究年度消费需求。
下面以川渝地区的煤炭消费需求预测为例对本发明进行详细地说明。
步骤一:区域能源消费的动因分析
区域经济增长规律、人口规模变化、居民生活消费水平、产业结构(主要表现为第二产业所占比例)、社会投资总量等因素均影响能源消费水平,运用基于数理统计的敏感性分析方法(如灰色关联度模型、主成份分析法等)计算各主要因素对能源消费需求量的影响程度,进而确定影响能源消费的敏感性因素,建立消费需求总量与影响要素之间的关系模型,从而预测区域的能源消费需求。
本发明采用灰色系统理论中的T型关联度模型确定影响区域能源消费的关键影响因素,其操作步骤如下:
(1)选定系统中反映系统行为特征的参考数列和影响系统行为特征的比较数列。反映系统行为因素特征的数据序列,称为特征参考数列,影响系统行为的因素组成的数据序列,称为比较数列。
首先,指定参考数据列,记为X0:
其次,建立比较数据列,也称因素数据列,记为Xi:
(2)运用归一化方法对参考数列和比较数列进行无量纲化处理,得到一个新的数列,分别记为X′0、X′i;
(3)按照因素的时间序列曲线的相对变化势态的接近程度来计算关联度。对于离散时间序列,所谓两曲线的相对变化势态的接近程度,是指两时间序列在对应各时段(Δtk=tk-tk-1)内变量经标准化后的增量值。若在时段Δtk间两增量相等或者趋于相等,则判定关联系数较大;假如在时间段Δtk间两增量不等且相差很大,则关联系数较小。对象系统关联度定义为时段Δtk间的关联系数的加权平均数。则X′0与X′i的关联度为:
其中:
(4)根据T型关联度计算的X′0与X′i的关联度,确定各影响因素与预测对象的相关性大小,从而确定关键影响因素。
根据四川省和重庆市社会经济各项指标的计算结果可知,影响能源消费量的前三大关键因素分别为经济增长、产业结构及固定资产投资(规模以上行业能耗)。
步骤二:关键影响因素的发展趋势预测
(1)川渝地区经济增长趋势预测
自2000年以来,四川省和重庆市的经济发展水平保持稳速增长。其中,四川省的GDP增幅最低为8.5%,最高为15.1%;重庆市的GDP增幅最低为8.5%,最高为17.1%,两地平均增幅均超过12%。因此,利用情景分析法预测地区的国民生产总值,具体设计以下三个情景,情景1:年均增长率10%(低方案)、情景2:年均增长率12%(中方案)、情景3:年均增长率为15%(高方案),预测结果如下表。
川渝地区GDP增长预测(亿元)
(2)川渝地区固定资产投资预测
考虑固定资产投资与经济增速的密切关系,利用投资弹性法预测研究年度的固定资产投资。其中,四川省平均弹性系数为1.076,预测在GDP分别增速10%、12%、15%的情况下固定资产投资增速分别为1.183、1.205、1.237。重庆市平均弹性系数为1.117,预测在GDP分别增速10%、12%、15%的情况下固定资产投资增速分别为1.229、1.251、1.284。预测固定资产投资如下表。
川渝地区固定资产投资预测表(亿元)
(3)四川省产业结构发展趋势预测
川渝地区刚刚进入工业化中期,处于加速发展阶段,产业规模、产业结构、区域布局、发展模式等逐步发生变化,同时工业发展面临国家进一步扩大内需、深入推进西部大开发、大力支持地震灾区发展振兴和产业加快调整转移、成渝经济区与藏区跨越式发展上升为国家战略的重大机遇。
采用移动平均法对川渝地区第二产业所占比重在未来十年的变化趋势进行预测,表示如下:
St=(At-1+At-2+…+At-n)/n
式中:
St——下一时期第二产业比重的预测值;
n——移动平均的时期个数;
At-1——前一时期的实际值;
At-2、At-n——分别为前两期、前n期的实际值。
同时,预测值必须满足∑(Ft,St,Tt)=100%的约束条件,Ft和Tt分别表示第一产业和第三产业在第t期所占的比重。经验证,当n=3时,预测值与实际值的误差最小。
四川省未来产业结构预测
年份 | 第一产业(%) | 第二产业(%) | 第三产业(%) | 合计(%) |
2017 | 13.42 | 51.66 | 34.92 | 100 |
2018 | 13.36 | 51.61 | 35.03 | 100 |
2019 | 13.35 | 51.61 | 35.04 | 100 |
2020 | 13.38 | 51.62 | 35 | 100 |
2021 | 13.36 | 51.61 | 35.02 | 100 |
2022 | 13.36 | 51.62 | 35.02 | 100 |
2023 | 13.37 | 51.62 | 35.01 | 100 |
2024 | 13.37 | 51.62 | 35.02 | 100 |
2025 | 13.37 | 51.62 | 35.02 | 100 |
(4)重庆市规模以上行业能耗趋势预测
目前,重庆市规模以上行业能源消费处于增长阶段,但增幅变缓。运用时间序列预测方法,预测未来几年重庆市规模以上行业能源消费量如下表所示。
