基于GARCH模型的天然气负荷波动对称性分析方法及系统

基于garch模型的天然气负荷波动对称性分析方法及系统
技术领域
1.本发明属于数据分析领域，具体涉及一种基于garch模型的天然气负荷波动对称性分析方法及系统。


背景技术：

2.天然气作为一种清洁高效能源，不仅具有比煤炭和石油更低的温室气体、二氧化硫和颗粒物排放量，而且能够有效弥补风能和太阳能不易存储且供应不稳定的缺陷。世界各国纷纷发展低碳经济、能源利用清洁化、减少大气排放。在全球能源消费结构转型的大背景下，天然气备受世界各国的青睐和重视，天然气替代高碳高污染煤炭的大趋势不可逆转，天然气将在全球经济发展和能源消费结构中扮演更加重要的角色。
3.现有天然气负荷预测方法包括线性回归分析法、时间序列法和灰色系统理论，但这些方法大多是基于线性数据预测的模型，然而天然气用气负荷具有显著的周期性、不确定性以及波动性等非线性特征，普通的数学模型很难满足预测要求，因此现有的预测方法不能够满足现实中越来越庞大且复杂的数据预测需求，需要努力探究天然气用气负荷的特征和规律，为天然气负荷的预测提供精确的参考数据。


技术实现要素：

4.针对现有技术中存在的问题，本发明提供一种天然气用气负荷波动性分析方法及系统，该方法基于garch模型，用于分析天然气负荷序列的波动对称性特征。
5.本发明是通过以下技术方案来实现：
6.一种基于garch模型的天然气负荷波动对称性分析方法，包括以下步骤：
7.步骤1、按照预设的规则将获取的历史时间段的天然气用气负荷数据集划分为多个子数据集；
8.步骤2、对步骤1得到的多个子数据集分别进行天然气负荷序列的平稳性校验；
9.步骤3、对步骤2中通过平稳性校验的子数据集分别进行arch效应校验；
10.步骤4、采用自回归条件异方差模型对通过arch效应校验的子数据集进行波动性分析，根据分析结果进行天然气用气负荷预测。
11.优选的，步骤1中按照设定的时间段将天然气用气负荷数据集划分为多个子数据集。
12.优选的，步骤2中使用adf单位根检验法检验子数据集中天然气负荷序列的平稳性；
13.所述adf检验法是通过在回归方程中加入因变量yt的滞后差分项来控制高阶序列相关，根据回归方程得到子数据集的天然气负荷序列的概率值，将概率值与设定的概率值进行比较，确定天然气负荷序列的平稳性。
14.优选的，所述adf单位根检验法的方程表达式如下所示：
[0015][0016][0017]
式中，u
t
为残差，β
t
为时间趋势项，y
t
为随机扰动项，r为系数。
[0018]
优选的，步骤3中采用arch-lm法对子数据集进行arch效应校验。
[0019]
优选的，所述arch-lm法的arch效应校验方法如下：
[0020]
采用最小二乘法对子数据集进行初步估计，根据初步估计值建立估计方程，根据估计方程得到子数据集的天然气序列对应的回归系数，根据回归系数确定子数据集的arch效应。
[0021]
优选的，所述估计方程的表达式如下：
[0022][0023]
式中，σ
t
为当期波动率，ε
t
为零均值单位方差的独立同分布白噪声，μ
t
为当期残差，ai、rj为系数。
[0024]
优选的，步骤4中自回归条件异方差模型的表达式如下：
[0025][0026]
式中，σ
t
为当期波动率，ε
t
为零均值单位方差的独立同分布白噪声，μ
t
为当期残差。
[0027]
优选的，执行步骤1前，对获取的天然气数据集进行缺失值的填充以及删除异常值。
[0028]
一种基于garch模型的天然气负荷波动对称性分析方法的系统，包括，
[0029]
子数据集模块，用于按照预设的规则将获取的历史时间段的天然气用气负荷数据集划分为多个子数据集；
[0030]
平稳性校验模块，用于对子数据集进行天然气负荷序列的平稳性校验；
[0031]
效应校验模块，用于对通过平稳性校验模块校验的子数据集进行arch效应校验；
[0032]
分析模块，用于对通过效应校验模块校验的子数据集，采用自回归条件异方差模型进行波动性对称性分析，根据分析结果进行天然气用气负荷预测。
