CN109190830A - 基于经验分解和组合预测的能源需求预测方法 - Google Patents
基于经验分解和组合预测的能源需求预测方法 Download PDFInfo
- Publication number
- CN109190830A CN109190830A CN201811056330.7A CN201811056330A CN109190830A CN 109190830 A CN109190830 A CN 109190830A CN 201811056330 A CN201811056330 A CN 201811056330A CN 109190830 A CN109190830 A CN 109190830A
- Authority
- CN
- China
- Prior art keywords
- prediction
- error
- energy
- energy demand
- industry
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 144
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 15
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000009499 grossing Methods 0.000 claims description 19
- 238000013459 approach Methods 0.000 claims description 7
- 230000005484 gravity Effects 0.000 claims description 7
- 238000004519 manufacturing process Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 abstract description 11
- 238000012163 sequencing technique Methods 0.000 abstract description 4
- -1 electricity Substances 0.000 abstract 1
- 238000013277 forecasting method Methods 0.000 description 9
- 238000005265 energy consumption Methods 0.000 description 7
- 238000011160 research Methods 0.000 description 5
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 239000007789 gas Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008520 organization Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 244000144980 herd Species 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003860 storage 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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及需求预测领域，公开了一种基于经验分解和组合预测的能源需求预测方法，提高能源需求预测的精度以及便于实现程序化。本发明步骤首先利用经验分解技术将社会的能源消耗量进行行业分解，得到各个子行业的能源消耗量；然后采用组合预测的方法对各个子行业的能源需求进行预测；最后基于所有子行业的能源需求预测值计算社会的能源需求预测值。本发明适用于水、电、气等能源需求预测。
Description
技术领域
本发明涉及需求预测领域，尤其涉及基于经验分解和组合预测的能源需求预测方法。
背景技术
能源在任何国家都对经济增长和发展起着至关重要的作用，能源需求预测是实现可维护能源管理和维护调度目标以及现代能源管理安全运行的首要前提。且由于经济增长，有效并且准确的能源需求预测模型的重要性更是日益凸显，针对预测方法的研究更是引起了重大研究的关注。近年来，无论是在科学角度还是工程角度上，都有大量学者提出了有关能源需求预测的方法。就目前研究成果来看，主要有两种预测方法：一是经典预测模型(即统计预测模型)，二是现代智能预测模型(即机器学习模型)。
在“一种基于向量自回归模型的电力需求预测方法(申请号CN201711075768.5)”中公开了一种通过收集预测地区的经济数据和能源数据并利用向量自回归模型进行能源需求预测的一种方法，该专利结合统计局公布的经济数据和能源系统的能源消费数据，通过时间序列的相关性分析和因果性分析，对目标地区(国家、省、城市)的能源消费影响因素进行分析。确定对电力消费影响最大的经济指标，并将相应数据导出构成内生变量；同时，可以选择不同的数据时间间隔来预测不同周期下的电力消费；基于分析结果，建立目标地区(国家、省、城市)的经济数据与电力需求的向量自回归模型来预测未来能源消费。但是该方法所具有的稳定性对选定的经济指标有强依赖性，在现实世界中，某些经济指标的具体预测值不易得到；另外，由于不同地区可能依赖的具体指标不同，因此该方法不容易程序化。而只依赖于本身数据的方法则不存在以上困扰。
