CN109598375A - 一种基于能源需求总量改进的能源需求结构预测方法 - Google Patents
一种基于能源需求总量改进的能源需求结构预测方法 Download PDFInfo
- Publication number
- CN109598375A CN109598375A CN201811403756.5A CN201811403756A CN109598375A CN 109598375 A CN109598375 A CN 109598375A CN 201811403756 A CN201811403756 A CN 201811403756A CN 109598375 A CN109598375 A CN 109598375A
- Authority
- CN
- China
- Prior art keywords
- energy
- total amount
- energy demand
- model
- prediction
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Operations Research (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Marketing (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于能源需求总量改进的能源需求结构预测方法,包括以下步骤:S101,利用马尔科夫链理论,对未来年的能源结构进行预测;S102,分别利用灰色模型和多元回归模型对未来年的能源总量进行预测,采用BP神经网络对两种预测结果进行整合,得到整合后的未来年的能源总量;S103,对S101预测出来的该年份对应的能源结构进行修正,得到目标年的修正后的状态概率向量;S104,根据修正后的状态概率向量,修正一步转移概率矩阵,重新预测未来年的能源结构。与现有技术相比,本发明利用未来的发展政策以及通过灰色模型与多元回归模型相结合得到的修正后的能源总量的预测,对于该能源结构预测模型引入相应的限制条件,从而得到更加准确的结果。
Description
技术领域
本发明涉及一种能源需求结构预测方法,尤其是涉及一种基于能源需求总量改进的能源需求结构预测方法。
背景技术
随着全社会对能源短缺和环境问题的关注,大量新能源被开发利用,对能源消费结构产生了重要的影响。
因此对于能源结构的预测变得异常重要。准确的能源结构预测能够很好的指导城市能源储备工作的有效进行,使得城市在保障能源供应安全的同时,能够合理安排能源储备的成本,实现资源的有效利用。
由于现在的研究都是将能源总量与能源结构预测分开进行的,因此就能源总量与能源结构都进行相应的介绍。国内外多年来在能源需求与结构预测方面已经有了很丰富的研究成果,如文献1“经济转型对西南地区能源需求的影响及预测”(路亮,程浩忠,周全,江栗.电力系统及其自动化学报,https://doi.org/10.19635/j.cnki.csu-epsa.000090)研究了适用的经济转型定量判定指标和不同经济发展阶段的特征,采用灰色关联度分析了影响能源需求的主要因素,对比了灰色预测、ARIMA模型、多元回归三种能源需求总量预测方法,提出了基于马尔科夫链的能源需求结构预测方法;文献2“基于灰色理论的能源布局与经济发展协调性分析预测”(莫阮清,陈攀峰,李轩,李颖,郭明星.电力学报,2018,33(01):86-92.)提出了使用灰色关联度法得出该市经济发展和能源需求总量之间的关联,进而根据已掌握的该市未来经济发展指标,使用多元回归分析法预测该市未来能源需求总量。与此同时根据能源需求历史数据,使用灰色模型法对该市未来能源需求总量做的自相关预测。结合两种结果分析择优选取出模型,进行未来的能源总量预测,最后使用马尔科夫链预测该市未来能源需求结构;文献3“基于改进GM(1,1)模型与趋势预测法的能源消费组合预测”(王海涛,宁云才.煤炭技术,2018(09):378-380)指出了将改进GM(1,1)型和趋势预测法相结合,设计一种组合预测模型,并将其应用于能源消费预测中,通过实际预测检验了组合预测模型的有效性与实用性。
根据各类研究成果,已有多种涉及能源结构预测的申请专利。如专利1“一种地区新能源电源结构优化预测方法和系统”(赵欣,何琳,刘金朋,李昌陵,贾政豪,杨亚丽,陈超.CN108108837A[P].2018-06-01)该专利主要形成了利用灰色模型预测目标地区新能源电源上网电量总量,在此基础上进行修正得到预测结果X,运用基于误差优化的动态规划预测模型对目标地区新能源上网电量结构进行预测,得到结构预测结果F,利用得到的新能源电源上网电量总量预测结果X和新能源电源分电源类型的结构预测结果F,得到目标地区新能源电源分电源类型的分量预测结果R的系统流程。