[0033]
与现有技术相比，本发明具有以下有益的技术效果：
[0034]
本发明公开了一种基于garch模型的天然气用气负荷波动对称性分析方法，将天然气数据集按年份进行划分，以形成时间跨度上的对比分析；再然后，对天然气数据集进行平稳性校验，其次，对天然气数据集进行arch效应校验，最后，对通过arch效应校验后的天然气数据集进行基于garch模型的波动对称性分析，根据分析结果进行天然气负荷预测，本发明将波动性建模分析与天然气用气负荷相结合，分析其中存在的波动对称性规律，提高天然气负荷预测的准确性。
[0035]
进一步，在进行garch模型的波动性分析之前，对获取的天然气数据集的缺失值进行填充以及异常值的剔除：对缺失值进行均值填充法填充，对可能存在的异常值用k-近邻的方法进行剔除，从而使分析更准确。
附图说明
[0036]
图1为本发明garch模型波动性分析流程图；
[0037]
图2为本发明天然气用气序列波动概况图；
[0038]
图3为本发明garch模型分析结果展示图。
具体实施方式
[0039]
下面结合附图对本发明做进一步的详细说明，所述是对本发明的解释而不是限定。
[0040]
参阅图1-3，一种基于garch模型的天然气用气负荷波动对称性分析方法，包括以下步骤：
[0041]
步骤1、对获取的天然气数据集进行预处理。
[0042]
具体的，预处理包括对缺失值的填充以及删除异常值；使用均值插补法对缺失值进行填充，使用k-means算法对异常值进行检测并剔除；
[0043]
在数据收集或者传输的过程中，可能会出现缺失的情况。比如天然气表的采集终端出现损坏或者异常，导致部分数据采集失败，或者在传输数据的过程中，数据文件出现丢失或者损坏的情况等等，这些原因都会造成用户用气量数据的缺失。因此，缺失值填充也是十分重要的一个步骤，其中有些用户的缺失率较高，对于缺失率较高的用户，将其进行简单的删除处理。对于缺失率较低的数据，采用均值插补的方法进行填充，比如有一些用户缺失2018年12月的天然气用量，我们将取16年和17年12月份天然气用量的平均值作为缺失值的替代值。
[0044]
从天然气负荷数据集中随机选取k个样本点作为质心，计算剩余样本与质心的距离来划分样本对簇的归属度，基于聚类结果计算各样本到质心的距离，若距离大于阈值则判定该样本为异常值。在使用模型对天然气负荷数据集进行异常值判定时，需要保证正常数据和异常数据的类尽可能完整，否则会影响聚类效果进行影响异常值的处理。其中距离的计算方法采用欧式距离法，聚类的类别数k可以通过拐点法进行判别，即通过数据的凝聚度(sse方差)进行判别，当凝聚度的大小随着k值急剧下降，此时即出现拐点，如果继续增加k值会导致天然气负荷数据分类的准确度降低。
[0045]
步骤2、按照预设的规则将步骤1得到的天然气数据集划分为多个子数据集。
[0046]
具体的，在本实施例中按照年份进行划分，将天然气数据集按年进行划分，得到多个子数据集，以形成时间跨度上的对比分析。
[0047]
步骤3、对步骤2得到的多个子数据集分别进行天然气负荷序列的平稳性校验。
[0048]
具体的，使用adf单位根检验法检验天然气负荷序列是否平稳，以避免在回归过程中出现伪回归现象，adf检验法是通过在回归方程中加入因变量y
t
的滞后差分项来控制高阶序列相关，根据回归方程得到天然气负荷序列的概率值，将概率值与设定的概率值进行比较，确定天然气负荷序列的平稳性，adf单位根检验法的基本方程表达式如下所示：
[0049][0050]
[0051]
原假设为：原假设为子数据集的天然气负荷序列最少存在一个单位根，备选假设为序列不存在单位根。具体做法是：在检验前设定一个概率值p(一般设定为1％、5％或10％)，如果最终得到的检验值小于这个概率值，则时间序列拒绝原假设的可能性将是1-p。本文将p值设定为1％，也就是说如果天然气用气负荷序列的单位根检验值小于0.01，那么该序列平稳的概率将达到99％，可以认为序列平稳。
[0052]
步骤4、对步骤3中通过平稳性校验的子数据集分别进行arch效应校验。
