[发明专利]一种天然气需求预测方法、系统、存储介质及设备

权利要求书

1.一种天然气需求预测方法，其特征在于：包括以下步骤：

(1)获取天然气需求历史数据样本，利用不同分析法筛选影响天然气需求量的关键因素；

(2)基于筛选的关键因素，分别构建神经网络模型，并对其进行训练、测试，直到神经网络模型满足要求；

(3)结合特征因素筛选结果，基于所属区域规划或者基于情景假设确定关键因素取值，构建预测样本，并将预测样本输入神经网络进行天然气需求预测，得到预测结果；

(4)比较不同筛选方法所构建的神经网络模型的预测结果，当多种结果之间偏差小于预设值时，将不同预测结果进行组合输出；否则，返回至步骤(2)。

2.如权利要求1所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，不同分析法包括灰色关联度分析法、平均影响值分析法和主成分分析法。

3.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，灰色关联度分析法分析的具体过程包括：

1-1)以天然气需求量为参考数列，其余影响因素均为比较数列，分别对参考数列和比较数列进行无量纲化处理；

1-2)求解比较数列与参考数列的灰色关联度系数，计算影响因素的关联度；

1-3)将影响因素的关联度从大到小进行排序，筛选关联度大于预设值为特征因素。

4.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，平均影响值分析法分析的具体过程包括：

2-1)利用获取的原始数据样本，建立神经网络模型，并进行学习训练，输出神经网络模型；

2-2)取出原始样本的某一影响因素，分别在其原值上加和减一定比例，其余参数保持不变，获得两个新的样本，将所构建样本输出至神经网络，得到两个输出结果，计算输出结果的差值并根据样本数量求取平均值，所求值即为所取出因素的平均影响值；

2-3)重复执行步骤2-2)求取其它因素的平均影响值，将平均影响值从大到小进行排序，筛选平均影响值大于设定值为特征因素。

5.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，主成分分析法分析的具体过程包括：

3-1)将原始影响因素数据进行标准化处理，并计算相关矩阵；

3-2)计算相关矩阵的特征值及其对应的特征向量；

3-3)根据特征值从大到小进行排序，计算特征值占特征值总和的比例，即为特征值对应的方差贡献率；

3-4)从前向后筛选主成分直至累计方差贡献率超过预设值，计算所确定的主成分得分。

6.如权利要求1所述的一种天然气需求预测方法，其特征在于：所述步骤(2)中，所述神经网络模型为BP神经网络模型；

或，所述步骤(2)中，进行训练、测试的具体过程包括：从步骤(1)的历史数据样本选取一部分的样本作为训练样本，进行神经网络模型的训练，剩余样本作为测试样本进行神经网络模型的测试；

或，所述步骤(2)中，神经网络模型满足要求是指测试值与真实值之间的相对误差小于设定值，所述设定值视历史样本数量大小进行设置。

7.如权利要求1所述的一种天然气需求预测方法，其特征在于：所述步骤(4)中，将不同预测结果进行组合输出，各分析方法得到的预测结果权重相同。

8.一种天然气需求预测系统，其特征在于：包括：

关键因素分析模块，被配置为获取天然气需求历史数据样本，利用不同分析法筛选影响天然气需求量的关键因素；

预测模型构建模块，被配置为基于筛选的关键因素，分别构建神经网络模型，并对其进行训练、测试，直到神经网络模型满足要求；

预测模块，被配置为结合特征因素筛选结果，基于所属区域规划或者基于情景假设确定关键因素取值，构建预测样本，并将预测样本输入神经网络进行天然气需求预测，得到预测结果；

结果融合模块，被配置为比较不同筛选方法所构建的神经网络模型的预测结果，当多种结果之间偏差小于预设值时，将不同预测结果进行组合输出。