CN111047091A - 基于lasso与rnn的省级能源利用效率预测方法 - Google Patents
基于lasso与rnn的省级能源利用效率预测方法 Download PDFInfo
- Publication number
- CN111047091A CN111047091A CN201911265810.9A CN201911265810A CN111047091A CN 111047091 A CN111047091 A CN 111047091A CN 201911265810 A CN201911265810 A CN 201911265810A CN 111047091 A CN111047091 A CN 111047091A
- Authority
- CN
- China
- Prior art keywords
- provincial
- energy consumption
- electric energy
- proportion
- terminal
- 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 37
- 238000005265 energy consumption Methods 0.000 claims abstract description 131
- 230000000306 recurrent effect Effects 0.000 claims abstract description 26
- 238000003062 neural network model Methods 0.000 claims abstract description 5
- 230000009467 reduction Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 21
- 239000003245 coal Substances 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000000126 substance Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 6
- 125000004432 carbon atom Chemical group C* 0.000 claims description 4
- 238000013213 extrapolation Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 abstract description 4
- 238000003795 desorption Methods 0.000 abstract 1
- 238000011160 research Methods 0.000 description 4
- 230000006872 improvement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种基于LASSO与RNN的省级能源利用效率预测方法,包括以下步骤:利用LASSO回归估计,分析省级电能占终端能源消费比例历史数据与各工业分行业的电能占终端能源消费比例、各行业和居民生活年用电量的比例、第三产业GDP比例、第二产业GDP比例的历史数据之间的关系,对高维数据进行降维处理,压缩相关量;建立省级电能占终端能源消费比例预测方法的循环神经网络模型;预测省级电能占终端能源消费比例;建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式,得出省级能源利用效率的预测值。本设计不仅提高了省级电能占终端能源消费比例预测的准确度,而且为预测省级能源利用效率提供了可靠依据。
Description
技术领域
本发明涉及能源利用效率预测技术领域,尤其涉及一种基于LASSO与RNN的省级能源利用效率预测方法,主要适用于提高省级能源利用效率的预测准确度。
背景技术
全省能源利用效率的提升工作涉及面广且投资大,与社会经济、技术革新、管理意识等均相关,而其见效周期长,因此易出现重大决策错误的风险。如果能够提前预 测省级能源利用效率,那么可以提前做好提升能效的全局性工作,避免大量社会资源 的浪费。
直接预测省级用能效率较为困难。研究表明,用能效率与能源消费结构紧密相连,而电能占终端能源消费比例是能源消费结构的典型指数。因此,需要先对电能占终端 能源消费比例进行深入分析研究,分析其影响因素和发展潜力,基于此,才好预测省 级用能效率,从而为能源结构优化和用能效率提升措施的规划提供支撑。
然而,现在国内外缺乏对省级电能占终端能源消费比例预测方法的研究,已提出的预测方法准确度比较低,导致其应用不够广泛。
发明内容
本发明的目的是克服现有技术中存在的省级能源利用效率的预测准确度低的缺陷与问题,提供一种省级能源利用效率的预测准确度高的基于LASSO与RNN的省级能 源利用效率预测方法。
为实现以上目的,本发明的技术解决方案是:一种基于LASSO与RNN的省级能源 利用效率预测方法,该方法包括以下步骤:
A、利用LASSO回归估计,分析省级电能占终端能源消费比例历史数据序列P1与 各工业分行业的电能占终端能源消费比例历史数据序列P2、各行业和居民生活年用 电量的比例历史数据序列P3、第三产业GDP比例历史数据序列P4、第二产业GDP比 例历史数据序列P5之间的关系,对P2、P3、P4、P5高维数据进行降维处理,压缩 相关量至矩阵P6,P1、P2、P3、P4、P5、P6的序列长度都为L1;
B、建立省级电能占终端能源消费比例预测方法的循环神经网络模型,输入为压缩后的相关量矩阵P6,输出为省级电能占终端能源消费比例历史数据序列P1;根据 历史数据,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数;
C、利用趋势外推法,对相关量矩阵P6中各因变量的未来5年内的值进行预测; 依据序列长度为L1-3、L1-2、L1-1、L1的相关量矩阵P6,预测未来第一年的省级 电能占终端能源消费比例;依次类推,预测未来5年内的省级电能占终端能源消费比 例;
D、利用多项式曲线拟合,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式;
E、将预测所得的省级电能占终端能源消费比例代入拟合关系式,得出省级能源利用效率的预测值。
步骤A具体包括以下步骤:
A1、建立省级电能占终端能源消费比例与影响因素变量的多元回归模型:
P1=[P2 P3 P4 P5]·β+ε
上式中,β为回归系数;ε为随机误差项;
A2、利用LASSO回归估计进行影响因素变量的选择,如下所示:
通过惩罚项λ|β|的设定,将一部分回归系数β压缩至零,得到压缩后的相关量 矩阵P6。
省级电能占终端能源消费比例历史数据计算公式如下:
上式中,xi为第i年省级电能占终端能源消费比例;Di为第i年省级电能消费标 准量,其为电能消费实物量与电能折标准煤系数的乘积;Si为第i年省级终端能源消 费标准总和;n为能源种类;Bt为第t类能源种类的消费实物量;Ct为第t类能源 的折标准煤系数。
各工业分行业的电能占终端能源消费比例历史数据计算公式如下:
上式中,Hxi,j为第i年第j行业电能占终端能源消费比例;HDi,j为第i年第j行 业电能消费标准量,其为电能消费实物量与电能折标准煤系数的乘积;HSi,j为第i年 第j行业终端能源消费标准总和。
步骤B中,根据相关量矩阵P6维度数确定循环神经网络的输入节点数,输出节 点为1个,隐藏节点数为输入节点数的1.5倍;
根据历史数据,选取序列长度为k、k+1、k+2、k+3的相关矩阵P6为训练 数据,通过预测序列长度为k+4的P1结果进行反馈修正,k依次取值 1,2,…,L1-4;
通过k的依次取值,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数,包括控制门单元、遗忘门单元、记忆门单元和输出门单元。
步骤D具体包括以下步骤:
利用多项式曲线拟合数据点,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式,多项式函数形式如下:
上式中,x为省级电能占终端能源消费比例;y为省级能源利用效率;W为拟 合多项式系数;wi为各项系数值,其值大小为各次项的关联程度大小;xi为等式左 侧的多项式次数即省级电能占终端能源消费比例的i次方;
将上式转化为如下矩阵形式:
上式中,X为省级电能占终端能源消费比例的扩充矩阵;xn为第n维下的省级 电能占终端能源消费比例;
将多项式转化为如下线性代数形式:
y(x,W)=XW
用拟合优度来表示拟合程度,度量拟合优度是可决系数R2,其计算公式如下:
R2=[Correl(x,y)]2
上式中,Correl(x,y)为省级电能占终端能源消费比例x与省级能源利用效率y 的相关系数;R2的最大值为1,若R2的值越接近1,则说明拟合多项式的拟合程度 越好。
与现有技术相比,本发明的有益效果为:
本发明一种基于LASSO与RNN的省级能源利用效率预测方法,不仅克服了传统的选取影响电能占终端能源消费比例影响因子选取不够客观且影响因子过多或过少的 问题,可对各影响因子进行量化分析,并依据模型压缩系数实现指标精简;而且克服 了传统的电能占终端能源消费比例预测方法过于注重因变量数据拟合预测效果而忽 略近期数据对预测结果的影响,可在保持非线性神经网络预测优势下,计及近期因变 量以及电能占能源消费比例对未来预测结果的影响;另外,基于电能占终端能源消费 比例的预测结果,进行省级能源利用效率的预测,可以将用能效率与用能结构进行联 系,预测结果准确可靠,可指导能源消费结构的优化和能源效率的提升。
附图说明
图1是本发明一种基于LASSO与RNN的省级能源利用效率预测方法的流程图。
具体实施方式
以下结合附图说明和具体实施方式对本发明作进一步详细的说明。
参见图1,一种基于LASSO与RNN的省级能源利用效率预测方法,该方法包括以 下步骤:
A、利用LASSO回归估计,分析省级电能占终端能源消费比例历史数据序列P1与 各工业分行业的电能占终端能源消费比例历史数据序列P2、各行业和居民生活年用 电量的比例历史数据序列P3、第三产业GDP比例历史数据序列P4、第二产业GDP比 例历史数据序列P5之间的关系,对P2、P3、P4、P5高维数据进行降维处理,压缩 相关量至矩阵P6,P1、P2、P3、P4、P5、P6的序列长度都为L1;
B、建立省级电能占终端能源消费比例预测方法的循环神经网络模型,输入为压缩后的相关量矩阵P6,输出为省级电能占终端能源消费比例历史数据序列P1;根据 历史数据,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数;
C、利用趋势外推法,对相关量矩阵P6中各因变量的未来5年内的值进行预测; 依据序列长度为L1-3、L1-2、L1-1、L1的相关量矩阵P6,预测未来第一年的省级 电能占终端能源消费比例;依次类推,预测未来5年内的省级电能占终端能源消费比 例;
D、利用多项式曲线拟合,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式;
E、将预测所得的省级电能占终端能源消费比例代入拟合关系式,得出省级能源利用效率的预测值。
步骤A具体包括以下步骤:
A1、建立省级电能占终端能源消费比例与影响因素变量的多元回归模型:
P1=[P2 P3 P4 P5]·β+ε
上式中,β为回归系数;ε为随机误差项;
A2、利用LASSO回归估计进行影响因素变量的选择,如下所示:
通过惩罚项λ|β|的设定,将一部分回归系数β压缩至零,得到压缩后的相关量 矩阵P6。
省级电能占终端能源消费比例历史数据计算公式如下:
上式中,xi为第i年省级电能占终端能源消费比例;Di为第i年省级电能消费标 准量,其为电能消费实物量与电能折标准煤系数的乘积;Si为第i年省级终端能源消 费标准总和;n为能源种类;Bt为第t类能源种类的消费实物量;Ct为第t类能源 的折标准煤系数。
各工业分行业的电能占终端能源消费比例历史数据计算公式如下:
上式中,Hxi,j为第i年第j行业电能占终端能源消费比例;HDi,j为第i年第j行 业电能消费标准量,其为电能消费实物量与电能折标准煤系数的乘积;HSi,j为第i年 第j行业终端能源消费标准总和。
步骤B中,根据相关量矩阵P6维度数确定循环神经网络的输入节点数,输出节 点为1个,隐藏节点数为输入节点数的1.5倍;
根据历史数据,选取序列长度为k、k+1、k+2、k+3的相关矩阵P6为训练 数据,通过预测序列长度为k+4的P1结果进行反馈修正,k依次取值 1,2,…,L1-4;
通过k的依次取值,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数,包括控制门单元、遗忘门单元、记忆门单元和输出门单元。
步骤D具体包括以下步骤:
利用多项式曲线拟合数据点,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式,多项式函数形式如下:
上式中,x为省级电能占终端能源消费比例;y为省级能源利用效率;W为拟 合多项式系数;wi为各项系数值,其值大小为各次项的关联程度大小;xi为等式左 侧的多项式次数即省级电能占终端能源消费比例的i次方;
将上式转化为如下矩阵形式:
上式中,X为省级电能占终端能源消费比例的扩充矩阵;xn为第n维下的省级 电能占终端能源消费比例;
将多项式转化为如下线性代数形式:
y(x,W)=XW
用拟合优度来表示拟合程度,度量拟合优度是可决系数R2,其计算公式如下:
R2=[Correl(x,y)]2
上式中,Correl(x,y)为省级电能占终端能源消费比例x与省级能源利用效率y 的相关系数;R2的最大值为1,若R2的值越接近1,则说明拟合多项式的拟合程度 越好。
本发明的原理说明如下:
按电热当量法,将省内煤、石油、天然气、热力、电力和其他类能源消费量,按 折标煤系数换算为标准煤单位。根据工业分行业能源消费量,计算各工业分行业的电 能占终端能源消费比例历史数据。根据湖北全社会用电量,计算各行业和居民生活年 用电量的比例历史数据。
本设计基于省级电能占终端能源消费比例变化表现出的明显趋势,依照该趋势对未来省级电能占终端能源消费比例做出预测。
拟合程度是针对整个拟合多项式的拟合优劣的评判标准,如果拟合程度越接近于1,说明拟合多项式最大限度的体现了省级能源利用效率与省级电能占终端能源消费 比例指标的契合程度。
本设计通过对各行业用能比例与全省电能占终端能源消费比例的LASSO回归,筛选影响电能占终端能源消费比例预测的主要因素,并以此建立循环神经网预测模型, 以提高省级电能占终端能源消费比例预测方法的准确度,以便为预测省级能源利用效 率提供依据。
实施例:
参见图1,一种基于LASSO与RNN的省级能源利用效率预测方法,该方法包括以 下步骤:
A、利用LASSO回归估计,分析省级电能占终端能源消费比例历史数据序列P1与 各工业分行业的电能占终端能源消费比例历史数据序列P2、各行业和居民生活年用 电量的比例历史数据序列P3、第三产业GDP比例历史数据序列P4、第二产业GDP比 例历史数据序列P5之间的关系,对P2、P3、P4、P5高维数据进行降维处理,压缩 相关量至矩阵P6,P1、P2、P3、P4、P5、P6的序列长度都为L1;
