[发明专利]一种针对能源消费量预测的方法

说明书

本发明公开一种针对能源消费量预测的方法，包括：步骤1、数据指标标准化处理：将整理的能源消费影响因素及能源消费总量实验数据进行标准化处理，实现无量纲化；步骤2、建立预测提前期求解模型并求解预测提前期：基于发明的预测提前期理论并设计求解模型，对标准化数据求出各指标预测提前期，并形成新的一组实验数据；步骤3、数据降维处理：基于主成分法对上一步数据进行降维，消除多重共线影响；步骤4、神经网络预测：在传统的神经算法的误差反向传播时加入了动量项进行改进，并将上步处理后的数据带入神经模型完网络训练，最后进行预测。采用本发明技术方案，能够较精准的实现能源消费预测。

技术领域

本发明属于能源预测技术领域，尤其涉及一种针对能源消费量预测的方法。

背景技术

能源是世界人类生存和发展的重要物质基础，也是各国经济命脉和国家安全的重要战略物资。随着工业化和全球化的到来，对于能源的需求也以指数化扩大，这也导致大多数国家出现了能源紧缺、能耗污染等问题。据预测到2040年全球生产总值将达到一倍以上，且能源消费总量也将增加三分之一以上。能源基础能否支撑一个国家的经济可持续增长，已成为各国十分关注的重要的问题。因此，做好未来能源消费分析，搞好能源消费预测，为能源规划及政策的制订提供科学的依据，对于任何一个国家的可持续发展都是必要的。因此，许多能源消费预测技术与方法应运而生。目前对于能源消费预测的方法模型主要有时间序列模型、情景分析法、投入产出法、灰色预测模型、人工神经网络算法及组合预测算法模型等。

时间序列模型是最简单的模型，它使用时间序列趋势分析推断未来的能源需求。时间序列预测技术是通过对时间序列进行编制和分析，根据时间序列所反映出来的发展过程、方向和趋势，进行类推或延伸，借以预测下一段时间内可能达到的水平。情景分析法是假定某种现象或某种趋势将持续到未来的前提下，对预测对象可能出现的情况或引起的后果做出预测的方法。通常用来对预测对象的未来发展做出种种设想或预计，是一种直观的定性预测方法。投入产出法预测是指在国民经济各部门间投人与产出数量关系的投入产出表的基础上，建立数学模型并运用现代数学方法对经济系统进行分析和预测等研究，目前也有大量学者运用投入产出法对能源需求等进行预测研究。灰色预测由于其简单性和利用少量数据点来描述未知系统的能力而在近十年中得到了广泛的应用。能源需求预测可以看作是一个灰色系统问题，因为国内生产总值、收入、人口等因素对能源需求有影响，但对能源需求的影响程度还不清楚。灰色预测包含多种预测模型，其中GM(1,1)常用于能源需求预测。随着大数据技术不断发展，神经网络凭借其强大的非线性拟合能力、鲁棒性、记忆能力及强大的自学习能力等优势，成为大数据背景下深度学习的主流算法，由于其具有良好的函数逼近能力，广泛用于电力负荷预测和宏观经济变量的长期能源需求预测。除上述介绍的能源消费预测方法外还有诸如遗传算法、ARIMA、回归模型等算法及各算法组合算法，其技术核心大多都是通过系数拟合定量核算各影响因素指标与预测值之间的线性或非线性关系。

经过对现有的预测技术、方法梳理分析认为，目前对于能源消费预测算法技术的局限性主要体现在：

1.以时间序列和情景分析法为代表的预测方法虽然计算简单，但考虑的因素并不全面，主要是以趋势预测分析为主，对预测结果会产生一定的误差，无法做到十分准确的预测能源消费的结果。

2.投入产出法在做预测时虽然能够处理大量数据，但投入产出表有一定的假设条件，要求产业活动具有独立性，产业产出具有单一性，规模报酬不变等约束条件，而能源消费量会受到政策、价格体系等因素影响，因此投入产出法在预测能源消费时具有一定局限性。

3.除了时间序列和投入产出预测算以外，还有灰色预测、遗传算法回归模型等方法，这些预测算法的核心思想主要是对变量系数进行拟合，即定量的核算影响因素与能源消费量的线性关系。然而，现实情况能源消费量与各要素间的关系大多为非线性关系。因此，这些算法预测精度上均存在一定的局限性，而神经网络凭借其强大的非线性拟合能力等优势，对于上述算法具有一定的补充，因此也出现了一些与神经网络算法组合的算法。