CN113627677A - 多区域能源需求预测方法、装置、终端设备及存储介质 - Google Patents
多区域能源需求预测方法、装置、终端设备及存储介质 Download PDFInfo
- Publication number
- CN113627677A CN113627677A CN202110949500.XA CN202110949500A CN113627677A CN 113627677 A CN113627677 A CN 113627677A CN 202110949500 A CN202110949500 A CN 202110949500A CN 113627677 A CN113627677 A CN 113627677A
- Authority
- CN
- China
- Prior art keywords
- energy
- predicted
- prediction
- correlation coefficient
- energy demand
- 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
- 238000000034 method Methods 0.000 title claims abstract description 61
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 claims abstract description 74
- 238000009826 distribution Methods 0.000 claims abstract description 56
- 239000003245 coal Substances 0.000 claims abstract description 46
- 239000003345 natural gas Substances 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 12
- 239000003208 petroleum Substances 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 23
- 238000012706 support-vector machine Methods 0.000 claims description 17
- 238000005315 distribution function Methods 0.000 claims description 10
- 238000012935 Averaging Methods 0.000 claims description 6
- 238000013277 forecasting method Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 239000003921 oil Substances 0.000 description 22
- 230000006870 function Effects 0.000 description 19
- 230000007704 transition Effects 0.000 description 13
- 239000011159 matrix material Substances 0.000 description 7
- 230000005611 electricity Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 3
- 239000007789 gas Substances 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000005311 autocorrelation function Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 238000003646 Spearman's rank correlation coefficient Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector 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
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多区域能源需求预测方法、装置、终端设备及存储介质,该方法包括:根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;利用概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;利用相关系数确定不同能源预测模型的权重系数,按照权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;对单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。本发明通过考虑不同能源价格之间的相关系数,并根据该相关系数计算不同能源预测模型的权重,从而提高了预测结果的精确度。
Description
技术领域
本发明涉及能源需求预测技术领域,尤其涉及一种多区域能源需求预测方法、装置、终端设备及存储介质。
背景技术
新能源区域指的是政府集中统一规划指定区域,区域内专门设置某类特定行业、形态的企业、公司等进行统一管理,例如工业新能源区域,自贸新能源区域,产业新能源区域及动漫新能源区域等。新能源区域往往是多种能源协同优化的载体,其可以有效汇集多种能源方式,如以风光为代表的新能源,而电力、天然气等传统能源共同形成综合能源系统。
在新能源区域各能源系统投入运行的过程中,能源需求预测是不可或缺的一个环节。然而,现有的多区域能源需求预测方法往往仅采用单一的数据信息,通过挖掘从历史数据到未来数据的时间演变规律,或环境数据到功率数据的映射关系,以对未来能源需求量进行预测,然而这种方式虽然比较容易实现,但由于其考虑的影响因素并不全面且相对孤立,因此导致最终的预测结果的精确度往往较低。
发明内容
本发明的目的在于提供一种多区域能源需求预测方法、装置、终端设备及存储介质,以解决现有技术中多区域能源需求预测方法存在的因输入数据不全面导致输出的预测结果精确度低的问题。
为实现上述目的,本发明提供一种多区域能源需求预测方法,包括:
根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;
利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;
利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;
对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
进一步地,所述能源预测模型包括:整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型。
进一步地,所述计算所述待预测能源的价格的概率分布,包括:
利用贝塔分布函数计算所述待预测能源的价格的概率分布。
进一步地,所述计算单个区域中不同所述待预测能源的价格的相关系数,包括:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
本发明还提供一种多区域能源需求预测装置,包括:
概率分布计算单元,用于根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;
相关系数计算单元,用于利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;
权重系数计算单元,用于利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;
能源需求预测单元,用于对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
进一步地,所述权重系数计算单元,还用于:
利用所述相关系数确定整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重系数;
按照所述权重系数对所述整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果。
进一步地,所述概率分布计算单元,还用于:
利用贝塔分布函数计算所述待预测能源的价格的概率分布。
进一步地,所述相关系数计算单元,还用于:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
本发明还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上任一项所述的多区域能源需求预测方法。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上任一项所述的多区域能源需求预测方法。
相对于现有技术,本发明的有益效果在于:
本发明公开的一种多区域能源需求预测方法,包括:根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;利用概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;利用相关系数确定不同能源预测模型的权重系数,按照权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;对单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
本发明提供的多区域能源需求预测方法,通过采用统计学中概率分布的方法计算煤炭、石油、天然气和电力四种能源的价格,综合皮尔逊相关系数和斯尔曼相关系数各自的优势,采用平均权重系数提出煤炭、石油、天然气和电力四种能源价格之间互相的相关系数,并利用相关系数确定移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重,以整合三种预测模型的预测结果,得到单个区域未来一段时间内对煤炭、石油、天然气和电力这四种能源的需求量;最后,将所有单个区域的预测结果累加,从而得到多区域在未来一定时间内对煤炭、石油、天然气和电力四种能源的需求量。本发明实施例克服了现有技术中没有考虑价格波动对能源需求量影响的缺陷,不仅提高了预测结果的精确度,且适用性强,易于推广。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方其中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的多区域能源需求预测方法的流程示意图;
图2是本发明某一实施例提供的多区域能源需求预测装置的结构示意图;
图3是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
请参阅图1,本发明某一实施例提供一种多区域能源需求预测方法,包括以下步骤:
S10、根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力。
需要说明的是,新能源区域的能源消费结构与能源价格密切相关,能源价格的波动会严重影响区域能源消费结构,进而影响区域在未来一段时间内的能源需求。然而在现有的能源需求预测方法中,往往忽略某种能源价格对其需求量的影响以及某种能源价格对其他能源需求量的影响,因此得到的预测结果的精确度往往不够理想。针对上述问题,本实施例旨在提供一种考虑多种能源价格波动情况下的多区域能源需求预测方法,从而提高多区域能源需求预测准确性。
具体地,步骤S10中的待预测能源主要是指煤炭、石油、天然气和电力。在步骤S10中,首先从能源统计局相关数据库搜集多区域的煤炭、石油、天然气和电力四种能源的历史消费数据和价格数据,构建能源消费数据集和能源价格数据集。然后根据该数据集计算煤炭、石油、天然气和电力四种能源价格的概率分布。
在某一具体实施例中,所述计算所述待预测能源的价格的概率分布,包括利用贝塔分布函数计算所述待预测能源的价格的概率分布。
具体地,该实施例又包括以下四个部分:
1)计算煤炭能源价格的概率:
需要说明的是,煤炭价格的波动曲线是连续的时间序列,受能源供需因素的影响较大。针对煤炭价格的不确定性,本实施例中采用统计学中的贝塔(Beta)概率分布进行描述。
具体地,设定煤炭价格序列为:PC={PC,1,PC,2,...,PC,n,...,PC,N},煤炭价格在不同区间的变化服从Beta分布的分布函数为:
概率密度函数为:
其中,Γ为伽马函数,具体表示为:
进一步地,采用概率Beta分布的方法,通过历史煤炭价格数据集,计算单个区域在一段时间T={1,...,i,...,T}内煤炭价格按照Beta分布规律变化的均值和方差其中,均值μPV和方差σPV的计算公式分别为:
2)计算石油能源价格的概率:
和煤炭价格波动的规律类似,石油价格的波动曲线也是连续的时间序列,受能源供需因素的影响较大。因此针对石油价格的不确定性,本实施例同样采用Beta概率分布进行描述。
具体地,设定石油价格序列为:PO={PO,1,PO,2,...,PO,n,...,PO,N},煤炭价格在不同区间的变化服从Beta分布的分布函数为:
概率密度函数为:
其中,Γ为伽马函数,具体表示为:
进一步地,采用概率Beta分布的方法,通过历史石油价格数据集,计算单个区域在一段时间T={1,...,i,...,T}内石油价格按照Beta分布规律变化的均值μO和方差σO。其中,均值μO和方差σO的计算公式分别为:
3)计算天然气能源价格的概率:
本实施例中,天然气价格的波动曲线也是连续的时间序列,受能源供需因素的影响较大。因此针对天然气价格的不确定性,本实施例也采用Beta概率分布进行描述。
具体地,设定天然气价格序列为:PG={PG,1,PG,2,...,PG,n,...,PG,N},煤炭价格在不同区间的变化服从Beta分布的分布函数为:
概率密度函数为:
其中,Γ为伽马函数,具体表示为:
进一步地,采用概率Beta分布方法,通过历史天然气价格数据集,计算单个区域在一段时间T={1,...,i,...,T}内天然气价格按照Beta分布规律变化的均值和方差其中,均值和方差的计算公式分别为:
4)计算电力能源价格的概率:
需要说明的是,电力价格的波动曲线也是连续的时间序列,受能源供需因素的影响较大。针对电力价格的不确定性,本实施例也采用Beta概率分布进行描述。
具体地,设定电力价格序列为:PN={PN,1,PN,2,...,PN,n,...,PN,N},煤炭价格在不同区间的变化服从Beta分布的分布函数为:
概率密度函数为:
其中,Γ为伽马函数,具体表示为:
进一步地,采用概率Beta分布的方法,通过历史电力价格数据集,计算单个区域在一段时间T={1,...,i,...,T}内电力价格按照Beta分布规律变化的均值和方差其中,均值μPN和方差σPN的计算公式分别为:
S20、利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数。
由于在同一新能源区域内,某一能源的价格波动会影响其他能源的需求量,例如当石油价格上升时,对煤炭的需求量往往会增加。因此本实施例的目的在于计算出单个区域中不同待预测能源之间价格的相关系数。
在某一实施例中,所述计算单个区域中不同所述待预测能源的价格的相关系数,包括:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
本步骤中,首先利用皮尔逊相关系数法计算单个区域中不同待预测能源的价格的第一相关系数。需要说明的是,皮尔逊相关系数广泛应用于衡量两个变量线性相关程度,通过计算两个变量之间的皮尔逊相关系数定义为两个变量之间的协方差和标准差的商得到相关系数,隐含着高斯分布的假设,更多的用于线性变量的相关性计算。
具体地,单个区域不同能源价格的皮尔逊相关系数计算公式为:
其中,ρW(x,y)为单个区域能源x和能源y的皮尔逊相关系数。
进一步地,利用斯尔曼相关系数法计算单个区域中不同待预测能源的价格的第二相关系数。需要说明的是,斯皮尔曼相关系数通常也叫斯皮尔曼秩相关系数。“秩”即为一种顺序或者排序,也即该方法是根据原始数据的排序位置进行求解的,这种表征形式可以避开皮尔森相关系数法存在的限制。即便在变量值出现异常值,由于异常值的秩次通常不会有明显的变化,所以对斯皮尔曼相关系数的影响也非常小。斯皮尔曼相关系数常用于描述符合Beta分布的多变量相关性计算。
具体地,单个区域不同能源价格的斯尔曼相关系数计算公式为:
其中,ρS(x,y)为单个区域能源x和能源y的皮尔逊相关系数。
然后,本实施例综合皮尔逊相关系数和斯尔曼相关系数的优势,提出一种综合相关系数的方法,得到单个区域中不同待预测能源的价格的相关系数为:
最后,由于单个区域不同能源的价格存在相关性,可利用综合相关系数方法计算煤炭、石油、天然气、电力四种能源的相关系数矩阵ρN为:
其中,ρN为单个区域不同能源的相关系数矩阵;ρN,12为煤炭和石油的综合相关系数,数字1、2、3、4分别代表煤炭、石油、天然气、电力四种能源,其中ρN,ij=ρN,ji,1≤i≤4,1≤j≤4。
S30、利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果。
在某一实施例中,所述能源预测模型主要包括:整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型。
首先对这三种模型作出如下解释:
A)整合移动平均自回归预测模型:
整合移动平均自回归预测模型,即ARIMA模型,是一种典型且较为传统的时间序列方法,比较适用于较为平稳的信号序列,该模型通过自回归模型和滑动平均模型的有机结合,综合两种模型的优势,在满足一定条件下的常用预测模型。ARIMA模型的自相关函数公式:
其中,ρk的取值范围为[-1,1]。
偏自相关函数在求解出滞后K自相关系数ρk时,实际结果并不是仅仅存在X(t)和X(t-k)的相关关系,序列X(t)同时与其余K-1个随机变量息息相关,而这K-1个随机变量均有可能会与X(t-k)产生相关关系,从分析中发现X(t)和X(t-k)相关关系包含了大量的影响因素。鉴于此,需有效地祛除冗余影响因素以降低对最终X(t)和X(t-k)之间相关性的影响,增加两条对比序列的相相关性计算准确性。
具体地,ARIMA模型具体的定义为:
B)支持向量机预测模型:
需要说明的是,支持向量机算法是一种应用广泛的机器学习算法,具有良好的学习小样本数据的泛化能力。设样本集{(xi,yi)|i=1,2,...,N},xi∈Rn,yi∈{-1,1}表示样本标签,则最优二分类超平面为:
WΦ(x)+b=0 (27)
其中,Φ(x)为非线性变换。
进一步地,将分类问题转换为最优二分类超平面优化问题:
然后,针对线性不可分问题,根据风险最小化原则,可转换为线性约束优化问题:
其中,C为惩罚因子,ξ为松弛变量。引入拉格朗日因子ai,可转换为:
需要强调,支持向量机核函数的选取对分类结果影响深远,常用的核函数有线性核函数、多项式核函数和径向基核函数等。根据实际场景,本实施例中优先选用高斯径向基核函数。其定义为:
其中,|X-Y|为向量之间的距离,σ为常数且σ≠0
C)马尔可夫链预测模型:
马尔可夫链是指某一时刻的状态转移概率只跟这一时刻的前一时刻状态有关系,与其他时刻无关,即:假设有一个状态序列U={u1 u2…ut ut+1…},t+1时刻的状态ut+1只与它前一时刻的状态也就是t时刻的状态ut有关联,数学式子表达如下:
