能源需求预测方法、装置及计算机设备制造方法及图纸

本发明专利技术涉及一种能源需求预测方法、装置及计算机设备，包括获取原始自变量数据，建立原始自变量矩阵，对原始自变量矩阵进行标准化，求原始自变量矩阵的相关系数矩阵，求相关系数矩阵的特征值和特征值对应的特征向量，根据特征向量构造自变量矩阵，对自变量矩阵进行筛选，得到用于预测因变量的预测矩阵，结合预测矩阵和因变量矩阵得到能源需求预测模型。本发明专利技术以主成分分析和多元线性回归分析为基础，提出一种能源需求预测模型，相较于根据历史能源需求变化叙事预测未来能源需求的方法，本申请提供的模型更加符合受实际政策和经济影响的能源需求预测。能源需求预测。能源需求预测。

【技术实现步骤摘要】
能源需求预测方法、装置及计算机设备


[0001]本专利技术属于电力市场
，具体涉及一种能源需求预测方法、装置及计算机设备。

技术介绍

[0002]随着资源行业的发展，能源消费中新能源占比将不断提升，能源需求将由单一向多元化转变。准确有效的能源需求预测可以更好的研判能源需求结构和各阶段能源需求水平，对能源的使用和发展进行有效管理。目前缺乏精准有效的能源需求预测方法，导致无法对现有的能源发展路线进行针对性的调整和布局。能源需求预测存在影响因素多、模型复杂等问题。
[0003]相关技术中，能源预测方法主要有基于BP神经网络模型、基于自回归移动平均模型(ARIMA)和基于灰色预测模型的能源需求预测，其基本原理主要是通过历史趋势推测未来能源需求，但能源需求受多种因素共同影响，其中经济增长是影响中国能源消费增长变化的重要因素之一；此外，产业结构也是影响我国能源需求的重要因素，第二产业是中国能源消费增长的主要动力；而人口数量和结构也会直接影响能源消费总量，城镇化进程对能源消费具有重大影响，城镇化率与能源消费之间存在正相关。因此，在对未来能源需求进行预测时不仅要考虑能源消费自身的历史发展趋势，也要考虑经济增长、产业结构转型与社会发展等因素与能源需求的耦合关系。
[0004]现有基于ARIMA模型的能源需求预测方法要求所给时序数据是稳定的，否则无法捕捉到能源需求变化规律。此外，自回归模型描述的是当前值和历史值之间关系，即是基于时间角度的预测模型，无法反映我国能源需求受经济、政策等影响因素的关系。另外，灰色预测模型使用的不是原始数据序列，而是生成的数据序列，导致其更适用于中短期预测和指数型增长的预测，不适用于预测双碳目标下时间跨度较大的能源需求，且现有的能源需求预测无法考虑未来的环境政策以及经济发展规划等。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种能源需求预测方法、装置及计算机设备，以解决现有技术中现有的能源需求预测无法不适用于预测双碳目标下时间跨度较大的能源需求的问题。
[0006]为实现以上目的，本专利技术采用如下技术方案：一种能源需求预测方法，包括：
[0007]获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；
[0008]根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；
[0009]根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进
行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；
[0010]获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；
[0011]根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。
[0012]进一步的，所述根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵，包括：
[0013]假设某行业第j类指标在历史时段n的实际结果为X
j
＝[x
1j
,x
2j
,
…
,x
nj
]T
，则历史时段n内该行业的宏观经济的原始自变量矩阵为：
[0014][0015]对所述原始自变量矩阵进行标准化，得到第i行第j列标准化后的数据x
ij
；
[0016][0017]其中，表示历史时段内针对该行业的第j项指标的平均值，即var(x
ij
)表示第j类指标的标准差，即(j＝1,2,
…
,k)。
[0018]进一步的，获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，包括：
[0019]所述相关系数矩阵为：
[0020][0021]根据所述相关系数矩阵计算得到所述相关系数矩阵的特征值λ1，λ2，
…
,λ
k
；
[0022]根据所述特征值采用如下方式计算所述特征值对应的特征向量；
[0023]A
T