在“一种基于主导行业的电力需求预测及预警的方法(申请号CN104794535A)”中公开了一种基于主导行业的电力需求预警的方法，此发明通过相关性分析确定可能的预警主导行业，通过对行业用电消费量数据的增长率、衰减率进行比较分析，将相关事件视为随机变量，用统计频率代替事件概率，确定随机变量的概率分布；计算行业用量与全社会用电量的互信息量，比较互信息量的大小，以完成面向电量需求预警的主导行业辨识功能；基于主导行业所产生的预警信号，可对后续的能源需求预测进行滚动修正，从而提高电力需求预测的准确性，以及对于电力需求增长或下降异常情况辨识的准确性。但是该方法主要用于分析用电量数据的增长率、衰减率从而完成面向用电量需求预警，针对全社会用电量预测的精度提高要进行修正。
此外，目前对于分解预测，组合预测和动态预测方法分别都进行了一些研究，但仍需要一些工作去提高预测精度，且并不存在糅合上述几种方法的模型。因此亟需对相关问题进行研究，提出无论是精度还是稳定度上都令人满意的相关预测方法，对相关部门的能源安排提供科学指导。
发明内容
本发明要解决的技术问题是：提供一种基于经验分解和组合预测的能源需求预测方法，提高能源需求预测的精度以及便于实现程序化。
为解决上述问题，本发明采用的技术方案是：基于经验分解和组合预测的能源需求预测方法，包括以下步骤：
步骤1：利用经验分解技术将社会的能源消耗量进行行业分解，得到各个子行业的能源消耗量；
步骤2：采用组合预测的方法对各个子行业的能源需求进行预测，其中，对任意一个子行业A的能源需求预测的步骤包括：
步骤21：基于子行业A的能源消耗量，同时采用多种预测方法对子行业A的能源需求进行预测，并计算每种预测方法的预测值在各种误差指标下的预测误差；
步骤22：基于步骤21计算的预测误差求出每种误差指标的权重；同时基于步骤21计算的预测误差求出各种误差指标下每种预测方法的权重；
步骤23：根据每种误差指标的权重以及该种误差指标下每种预测方法的权重，求出每种预测方法的权重；
步骤24：根据每种预测方法的权重并采用组合预测的方法，得到子行业A的能源需求预测值；
步骤3：基于所有子行业的能源需求预测值计算社会的能源需求预测值。
进一步的，所述能源为水能源、电能源或者气能源。
进一步的，为了更精细的对能源进行分解，步骤1可以按生产生活的能源消费性质、产业类别、行业所属大类，将全社会能源需求进行四次分解。
进一步的，步骤21中，预测方法可以包括以下6种：简单移动平均法、有线性趋势的加权移动平均法、趋势性指数平滑预测法、带线性趋势的二次指数平滑预测法、加法周期法和乘法周期法；
误差指标可以包括以下5种：平均绝对偏差、平均平方误差、平均预测误差、平均绝对百分误差和跟踪信号误差。
进一步的，步骤22利用熵权法求出每种误差指标的权重，获得第j种误差指标的权重的具体步骤包括：
步骤221：计算每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度；
步骤222：根据每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度计算误差指标j下各种预测方法的比重；
步骤223：根据误差指标j下各种预测方法的比重计算误差指标j的熵值；
步骤224：根据误差指标j的熵值以及所有误差指标的熵值计算误差指标j的权重。
进一步的，为了更合理的计算接近度，步骤221计算第j种误差指标下第i种预测方法的预测误差值xij与第j种误差指标的理想值之间的接近度rij的公式如下：
其中，
本发明的有益效果是：本发明通过引入基于熵的误差评价指标，来糅合经验分解技术以及组合预测方法，提高能源需求预测的精度。此方法所用到的数据只包括全社会能源消费量数据以及行业能源消费量数据，不涉及其他经济指标的数据。另外，在本预测方法中，组合预测模型所采用的单一预测模型都是简单的移动平均和指数平滑模型，这些方法最明显的优点就是计算简单，因此可程序化，且程序化之后的计算效率较高。
与传统的分解预测和组合预测相比，本发明通过首先将全社会能源的消耗量分解成子行业的消耗量，然后对每个子行业应用不同的组合模型，且组合模型的权重值由改进的熵权法得出。从方法更能够抓住该行业能源消耗量的特点(例如趋势、季节或周期)，因此具有自适应性，从而使得预测的精度和准确度都得到提高。
附图说明
图1是本发明的流程图。
图2是全社会能源消费量分解图。
图3是本发明程序化流程图。
具体实施方式
本发明针对现有技术存在的不足，提供一种拥有机器学习能力的动态自适应的能源需求预测方法，通过引入基于熵的误差评价指标、采用经验分解技术以及组合预测方法从而提高能源需求预测的精度。如图1所示，其具体步骤包括：
步骤1：利用经验分解技术将全社会的能源消耗量进行行业分解，得到各个子行业的能源消耗量。
所述能源可以为水能源、电能源或者气能源，利用经验分解技术，本发明可以按生产、生活的能源消费性质，产业类别，行业所属大类，将全社会能源消费量进行四次分解。如图2，其中四次分解包含的行业有：农、林、牧、渔业，包括，农业，林业，畜牧业，渔业，农、林、牧、渔服务业；采矿业、制造业、电力、燃气及水的生产和供应业；建筑业；交通运输业，仓储业，邮政业；电信和其他信息传输服务业，计算机服务和软件业；批发和零售业，住宿和餐饮业；金融业，房地产业，租赁和商务服务业、居民服务和其他服务业；科学研究、技术服务和地质勘查业，水利、环境和公共设施管理业，教育、文化、体育和娱乐业，卫生、社会保障和社会福利业，公共管理和社会组织、国际组织。