重庆市规模以上行业能源消费预测值(万吨标准煤)
年份 | 消费量 | 年份 | 消费量 | 年份 | 消费量 |
2017 | 4152.83 | 2020 | 4083.76 | 2023 | 4072.29 |
2018 | 4027.68 | 2021 | 4060.99 | 2024 | 4068.47 |
2019 | 4071.75 | 2022 | 4072.15 | 2025 | 4070.97 |
步骤三:能源消费需求预测模型构建
根据前文的分析,影响能源消费的关键因素分别是GDP、固定资产投资、第二产业结构(川)和规模以上行业能耗(渝),利用回归分析法对川渝地区的能源消费需求进行预测,其中能源消费需求和影响因素可初步描述为:
Y=f(x1,x2,x3)
其中:
Y——四川、重庆的能源需求量;
x1——四川、重庆的GDP;
x2——四川、重庆的固定资产投资;
x3——对于四川,表示第二产业所占比重;对应重庆,表示规模以上行业能源消费。
具体操作过程如下:
(1)对自变量和因变量进行单因素统计描述,如图2所示,结果显示三个因素均与能源消费需求呈正相关,但随着x1、x2的增长,因变量Y的增长趋势变缓,与现实中单位GDP能耗不断下降的变化规律相符。
(2)令Z1=ln(x1),Z2=ln(x2),分析Y随Z1、Z2变化的变化趋势。结果表明,用对数代替原有自变量后,新的自变量与因变量之间呈线性相关,如图3所示。
(3)基于上述分析,建立四川省能源消费自变量和因变量的函数表达式:
Ys=β0+β1Z1+β2Z2+β3x3+β4Z1Z2+β5Z1x3+β6Z2x3+β7Z1Z2x3
其中:
Ys——四川省能源需求量;
Z1Z2、Z1x3、Z2x3、Z1Z2x3——自变量之间的交互效应;
β0——常数;
βi(i=1,2,…,7)——自变量及其交互效应的系数。
步骤四:能源消费需求预测模型检验
基于自变量和因变量的实际值,利用SPSS对回归方程进行拟合。统计结果表明,因变量与自变量之间的相关程度R为99.7%,说明自变量和因变量之间有较高相关性;样本判定系数R2=99.4%,说明Ys的变动中有99.4%可以由自变量解释。
在对回归方程的显著性检验中,F统计量的实际显著性水平sig≈0,远小于α=0.05,所以回归方程线性关系显著,结果如下表所示。
四川省能源消费回归模型拟合分析
在对回归方程系数的显著性检验中,常数和Z1系数的t统计量所对应的显著水平均小于α=0.05,因此,常数和Z1对Ys的线性作用显著。Z2、x3系数的t统计量所对应的显著水平大于0.05,线性关系不显著。但由于回归方程总体显著,Z1一部分变量由Z2、x3解释。
在自变量的交互效应中,除Z1Z2x3以外,Z1Z2、Z1x3、Z2x3的线性关系均不显著,予以剔除。将Z1=ln(x1),Z2=ln(x2)代入该线性回归模型,形成四川省能源消费的多元非线性回归模型如下:Ys=-34118.45+5273.638ln(x1)-248.622ln(x2)-198.897x3+2.081ln(x1)ln(x2)x3将所拟合的回归模型应用于四川省历史数据,对模型的有效性进行验证。均方误差MSE=313.29万吨,最大误差6.94%,最小误差0.33%,表明模型具有较好的拟合效果。
同理,基于自变量和因变量的实际值对重庆市回归方程进行拟合,输出结果如下表所示。统计结果表明,因变量与自变量之间的相关程度R为99.6%,说明自变量和因变量之间有较高相关性;样本判定系数R2=99.2%,说明Ys的变动中有99.2%可以由自变量解释。
在对回归方程的显著性检验中,F统计量的实际显著性水平sig≈0,远小于α=0.05,所以回归方程线性关系显著。
重庆市能源消费回归模型拟合分析
在对回归方程系数的显著性检验中,常数和Z1系数的t统计量所对应的显著水平均小于α=0.05,因此,常数和Z1对Ys的线性作用显著。Z2、x3系数的t统计量所对应的显著水平大于0.05,线性关系不显著。但由于回归方程总体显著,Z1一部分变量由Z2、x3解释。
在自变量的交互效应中,除Z1Z2x3以外,Z1Z2、Z1x3、Z2x3的线性关系均不显著,予以剔除。将Z1=ln(x1),Z2=ln(x2)代入该线性回归模型,形成重庆市能源消费的多元非线性回归模型如下:
Ys=-23712.87+5027.94ln(x1)-1854.09ln(x2)+0.933x3-0.006ln(x1)ln(x2)x3
将所拟合的回归模型应用于重庆市历史数据,对模型的有效性进行验证。其中,均方误差MSE=173.64万吨,最大误差7.59%,最小误差0.07%,表明该模型具有较好的拟合效果。
步骤五:川渝地区煤炭消费需求预测
根据历年发展规律显示,川渝地区的煤炭消费量整体上呈上升趋势,样本序列不平稳;而原煤消费量与能源消费量的比值呈下降趋势,但该比值在一定范围内变化,样本序列相对平稳。因此,利用自回归模型(AR)对该比值进行预测,基本表述为:
Yt=φ1Yt-1+φ2Yt-2+…+φpYt-p+ε
式中:
Yt——第t个时间的预测值,为一个平稳时间序列;
φi(i=1,2,…,p)——模型的待定系数;
p——自回归模型的阶数;
ε——误差。
经过统计分析,四川省和重庆市AR模型的阶数p均取3,四川省的待定系数为φs={0.515,0.235,0.22},重庆市的待定系数为φc={0.456,0.271,0.258},由此生成未来十年原煤与能源消费量的比值,并进一步预测出未来十年原煤需求量。折合成标准煤后,预计到2025年,四川省煤炭消费量约占能源消费的44.07%,重庆市煤炭消费量约占能源消费的65.14%。
川渝地区未来原煤需求量预测(万吨)
通过预测值与实际值的对比,误差较小,说明预测结果比较可靠。
本发明的内容不限于实施例所列举,本领域普通技术人员通过阅读本发明说明书而对本发明技术方案采取的任何等效的变换,均为本发明的权利要求所涵盖。
Claims (3)
1.区域能源消费需求的预测方法,其特征在于:
包括以下步骤:
步骤一:以区域历年经济发展和能源消费的统计数据为基础,运用灰色系统理论中的T型关联度模型,从区域能源消费需求的影响因素中确定关键影响因素;
步骤二:以关键影响要素为自变量,区域能源消费总量为因变量,利用SPSS软件对回归方程进行拟合,确定能源消费总量与影响因素之间的关系模型;进一步通过显著性检验调整优化;
步骤三:以区域宏观经济发展规划为基础,确定不同影响要素的发展规律与变化趋势,综合运用移动平均法、时间序列模型、情景分析法预测研究年度各要素的发展水平;
步骤四:根据能源消费需求规模与影响要素的回归模型以及研究年度各要素的发展水平,计算研究年度能源消费需求规模;
步骤五:以某一具体品类能源消费的统计数据为基础确定其历年变化趋势,如煤炭,运用自回归模型计算其在能源总量中的占比;
步骤六:根据研究年度能源消费需求规模和某一具体品类能源在能源总量中的占比,计算此类能源研究年度消费需求。
2.根据权利要求1所述的区域能源消费需求的预测方法,其特征在于:
步骤一中,T型关联度模型的操作步骤为:
(1)选定系统中反映系统行为特征的参考数列和影响系统行为特征的比较数列;
首先,指定参考数列,记为X0:
其次,建立比较数列,也称因素数列,记为Xi:
(2)运用归一化方法对参考数列和比较数列进行无量纲化处理,得到一个新的数列,分别记为X′0、X′i;
(3)依据因素的时间序列曲线的相对变化势态的接近程度来计算关联度;对于离散时间序列,所谓两曲线的相对变化势态的接近程度,是指两时间序列在对应各时段(Δtk=tk-tk-1)内变量经标准化后的增量值;若在时段Δtk间两增量相等或者趋于相等,则判定关联系数较大;假如在时间段Δtk间两增量不等且相差很大,则判定关联系数较小;对象系统关联度定义为时段Δtk间的关联系数的加权平均数;则X′0与X′i的关联度为:
其中:
(4)根据T型关联度计算的X′0与X′i关联度,确定各影响因素与预测对象的相关性大小,从而确定关键影响因素。
3.根据权利要求1所述的区域能源消费需求的预测方法,其特征在于:
步骤三中,移动平均法的操作步骤为:
St=(At-1+At-2+…+At-n)/n
式中:
St——下一时期的预测值;
n——移动平均的时期个数;
At-1——前一时期的实际值;
At-2、At-n——分别为前两期、前n期的实际值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028508.8A CN106779157A (zh) | 2016-11-18 | 2016-11-18 | 区域能源消费需求的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611028508.8A CN106779157A (zh) | 2016-11-18 | 2016-11-18 | 区域能源消费需求的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106779157A true CN106779157A (zh) | 2017-05-31 |
Family
ID=58971231
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611028508.8A Pending CN106779157A (zh) | 2016-11-18 | 2016-11-18 | 区域能源消费需求的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106779157A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086941A (zh) * | 2018-08-16 | 2018-12-25 | 华北电力大学 | 一种能源消费预测方法 |
CN111292126A (zh) * | 2020-01-20 | 2020-06-16 | 拉扎斯网络科技(上海)有限公司 | 供需分析方法、装置、设备及可读存储介质 |
CN111861260A (zh) * | 2020-07-30 | 2020-10-30 | 国网山东省电力公司寿光市供电公司 | 一种基于能源大数据的区域能源经济运行及能效分析方法及终端 |
CN111967650A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于模型对比的能源消费预测系统及其预测方法 |
CN112365080A (zh) * | 2020-11-23 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种能源回弹效应预测方法及计算机可读存储介质 |
CN113077107A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求预测系统 |
CN113077108A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求的数据预测系统 |
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
CN113379155A (zh) * | 2021-06-29 | 2021-09-10 | 哈尔滨工业大学 | 一种基于村镇人口预测评估生物质能发展适宜性的方法 |
CN113610288A (zh) * | 2021-07-28 | 2021-11-05 | 华北电力大学 | 一种电力需求预测方法、装置及存储介质 |
CN113626755A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN115809783A (zh) * | 2022-12-09 | 2023-03-17 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法及装置 |
-
2016
- 2016-11-18 CN CN201611028508.8A patent/CN106779157A/zh active Pending
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109086941A (zh) * | 2018-08-16 | 2018-12-25 | 华北电力大学 | 一种能源消费预测方法 |
CN111292126A (zh) * | 2020-01-20 | 2020-06-16 | 拉扎斯网络科技(上海)有限公司 | 供需分析方法、装置、设备及可读存储介质 |
CN111292126B (zh) * | 2020-01-20 | 2021-03-23 | 拉扎斯网络科技(上海)有限公司 | 供需分析方法、装置、设备及可读存储介质 |
CN111967650A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种基于模型对比的能源消费预测系统及其预测方法 |
CN111861260A (zh) * | 2020-07-30 | 2020-10-30 | 国网山东省电力公司寿光市供电公司 | 一种基于能源大数据的区域能源经济运行及能效分析方法及终端 |
CN112365080A (zh) * | 2020-11-23 | 2021-02-12 | 南方电网能源发展研究院有限责任公司 | 一种能源回弹效应预测方法及计算机可读存储介质 |
CN113077107A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求预测系统 |
CN113077108A (zh) * | 2021-04-19 | 2021-07-06 | 国网浙江省电力有限公司物资分公司 | 一种电力物资配置需求的数据预测系统 |
CN113205225A (zh) * | 2021-05-27 | 2021-08-03 | 中国科学院地理科学与资源研究所 | 一种碳排放达峰的关键因子识别方法、系统及数据平台 |
CN113379155A (zh) * | 2021-06-29 | 2021-09-10 | 哈尔滨工业大学 | 一种基于村镇人口预测评估生物质能发展适宜性的方法 |
CN113610288A (zh) * | 2021-07-28 | 2021-11-05 | 华北电力大学 | 一种电力需求预测方法、装置及存储介质 |
CN113626755A (zh) * | 2021-08-10 | 2021-11-09 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN113626755B (zh) * | 2021-08-10 | 2024-04-05 | 中国科学院科技战略咨询研究院 | 基于传导路径的家庭能源消费需求结构监测方法及装置 |
CN115809783A (zh) * | 2022-12-09 | 2023-03-17 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法及装置 |
CN115809783B (zh) * | 2022-12-09 | 2023-09-29 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106779157A (zh) | 区域能源消费需求的预测方法 | |
CN103336891B (zh) | 一种用于配电网状态估计的伪量测生成方法 | |
Liu et al. | Cross-validation for the uncertain Chapman-Richards growth model with imprecise observations | |
CN105678404A (zh) | 基于网购电和动态关联因子的微电网负荷预测系统及方法 | |
CN104657788A (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
CN111553394B (zh) | 基于循环神经网络和关注机制的水库水位预测方法 | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN105139079A (zh) | 一种基于混合模型的税收收入预测方法及装置 | |
CN108334988A (zh) | 一种基于svm的短期电网负荷预测方法 | |
Maltais et al. | Predictability analysis of domestic hot water consumption with neural networks: From single units to large residential buildings | |
CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
CN110135634A (zh) | 中长期电力负荷预测装置 | |
CN104881707A (zh) | 一种基于集成模型的烧结能耗预测方法 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN104408317A (zh) | 一种基于Bootstrap回声状态网络集成的冶金企业煤气流量区间预测方法 | |
Shakouri G et al. | Selection of the best ARMAX model for forecasting energy demand: case study of the residential and commercial sectors in Iran | |
Hu et al. | Prediction of passenger flow on the highway based on the least square suppoert vector machine | |
CN105320991A (zh) | 基于因素的钢铁企业工序能耗预测方法 | |
Pashchenko | Analysis of the Quality of Predictive Models of Macroeconomic Parameters of Moscow for the Period of 10 years | |
CN111429979A (zh) | 一种基于支持向量机分位数回归的钢材力学性能预测方法 | |
Li et al. | Dynamic Response Analysis Among Environmental Regulation, Technological Progress and Water Resource Consumption in China's Textile Industry. | |
CN105654197A (zh) | 一种基于灰色理论的综合计划投入总盘预测方法 | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
CN104200283A (zh) | 一种基于因子-主属性模型的中长期电力负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170531 |
|
RJ01 | Rejection of invention patent application after publication |