[0053]
具体的，arch效应校验用来判定数据集是否具有arch效应，只有通过了arch效应判定才能进行基于garch模型的波动对称性分析。
[0054]
arch效应的检验通常有残差平方相关图、arch-lm法(拉格朗日乘数法)和自相关函数检验法这几种方法，而arch-lm法最常用于实证模型中，因此，在本实施例中采用arch-lm法对数据集进行校验。
[0055]
arch-lm检验的方法具体如下：
[0056]
s4.1、应用普通最小二乘法(ols)对子数据集的天然气序列进行初步估计，初步估计的表达式如下：
[0057]yt
＝x
′
t
β u
t
[0058]
s4.2、根据步骤s4.1得到的初步估计值u
t
建立u
t2
，进一步建立估计方程，根据估计方程得到天然气序列对应的回归系数，估计方程的表达式如下：
[0059][0060]
对于天然气序列arch效应的检验，即检验式中的所有的回归系数α0、α1…
αq的值是否同时为0，同时为0，则该子数据集通过arch效应校验，反之则没有通过arch效应校验。
[0061]
步骤5、采用自回归条件异方差模型对通过arch效应校验的子数据集中的天然气用气负荷数据进行波动性对称性分析，根据分析结果进行天然气用气负荷预测。
[0062]
相比于arch模型，garch模型加入了σt2的自回归部分，即允许条件方差依赖其自身的滞后性，使得σt2同时也是{σt-12,...σt-p2}的函数，而σt2仍是条件方差，是基于以往信息对方差所作出的向前一步的估计值。因此，garch模型不仅具备刻画波动的能力，更具备了较长的滞后性，使得结构更完善了，garch(1,1)模型的基本方程式描述如下：
[0063][0064]
式中，σ
t
为当期波动率，ε
t
为零均值单位方差的独立同分布白噪声，μ
t
为当期残差。
[0065]
通过基于garch(1,1)模型的分析，能很好地判断数据集的波动聚集效应以及波动受到外界因素冲击的持久性等波动对称特性，如果分析结果显示数据集的波动对称特性较为显著，则通过garch(1,1)模型向前一步滚动时间窗预测法得出式中的σ
t
和μ
t
，并以此作为参数置于其他天然气用气负荷预测模型中，从而提升天然气用气负荷的预测精度。
[0066]
本发明提供的一种基于garch模型的天然气用气负荷波动对称性分析方法，在进行garch模型的波动性分析之前，先对获取的天然气负荷数据进行预处理，比如对缺失值进行均值填充法填充，对可能存在的异常值用k-近邻的方法进行剔除，从而使分析更准确；其次，将波动性建模分析与天然气用气负荷相结合，分析波动对称性规律，根据分析结果进行天然气用气负荷预测。
[0067]
实施例1
[0068]
一种基于garch模型的天然气用气负荷波动对称性分析方法，包括以下步骤：
[0069]
1)对得到的天然气数据集进行预处理：使用均值插补法对缺失值进行填充，使用k-近邻方法对异常值进行检测并剔除；
[0070]
2)将天然气数据集按年份进行划分：可以根据数据集的大小按至少每隔一年的划分方式对数据集分段，以形成时间跨度上的对比分析；
[0071]
3)平稳性校验：使用adf单位根检验法检验天然气负荷序列是否平稳，以避免在回归过程中出现伪回归现象，adf检验法是通过在回归方程右边加入因变量y
t
的滞后差分项来控制高阶序列相关，其基本方程表达式如下所示：
[0072][0073][0074]
校验结果如表1所示：
[0075]
表1 adf单位根校验结果
[0076][0077]
p值均小于0.01，说明在1％校验水平下拒绝了原假设，因此天然气用气序列通过了平稳性校验。
[0078]
4)arch效应校验：arch效应校验用来判定数据集是否具有arch效应，只有通过了arch效应判定才能进行基于garch模型的波动对称性分析。arch效应的检验通常有残差平方相关图、arch-lm法(拉格朗日乘数法)和自相关函数检验法这几种方法，而arch-lm法最常用于实证模型中，因此本发明采用arch-lm法对数据集进行校验。
