一种基于组合模型的能源需求预测方法及其应用与流程

1.本发明属于能源需求预测技术领域，具体涉及一种基于组合模型的能源需求预测方法及其应用。


背景技术：

2.能源在人类发展和经济社会进步过程中发挥了至关重要的作用。能源的使用、更替和发展都促进了经济的增长、社会的进步和人民生活水平的提高,是全世界赖以生存和发展的物质保障。根据我国未来对经济和社会的发展需求,对能源的需求将会呈增长势头,也势必会导致更加复杂的环境问题和国际能源局势。为了缓解我国能源利用所面临的约束和矛盾,节约、高效、清洁、无污染、可持续的能源利用方式和战略应被运用到能源资源的开发和利用上来。因此，合理准确的预测我国能源需求量,对于改善优化能源消费结构,推动我国能源互联网战略建设,保障能源可持续发展具有重要意义。
3.现有技术，如中国专利申请：申请号：cn2014104148648公开一种能源需求条件密度预测方法，所述的能源需求条件密度预测方法包括按顺序执行的下列步骤：步骤1)建立支持向量分位数回归模型：基于支持向量机与分位数回归模型，建立能源需求的支持向量分位数回归模型如下：在软化的ε(ε＝0)带支持向量回归模型中，将惩罚函数部分用分位数回归来替代，得到能源需求的支持向量分位数回归模型；步骤2)建立能源需求的支持向量加权分位数回归模型：在支持向量回归模型中，将其惩罚函数部分用加权分位数回归来替代，得到能源需求的支持向量加权分位数回归模型；步骤3)模型参数估计：基于拉格朗日对偶方法以及kkt互补条件，解决能源需求的支持向量分位数回归模型和支持向量加权分位数回归模型中凸二次规划问题求解难题，间接求出模型参数估计的最优解，得到一组稀疏性的解，即获得能源需求的支持向量加权分位数回归模型的参数估计；步骤4)条件密度预测：在支持向量加权分位数回归模型参数估计基础上，得到响应变量条件分位数预测，然后在条件分位数预测的基础上，使用微商运算与倒数运算实现能源需求的条件密度预测。
4.申请号：cn2018110563307，公开一种基于经验分解和组合预测的能源需求预测方法，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。
5.申请号：cn2018114037565，公开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。
6.申请号：cn2015100569977，公开一种基于经济增长指标的能源需求量预测方法，包括如下步骤：(1)选取基年和样本区间，读取样本区间的历史数据，包括样本区间全社会能源消费总量和各产业部门能源消费总量，以基年可比价为基础计算历史样本区间各年度的三大产业部门产业增加值和人均gdp水平；(2)分别对历史数据样本区间的各产业部门能源消费总量、三大产业增加值以及人均gdp水平的时间序列数据进行平稳性检验，并对非平稳时间序列数据进行平稳化处理；(3)分别对历史数据样本区间的各产业部门能源消费总量与三大产业增加值以及人均gdp水平之间的关系进行协整检验，如果不存在长期协整关系，则要进行平稳化处理；4)对时间序列数据采用自相关函数和偏自相关函数进行分析，确定模型的最佳滞后阶数；(5)根据确定的最佳滞后阶数，采用误差纠正计量模型分别对三大产业部门和居民生活部门的能源消费量与经济增长指标的关系构建预测模型；(6)获取目标年度三大产业部门的经济增长指标，代入步骤(5)中的预测模型，计算得到目标年度三大产业部门的能源需求量，再将各产业部门的能源需求量加总进而得到全社会能源需求总量。
7.然而上述现有技术都无法单独的提取单一模型中的有效信息，增加了不同单一模型的缺点带来的误差，从而导致无法实现能源需求的合理有效预测。