P(ut+1|u1,u2,…,ut-1,ut)=P(ut+1|ut) (33)
k步转移概率假设t时刻的状态为ut,根据马尔可夫过程的无后效性可知:
Pij(t)=P{ut+1=j|ut=i} (34)
一步转移概率Pij(t)是指研究对象在t时刻的状态为i,经过一步转移后到达状态j。把系统中所有状态的一步转移概率组成的集合被称为一步状态转移矩阵:
由Pij(t)的影响因素可知,一步转移概率与状态i和状态j有关,还与时刻t有关。当一步转移概率与时刻无关时,该马尔可夫链被称为齐次马尔可夫链,即:
Pij(t)=Pij (36)
而k步转移概率则指研究对象在t时刻的状态为i,经过k步转移后到达状态j:
Pij k=P{ut+k=j|ut=i} (37)
所以,由系统所有状态的k步转移概率所组成的矩阵为k步状态转移概率矩阵,其表示如下:
综上,三种能源预测模型均有自身的特点,在步骤S30中,主要是获取这三种能源预测模型的预测结果,然后利用步骤S20计算得到的相关系数,确定这三种能源预测模型的权重系数,最终对预测结果加权处理后,得到单个区域的能源需求预测结果。
具体地,单个区域煤炭、石油、天然气、电力四种能源价格的平均值分别为:
单个区域煤炭、石油、天然气、电力四种能源价格:
其中,PC,m、PO,m、PG,m、PN,m分别为单个区域m煤炭、石油、天然气、电力四种能源价格,1≤m≤M,kc0、kc1、kc2分别为与煤炭能源价格相关的比例系数,ko0、ko1、ko2分别为与石油能源价格相关的比例系数,kg0、kg1、kg2分别为与天然气能源价格相关的比例系数,kn0、kn1、kn2分别为与电力能源价格相关的比例系数。
进一步地,计算单个区域能源价格的权重系数。本实施例中利用步骤S20得到的综合相关系数矩阵ρENERGY元素数据,计算单个区域煤炭、石油、天然气、电力四种能源价格之间互相的权重计算值:
其中,KC,m、KO,m、KG,m、KN,m分别为单个区域m煤炭、石油、天然气、电力四种能源价格之间互相的权重计算值。
最后,采用组合预测模型对单个区域能源需求情况进行预测,根据权重系数方法确定每个单个预测模型的权重系数,其中单个区域能源需求预测具体计算为:
其中,EC、EO、EG、EN分别为单个区域组合预测模型预测煤炭、石油、天然气、电力的能源预测结果,EC,1、EC,2、EC,3分别为单个预测模型的煤炭能源需求预测结果,EO,1、EO,2、EO,3分别为单个预测模型的石油能源需求预测结果,EG,1、EG,2、EG,3分别为单个预测模型的天然气能源需求预测结果,EN,1、EN,2、EN,3分别为单个预测模型的电力能源需求预测结果。
S40、对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
最后,在步骤S40中对单个区域的能源需求情况进行预测,通过累加单个区域的煤炭、石油、天然气、电力四种能源需求预测值,得到多区域能源需求的计算公式为:
本发明实施例提供的多区域能源需求预测方法,通过采用统计学中概率分布的方法计算煤炭、石油、天然气和电力四种能源的价格,综合皮尔逊相关系数和斯尔曼相关系数各自的优势,采用平均权重系数提出煤炭、石油、天然气和电力四种能源价格之间互相的相关系数,并利用相关系数确定移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重,以整合三种预测模型的预测结果,得到单个区域未来一段时间内对煤炭、石油、天然气和电力这四种能源的需求量;最后,将所有单个区域的预测结果累加,从而得到多区域在未来一定时间内对煤炭、石油、天然气和电力四种能源的需求量。本发明实施例克服了现有技术中没有考虑价格波动对能源需求量影响的缺陷,不仅提高了预测结果的精确度,且适用性强,易于推广。
请参阅图2,本发明某一实施例还提供一种多区域能源需求预测装置,具体包括以下单元:
概率分布计算单元01,用于根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;
相关系数计算单元02,用于利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;
权重系数计算单元03,用于利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;
能源需求预测单元04,用于对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
在某一实施例中,所述权重系数计算单元03,还用于:
利用所述相关系数确定整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重系数;
按照所述权重系数对所述整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果。
在某一实施例中,所述概率分布计算单元01,还用于:
利用贝塔分布函数计算所述待预测能源的价格的概率分布。
在某一实施例中,所述相关系数计算单元02,还用于:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
本发明实施例提供的多区域能源需求预测装置用于执行如上述任一项实施例所述的多区域能源需求预测方法。本发明实施例通过采用统计学中概率分布的方法计算煤炭、石油、天然气和电力四种能源的价格,综合皮尔逊相关系数和斯尔曼相关系数各自的优势,采用平均权重系数提出煤炭、石油、天然气和电力四种能源价格之间互相的相关系数,并利用相关系数确定移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重,以整合三种预测模型的预测结果,得到单个区域未来一段时间内对煤炭、石油、天然气和电力这四种能源的需求量;最后,将所有单个区域的预测结果累加,从而得到多区域在未来一定时间内对煤炭、石油、天然气和电力四种能源的需求量。本发明实施例克服了现有技术中没有考虑价格波动对能源需求量影响的缺陷,不仅提高了预测结果的精确度,且适用性强,易于推广。
请参阅图3,本发明某一实施例还提供一种终端设备,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如上所述的多区域能源需求预测方法。