具体包括以下步骤:
A1、建立省级电能占终端能源消费比例与影响因素变量的多元回归模型:
P1=[P2 P3 P4 P5]·β+ε
上式中,β为回归系数;ε为随机误差项;
省级电能占终端能源消费比例历史数据计算公式如下:
上式中,xi为第i年省级电能占终端能源消费比例;Di为第i年省级电能消费标 准量,其为电能消费实物量与电能折标准煤系数的乘积;Si为第i年省级终端能源消 费标准总和;n为能源种类;Bt为第t类能源种类的消费实物量;Ct为第t类能源 的折标准煤系数;
各工业分行业的电能占终端能源消费比例历史数据计算公式如下:
上式中,Hxi,j为第i年第j行业电能占终端能源消费比例;HDi,j为第i年第j行 业电能消费标准量,其为电能消费实物量与电能折标准煤系数的乘积;HSi,j为第i年 第j行业终端能源消费标准总和;
A2、利用LASSO回归估计进行影响因素变量的选择,如下所示:
通过惩罚项λ|β|的设定(λ|β|充分大),将一部分回归系数β压缩至零,得到 压缩后的相关量矩阵P6,从而降低[P2 P3 P4 P5]矩阵的维度,达到减小模型 复杂度的目的;
B、建立省级电能占终端能源消费比例预测方法的循环神经网络模型,输入为压缩后的相关量矩阵P6,输出为省级电能占终端能源消费比例历史数据序列P1;根据 历史数据,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数;
根据相关量矩阵P6维度数确定循环神经网络的输入节点数,输出节点为1个, 隐藏节点数为输入节点数的1.5倍;
根据历史数据,选取序列长度为k、k+1、k+2、k+3的相关矩阵P6为训练 数据,通过预测序列长度为k+4的P1结果进行反馈修正,k依次取值 1,2,…,L1-4;
通过k的依次取值,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数,包括控制门单元、遗忘门单元、记忆门单元和输出门单元;
C、利用趋势外推法,对相关量矩阵P6中各因变量的未来5年内的值进行预测; 依据序列长度为L1-3、L1-2、L1-1、L1的相关量矩阵P6,预测未来第一年的省级 电能占终端能源消费比例;依次类推,预测未来5年内的省级电能占终端能源消费比 例;
D、利用多项式曲线拟合,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式;
具体包括以下步骤:
利用多项式曲线拟合数据点,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式,多项式函数形式如下:
上式中,x为省级电能占终端能源消费比例;y为省级能源利用效率;W为拟 合多项式系数;wi为各项系数值,其值大小为各次项的关联程度大小;xi为等式左 侧的多项式次数即省级电能占终端能源消费比例的i次方;
将上式转化为如下矩阵形式:
上式中,X为省级电能占终端能源消费比例的扩充矩阵;xn为第n维下的省级 电能占终端能源消费比例;
将多项式转化为如下线性代数形式:
y(x,W)=XW
用拟合优度来表示拟合程度,度量拟合优度是可决系数R2,其计算公式如下:
R2=[Correl(x,y)]2
上式中,Correl(x,y)为省级电能占终端能源消费比例x与省级能源利用效率y 的相关系数;R2的最大值为1,若R2的值越接近1,则说明拟合多项式的拟合程度 越好;
E、将预测所得的省级电能占终端能源消费比例代入拟合关系式,得出省级能源利用效率的预测值。
Claims (6)
1.一种基于LASSO与RNN的省级能源利用效率预测方法,其特征在于,该方法包括以下步骤:
A、利用LASSO回归估计,分析省级电能占终端能源消费比例历史数据序列P1与各工业分行业的电能占终端能源消费比例历史数据序列P2、各行业和居民生活年用电量的比例历史数据序列P3、第三产业GDP比例历史数据序列P4、第二产业GDP比例历史数据序列P5之间的关系,对P2、P3、P4、P5高维数据进行降维处理,压缩相关量至矩阵P6,P1、P2、P3、P4、P5、P6的序列长度都为L1;
B、建立省级电能占终端能源消费比例预测方法的循环神经网络模型,输入为压缩后的相关量矩阵P6,输出为省级电能占终端能源消费比例历史数据序列P1;根据历史数据,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数;
C、利用趋势外推法,对相关量矩阵P6中各因变量的未来5年内的值进行预测;依据序列长度为L1-3、L1-2、L1-1、L1的相关量矩阵P6,预测未来第一年的省级电能占终端能源消费比例;依次类推,预测未来5年内的省级电能占终端能源消费比例;
D、利用多项式曲线拟合,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式;
E、将预测所得的省级电能占终端能源消费比例代入拟合关系式,得出省级能源利用效率的预测值。
5.根据权利要求1所述的一种基于LASSO与RNN的省级能源利用效率预测方法,其特征在于:
步骤B中,根据相关量矩阵P6维度数确定循环神经网络的输入节点数,输出节点为1个,隐藏节点数为输入节点数的1.5倍;