技术实现要素：

8.为了解决现有技术中的不足，本发明提供了一种基于组合模型的能源需求预测方法，其技术方案为：
9.一种基于组合模型的能源需求预测方法，其特征在于，包括如下步骤：
10.步骤1：采用无偏灰色预测模型预测能源需求；
11.步骤2：采用偏最小二乘回归模型预测能源需求；
12.步骤3：采用熵权法确定各预测方法权重；
13.步骤4：采用组合预测模型对各预测模型结果进行加权合并得到最终预测结果。
14.优选为，所述的采用无偏灰色预测模型预测能源需求进一步包括如下内容：设能源需求量的时间序列数据为：x
(0)
＝{x
(0)
(1),x
(0)
(2),x
(0)
(3),...,x
(0)
(m)}，对数据进行一次累加：x
(1)
＝{x
(1)
(1),x
(1)
(2),x
(1)
(3),...,x
(1)
(m)},其中x
(1)
(m)＝x
(0)
(m) x
(0)
(m-1)，建立微分方程：利用最小二乘法求得对累加数据列x
(1)
建立的gm(1，1)微分方程求解，得到模型形式则预测值计算公式为：式中：j为时间序列，可取年、季或月。
15.优选为，所述的采用偏最小二乘回归模型预测能源需求，其步骤为：(1)标准化原始数据，标准化后的数据矩阵记为e0＝(e
ij
)n×q和f0＝(f
ij
)n×
p
，其中，其中(2)提取第r主
成分tr。求矩阵的最大特征值对应地单位特征向量wr，求得成分成分得分向量为(3)主成分提取终止准则。从所有n个样本点中丢弃某个样本点之后，用剩余的n-1个样本点拟合出含h个主成分的回归方程，可得yj(j＝1,2,...,p)和y＝(y1,y2,...,y
p
)的预测误差平方和分别为：另外,再用所有n个样本点,拟合含h-1个成分的回归方程,可得yj和y＝(y1,y2,...,y
p
)的残差平方和分别为：对于全部因变量y，成分th的交叉有效性可定义为：当时，表明加入成分th能改善模型质量,否则不能改善模型质量。(4)建立回归方程。a:建立关于主成分的多元线性回归方程，即f0在t1,...,tr上的回归方程；b:变换为关于标准化的偏最小二乘回归方程，即f0在e0上的回归方程；c:恢复原始变量的偏最小二乘回归方程,即y在x上的回归方程。
16.优选为，所述的采用熵权法确定各预测方法权重，其步骤为：(1)将原始数据进行标准化处理，由此得到标准化指标向量y
ij
；(2)计算不确定度h(yi)，式中：(3)计算信息熵e(yi)，式中：0≤e(yi)≤1；(4)计算客观权重wi，
17.进一步地，所述的采用组合预测模型对各预测模型结果进行加权合并得到最终预测结果，其步骤为：设y为观察对象，y＝(y1,y2,...,yn)为实际观测值向量，y＝y1,y2,...,ym为m种不同的预测方法，为第j个模型的第i个预测值，w＝(w1,w2,...,wm)
t
为不同预测模型在组合模型中的权重，则组合预测模型为：其中i＝1,2,...,n j＝1,2,...m。
18.有益效果
19.本发明方法可以提取单一模型中的有效信息，降低不同单一模型的缺点带来的误差，从而提高预测精度，实现能源需求的合理有效预测。
附图说明
20.图1是基于组合模型的能源需求预测方法流程图。
具体实施方式
21.实施例1
22.一种基于组合模型的能源需求预测方法，其特征在于，如下步骤：
23.1采用无偏灰色预测模型预测能源需求
24.根据无偏灰色gm(1，1)模型的建模理念，经过累加处理后，从能源时间序列数据中挖掘有用信息，总而对未来我国的能源消费两进行预测。gm(1，1)模型通过惯性序列建立预测模型，求得预测值的分布。模型首先对原始时间序列做一次累加，得到一组新的时间数列；进而建立一阶线性微分方程模型，利用线性微分方程求得拟合曲线，从而对未來的能源消费进行预测。具体预测过程如下所示：
25.设能源需求量的时间序列数据为：
26.x
(0)
＝{x
(0)
(1),x
(0)
(2),x
(0)
(3),...,x
(0)
(m)}
27.对数据进行一次累加：
28.x
(1)
＝{x
(1)
(1),x
(1)
(2),x
(1)
(3),...,x
(1)
(m)}
29.其中x
(1)
(m)＝x
(0)
(m) x
(0)
(m-1)，建立微分方程：
[0030][0031]
利用最小二乘法求得
[0032]
其中，
[0033]
对累加数据列x
(1)
建立的gm(1，1)微分方程求解，得到模型形式如下：
[0034][0035]
则预测值计算公式为：
[0036][0037]
式中：j为时间序列，可取年、季或月。
[0038]