[0079]
lm检验的方法和步骤为:
[0080]
步骤一：应用普通最小二乘法(ols)对子数据集进行初步估计，ols对子数据集进行相应初步估计的表达式如下：
[0081]yt
＝x
′
t
β u
t
[0082]
步骤二:用上述方程中估计出来的初步估计值u
t
建立u
t2
，进而建立相应的估计方程：
[0083][0084]
对于序列arch效应的检验，即检验式中的所有的回归系数α0、α1…
αq的值是否同时
为0。
[0085]
校验结果如表2所示：
[0086]
表2 arch效应校验结果
[0087][0088]
p值均小于0.01，说明在1％校验水平下拒绝了原假设，因此天然气用气序列通过了arch效应校验。
[0089]
5)基于garch(1,1)模型的分析：使用garch(1,1)模型对天然气用气负荷数据集进行波动性分析。
[0090]
相比于arch模型，garch模型加入了σt2的自回归部分，即允许条件方差依赖其自身的滞后性，使得σt2同时也是{σt-12,...σt-p2}的函数，而σt2仍是条件方差，是基于以往信息对方差所作出的向前一步的估计值。因此，garch模型不仅具备刻画波动的能力，更具备了较长的滞后性，使得结构更完善了，garch(1,1)模型的基本方程式描述如下：
[0091][0092]
分析结果如表3所示：
[0093]
表3 garch(1,1)模型分析结果
[0094][0095][0096]
由garch(1,1)模型的分析结果可以得出结论：(1)天然气用气序列的arch项和garch项均表现出高度的统计显著性，即具有明显的波动聚集特征；(2)场站的用气负荷在
各个时间区段都受到了较高持续性的冲击，根据该分析结果进行天然气负荷预测，能够大大提供预测值的准确性。
[0097]
本发明还提供了一种基于garch模型的天然气负荷波动对称性分析方法的系统，包括，
[0098]
子数据集模块，用于按照预设的规则将获取的历史时间段的天然气用气负荷数据集划分为多个子数据集；
[0099]
平稳性校验模块，用于对子数据集进行天然气负荷序列的平稳性校验；
[0100]
效应校验模块，用于对通过平稳性校验模块校验的子数据集进行arch效应校验；
[0101]
分析模块，用于对通过效应校验模块校验的子数据集，采用自回归条件异方差模型进行波动性对称性分析，根据分析结果进行天然气用气负荷预测。
[0102]
本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
[0103]
本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于garch模型的天然气负荷波动对称性分析方法的操作。
[0104]
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关基于garch模型的天然气负荷波动对称性分析方法的相应步骤。
[0105]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0106]
本发明是参照根据本发明实施例的方法、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。
[0107]
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装置的制造品，该指令装置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。
[0108]
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。
[0109]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
[0110]
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。