根据历史数据,选取序列长度为k、k+1、k+2、k+3的相关矩阵P6为训练数据,通过预测序列长度为k+4的P1结果进行反馈修正,k依次取值1,2,…,L1-4;
通过k的依次取值,训练更新循环神经网络的权重,得出训练后的循环神经网络的各单元参数,包括控制门单元、遗忘门单元、记忆门单元和输出门单元。
6.根据权利要求1所述的一种基于LASSO与RNN的省级能源利用效率预测方法,其特征在于:步骤D具体包括以下步骤:
利用多项式曲线拟合数据点,建立省级电能占终端能源消费比例与省级能源利用效率的拟合关系式,多项式函数形式如下:
上式中,x为省级电能占终端能源消费比例;y为省级能源利用效率;W为拟合多项式系数;wi为各项系数值,其值大小为各次项的关联程度大小;xi为等式左侧的多项式次数即省级电能占终端能源消费比例的i次方;
将上式转化为如下矩阵形式:
上式中,X为省级电能占终端能源消费比例的扩充矩阵;xn为第n维下的省级电能占终端能源消费比例;
将多项式转化为如下线性代数形式:
y(x,W)=XW
用拟合优度来表示拟合程度,度量拟合优度是可决系数R2,其计算公式如下:
R2=[Correl(x,y)]2
上式中,Correl(x,y)为省级电能占终端能源消费比例x与省级能源利用效率y的相关系数;R2的最大值为1,若R2的值越接近1,则说明拟合多项式的拟合程度越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265810.9A CN111047091B (zh) | 2019-12-11 | 2019-12-11 | 基于lasso与rnn的省级能源利用效率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911265810.9A CN111047091B (zh) | 2019-12-11 | 2019-12-11 | 基于lasso与rnn的省级能源利用效率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111047091A true CN111047091A (zh) | 2020-04-21 |
CN111047091B CN111047091B (zh) | 2023-01-17 |
Family
ID=70235700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911265810.9A Active CN111047091B (zh) | 2019-12-11 | 2019-12-11 | 基于lasso与rnn的省级能源利用效率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111047091B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737249A (zh) * | 2020-08-24 | 2020-10-02 | 国网浙江省电力有限公司 | 基于Lasso算法的异常数据检测方法及装置 |
CN111950918A (zh) * | 2020-08-19 | 2020-11-17 | 江苏电力交易中心有限公司 | 一种基于电力交易数据的市场风险评估方法 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN108416691A (zh) * | 2018-01-31 | 2018-08-17 | 国网湖北省电力有限公司经济技术研究院 | 一种能源替代环保潜力计算方法 |
CN109993354A (zh) * | 2019-03-24 | 2019-07-09 | 北京工业大学 | 一种针对能源消费量预测的方法 |
-
2019
- 2019-12-11 CN CN201911265810.9A patent/CN111047091B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107748972A (zh) * | 2017-11-29 | 2018-03-02 | 国家电网公司 | 一种基于双能源指标预测全社会用电量的方法 |
CN108416691A (zh) * | 2018-01-31 | 2018-08-17 | 国网湖北省电力有限公司经济技术研究院 | 一种能源替代环保潜力计算方法 |
CN109993354A (zh) * | 2019-03-24 | 2019-07-09 | 北京工业大学 | 一种针对能源消费量预测的方法 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111950918A (zh) * | 2020-08-19 | 2020-11-17 | 江苏电力交易中心有限公司 | 一种基于电力交易数据的市场风险评估方法 |
CN111950918B (zh) * | 2020-08-19 | 2024-04-12 | 江苏电力交易中心有限公司 | 一种基于电力交易数据的市场风险评估方法 |
