[发明专利]一种天然气需求预测方法、系统、存储介质及设备

说明书

本发明提供了一种天然气需求预测方法、系统、存储介质及设备，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；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；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；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。本发明避免了对天然气需求影响较小或者反映信息重叠的因素对神经网络的影响，提高了神经网络预测的精度和准确性。

技术领域

本发明属于能源需求利用技术领域，具体涉及一种天然气需求预测方法、系统、存储介质及设备。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

天然气是一种低碳绿色清洁高效的能源，在我国能源生产和利用中占据重要地位。近年来，我国天然气能源生产和消费一直处于增长状态，为了保障天然气稳定、安全、持续供应，首先需要对天然气需求量进行准确预测。

传统的天然气需求预测方法主要包括回归分析预测法、时间序列预测法、灰色模型预测法以及各种模型组合预测法，这些模型仅仅考虑时间因素对天然气需求量的影响，当某个时间段突发事件导致天然气需求量发生重大变化，模型的稳定性和准确性难以保证。

近年来，基于大数据分析的人工神经网络在天然气需求预测方面表现出良好的效果，受到了研究关注。

但发明人了解到，在实际操作过程中，由于人工神经网络综合考虑了多种因素对天然气需求量的影响，根据影响因素的历史数据进行学习训练建立模型，但是，影响天然气需求的因素很多，造成神经网络输入参数量较多，需要构建的神经网络结构复杂、训练过程以及计算过程复杂，计算量大；另一方面，目前多数神经网络模型选取的因素仅仅基于定性分析，影响了神经网络预测精度。

发明内容

本发明为了解决上述问题，提出了一种天然气需求预测方法、系统、存储介质及设备，本发明能够降低神经网络复杂度和计算量，避免了对天然气需求影响较小或者反映信息重叠的因素对神经网络的影响，提高了神经网络预测的精度和准确性。

根据一些实施例，本发明采用如下技术方案：

一种天然气需求预测方法，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)。

作为可选择的实施方式，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。

作为进一步的限定，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。

作为进一步的限定，所述步骤(1)中，平均影响值分析法分析的具体过程包括：