能源需求预测方法、装置及计算机设备与流程

1.本发明属于电力市场技术领域，具体涉及一种能源需求预测方法、装置及计算机设备。


背景技术：

2.随着资源行业的发展，能源消费中新能源占比将不断提升，能源需求将由单一向多元化转变。准确有效的能源需求预测可以更好的研判能源需求结构和各阶段能源需求水平，对能源的使用和发展进行有效管理。目前缺乏精准有效的能源需求预测方法，导致无法对现有的能源发展路线进行针对性的调整和布局。能源需求预测存在影响因素多、模型复杂等问题。
3.相关技术中，能源预测方法主要有基于bp神经网络模型、基于自回归移动平均模型(arima)和基于灰色预测模型的能源需求预测，其基本原理主要是通过历史趋势推测未来能源需求，但能源需求受多种因素共同影响，其中经济增长是影响中国能源消费增长变化的重要因素之一；此外，产业结构也是影响我国能源需求的重要因素，第二产业是中国能源消费增长的主要动力；而人口数量和结构也会直接影响能源消费总量，城镇化进程对能源消费具有重大影响，城镇化率与能源消费之间存在正相关。因此，在对未来能源需求进行预测时不仅要考虑能源消费自身的历史发展趋势，也要考虑经济增长、产业结构转型与社会发展等因素与能源需求的耦合关系。
4.现有基于arima模型的能源需求预测方法要求所给时序数据是稳定的，否则无法捕捉到能源需求变化规律。此外，自回归模型描述的是当前值和历史值之间关系，即是基于时间角度的预测模型，无法反映我国能源需求受经济、政策等影响因素的关系。另外，灰色预测模型使用的不是原始数据序列，而是生成的数据序列，导致其更适用于中短期预测和指数型增长的预测，不适用于预测双碳目标下时间跨度较大的能源需求，且现有的能源需求预测无法考虑未来的环境政策以及经济发展规划等。