专利2“一种能源需求总量及结构预测系统”(周全,路亮,柳璐,程浩忠,江栗,蔡绍荣,沙宇恒,游川,洪绍云,田书欣.CN108009667A[P].2018-05-08)包括:数据库模块,用于存储能源相关历史数据,所述能源包括煤、石油、天然气和其他可再生能源;输入模块,用于从所述数据库模块中调用所述能源相关历史数据,并提取历史能源预测指标;分析预测模块,根据所述能源预测指标,基于灰色预测模型、能源库兹涅茨曲线和多元回归数学模型对能源需求总量进行预测,基于利用马尔科夫链实现对能源需求结构进行预测;输出模块,用于输出能源需求总量和能源需求结构的预测结果。
专利3“一种基于结构分解的能源需求预测方法”(万靖,张维,周小兵,陈梦,童雅芳,范玉宏,李雨佳,丁珩.CN106169101A[P].2016-11-30)包括以下步骤:首先提取能源需求主要影响因素,选取基年和样本区间,对能源消费情况进行分解和分析,然后建立生产用能源需求预测模型并进行预测,同时进行生活用能源需求预测,最后加总生产用和生活用能源需求,预测出能源总需求,本发明以能源消费基本规律为指导,提取能源消费的各种主要影响因素并进行预测,形成了一种普适性的能源需求预测方法,并建立了简单实用的能源需求预测公式,预测方法实用便捷,预测的准确性得到了成倍提高,易于实现和推广。
但该传统方法存在如下固有缺陷:
1、将能源总量与能源结构预测两个工作相分离,处于一种平行的工作状态,这种离开能源总量直接谈论能源结构本身就是没有意义的,能源总量预测不准确,结构预测无论准不准确都没有意义。
2、能源总量预测中,都只是考虑一种模型,要不舍弃了经济因素对于能源总量的影响选择灰色模型,要不就是选择多元回归模型而忽略了历史数据本身的趋势规律,没有将这两种模型的优势结合起来。
3、能源结构预测都仅仅是从历史数据出发,利用马尔可夫链进行预测,没有对其进行进一步的修正。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于能源需求总量改进的能源需求结构预测方法。
本发明的目的可以通过以下技术方案来实现:
一种新的基于能源需求总量改进的能源需求结构预测模型的方法,考虑到能源结构的实际意义,将其与能源总量相结合,考虑到了现在影响能源结构的多种主要因素,主要可以归纳为两点:历史规律、未来发展政策。通过马尔可夫理论对于历史数据的规律外推得出未来的能源结构,利用未来的发展政策以及通过灰色模型与多元回归模型相结合得到的修正后的能源总量的预测,对于该能源结构预测模型引入相应的限制条件,进行修正从而得到更加准确的结果。
方法主要分为三大部分:能源总量预测、能源结构预测、结合能源预测的总量结合未来能源发展计划引入的限制对能源结构预测结果加以修正。具体表述如下:
能源总量预测步骤:
1)根据某地区的历史的能源总量的数据,利用灰色理论建立灰色模型GM(1,1)模型进行总量预测,基于该预测结果基础上,建立相应的残压修正灰色预测模型GM(1,1)模型,得到一个改善后的能源总量预测结果。
2)利用该地区的相关经济指标分析的结果,提取出对能源总量影响较大的几个指标建立多元回归模型,并对该地区的能源总量进行预测。
3)本发明将两种模型的预测结果相结合,从而不仅考虑了历史数据的内在规律,也考虑了经济对于能源总量需求的影响。保证了能源总量结果预测的准确性。
4)在将两种模型预测结果的结合方式上面,本发明未采用在两种结果上赋以不同的权重,而是采用了利用神经网络将两者进行整合,从而得到一个更加客观的结果,避免在赋予权重时的主观性。
能源结构预测步骤:
根据历史的能源结构数据利用马尔可夫链理论,通过求解一步转移概率矩阵P以及初始状态概率向量S(0),利用S(k)=S(0)*Pk,对于未来年的能源结构进行预测。
引入限制修正能源结构预测模型步骤:
1)结合该地区的未来能源发展计划以及预测得到的能源需求总量,对于原始预测能源结构数据进行修正,得到新的未来年的状态概率向量。
2)结合新的未来年的状态概率向量,对原始的一步转移矩阵进行修正。
3)利用修正后的一步转移概率矩阵对未来能源结构进行预测。
在修正一步转移概率矩阵时,设新能源的占比提高的部分通过减少煤的比重,而相反新能源的占比减少的部分通过增加煤的占比量来实现。
改进之处:
1.在利用灰色理论进行能源需求总量预测时,建立了残压修正灰色模型GM(1,1)模型,并且在修正之前通过观察数据特征(如第一次出现较大的负增长率),选取合适的修正起始点,通过该种步骤能够进一步的提高模型的拟合程度,得到一个更加准确的预测模型。
2.在进行能源需求总量预测时采用将灰色理论与多元回归理论相结合的方法,从而不仅充分考虑历史数据的规律,也考虑到影响能源消费的几个主要的经济因素的影响,两者结合加强了预测结果与现实的贴合度。
3.在将灰色预测得到的结果与多元回归得到的结果结合的方式上,舍弃了通常的赋予权重的方式,避免了主观性,采用了神经网络训练的方法。
4.进行能源结构预测求取一步转移矩阵时,采取了求解一个二次规划模型的方法。
5.利用预测的能源需求总量值结合未来能源规划引入的限制修正未来年状态概率向量,进而对于一步转移矩阵进行修正,得到改善的能源结构预测模型。
与现有技术相比,本发明具有以下优点:
(1)实用性好:离开能源总量谈论能源结构是没有意义的,因此该发明考虑了能源总量的预测,结合能源总量与能源结构预测,能够很好的为未来的能源发展提供数据基础,形成了通过历史能源总量数据、能源结构数据,从而得到较为准确地未来能源总量与结构的输出数据。