步骤2：通过组合预测的方法对各个子行业的能源需求进行预测，从而得到所有子行业的能源需求预测值。各个子行业的能源需求预测可以采用同样的流程步骤，这里以任意一个子行业A的能源需求预测的步骤为例，对子行业的能源需求预测的步骤进行具体说明，子行业A的能源需求预测的步骤如下：
步骤21：基于子行业A的能源消耗量，同时采用多种预测方法对子行业A的能源需求进行预测，并计算每种预测方法的预测值在各种误差指标下的预测误差。
本步骤中，预测方法可以包括以下6种：简单移动平均法、有线性趋势的加权移动平均法、趋势性指数平滑预测法、带线性趋势的二次指数平滑预测法、加法周期法和乘法周期法；误差指标以下包括5种：平均绝对偏差、平均平方误差、平均预测误差、平均绝对百分误差和跟踪信号误差。
6种预测方法的原理如下：
1、简单移动平均法(MA)
其中，St是平滑水平，l是移动期数，和yt分别是第t时期的预测值和实际值。移动平均法是一种改良的算术平均法，是一种最简单的自适应预测模型。它根据近期数据对预测值影响较大，而远期数据对预测值影响较小的事实，把平均数逐期移动。移动期数的大小视具体情况而定，移动期数少，能快速地反映变化，但不能反映变化趋势；移动期数多，能反映变化趋势，但预测值带有明显的滞后偏差。
2、有线性趋势的加权移动平均法(MAT)
St′＝St′-1+a[(l-1)yt+(m+1)yt-l-2mSt-1],
其中，l是移动期数，且a＝6/[m(m2-1)],St和S’t分别是t时期的平滑水平和其衍生值，和yt分别是第t时期的预测值和实际值。
3、趋势性指数平滑预测法(SEST)
St＝αyt+(1-α)(St-1+Tt-1),
Tt＝β(St-St-1)+(1-β)Tt-1,
其中，α,β是平滑系数，且0≤α≤1,0≤β≤1。St和Tt分别是t时期的平滑水平和趋势，和yt分别是第t时期的预测值和实际值。
4、带线性趋势的二次指数平滑预测法(DEST)
带线性趋势的二次指数平滑预测法为
St＝αyt+(1-α)St-1,
St′＝αSt+(1-α)S′t-1,
其中，α是平滑系数，且0≤α≤1。St是t时期的平滑水平，其默认值S0＝S0＝y1，和yt分别是第t时期的预测值和实际值。
5、Holt-Winters加法周期法(HWA)
St＝α(yt-Dt-c)+(1-α)(St-1+Tt-1),
Tt＝β(St-St-1)+(1-β)Tt-1,
Dt＝γ(yt-St)+(1-γ)Dt-c,
etc,
其中，c是季节周期，α,β,γ是平滑系数。且0≤α≤1,0≤β≤1,0≤γ≤1,St,Tt,Dt分别是t时期的平滑水平、趋势和季节因子，和yt分别是第t时期的预测值和实际值。
6、Holt-Winters乘法周期法(HWM)
Tt＝β(St-St-1)+(1-β)Dt-c,
etc,
其中，c是季节周期，α,β,γ是平滑系数。且0≤α≤1,0≤β≤1,0≤γ≤1，St,Tt,Dt分别是t时期的平滑水平、趋势和季节因子，和yt分别是第t时期的预测值和实际值。
5种误差指标的计算原理如下：
1、平均绝对偏差(Mean Absolute Deviation,MAD)
平均绝对偏差就是整个预测期内实际测量值与对应期预测值的绝对偏差的平均值。用公式表示为
其中，At表示时期t的实际值，Ft表示时期t的预测值，n是观测期的个数。
2、平均平方误差(Mean Square Error,MSE)
平均平方误差用公式表示为
MSE与MAD类似，虽然可以较好反映预测精度，但无法衡量无偏性。
3、平均预测误差(Mean Forecast Error,MFE)
平均预测误差是预测误差的和的平均值。其公式为
为预测误差滚动和(Running sum of Forecast Errors,RSFE)。如果预测模型是无偏的。RSFE应该接近0，即MFE应接近于0。因而MFE能很好的衡量模型的无偏性，但不能反映预测值偏离实际值的程度。
4、平均绝对百分误差(Mean Absolute Percentage Error,MAPE)
平均绝对百分误差的公式如下所示
5、跟踪信号(Tracking Signal,TS)
跟踪信号也是衡量无偏性的一种指标。当TS比较接近于0时，预测模型可认为有效。
步骤22：基于步骤21计算的预测误差求出每种误差指标的权重；同时基于步骤21计算的预测误差求出各种误差指标下每种预测方法的权重。
①本步骤可以利用熵权法求出每种误差指标的权重，获得第j种误差指标的权重的具体步骤包括：
1)：建立误差矩阵其中：xij表示第j种误差指标下第i种预测方法的预测误差；m为预测方法数量，若步骤21采用了简单移动平均法、有线性趋势的加权移动平均法、趋势性指数平滑预测法、带线性趋势的二次指数平滑预测法、加法周期法和乘法周期法6种预测方法，则m＝6；n为误差指标的数量，若步骤21采用了平均绝对偏差、平均平方误差、平均预测误差、平均绝对百分误差和跟踪信号误差指标，则n＝5；
2)计算每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度。例如计算第j种误差指标下第i中预测方法的预测误差值xij与误差指标j的理想值之间的接近度rij，可采用如下公式：
其中，
3)：根据每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度计算误差指标j下各种预测方法的比重，公式如下：