处理器用于控制该终端设备的整体操作,以完成上述的多区域能源需求预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作,这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令,以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。
在一示例性实施例中,终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit,简称AS1C)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行如上述任一项实施例所述的多区域能源需求预测方法,并达到如上述方法一致的技术效果。
在另一示例性实施例中,还提供一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现如上述任一项实施例所述的多区域能源需求预测方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器,上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的多区域能源需求预测方法,并达到如上述方法一致的技术效果。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种多区域能源需求预测方法,其特征在于,包括:
根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;
利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;
利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;
对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
2.根据权利要求1所述的多区域能源需求预测方法,其特征在于,所述能源预测模型包括:整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型。
3.根据权利要求1所述的多区域能源需求预测方法,其特征在于,所述计算所述待预测能源的价格的概率分布,包括:
利用贝塔分布函数计算所述待预测能源的价格的概率分布。
4.根据权利要求1所述的多区域能源需求预测方法,其特征在于,所述计算单个区域中不同所述待预测能源的价格的相关系数,包括:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
5.一种多区域能源需求预测装置,其特征在于,包括:
概率分布计算单元,用于根据多个区域待预测能源的历史消费数据和价格数据,计算所述待预测能源的价格的概率分布;所述待预测能源包括煤炭、石油、天然气及电力;
相关系数计算单元,用于利用所述概率分布,计算单个区域中不同所述待预测能源的价格的相关系数;
权重系数计算单元,用于利用所述相关系数确定不同能源预测模型的权重系数,按照所述权重系数对不同能源预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果;
能源需求预测单元,用于对所述单个区域的能源需求预测结果进行累加,得到多个区域能源需求预测结果。
6.根据权利要求5所述的多区域能源需求预测装置,其特征在于,所述权重系数计算单元,还用于:
利用所述相关系数确定整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的权重系数;
按照所述权重系数对所述整合移动平均自回归预测模型、支持向量机预测模型及马尔可夫链预测模型的预测结果进行加权处理,得到单个区域的能源需求预测结果。
7.根据权利要求5所述的多区域能源需求预测装置,其特征在于,所述概率分布计算单元,还用于:
利用贝塔分布函数计算所述待预测能源的价格的概率分布。
8.根据权利要求5所述的多区域能源需求预测装置,其特征在于,所述相关系数计算单元,还用于:
利用皮尔逊相关系数法、斯尔曼相关系数法计算单个区域中不同所述待预测能源的价格的第一相关系数、第二相关系数;
对所述第一相关系数及所述第二相关系数求平均值,得到单个区域中不同所述待预测能源的价格的相关系数。
9.一种终端设备,其特征在于,包括:
一个或多个处理器;
存储器,与所述处理器耦接,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4任一项所述的多区域能源需求预测方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4任一项所述的多区域能源需求预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949500.XA CN113627677A (zh) | 2021-08-18 | 2021-08-18 | 多区域能源需求预测方法、装置、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110949500.XA CN113627677A (zh) | 2021-08-18 | 2021-08-18 | 多区域能源需求预测方法、装置、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113627677A true CN113627677A (zh) | 2021-11-09 |
Family
ID=78386454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110949500.XA Pending CN113627677A (zh) | 2021-08-18 | 2021-08-18 | 多区域能源需求预测方法、装置、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113627677A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167669A (zh) * | 2023-04-26 | 2023-05-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于电力消费回归的碳排放评估方法 |
-
2021