(2)准确性高。本发明在两个方面增加了该预测模型的准确性,首先在能源总量预测上通过将灰色理论与多元回归理论相结合,这样既考虑了历史本身发展的趋势也考虑了不同时期经济发展对于能源总量的影响。而且在将灰色理论结果与多元回归理论结合时采用了神经网络的方式,一定程度上减少了人为的主观性对于预测结果的影响。另外在能源结构预测方面,首先利用马尔可夫链理论基于历史的数据对未来的能源结构进行预测,再利用较为准确的能源总量预测数据与未来能源发展计划对预测年的状态概率向量进行修正,进而对一步转移矩阵进行修正,这样就形成了结合了历史数据原始规律与未来发展计划较为准确的能源结构预测结果。
(3)通用性强。由于本发明中在能源总量预测与能源结构预测两个方面,都采用了既考虑原始历史数据的趋势外推的技术,也考虑了外在因素对于能源总量或者结构的影响,比如说经济的发展以及未来发展政策的制定等等。这样对于处于各种发展阶段的地区而言,该种预测方法都是可行的,无论该地区处于改革的高峰期,还是平稳发展期。
附图说明
图1为本发明的流程示意图;
图2为BP双隐层神经网络示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例
如图1所示,一种改善的能源需求结构预测方法,将其与能源总量以及未来能源发展政策结合起来进行修正,包括以下步骤:
步骤S101,根据历史能源结构数据,利用马尔可夫链进行原始能源结构预测。在其中主要包括以下几个部分。
1.确定一步转移概率矩阵P
式中其他表示除了煤、石油、天然气以外的所有能源形式的总和。设Wi(t)为t时刻第i种能源消费量占能源消费总量的比例,pij为t-1时刻处于第i种能源而t时刻处于第j种能源的一步转移概率,则:
要使所求得的pij使误差最小,可以建立以下相应的二次规划模型:
2.确定初始状态概率向量
选取一个初始年,以该年度各类能源在总能源消费中的比例为分向量,建立初始状态概率向量S(0)。
式中,分别表示煤炭、石油、天然气、水电等其他可再生能源在能源消费中的比例。
3.利用马尔科夫链预测k年后的能源消费结构
S(k)=S(0)Pk
步骤S102,能源总量预测。在这个预测的步骤中主要运用了两种不同的方法并将两种的结果进行结合。
(1)运用灰色理论建立GM(1,1)残差模型。
1.建立GM(1,1)模型
a)采集原始数据序列X(0)={x(0)(1),x(0)(2),...x(0)(n)},式中n为采集的样本数。
b)对原始序列做I-AGO数据生成。
X(1)={x(1)(1),x(1)(2),...x(1)(n)},其中
Z(1)为X(1)的临近均值生成序列Z(1)={z(1)(2),z(1)(3),...z(1)(n)},其中
c)建立白微分方程
此方程为灰色微分方程x(0)(k)+az(1)(k)=b的白化方程,也叫影子方程。其中a为发展系数,(a,b)=(BTB)BT Y,a、b是待定参数。
d)利用最小二乘法求解参数a、b
GM(1,1)模型x(0)(k)+az(0)(k)=b的时间响应序列为:
对一次累加生成数列的预测值进行一次累减生成(I-AGO),得到原始数据的还原预测值。求出原始数据的还原预测值与真实值之间的残差值和相对误差,即进行残差检验。如果通过残差检验,则可以用所建的模型进行预测,否则,要进行残差修正。还原值
2.建立GM(1,1)残差模型
a)获取原始序列记为x(0)
b)定义残差序列
若原始数据序列建立的GM(1,1)模型:
可获得生成序列x(1)的预测值,定义残差序列若取j=1,2,....n,则对应的残差序列为:
e(0)(k)={e(0)(1),e(0)(2),...,e(0)(n)}
c)建立相应的GM(1,1)模型
计算其生成序列e(1)(k),并据此建立相应的GM(1,1)模型:
d)得到修正模型
其中为修正参数。
由此可以发现当k大于等于i时,该预测结果在原来结果上加以修正,而当k小于i时,原来预测结果未进行修正处理。
应用此模型时要考虑:
1)一般不是使用全部残差数据来建立模型,而只是利用了部分残差。
2)修正模型所代表的是差分微分方程,其修正作用与δ(k=i)中的i的取值有关。
(2)建立多元回归模型
利用相关性分析法,能够得到与能源总量关系较大的三个经济指标,分别为GDP总量、人均GDP、二产产值(相关分析本发明不作过多的解释)。
一般的有以下几种类型的多元回归模型
线性模型:TEC=aPCGDP+bSCV+cGDP+d
对数模型:TEC=aln(PCGDP)+bln(SCV)+cln(GDP)+d
其中,TEC为能源总量;SCV为二产产值;PCGDP为人均GDP。而a、b、c、d为需求参数。
求取参数时可以采用最小二乘法,也可以直接运用曲线拟合的方法。
(3)整合灰色预测与多元回归模型所得结果
本发明运用BP神经网络将两者的结果进行整合,具体的神经网络如图2所示。图2所示是一个双隐层神经网络图,由三层组成,分别为输入层、隐含层以及输出层即分别为下图中的i层、h层和o层。
在这个实例中在输入层,其中包括两个神经元分别为i1与i2和截距项b1,在隐含层中,包含两个神经元h1、h2和截距项b2,第三层输出层包括o1、o2,每条线上标的wi是层与层之间连接的权重,激活函数默认为sigmoid函数。BP网络是一种前向神经网络,他的学习算法就是通过误差反向传播,来对阈值进行调节。