技术实现要素：

5.有鉴于此，本发明的目的在于克服现有技术的不足，提供一种能源需求预测方法、装置及计算机设备，以解决现有技术中现有的能源需求预测无法不适用于预测双碳目标下时间跨度较大的能源需求的问题。
6.为实现以上目的，本发明采用如下技术方案：一种能源需求预测方法，包括：
7.获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；
8.根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；
9.根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进
行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；
10.获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；
11.根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。
12.进一步的，所述根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵，包括：
13.假设某行业第j类指标在历史时段n的实际结果为xj＝[x
1j
,x
2j
,
…
,x
nj
]
t
，则历史时段n内该行业的宏观经济的原始自变量矩阵为：
[0014][0015]
对所述原始自变量矩阵进行标准化，得到第i行第j列标准化后的数据x
ij
；
[0016][0017]
其中，表示历史时段内针对该行业的第j项指标的平均值，即var(x
ij
)表示第j类指标的标准差，即(j＝1,2,
…
,k)。
[0018]
进一步的，获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，包括：
[0019]
所述相关系数矩阵为：
[0020][0021]
根据所述相关系数矩阵计算得到所述相关系数矩阵的特征值λ1，λ2，
…
,λk；
[0022]
根据所述特征值采用如下方式计算所述特征值对应的特征向量；
[0023]at
ra＝diag(λ1,λ2,
…
,λk)
[0024]
其中，x
t
为原始自变量矩阵x的倒置矩阵，a＝(a
ij
)k×k表示特征值对应的规范正交特征向量，a
ij
表示特征向量a中第i列第j行元素。
[0025]
进一步的，所述根据所述特征向量构造自变量矩阵，包括：
[0026]
根据原始自变量矩阵和特征向量采用如下方式计算自变量矩阵；
[0027]
y＝a
t
x
[0028][0029]
进一步的，所述根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵，包括：
[0030]
特征值λ1，λ2，
…
,λk表示合成主成分的贡献率，将各主成分的特征向量进行降序排列，若假定前p个特征值的累积值趋近1，其中p＜k，表示上述p个主成分对原始指标集合的信息保留度高，则将其定义为主成分的累计贡献度为并根据预设范围进行取值，以筛选各主成分，得到的k项经济运行指标合成的主成分为：
[0031][0032]
进一步的，针对合成后的各个主成分，做协方差计算后得到：
[0033][0034]
主成分yj的方差等于其对应的特征值λi，任意两个不同主成分之间的协方差为0，即各个主成分之间不相关。
[0035]
进一步的，所述能源需求预测模型为多元线性回归分析模型，包括：
[0036]
z＝β0 β1y
′1 β2y
′2
…
βky
′kꢀꢀꢀ
(8)
[0037]
其中，假设被解释变量z与多个解释变量y
′
,y
′2,
…y′k之间具有线性关系，是解释变量的多元线性函数，β0，β1，
…
，βk是回归系数，解释变量z即能源需求，解释变量y即经济发展规划、环境政策目标、产业结构等因素经处理所构成的预测矩阵。
[0038]
进一步的，所述预设范围为85％至95％。
[0039]
本技术实施例提供一种能源需求预测装置，包括：
[0040]
获取模块，用于获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；
[0041]
构造模块，用于根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；
[0042]
确定模块，用于根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预
测矩阵；
[0043]
建立模块，用于获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；
[0044]
构建模块，用于根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型。
[0045]
本技术实施例提供一种计算机设备，包括：存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行上述任一项能源需求预测方法的步骤。
[0046]
本技术实施例还提供一种计算机存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述任一项能源需求预测方法的步骤。
[0047]
本发明采用以上技术方案，能够达到的有益效果包括：
[0048]
本发明提供一种能源需求预测方法、装置及计算机设备，本发明在考虑影响能源需求的经济增长进行预测的同时，还考虑到由于经济发展的相关指标如产值、价格指数等具有较强相关性，可能会导致多元线性回归模型中的“伪回归”问题。对此，本方法采用主成分分析法对自变量矩阵进行处理，得到新的自变量矩阵中的因素互不相关，避免了多元回归模型预测中因为变量自相关性过大导致的“伪回归”问题。
附图说明
[0049]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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例，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。
[0050]
图1为本发明能源需求预测方法的步骤示意图；
[0051]
图2为本发明能源需求预测方法的流程示意图；
[0052]
图3为本发明能源需求预测装置的结构示意图；
[0053]
图4为本发明能源需求预测方法具体实施的硬件结构示意图。
具体实施方式
[0054]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的技术方案进行详细的描述。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做出创造性劳动的前提下所得到的所有其它实施方式，都属于本发明所保护的范围。
[0055]
下面结合附图介绍本技术实施例中提供的一个具体的能源需求预测方法、装置及计算机设备。
[0056]
如图1所示，本技术实施例中提供的能源需求预测方法包括：
[0057]
s101，获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；
[0058]
如图2所示，本发明需要获取的原始自变量数据包括与该行业或区域的与国家发展有关的指标，如工业增加值、产量、价格指数，因变量数据包括能源需求历史数据。可以理
解的是，原始自变量数据还可以包括其他维度的数据，因变量数据还可以包括其他维度的数据，本技术在此不做限定。
[0059]
在获取到原始自变量数据后，建立原始自变量矩阵x，具体如下：
[0060]
假设某行业第j类相关指标在历史时段n的实际结果为xj＝[x
1j
,x
2j
,
…
,x
nj
]
t
，历史时段n内行业的宏观经济的原始自变量矩阵可表示为：
[0061][0062]
然后，对原始自变量矩阵进行标准化，得到第i行第j列标准化后的数据x
ij
；如下：
[0063][0064]
需要说明的是，由于各项指标的性质、量纲、数量级等方面存在差异，需要对其进行标准化处理，本技术中对原始自变量矩阵的标准化处理具体可采用z-score法、标准差处理等方法。
[0065]
式中，表示历史时段内针对该行业的第j项指标的平均值，即var(x
ij
)表示第j类指标的标准差，即(j＝1,2,
