【技术实现步骤摘要】
一种原油需求预测方法及系统
[0001]本专利技术涉及能源预测
的
，尤其涉及一种原油需求预测方法及系统。
技术介绍
[0002]随着原油开采、炼化加工等技术发展与成熟，原油已成为国内最大的化石能源及化工原料之一，其消费占比高。为了保障原油供应与消费安全，需要解决一些列的应用难题，包括：加油站点选址、城市管网规划、储备设施的建设等。针对这些问题，关于原油需求预测的研究工作就显得尤为重要。
[0003]目前常用的原油需求预测的方法有人工智能法，先对原油、成品油需求的历史数据进行分类分析，构建能影响负荷的外在因素(如温度，天气，节假日日期类型等宏观影响因素)耦合模型，基于历史数据与外在因素进行模型训练得到预测模型，最后利用预测模型对原油短期需求进行预测。
[0004]但目前常用的预测方法有如下技术问题：原油的短期需求容易受到各种不同的主观因素或客观因素影响，且各个因素也相互影响，仅仅以历史数据与部分用户设定的宏观影响因素进行模型训练，不符合原油的短期应用过需求，导致模型的预测结果与实际结果相比误差较大
【技术保护点】
【技术特征摘要】
1.一种原油需求预测方法，其特征在于，包括：获取原油需求数据、原油消费数据、成品油消费数据、成品需求数据以及相关因素数据，并根据所述原油需求数据、所述原油消费数据、所述成品油消费数据、所述成品需求数据和所述相关因素数据构建数据集；将所述数据集通过基于灰色模型的预测模型进行特征提取，得到第一预测结果，其中，所述基于灰色模型的预测模型是通过基于灰色模型和主成分分析算法进行构建得到的；调用原油需求预测模型对根据所述第一预测结果和所述相关因素数据进行计算，得到第二预测结果，并对所述第二预测结果进行反归一化处理，得到最终预测结果，其中，所述原油需求预测模型是根据所述第一预测结果和所述相关因素数据对卷积神经网络进行训练得到的。2.如权利要求1所述的原油需求预测方法，其特征在于，所述基于灰色模型的预测模型是通过基于灰色模型和主成分分析算法进行构建优化得到的，具体为：根据所述数据集构建基于灰色模型的预测模型；将所述灰色模型的参数求解转化为模型残差平方值最小的非线性优化模型求解，得到模型求解结果，其中，所述模型求解结果为：其中，γ是时间变化灰输入的次数的求解最优值，τ是延迟时间的求解最优值，b
i
称为驱动系数，是特征数据集，是GM(1,N)序列，为的紧邻均值生成序列；利用主成分分析优化算法计算所述模型求解因素权重矩阵，得到因子权重矩阵最佳值；采用所述因子权重矩阵最佳值对所述基于灰色模型的预测模型进行迭代更新，得到优化后的基于灰色模型的预测模型。3.如权利要求1所述的原油需求预测方法，其特征在于，所述根据所述数据集构建基于灰色模型的预测模型，具体为：将所述原油需求数据、所述原油消费数据、所述成品油消费数据、所述成品需求数据以及所述相关因素数据进行累加生成GM(1,N)序列；采用所述GM(1,N)序列构建生成基于灰色模型的预测模型，其中，所述灰色模型为：其中，α称为系统发展系数，为数据集，为GM(1,N)序列，GM(1,N|γ,τ)为灰色模型。4.如权利要求1所述的原油需求预测方法，其特征在于，所述调用所述原油需求预测模型对根据所述第一预测结果和所述相关因素数据进行计算，得到第二预测结果，并对所述第二预测结果进行反归一化处理，得到最终预测结果，具体为：
将所述第一预测结果进行归一化处理，得到归一化后的第一预测结果；利用所述归一化后的第一预测结果对所述卷积神经网络模型进行模型训练，得到原油需求预测模型，根据所述原油需求预测模型进行计算，得到中间预测值；将所述中间预测值、所述归一化后的第一预测结果和所述相关因素数据输入至所述原油需求预测模型中得到第二预测结果；对所述第二预测结果进行反归一化处理，得到最终预测结果，其中，所述最终预测结果为：s
′
＝min
s
+α(max
s
―min
s
)其中，s
′
表示原量纲下的目标预测结果，α为预测模型预测输出的结果。5.如权利要求4所述的原油需求预测方法，其特征在于，还包括：利用主成分分析优化算法计算所述原油需求预测模型求解因素权重矩阵，得到因子权重矩阵最佳值；基于所述因子权重矩阵最佳值确定所述原油需求预测模型的准确率。6.一种原油需求预测系统，其特征在于包括：获取模块，用于获取原油需求数据、原油消费数据、成品油消费数据、成...
【专利技术属性】
技术研发人员：龚贤夫，彭勃，李耀东，卢洵，肖建华，林海生，钟俊琛，顾延勋，刘晓光，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。