RA＝diag(λ1,λ2,
…
,λ
k
)
[0024]其中，X
T
为原始自变量矩阵X的倒置矩阵，A＝(a
ij
)
k
×
k
表示特征值对应的规范正交特征向量，a
ij
表示特征向量A中第i列第j行元素。
[0025]进一步的，所述根据所述特征向量构造自变量矩阵，包括：
[0026]根据原始自变量矩阵和特征向量采用如下方式计算自变量矩阵；
[0027]Y＝A
T
X
[0028][0029]进一步的，所述根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵，包括：
[0030]特征值λ1，λ2，
…
,λ
k
表示合成主成分的贡献率，将各主成分的特征向量进行降序排列，若假定前p个特征值的累积值趋近1，其中p＜k，表示上述p个主成分对原始指标集合的信息保留度高，则将其定义为主成分的累计贡献度为并根据预设范围进行取值，以筛选各主成分，得到的k项经济运行指标合成的主成分为：
[0031][0032]进一步的，针对合成后的各个主成分，做协方差计算后得到：
[0033][0034]主成分y
j
的方差等于其对应的特征值λ
i
，任意两个不同主成分之间的协方差为0，即各个主成分之间不相关。
[0035]进一步的，所述能源需求预测模型为多元线性回归分析模型，包括：
[0036]Z＝β0+β1Y
′1+β2Y
′2+
…
+β
k
Y
′
k
ꢀꢀꢀ
(8)
[0037]其中，假设被解释变量Z与多个解释变量Y
′
,Y
′2,
…
Y
′
k
之间具有线性关系，是解释变量的多元线性函数，β0，β1，
…
，β
k
是回归系数，解释变量Z即能源需求，解释变量Y即经济发展规划、环境政策目标、产业结构等因素经处理所构成的预测矩阵。
[0038]进一步的，所述预设范围为85％至95％。
[0039]本申请实施例提供一种能源需求预测装置，包括：
[0040]获取模块，用于获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种能源需求预测方法，其特征在于，包括：获取原始自变量数据，根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵；其中，所述原始自变量数据包括电力行业与经济发展相关的多个类别的指标，所述指标包括工业增加值、产量和价格指数；根据所述标准化矩阵，得到相关系数矩阵并获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，根据所述特征向量构造自变量矩阵；根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵；获取因变量数据，根据所述因变量数据建立因变量矩阵；其中，所述因变量数据包括能源需求历史数据；根据所述预测矩阵和所述因变量矩阵构建能源需求预测模型，所述能源需求预测模型用于计算未来能源需求。2.根据权利要求1所述的方法，其特征在于，所述根据所述原始自变量数据建立原始自变量矩阵并进行标准化处理，得到标准化矩阵，包括：假设某行业第j类指标在历史时段n的实际结果为X
j
＝[x
1j
,x
2j
,
…
,x
nj
]
T
，则历史时段n内该行业的宏观经济的原始自变量矩阵为：对所述原始自变量矩阵进行标准化，得到第i行第j列标准化后的数据x
ij
；其中，表示历史时段内针对该行业的第j项指标的平均值，即var(x
ij
)表示第j类指标的标准差，即3.根据权利要求1或2所述的方法，其特征在于，获取所述相关系数矩阵的特征值，根据所述特征值计算相应的特征向量，包括：所述相关系数矩阵为：根据所述相关系数矩阵计算得到所述相关系数矩阵的特征值λ1，λ2，
…
,λ
k
；
根据所述特征值采用如下方式计算所述特征值对应的特征向量；A
T
RA＝diag(λ1,λ2,
…
,λ
k
)其中，X
T
为原始自变量矩阵X的倒置矩阵，A＝(a
ij
)
k
×
k
表示特征值对应的规范正交特征向量，a
ij
表示特征向量A中第i列第j行元素。4.根据权利要求1所述的方法，其特征在于，所述根据所述特征向量构造自变量矩阵，包括：根据原始自变量矩阵和特征向量采用如下方式计算自变量矩阵；Y＝A
T
X5.根据权利要求1所述的方法，其特征在于，所述根据所述特征值确定合成主成分的贡献度，根据所述贡献度对所述自变量矩阵进行筛选，确定预设个数的各主成分，根据所述预设个数的各主成分构建预测矩阵，包括：特征值λ1，λ2，
…
,λ
k
表示合成主成分的贡献率，将各主成分的特征向量进行降序排列，若假定前p个特征值的累积值趋近1，其中p＜k，表示上述p个主成分对原始指标集合的信息保留度高，则将其定义为主成分的累计贡献度...

【专利技术属性】
技术研发人员：王坤，陈沁语，兰州，
申请(专利权)人：国网浙江省电力有限公司经济技术研究院，
类型：发明
国别省市：