基于成分数据的灰色QRNN修正的能耗结构预测方法技术

本发明专利技术公开了一种基于成分数据的灰色QRNN修正的能耗结构预测方法，包括：1提取任意地区能源消耗结构成分数据，并进行对称对数比变换的数据预处理；2运用灰色GM(1,1)模型对预处理后的数据进行初步预测，计算其残差；3针对残差序列建立分位数回归神经网络预测模型，得到不同分位点下的条件分位数；4将不同分位点下的条件分位数作为Epanechnikov核函数的输入变量进行概率密度预测，得到残差预测值；5结合灰色模型预测值与残差预测值，得到能耗结构处理后数据的修正数据；经反变换后得到最终的能耗结构成分数据预测值。本发明专利技术能得到预测效果精确的能耗结构预测模型，从而能为能源的合理配置和有效开发提供有利帮助。

【技术实现步骤摘要】
基于成分数据的灰色QRNN修正的能耗结构预测方法
本专利技术属于能耗结构预测领域，具体的说是一种基于成分数据的灰色QRNN修正的能耗结构预测方法。
技术介绍
能源是人类经济发展、社会文明进步不可缺少的重要资源，在现代化建设中至关重要。能源消耗系统是能源、环境及社会系统的重要组成部分。随着社会的不断发展，能源的需求量不断增长，能源供需矛盾日益显著。科学的对能源消耗进行预测，关系到社会进步、经济发展和宏观政策的制定等，有着重要的意义。国内外许多学者在能源消耗预测领域进行了大量研究，大致可分为统计方法、人工智能方法和灰色模型。统计方法主要包括回归分析法、指数平滑法、ARIMA预测法等；人工智能方法主要包括人工神经网络、支持向量机和遗传算法等，它们在求解非线性问题方面能力突出；灰色模型的优点为预测时不需要大量样本、样本不需要规律性分布，在能源消耗预测领域效果显著。然而，单一的预测方法很难在所有情况下都取得优异的预测效果。并且在现有研究中，许多学者侧重于对能源消耗绝对量的研究，对能源消耗结构的研究较少。在当前的技术背景下，急需提出一种针对能源消耗本文档来自技高网...

【技术保护点】
1.一种基于成分数据的灰色QRNN修正的能耗结构预测方法，其特征是按如下步骤进行：/n步骤1：提取任意地区能源消耗数据并进行成分化处理，得到按时间顺序t＝1,2,...,T排列的煤炭、石油、天然气、一次电力的能耗结构矩阵，其中，第t个时刻点的能耗结构矩阵记为

【技术特征摘要】
1.一种基于成分数据的灰色QRNN修正的能耗结构预测方法，其特征是按如下步骤进行：
步骤1：提取任意地区能源消耗数据并进行成分化处理，得到按时间顺序t＝1,2,...,T排列的煤炭、石油、天然气、一次电力的能耗结构矩阵，其中，第t个时刻点的能耗结构矩阵记为令第t个时刻点的第j组能耗结构成分数据为且其中，表示第t个时刻点的煤炭的能耗结构成分数据；表示第t个时刻点的石油的能耗结构成分数据；表示第t个时刻点的天然气的能耗结构成分数据；表示第t个时刻点的一次电力的能耗结构成分数据；
使用对称对数比变换对能耗结构矩阵At进行数据预处理，得到第t个时刻点的预处理后的矩阵分别表示第t个时刻点的煤炭、石油、天然气、一次电力的处理后的数据序列，令第t个时刻点的第j组处理后的数据序列记为且满足
步骤2：使用GM(1,1)模型对煤炭、石油、天然气、一次电力的处理后的数据序列分别进行预测，得到由煤炭、石油、天然气、一次电力的灰色模型预测值所构成的第t个时刻点的预测矩阵
计算第t个时刻点能耗结构成分数据处理后的矩阵Bt与所述预测矩阵之间的残差矩阵Et；且其中，分别表示第t个时刻点的煤炭、石油、天然气、一次电力的处理后的数据序列与相应灰色模型预测值之间的残差；
步骤3：从T个时刻点的残差矩阵{Et,t＝1,2,…,T}中分别选取煤炭、石油、天然气、一次电力的前P个时刻点的残差数据，用于预测P+1时刻的残差数据，从而利用滚动预测法得到四个滚动矩阵{(Xj,Yj),j＝1,2,3,4}，其中，Xj为第j个滚动矩阵的解释变量，Yj为第j个滚动矩阵的被解释变量，(X1,Y1)表示处理后煤炭残差数据的滚动矩阵，(X2,Y2)表示处理后石油残差数据的滚动矩阵，(X3,Y3)表示处理后天然气残差数据的滚动矩阵，(X4,Y4)表示处理后一次电力残差数据的滚动矩阵；将第j个滚动矩阵(Xj,Yj)划分为第j个训练集和第j个测试集其中，第j个测试集的被解释变量的数据量个数为l；
利用第j个训练集建立如式(1)所示的QRNN模型：



式(1)中，τm是第...

【专利技术属性】
技术研发人员：何耀耀，陈悦，张婉莹，肖经凌，王云，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：安徽;34