其中，pij为第j中误差指标下第i种预测方法的比重。
4)：根据误差指标j下各种预测方法的比重计算误差指标j的熵值，可采用如下公式：
其中，k＝1/ln m，Ej为第j种误差指标的熵值。
5)：根据误差指标j的熵值以及所有误差指标的熵值计算误差指标j的权重，可采用如下公式：
其中，qj为第j种误差指标的权重，
②在求解各种误差指标下每种预测方法的权重时，本步骤可以根据每种误差指标下每种预测方法的预测误差来计算每种误差指标的权重，可采用如下公式：
其中，为第j种误差指标下第i种预测方法的权重，xij为第j种误差指标下第i种预测方法的预测误差。
步骤23：根据每种误差指标的权重以及该种误差指标下预测方法的权重，求出每种预测方法的权重，可采用如下公式：
其中，wi表示第i种预测方法的权重。
步骤24：根据每种预测方法的权重并采用组合预测的方法，得到子行业A的能源需求预测值FA，可采用如下公式：
其中，fi为第i种预测方法的预测值。
步骤3：基于所有子行业的能源需求预测值计算全社会的能源需求预测值。可通过将所有子行业的能源需求预测值求和得到全社会的能源需求预测值。
综上，本发明通过引入基于熵的误差评价指标，来糅合经验分解技术以及组合预测方法，提高能源需求预测的精度。此方法所用到的数据只包括全社会能源消费量数据以及行业能源消费量数据，不涉及其他经济指标的数据。另外，在本预测方法中，组合预测模型所采用的单一预测模型都是简单的移动平均和指数平滑模型，这些方法最明显的优点就是计算简单，因此可程序化，且程序化之后的计算效率较高。本发明程序化之后的流程图如图3所示，以下结合图3对其流程进行简单说明。
首先，假设我们已按照图1的方式，将全社会能源消费量进行四次分解，分解为23个子行业，将23个子行业编号为1、2、3、……、23，程序开始执行时向系统输入所有子行业的能源消耗数据，即输入23个时间序列s41-s423；
令j＝1，系统开始对第一个子行业的的能源需求进行预测；
首先，基于第一个子行业的能源消耗量，同时采用简单移动平均法(MA)、有线性趋势的加权移动平均法(MAT)、趋势性指数平滑预测法(SEST)、带线性趋势的二次指数平滑预测法(DEST)、加法周期法(HWA)和乘法周期法(HMW)6种预测方法对子行业A的能源需求进行预测，并计算每种预测方法的预测值在平均绝对偏差(MAD)、平均平方误差(MSE)、平均预测误差(CFE)、平均绝对百分误差(MAPE)和跟踪信号误差(Tracking Signal)5种误差指标下的预测误差；
然后，基于上述计算的预测误差并利用熵权法求出每种误差指标的权重，求出的第b种误差指标的权重可表示为Pb，b＝a＝1、2、……、5；同时基上述计算的预测误差求出各种误差指标下每种预测方法的权重，求出的第b种评价指标下第a种预测方法的权重可表示为
然后，根据每种误差指标的权重以及该种误差指标下每种预测方法的权重，求出每种预测方法的权重，求出的第a种预测方法的权重可表示为wa，a＝1、2、……、6，wa的计算公式为：
然后，根据每种预测方法的权重并采用组合预测的方法，得到第一个子行业的能源需求预测值F41，
其中，fa为第a种预测方法的预测值。
以此类推，令j＝2，系统开始对第二个子行业的的能源需求进行预测，直到j＝23，完成23个子行业的的能源需求进行预测,得到23个子行业的能源需求预测值F41-F423；
最后，将所有子行业的能源需求预测值求和得到全社会的能源需求预测值G，即
Claims (7)
1.基于经验分解和组合预测的能源需求预测方法，其特征在于，包括如下步骤：
步骤1：利用经验分解技术将社会的能源消耗量进行行业分解，得到各个子行业的能源消耗量；
步骤2：采用组合预测的方法对各个子行业的能源需求进行预测，其中，对任意一个子行业A的能源需求预测的步骤包括：
步骤21：基于子行业A的能源消耗量，同时采用多种预测方法对子行业A的能源需求进行预测，并计算每种预测方法的预测值在各种误差指标下的预测误差；
步骤22：基于步骤21计算的预测误差求出每种误差指标的权重；同时基于步骤21计算的预测误差求出各种误差指标下每种预测方法的权重；
步骤23：根据每种误差指标的权重以及该种误差指标下每种预测方法的权重，求出每种预测方法的权重；
步骤24：根据每种预测方法的权重并采用组合预测的方法，得到子行业A的能源需求预测值；
步骤3：基于所有子行业的能源需求预测值计算社会的能源需求预测值。
2.如权利要求1所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，所述能源为水能源、电能源或者气能源。
3.如权利要求1所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，步骤1按生产生活的能源消费性质、产业类别、行业所属大类，将全社会能源需求进行四次分解。
4.如权利要求1所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，步骤21中，预测方法包括以下6种：简单移动平均法、有线性趋势的加权移动平均法、趋势性指数平滑预测法、带线性趋势的二次指数平滑预测法、加法周期法和乘法周期法。
5.如权利要求1所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，步骤21中，误差指标包括以下5种：平均绝对偏差、平均平方误差、平均预测误差、平均绝对百分误差和跟踪信号误差。