CN111737249A (zh) * | 2020-08-24 | 2020-10-02 | 国网浙江省电力有限公司 | 基于Lasso算法的异常数据检测方法及装置 |
CN113177366A (zh) * | 2021-05-28 | 2021-07-27 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
CN113177366B (zh) * | 2021-05-28 | 2024-02-02 | 华北电力大学 | 一种综合能源系统规划方法、装置和终端设备 |
Also Published As
Publication number | Publication date |
---|---|
CN111047091B (zh) | 2023-01-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111047091B (zh) | 基于lasso与rnn的省级能源利用效率预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN108416691B (zh) | 一种能源替代环保潜力计算方法 | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
CN107038500A (zh) | 一种中长期日负荷曲线的预测方法 | |
CN111340305A (zh) | 一种建筑运行能耗预测方法 | |
CN109274131B (zh) | 基于概率统计理论的新能源消纳能力非时序量化评估方法 | |
CN115496286A (zh) | 基于大数据环境下神经网络碳排放预测方法及应用 | |
CN110880044B (zh) | 一种基于马尔科夫链的负荷预测方法 | |
Li et al. | Assessment framework of provincial carbon emission peak prediction in China: An empirical analysis of Hebei province | |
CN115809783A (zh) | 一种中大型能源用户分行业能效评价预测方法及装置 | |
CN116596139A (zh) | 一种基于Elman神经网络的短期负荷预测方法及系统 | |
CN111832839A (zh) | 基于充分增量学习的能耗预测方法 | |
Wei et al. | Impact of intelligence on the carbon emissions of energy consumption in the mining industry based on the expanded STIRPAT model | |
CN111523807A (zh) | 一种基于时间序列和神经网络的电能替代潜力分析方法 | |
CN112508231A (zh) | 一种基于系统动力学的中长期电力负荷预测方法及系统 | |
CN105005623A (zh) | 基于关键词检索指数相关性分析的用电需求预测方法 | |
Chen et al. | Applying the grey forecasting model to the energy supply management engineering | |
Yanchao et al. | A proportion prediction model of terminal energy structure of IPS based on hidden Markov chain | |
Yao et al. | The analysis of the energy consumption of Chinese manufacturing based on the combination forecasting model | |
Pu et al. | A novel hybrid approach for cutting parameters optimization considering processing energy and efficiency in turning process | |
CN110633917A (zh) | 基于电力大数据的新能源政策实施效果综合评价方法 | |
CN117291299B (zh) | 一种考虑多种影响因素的月度电量预测方法 | |
Lairgi et al. | Optimization of tertiary building passive parameters by forecasting energy consumption based on artificial intelligence models and using ANOVA variance analysis method. |
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 |