本发明所用的是单隐层的BP神经网络,其中由灰色理论与多元回归模型预测出的结果作为神经网络的输入,而原始实际的能源总量值作为神经网络的输出。通过该方式进行训练学习,达到较好的拟合结果。
步骤S103,目标年状态概率向量修正。
利用步骤S102预测的能源总量的数据结合该预测年份的相关能源发展的政策引入的限制,可以得到几种能源所占总能源的比例(通常是清洁能源),对比步骤S101预测出来的该年份对应的能源结构进行修正,一般是直接用政策引入限制得到的新的能源占比替代原始预测出的结构数据,再通过煤的比例调整来抵消两者之间的误差。从而得到目标年的修正后的状态概率向量。
步骤S104,一步转移矩阵修正。
经过修正后,能源供应结构的转移矩阵中的煤炭—石油、石油—天然气的转移概率以及石油、天然气、其他的保留概率不变,变化的仅仅是煤炭的保留概率及其向天然气、与其他的转移概率。利用以下方程可以求解出修正后的一步转移矩阵。
S(k)=S(0)*P'k
其中S(k)表示修正后的预测目标年的状态概率向量,S(0)表示选取的初始状态的结构向量,P'k表示修正后的一步转移矩阵的k次幂。
下面结合具体实施方案进一步详细说明本发明。本实施例以某地区2012年至2017年的能源总量原始值与能源结构原始值进行提出的基于能源需求总量改进的能源需求结构预测。
根据步骤S101:
具体的能源结构原始值如表1所示。
表1某地区2012年至2017年的能源结构原始值
利用马尔科夫链可以求得
结合选取的S(0)=(85.42,9.74,3.21,1.63)可以得到未来年的能源结构预测结果。
表2某地区2018至2021年的能源结构初始预测值
年份 | 煤炭(%) | 石油(%) | 天然气(%) | 其他(%) |
2018年 | 84.74 | 9.67 | 3.76 | 1.83 |
2019年 | 84.06 | 9.60 | 4.31 | 2.03 |
2020年 | 83.39 | 9.54 | 4.85 | 2.23 |
2021年 | 82.72 | 9.47 | 5.39 | 2.42 |
根据步骤S102:
具体的能源总量原始值如表3所示。
表3某地区2012年至2017年的能源总量原始值
年份 | 能源消费总量(万吨标准煤) |
2012年 | 63802 |
2013年 | 67455 |
2014年 | 73356 |
2015年 | 77909 |
2016年 | 80831 |
2017年 | 84821 |
分别运用灰色模型与多元回归模型结果如表4所示。
表4某地区2012年至2017年的能源总量原始值及模型拟合值
该实例中运用单隐含层的BP神经网络进行学习拟合,得到如表5结果。
表5 2012年至2017年的能源总量原始值及整合模型拟合值
根据表4与表5的数据,可以发现经过两种模型整合后,数据的平均拟合误差从原来的灰色模型1%,多元回归模型的2.6%,下降到了0.9%。下降幅度与灰色模型预测结果相比不大,说明该地区的能源总量模型很适用于灰色模型。利用改进后整合的方式预测该地区的未来能源总量需求如表6所示。
表6某地区2018至2021年的能源总量预测值
年份 | 预测结果 |
2018年 | 90232 |
2019年 | 95282 |
2020年 | 100616 |
2021年 | 106248 |
根据步骤S103:
利用表6中数据结合该地区未来的能源发展计划,将2021年的状态概率向量改为S(2020)=(84.7299,9.4701,6.2,2.6)。
根据步骤S104:
根据S(k)=S(0)*P′k,得到修正后的一步转移矩阵
表7某地区2018至2021年的修正后的能源结构预测值
利用修正后的一步转移矩阵得到的未来的能源结构预测结果如表7。
Claims (7)
1.一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,包括以下步骤:
S101,根据历史能源结构数据,利用马尔科夫链理论,对未来年的能源结构进行预测;
S102,根据历史能源总量数据,分别利用灰色模型和多元回归模型对未来年的能源总量进行预测,采用BP神经网络对两种预测结果进行整合,得到整合后的未来年的能源总量;
S103,将步骤S102预测的能源总量的数据与该预测年份的相关能源发展的政策相结合,对步骤S101预测出来的该年份对应的能源结构进行修正,从而得到马尔科夫链理论中目标年的修正后的状态概率向量;
S104,根据修正后的状态概率向量,修正步骤S101马尔科夫链理论中的一步转移概率矩阵,重新预测未来年的能源结构。
2.根据权利要求1所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的步骤S101包括以下步骤:
S1011,确定一步转移概率矩阵;
S1012,确定初始状态概率向量;
S1013,利用马尔科夫链预测未来年的能源结构。