6.如权利要求1所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，步骤22利用熵权法求出每种误差指标的权重，获得第j种误差指标的权重的具体步骤包括：
步骤221：计算每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度；
步骤222：根据每种预测方法在误差指标j下的预测误差值与误差指标j的理想值之间的接近度计算误差指标j下各种预测方法的比重；
步骤223：根据误差指标j下各种预测方法的比重计算误差指标j的熵值；
步骤224：根据误差指标j的熵值以及所有误差指标的熵值计算误差指标j的权重。
7.如权利要求6所述的基于经验分解和组合预测的能源需求预测方法，其特征在于，步骤221计算第j种误差指标下第i种预测方法的预测误差值xij与第j种误差指标的理想值之间的接近度rij的公式如下：
其中，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811056330.7A CN109190830B (zh) | 2018-09-11 | 2018-09-11 | 基于经验分解和组合预测的能源需求预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811056330.7A CN109190830B (zh) | 2018-09-11 | 2018-09-11 | 基于经验分解和组合预测的能源需求预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109190830A true CN109190830A (zh) | 2019-01-11 |
| CN109190830B CN109190830B (zh) | 2021-11-30 |
Family
ID=64910219
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811056330.7A Active CN109190830B (zh) | 2018-09-11 | 2018-09-11 | 基于经验分解和组合预测的能源需求预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109190830B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100179974A1 (en) * | 2009-01-10 | 2010-07-15 | Industrial Technology Research Institute | Signal Processing Method for Hierarchical Empirical Mode Decomposition and Apparatus Therefor |
| TW201232489A (en) * | 2011-01-31 | 2012-08-01 | Huey-Kuo Chen | A travel time prediction and arrival time inquiry system for school bus using HHT technique and grey theory |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN104598998A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济增长指标的能源需求量预测方法 |
| CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
| CN106169101A (zh) * | 2016-01-13 | 2016-11-30 | 国家电网公司 | 一种基于结构分解的能源需求预测方法 |
| CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学（保定） | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
-
2018
- 2018-09-11 CN CN201811056330.7A patent/CN109190830B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20100179974A1 (en) * | 2009-01-10 | 2010-07-15 | Industrial Technology Research Institute | Signal Processing Method for Hierarchical Empirical Mode Decomposition and Apparatus Therefor |
| TW201232489A (en) * | 2011-01-31 | 2012-08-01 | Huey-Kuo Chen | A travel time prediction and arrival time inquiry system for school bus using HHT technique and grey theory |
| CN104008432A (zh) * | 2014-06-03 | 2014-08-27 | 华北电力大学 | 基于emd-kelm-ekf的微网短期负荷预测方法 |