2采用偏最小二乘回归模型预测能源需求
[0039]
能源系统是一个非线性的复杂系统，同时存在样本数据量较少、影响因素多，影响因素间可能存在严重多重共线性的问题。偏最小二乘回归法可以将主成分分析、典型相关分析、多元线性回归分析有机地结合到一起，克服数据量少、变量间存在相关性的问题，可以同时执行变量间的数据结构简化、回归建模及相关性分析，最终达到分析目标，简化了预测过程步骤。其具体建模步骤如下：
[0040]
(1)标准化原始数据
[0041]
标准化后的数据矩阵记为e0＝(e
ij
)n×q和f0＝(f
ij
)n×
p
，其中
[0042]
[0043][0044]
其中，分别为x、y中第j列的均值，sxj、syj分别为x、y中第j列的方差。
[0045]
(2)提取主成分
[0046]
a:提取第一主成分t1。求矩阵的最大特征值对应地单位特征向量w1，求得成分成分得分向量为残差矩阵为其中
[0047]
b:提取第二主成分t2。求矩阵的最大特征值对应地单位特征向量w2，求得成分成分得分向量为残差矩阵为其中
[0048]
c:提取第r主成分tr。求矩阵的最大特征值对应地单位特征向量wr，求得成分成分得分向量为
[0049]
(3)主成分提取终止准则
[0050]
pls法并不是对所有的成分进行建模，而是对提取出来最能概括原始变量信息的前r个主成分进行建模。交叉有效性是判断新组件是否可以改善模型预测功能的判断性指标。
[0051]
从所有n个样本点中丢弃某个样本点之后，用剩余的n-1个样本点拟合出含h个主成分的回归方程，可得yj(j＝1,2,...,p)和y＝(y1,y2,...,y
p
)的预测误差平方和分别为：
[0052][0053][0054]
另外,再用所有n个样本点,拟合含h-1个成分的回归方程,可得yj和y＝(y1,y2,...,y
p
)的残差平方和分别为：
[0055][0056][0057]
对于全部因变量y，成分th的交叉有效性可定义为：
[0058][0059]
当时，表明加入成分th能改善模型质量,否则不能改善模型质量。
[0060]
(4)建立回归方程。
[0061]
a:建立关于主成分的多元线性回归方程，即f0在t1,
…
,tr上的回归方程；
[0062]
b:变换为关于标准化的偏最小二乘回归方程，即f0在e0上的回归方程；
[0063]
c:恢复原始变量的偏最小二乘回归方程,即y在x上的回归方程。
[0064]
3采用熵权法确定各预测方法权重
[0065]
在采用无偏灰色模型和偏最小二乘回归模型得到能源需求预测结果的基础上，利用熵权法确定两种预测方法的权重。熵权法的优点在于完全从数据本身的离散程度来定义其数据的价值和权重，相对客观。熵权法的计算步骤如下：
[0066]
(1)将原始数据进行标准化处理，由此得到标准化指标向量y
ij
。
[0067][0068]
(2)计算不确定度h(yi)，公式如下所示：
[0069][0070]
式中：
[0071]
(3)计算信息熵e(yi)，公式如下所示：
[0072][0073]
式中：0≤e(yi)≤1。
[0074]
(4)计算客观权重wi，公式如下所示：
[0075][0076]
4采用组合预测模型对各预测模型结果进行加权合并得到最终预测结果
[0077]
组合模型预测就是将不同的单一模型通过加权的形式组合到一起，运用组合预测模型的方法可以提取单一模型中的有效信息，降低不同单一模型的缺点带来的误差，从而提高预测精度，达到预测要求，其基本步骤如下：
[0078]
设y为观察对象，y＝(y1,y2,
…
,yn)为实际观测值向量，y＝y1,y2,
…
,ym为m种不同的预测方法，为第j个模型的第i个预测值，w＝(w1,w2,
…
,wm)
t
为不同预测模型在组合模型中的权重，则组合预测模型为：
[0079][0080]
其中，i＝1,2,...,n j＝1,2,...m。
[0081]
本发明方法可以提取单一模型中的有效信息，降低不同单一模型的缺点带来的误差，从而提高预测精度，实现能源需求的合理有效预测。
[0082]
本发明中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说
明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，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、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。