- 2021-08-18 CN CN202110949500.XA patent/CN113627677A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116167669A (zh) * | 2023-04-26 | 2023-05-26 | 国网浙江省电力有限公司金华供电公司 | 一种基于电力消费回归的碳排放评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Short-term load forecasting based on LSTM networks considering attention mechanism | |
Al Mamun et al. | A comprehensive review of the load forecasting techniques using single and hybrid predictive models | |
Lago et al. | Forecasting spot electricity prices: Deep learning approaches and empirical comparison of traditional algorithms | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
Panapakidis et al. | Day-ahead electricity price forecasting via the application of artificial neural network based models | |
Hu et al. | Forecasting energy demand using neural-network-based grey residual modification models | |
Rafati et al. | High dimensional very short-term solar power forecasting based on a data-driven heuristic method | |
Fenichel et al. | The nature of natural capital and ecosystem income | |
Lauret et al. | Nonlinear models for short-time load forecasting | |
Zhang et al. | A novel sequence to sequence data modelling based CNN-LSTM algorithm for three years ahead monthly peak load forecasting | |
Koukaras et al. | Introducing a novel approach in one-step ahead energy load forecasting | |
Petkovic et al. | Deep learning for spatio‐temporal supply and demand forecasting in natural gas transmission networks | |
Dudek | Probabilistic forecasting of electricity prices using kernel regression | |
Pourdaryaei et al. | A new framework for electricity price forecasting via multi-head self-attention and CNN-based techniques in the competitive electricity market | |
CN113627677A (zh) | 多区域能源需求预测方法、装置、终端设备及存储介质 | |
Ma et al. | A combined model based on seasonal autoregressive integrated moving average and modified particle swarm optimization algorithm for electrical load forecasting | |
Sharma et al. | Synergism of recurrent neural network and fuzzy logic for short term energy load forecasting | |
Yoon et al. | Methodology for improving the performance of demand forecasting through machine learning | |
Abeywickrama et al. | Integrating weather patterns into machine learning models for improved electricity demand forecasting in Sri Lanka | |
Abrishami et al. | Survey of a rule based expert system for gas price forecasting | |
Ga et al. | Machine Learning in Demand Forecasting-A Review | |
Çetinkaya et al. | Next-Day Electricity Demand Forecasting Using Regression | |
Guimarães et al. | A hybrid approach to load forecast at a micro grid level through machine learning algorithms | |
Rahman et al. | A Hybrid Deep Neural Network Model to Forecast Day-Ahead Electricity Prices in the USA Energy Market | |
Roy et al. | Electric load forecasting: an interval type-II fuzzy inference system based approach |
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 |