3.根据权利要求1所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的步骤S102中,利用灰色模型对未来年的能源总量进行预测包括以下流程:
建立GM(1,1)模型;
建立GM(1,1)的残差模型;
根据残差模型对GM(1,1)模型进行修正。
4.根据权利要求1所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的步骤S102中,多元回归模型包括线性模型和对数模型,模型中的指标为利用相关性分析获得的与能源总量相关的经济指标。
5.根据权利要求4所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的多元回归模型中的需求参数根据最小二乘法或曲线拟合法计算。
6.根据权利要求1所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的步骤S102中,BP神经网络为单隐层BP神经网络,灰色理论与多元回归模型预测出的结果作为神经网络的输入,原始实际的能源总量值作为神经网络的输出,以此进行神经网络的训练。
7.根据权利要求1所述的一种基于能源需求总量改进的能源需求结构预测方法,其特征在于,所述的步骤S103具体为:直接用政策引入限制得到的新的能源占比替代原始预测出的结构数据,通过煤的比例调整抵消两者之间的误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403756.5A CN109598375B (zh) | 2018-11-23 | 2018-11-23 | 一种基于能源需求总量改进的能源需求结构预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811403756.5A CN109598375B (zh) | 2018-11-23 | 2018-11-23 | 一种基于能源需求总量改进的能源需求结构预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109598375A true CN109598375A (zh) | 2019-04-09 |
CN109598375B CN109598375B (zh) | 2023-02-10 |
Family
ID=65960162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811403756.5A Active CN109598375B (zh) | 2018-11-23 | 2018-11-23 | 一种基于能源需求总量改进的能源需求结构预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109598375B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036758A (zh) * | 2020-09-03 | 2020-12-04 | 合肥工业大学 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN107403244A (zh) * | 2017-08-29 | 2017-11-28 | 河海大学 | 基于人工神经网络改进灰色模型的短期风速预测方法 |
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN108108837A (zh) * | 2017-12-15 | 2018-06-01 | 国网新疆电力有限公司经济技术研究院 | 一种地区新能源电源结构优化预测方法和系统 |
-
2018
- 2018-11-23 CN CN201811403756.5A patent/CN109598375B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN108009667A (zh) * | 2017-07-19 | 2018-05-08 | 国家电网公司西南分部 | 一种能源需求总量及结构预测系统 |
CN107403244A (zh) * | 2017-08-29 | 2017-11-28 | 河海大学 | 基于人工神经网络改进灰色模型的短期风速预测方法 |
CN108108837A (zh) * | 2017-12-15 | 2018-06-01 | 国网新疆电力有限公司经济技术研究院 | 一种地区新能源电源结构优化预测方法和系统 |
Non-Patent Citations (5)
Title |
---|
任继勤等: "基于改进的BP神经网络和马尔科夫模型的一次能源消费预测――以北京市为例", 《生态经济》 * |
卢奇等: "组合预测模型在我国能源消费系统中的建构及应用", 《系统工程理论与实践》 * |
李娜等: ""基于Shapley值理论的能源系统需求预测方法"", 《电力建设》 * |
莫阮清等: "基于灰色理论的能源布局与经济发展协调性分析预测", 《电力学报》 * |
路亮等: ""经济转型对西南地区能源需求的影响及预测"", 《电力系统及其自动化学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112036758A (zh) * | 2020-09-03 | 2020-12-04 | 合肥工业大学 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
CN112036758B (zh) * | 2020-09-03 | 2022-09-13 | 合肥工业大学 | 基于成分数据的灰色qrnn修正的能耗结构预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109598375B (zh) | 2023-02-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Hu et al. | Energy Return on Investment (EROI) of China's conventional fossil fuels: Historical and future trends | |
CN107169633A (zh) | 一种输气管网、储气库调峰方案综合评价方法 | |
CN105447594A (zh) | 一种基于指数平滑的电力系统灰色负荷预测方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN108416691A (zh) | 一种能源替代环保潜力计算方法 | |
CN112906974A (zh) | 一种负荷电量及其碳排放预测与校验方法 | |
CN112258251A (zh) | 基于灰色关联的电动汽车换电需求的集成学习预测方法及系统 | |
CN106327028A (zh) | 一种终端能源消耗量预测方法及装置 | |
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
CN106372755A (zh) | 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
Zhou et al. | An optimized nonlinear time-varying grey Bernoulli model and its application in forecasting the stock and sales of electric vehicles | |
Chen et al. | Combining fuzzy iteration model with dynamic programming to solve multiobjective multistage decision making problems | |
Cui et al. | Dynamic decomposition analysis and forecasting of energy consumption in shanxi Province based on VAR and GM (1, 1) models | |
CN106485367A (zh) | 一种基于多企业用电数据耦合的经济分析平台及预测方法 | |
CN109598375A (zh) | 一种基于能源需求总量改进的能源需求结构预测方法 | |
CN112330030B (zh) | 业扩物资需求预测系统及方法 | |
CN109214610A (zh) | 一种基于长短期记忆神经网络的饱和电力负荷预测方法 | |
CN109376957A (zh) | 一种火电厂负荷的预测方法 | |
Chuentawat et al. | The forecast of PM10 pollutant by using a hybrid model | |
CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
Kazemzadeh et al. | Modeling and forecasting United States oil production along with the social cost of carbon: conventional and unconventional oil | |
Crownshaw | A modelling framework for evaluating the dynamic metabolic feasibility of energy transition scenarios | |
CN111652424A (zh) | 一种氢负荷预测方法 | |
Chen et al. | The Application of Adaptive Generalized NGBM (1, 1) To Sales Forecasting: A Case Study of an Underwear Shop. |
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 |