| CN104598998A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济增长指标的能源需求量预测方法 |
| CN104915736A (zh) * | 2015-06-29 | 2015-09-16 | 东北电力大学 | 基于改进熵权法提高风电功率组合预测精度的方法 |
| CN106169101A (zh) * | 2016-01-13 | 2016-11-30 | 国家电网公司 | 一种基于结构分解的能源需求预测方法 |
| CN106846173A (zh) * | 2016-12-30 | 2017-06-13 | 国网新疆电力公司电力科学研究院 | 基于ewt‑esn的短期风电功率预测方法 |
| CN107144428A (zh) * | 2017-03-17 | 2017-09-08 | 北京交通大学 | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 |
| CN108233417A (zh) * | 2018-01-22 | 2018-06-29 | 华北电力大学（保定） | 一种多预测模型串联校正并联耦合的可再生能源出力预测计算方法 |
Non-Patent Citations (5)
| Title |
|---|
| JIAN TANG等: "Spectral Kernel Principal Component Selection Based on Empirical Mode Decomposition and Genetic Algorithm for Modeling Parameters of Ball Mill Load", 《2011 FOURTH INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTATION TECHNOLOGY AND AUTOMATION》 * |
| ZHINENG HU等: "Monthly electricity demand forecasting using empirical mode decomposition-based state space model", 《ENERGY & ENVIRONMENT》 * |
| 宋群: "基于混合储能的风电机组有功功率调节系统研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
| 张振华: "EMD与NARX神经网络的风电场总功率组合预测", 《计算机工程与应用》 * |
| 张翌晖: "基于集合经验模态分解和改进极限学习机的短期风速组合预测研究", 《电力系统保护与控制》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112862216A (zh) * | 2021-03-10 | 2021-05-28 | 广东电网有限责任公司 | 一种基于深度置信网络的多行业能源需求预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109190830B (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Matsumura et al. | Maize yield forecasting by linear regression and artificial neural networks in Jilin, China | |
| Kim et al. | Prioritizing the best sites for treated wastewater instream use in an urban watershed using fuzzy TOPSIS | |
| Bresnahan et al. | Measuring the importance of sunk costs | |
| Baidakov et al. | Methodical bases for developing predictive scenarios of agribusiness | |
| Meineri et al. | Combining correlative and mechanistic habitat suitability models to improve ecological compensation | |
| Baird et al. | Simulating riparian evapotranspiration: a new methodology and application for groundwater models | |
| Shrestha et al. | Data‐driven approaches for estimating uncertainty in rainfall‐runoff modelling | |
| Feng et al. | Coupling trade-offs and supply-demand of ecosystem services (ES): A new opportunity for ES management | |