…
,k)。
[0066]
s102，根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；
[0067]
具体的，通过标准化处理后的各项宏观经济指标j具有同质化处理的条件。针对时间跨度n内的各项宏观经济指标，可以求得其相关系数矩阵：
[0068][0069]
然后根据所述相关系数矩阵计算得到所述相关系数矩阵的特征值λ1，λ2，
…
,λk。特征值λ1，λ2，
…
,λk具有分别对应的特征向量，计算方式如下：
[0070]at
ra＝diag(λ1,λ2,
…
,λk)
ꢀꢀꢀ
(5)
[0071]
其中，x
t
为原始自变量矩阵x的倒置矩阵，a＝(a
ij
)k×k表示特征值对应的规范正交特征向量，a
ij
表示特征向量a中第i列第j行元素。
[0072]
s103，根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；
[0073]
区别于原始自变量矩阵x，将针对行业历史时段n内的各项结果，构造自变量矩阵：
y＝a
t
x。得到
[0074][0075]
然后对自变量矩阵y进行筛选，得到用于预测因变量的矩阵y
′
，具体过程为：
[0076]
特征值λ1，λ2，
…
,λk表达合成主成分的贡献率，将各主成分的特征向量是降序排列，若假定前p个(p＜k)特征值的累积值十分接近于1，表示上述p个主成分对原始指标集合的信息保留度十分高，将其定义为主成分的累计贡献度可根据实际情况取值(一般为85％至95％之间)，由此筛选各主成分。得到的k项经济运行指标合成的主成分为：
[0077][0078]
经过主成分分析法后得到的自变量y矩阵互相之间不相关，因此不会存在伪回归的问题；
[0079]
从数学原理上分析，针对合成后的各个主成分，做协方差计算后可以得到如下结论：
[0080][0081]
主成分y
′j的方差等于其对应的特征值λi，任意两个不同主成分之间的协方差为0(即不相关)。
[0082]
s104，获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；
[0083]
因变量数据包括能源需求历史数据。
[0084]
s105，根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。
[0085]
利用上述得到的预测矩阵和获取的因变量数据构成的因变量矩阵，用以上自变量矩阵y和因变量矩阵z，即能源需求的历史值建立多元线性回归分析模型，得到能源-经济预测模型。
[0086]
多元线性回归模型通常用来研究一个因变量依赖多个自变量的变化关系，其模型如下式所示:
[0087]
z＝β0 β1y
′1 β2y
′2
…
βky
′kꢀꢀꢀ
(9)
[0088]
其中，假设被解释变量z与多个解释变量y
′
,y
′2,
…y′k之间具有线性关系，是解释
变量的多元线性函数，β0，β1，
…
，βk是回归系数，在此处解释变量z即能源需求，解释变量y即经济发展规划、环境政策目标、产业结构等因素经处理所构成的自变量矩阵。
[0089]
本技术可以对未来的自变量矩阵x进行设置，计算对应的预测矩阵y
′
，并基于建立的多元线性回归模型计算未来能源需求矩阵z。
[0090]
如图3所示，本技术提供一种能源需求预测装置，包括：
[0091]
获取模块201，用于获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；
[0092]
构造模块202，用于根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；
[0093]
确定模块203，用于根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；
[0094]
建立模块204，用于获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；
[0095]
构建模块205，用于根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型。
[0096]
本技术提供的能源需求预测装置的工作原理为，获取模块201获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；构造模块202根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；确定模块203根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；建立模块204获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；构建模块205根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型。
[0097]
本技术提供一种计算机设备，包括：存储器和处理器，还可以包括网络接口，所述存储器存储有计算机程序，存储器可以包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。该计算机设备存储有操作系统，存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时，使得所述处理器执行能源需求预测方法，图4中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0098]
在一个实施例中，本技术提供的能源需求预测方法可以实现为一种计算机程序的形式，计算机程序可在如图4所示的计算机设备上运行。
[0099]
一些实施例中，所述计算机程序被所述处理器执行时，使得所述处理器执行以下步骤：获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类
别的指标，所述指标包括工业增加值、产量和价格指数；根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。
[0100]
本技术还提供一种计算机存储介质，计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光光盘(dvd)或其他光学存储、磁盒式磁带存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0101]
一些实施例中，本发明还提出了一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。
[0102]
综上所述，本发明提供一种能源需求预测方法、装置及计算机设备，包括获取原始自变量数据，建立原始自变量矩阵，对原始自变量矩阵进行标准化，求原始自变量矩阵的相关系数矩阵，求相关系数矩阵的特征值和特征值对应的特征向量，根据特征向量构造自变量矩阵，对自变量矩阵进行筛选，得到用于预测因变量的预测矩阵，结合预测矩阵和因变量矩阵得到能源需求预测模型。本发明以主成分分析和多元线性回归分析为基础，提出一种能源需求预测模型，相较于根据历史能源需求变化叙事预测未来能源需求的方法，本技术提供的模型更加符合受实际政策和经济影响的能源需求预测。
[0103]
可以理解的是，上述提供的方法实施例与上述的装置实施例对应，相应的具体内容可以相互参考，在此不再赘述。
[0104]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0105]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流
程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0106]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品，该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0107]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0108]
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。