| Malakar et al. | Measuring sustainability as distance to ideal position of economy, society and environment: application to China's provincial water resources (2004–17) | |
| Adeyemo et al. | River flow forecasting using an improved artificial neural network | |
| Setiawan et al. | Spatial modeling on land use change in regional scale of Java Island based-on biophysical characteristics | |
| Kumar et al. | Multiparameter optimization system with DCNN in precision agriculture for advanced irrigation planning and scheduling based on soil moisture estimation | |
| CN109190830A (zh) | 基于经验分解和组合预测的能源需求预测方法 | |
| Woehler et al. | Climate and competition in abundance trends in native and invasive Tasmanian gulls | |
| Bastos et al. | Towards functional biodiversity predictions: a hierarchical modelling framework from primary productivity to biomass of upper trophic levels | |
| Liu et al. | Determination of the optimal training principle and input variables in artificial neural network model for the biweekly chlorophyll-a prediction: a case study of the Yuqiao reservoir, China | |
| Elbeltagi et al. | Combination of Limited Meteorological Data for Predicting Reference Crop Evapotranspiration Using Artificial Neural Network Method. Agronomy 2022, 12, 516 | |
| Sahin et al. | Determination of farmers’ goal statements priorities and factors effective on decision (an application of fuzzy pairwise comparison analysis) | |
| SOUMAORO | Assessment of Climate Change Impacts on Maize Production in Mali | |
| Kuznietsova et al. | Assessment of multifactor productivity based on empirical data in the agricultural sector of the economy of Ukraine | |
| Yotov et al. | Forecasting energy efficiency and energy consumption in Bulgaria by examining the energy intensity indicator using neural networks | |
| Gathondu | Modeling of wholesale prices for selected vegetables using time series models in Kenya | |
| Antamoshkina et al. | Economic and Mathematical Modeling of Food Security of the Subjects of the Russian Federation | |
| Hepelwa | Environmental and socioeconomic factors influencing crop cultivation. An application of Multivariate Discriminant Analysis (MDA) model in Sigi catchment, Tanzania | |
| Davis et al. | Predicting the rainfall of ghana using the grey prediction model GM (1, 1) and the Grey verhulst model |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |