基于优化组合模型的天然气消费量预测

第６０卷　第２期２０２４年３月石　油　化　工　自　动　化ＡＵＴＯＭＡＴＩＯＮＩＮＰＥＴＲＯ ＣＨＥＭＩＣＡＬＩＮＤＵＳＴＲＹＶｏｌ．６０，Ｎｏ．２Ｍａｒ，２０２４稿件收到日期：２０２３０９２２，修改稿收到日期：２０２３１２１０。

作者简介：陈宇光（１９８４—），男，２００８年毕业于大庆职业学院油气开采专业，现就职于中国石油天然气股份有限公司新疆油田分公司吉庆油田作业区，从事油气产能建设项目管理工作，任工程师。

基于组合模型的天然气管道短期负荷预测陈宇光（中国石油天然气股份有限公司新疆油田分公司吉庆油田作业区，新疆吉木萨尔８３１７００）摘要：通过灰色关联分析（ＧＲＡ）确定影响天然气管道短期负荷的主控因素，应用非线性变化策略对粒子群（ＰＳＯ）算法的惯性权重和加速因子改进，利用优化算法寻找适合长短期记忆网络（ＬＳＴＭ）模型的超参数，形成ＧＲＡＩＰＳＯＬＳＴＭ的组合模型，并与其余模型对比，以验证其准确性和可靠性。

结果表明：根据灰色关联度的大小，可以逐步删减对日负荷影响不大的因素，降低后续预测模型的复杂性；ＩＰＳＯ算法在迭代速度、收敛精度和寻优质量方面均有所提高，降低了ＬＳＴＭ模型超参数人工选取的局限性；该组合模型的平均绝对百分比误差（犕犃犘犈）和均方根误差（犚犕犛犈）均得到大幅降低，决定系数（犚２）和预测精度得到提高，证明了该组合模型可用于天然气管道短期负荷的准确预测。

关键词：短期负荷预测；灰色关联分析；粒子群算法；长短期记忆网络中图分类号：ＴＰ２７３ 文献标志码：Ａ 文章编号：１００７７３２４（２０２４）０２００２００５犛犺狅狉狋 狋犲狉犿犔狅犪犱犉狅狉犲犮犪狊狋犻狀犵狅犳犖犪狋狌狉犪犾犌犪狊犘犻狆犲犾犻狀犲犅犪狊犲犱狅狀犆狅犿犫犻狀犪狋犻狅狀犕狅犱犲犾ＣｈｅｎＹｕｇｕａｎｇ（ＪｉｑｉｎｇＯｉｌｆｉｅｌｄＯｐｅｒａｔｉｏｎＡｒｅａｏｆＸｉｎｊｉａｎｇＯｉｌｆｉｅｌｄＢｒａｎｃｈｏｆＣｈｉｎａＮａｔｉｏｎａｌＰｅｔｒｏｌｅｕｍＣｏｒｐｏｒａｔｉｏｎ，Ｊｉｍｓａｒ，８３１７００，Ｃｈｉｎａ）犃犫狊狋狉犪犮狋狊：Ｇｒｅｙｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ（ＧＲＡ）ｉｓｕｓｅｄｔｏｄｅｔｅｒｍｉｎｅｔｈｅｍａｉｎｃｏｎｔｒｏｌｆａｃｔｏｒｓａｆｆｅｃｔｉｎｇｔｈｅｓｈｏｒｔ ｔｅｒｍｌｏａｄｏｆｎａｔｕｒａｌｇａｓｐｉｐｅｌｉｎｅ．Ｎｏｎｌｉｎｅａｒｃｈａｎｇｅｓｔｒａｔｅｇｙｉｓａｐｐｌｉｅｄｔｏｉｍｐｒｏｖｅｔｈｅｉｎｅｒｔｉａｗｅｉｇｈｔａｎｄａｃｃｅｌｅｒａｔｉｏｎｆａｃｔｏｒｏｆｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ（ＰＳＯ）ａｌｇｏｒｉｔｈｍ．Ｔｈｅｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｆｉｎｄｔｈｅｈｙｐｅｒｐａｒａｍｅｔｅｒｓｓｕｉｔａｂｌｅｆｏｒｔｈｅｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ（ＬＳＴＭ）ｍｏｄｅｌ，ａｎｄａｃｏｍｂｉｎａｔｉｏｎｍｏｄｅｌｏｆＧＲＡＩＰＳＯＬＳＴＭｉｓｆｏｒｍｅｄ．Ｉｔｉｓｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒｍｏｄｅｌｓｔｏｖｅｒｉｆｙｉｔｓａｃｃｕｒａｃｙａｎｄｒｅｌｉａｂｉｌｉｔｙ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗ，ａｃｃｏｒｄｉｎｇｔｏｔｈｅｓｉｚｅｏｆｇｒｅｙｃｏｒｒｅｌａｔｉｏｎｄｅｇｒｅｅ，ｔｈｅｆａｃｔｏｒｓｔｈａｔｈａｖｅｌｉｔｔｌｅｉｎｆｌｕｅｎｃｅｏｎｄａｉｌｙｌｏａｄｃａｎｂｅｄｅｌｅｔｅｄｓｔｅｐｂｙｓｔｅｐ，ｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｔｈｅｓｕｂｓｅｑｕｅｎｔｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｃａｎｂｅｒｅｄｕｃｅｄ．ｉｔｅｒａｔｉｏｎｓｐｅｅｄ，ｃｏｎｖｅｒｇｅｎｃｅａｃｃｕｒａｃｙａｎｄｏｐｔｉｍｉｚａｔｉｏｎｑｕａｌｉｔｙａｒｅｉｍｐｒｏｖｅｄｉｎＩＰＳＯａｌｇｏｒｉｔｈｍ．ＴｈｅｌｉｍｉｔａｔｉｏｎｏｆｍａｎｕａｌｓｅｌｅｃｔｉｏｎｏｆＬＳＴＭｍｏｄｅｌｈｙｐｅｒｐａｒａｍｅｔｅｒｓｉｓｒｅｄｕｃｅｄ．ＴｈｅＭＡＰＥａｎｄＲＭＳＥｏｆｔｈｅｃｏｍｂｉｎｅｄｍｏｄｅｌａｒｅｓｈａｒｐｌｙｒｅｄｕｃｅｄ，ｔｈｅ犚２ａｎｄｔｈｅｐｒｅｄｉｃｔｉｏｎａｃｃｕｒａｃｙａｒｅｉｍｐｒｏｖｅｄ．Ｉｔｐｒｏｖｅｓｔｈａｔｔｈｅｃｏｍｂｉｎｅｄｍｏｄｅｌｃａｎｂｅｕｓｅｄｔｏａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅｓｈｏｒｔ ｔｅｒｍｌｏａｄｏｆｎａｔｕｒａｌｇａｓｐｉｐｅｌｉｎｅｓ．犓犲狔狑狅狉犱狊：ｓｈｏｒｔ ｔｅｒｍｌｏａｄｆｏｒｅｃａｓｔｉｎｇ；ｇｒｅｙｃｏｒｒｅｌａｔｉｏｎａｎａｌｙｓｉｓ；ｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉｚａｔｉｏｎ；ｌｏｎｇｓｈｏｒｔ ｔｅｒｍｍｅｍｏｒｙｎｅｔｗｏｒｋ 在第七十五届的联合国大会上，中国提出了在２０３０年前达到“碳中和、碳达峰”的目标。

Shapley值在中国城市天然气需求量组合预测中的应用秦步文;张吉军;李岚;曾镰;文静;韩咪【期刊名称】《天然气技术与经济》【年(卷),期】2022(16)2【摘要】天然气作为清洁、高效的优质能源,对减少碳排放量,促进城市生态环境和经济高质量发展,实现中国“碳达峰、碳中和”战略目标具有重要意义,因此精准预测城市天然气需求量是城市健康发展的重要保障。

天然气需求量的预测主要有单一预测模型和构建组合预测模型两种研究方法。

组合预测模型可以有效的对单一预测模型提供的信息进行整合,从而进一步减小单一预测模型带来的误差,提高预测的精确度。

为了对城市天然气需求量进行准确预测,通过借鉴合作博弈论Shapley值利益分配理论,考虑均值GM(1,1)模型、指数平滑模型、灰色Verhulst模型之间的差异以及各自的特点,建立天然气需求组合预测模型,可以有效减少预测的误差。

研究结果表明:(1)Shapley值能减少各单一预测模型差异的影响,更好的对三种单一预测模型的平均绝对百分比误差进行分配,确定的单一预测模型权重更合理,有效提高了城市天然气需求量预测的精度;(2)“十四五”期间中国城市天然气需求量将呈持续增长趋势,预计2025年将达到1995×10;m;。

【总页数】6页(P50-55)【关键词】天然气;城市燃气;需求量预测;SHAPLEY值;组合预测【作者】秦步文;张吉军;李岚;曾镰;文静;韩咪【作者单位】西南石油大学经济管理学院;四川长宁天然气开发有限责任公司;中国石油西南油气田公司开发事业部;中国石油西南油气田公司纪检审计中心【正文语种】中文【中图分类】F42【相关文献】1.基于Shapley值的组合预测方法在福建省农业总产值预测中的应用2.基于Shapley值的中国电力需求组合预测模型3.基于Shapley值的中国能源消费组合预测模型研究4.最优组合预测模型在中国天然气需求预测中的应用5.基于最优组合模型的中国天然气需求量预测因版权原因，仅展示原文概要，查看原文内容请购买。

第25卷第2期2009年4月德州学院学报Journal of Dezhou U niversityV ol.25,N o.2Apr.,2009基于遗传算法的天然气消费量预测研究帅训波1,杨遂发1,周相广1,马书南2(11中国石油勘探开发研究院廊坊分院地球物理与信息研究所,河北廊坊　065007;2.北京工业大学计算机学院,北京　100022) 摘　要:天然气消费量受众多因素影响,应用单一预测方法产生的预测值误差较大.提出了一种天然气消费量优化组合预测模型的构造方法,给出了优化组合预测模型提高预测精度的理论依据,并应用实数编码遗传算法对优化组合模型进行求解.实例计算结果分析表明,优化组合预测模型具有更高的预测精度.关键词:天然气;消费预测;优化组合;遗传算法中图分类号:F224,TP301 文献标识码:A 文章编号:100429444(2009)022*******收稿日期:2008209216作者简介:帅训波(19792),男,山东单县人,助理工程师,在读博士,主要从事石油信息系统建设与规划、人工智能方面的研究. 天然气消费量是反映居民生活消费水平的一个重要的指数,对其精确预测对国家制定与分析价格政策、意义.天然气消费受众多因素影响,各影响因素与消费量之间存在着高度的复杂性和非线性[1],因此,关于天气消费量的预测研究越来越备受关注[1-4].常用的预测方法主要有两类:一类是因果解释预测方法,分析消费量的主要影响因素,建立起预测变量与影响因素的关系模型,如回归分析法;另一类是历史数据法,依赖于被预测量的历史观测数据,通过序列分析找出其系统演变规律,并进而对系统未来发展做出预测,如时间序列分析、灰色预测法等[1].研究发现,由于每种单一预测方法均不能包括影响天然气消费的所有有用信息,导致预测值与实际消费量之间存在较大误差[2-4].针对应用单一预测方法存在预测值误差较大的问题,文中从组合预测的角度[5-7],提出了一种天然气消费量优化组合预测模型的构造方法,给出了优化组合预测模型提高预测精度的理论依据,并应用基于实数编码的遗传算法对组合优化模型进行求解.实例计算结果分析表明,优化组合模型有更高的预测精度.1　优化组合预测模型构造为了避免单一的天然气消费量预测模型对部分有用信息的丢失,充分综合多种模型的预测结果,提高预测精度.天然气消费量优化组合预测模型的构造基本方法1对这每种天然气消费量预测模型赋予不同的权重,并建立目标函数,通过最优化算法确定最佳的预测方法组合.通过求取目标函数中的优化组合权值,从而可以得出优化组合预测模型.设n 为观测数据个数,m 为被选应用的预测模型个数,实际历史数据值为y (0)(i )(i =1,2,3,…,n ),m 种预测模型的输出预测结果值分别为y (1)(i ),y (2)(i ),……,y (m )(i ),w j (j =1,2,3,…,m 为第j 种预测模型在组合预测模型的权重,∑mj =1wj=1且0<w j <1,当存在w =(w 1,w 2,w 3…,w m )数值,使得预测误差函数:F =∑ni =1[∑mj =1w j y j (i )-y 0(i )]2值尽可能地小,则y z (i )=∑m j =1wjy j (i )为该组消费量观测数据的优化组合预测模型,当函数F 取得最小值时,则y z (i )为该组观测值的最优化组合预测模型.定理[5]　假定m 不同种单项预测方法的预测离差向量组ε1,ε2,…,εm 是线性无关的,基于相关系数的组合预测模型中,若最优解出现权重系数为零的个数k ≠(m -1),则最优解对应的组合预测是优性的组合预测.根据天然气消费量的优化组合预测模型构造方法过程,由定理可知,构造的优化组合天然气消费量模型要“好于”被选择的m 种单一预测模型中的“最优”者,具有更好的预测性能.2　基于遗传算法的权重参数求解如何求取一组权重参数w =(w 1,w 2,w 3…,w m ),且Πw j ≠1(j =1,2,3,…,m ),确保预测误差函数:F =∑ni =1[∑mj =1w jy j (i )-y 0(i )]2取得尽可能小,以至取得最小值,是实现天然气消费量优化组合预测模型具有更好应用预测性能的关键.由于函数F 具有高度非线性,这对于常规试差法、最小二乘法等求解w 值是难以实现的.遗传算法具有多点寻优、并行处理和不依赖于问题模型等特点,特别适合用于处理传统方法难于解决的复杂的非线性问题,它已被广泛用于许多领域[8-11].文中应用基于实数编码的遗传算法求解参数优化组合预测模型中权重参数,通过算例表明,可以得到理想的结果值.遗传算法步骤描述为1)初始化.确定种群规模S ,交叉概率p c ,变异概率p m 以及迭代终止条件,随机生成一个基于特定编码的N 个体组成初始种群;2)基于适度函数对个体进行评价.计算当前种群中每一个体的适应度函数值;3)种群进化.先对每一个体按照其适应度值计算其繁殖概率,再以设定的交叉概率、变异概率进行遗传操作,最后依据选择策略生成由N 个体组成的新一代种群;4)重复步骤(2)、(3)直至结果收敛.遗传算法中实数编码是连续参数优化问题的直接描述,取消了编码、解码过程,提高了算法的速度和精度,优点非常明显[9-11].模型F 的权重参数均为实数,采用实数编码更为适合.2.1　适应度函数建立适应度函数来确定个体的适应度值以评估其优劣,并以此作为遗传操作的依据.天然气消费量的优化组合预测模型的函数一般形式为 y z (i )=∑mj =1wjy j (i ), ∑mj =1w j =1且0<w j <1(1)预测误差函数F =∑ni =1[∑mj =1w jy j(i )-y 0(i )]2(2)为了保证误差越大,适应度值越小,则选取适应度函数为:f =n/F ,其中n 为观测数据的个数.2.2　选择策略遗传操作的目的是根据进化原则从当前群体中选出优良的个体,从而形成下一代.第i 个个体的选择概率p i =f i /∑ni =1fi(3)常用的选择算子如转盘式选择、锦标赛选择等,转盘式选择法不能使传统遗传算法收敛至最优解,锦标赛选择策略能避免超级个体的影响,但影响着算法的局部寻优性能.结合遗传算法求解经验[8,9],采用排序选择的方法作为选择算子.根据个体的适应度大小,然后把一定的概率分配给个体,作为个体的选择概率,保证了算法的良好全局收敛性[11],从而确保预测误差函数F 取得尽可能小的值,甚至最小值.2.3　交叉与变异以交叉概率p c 对匹配池中的个体中的每个分量按下式进行交叉操作,生成新的个体x t +12i =x t 2i +r i (x t 2i -x t2i +1)x t +12i +1=x t2i -r i (x t2i -x t2i +1)(i =0,1,…,N2-1)(4)式中:x t 2i 、x t 2i +1是父代中的双亲,其中x t2i 的适应度大于x t 2i +1的适应度(即x t 2i 优于x t 2i +1);x t +12i、x t +12i +1是交叉产生的子代新个体,由双亲执行式(4)的交叉运算生成的新个体;r i 是[0,1]上均匀分布的随机数.分析(4)式可知,选择的交叉算子生成的后代个体位于适应度大的父代个体x t2i (较优个体)的两侧,向着改善适应度的区域搜索前进,避免了进化的盲目性,提高了进化速度.以概率p m 对交叉后产生的个体执行变异操作,得到下一代个体,其中变异算子采用高斯变异算子[13].为了提高遗传算法进化速度,如果每代都有更优解出现,则将变异率保持近乎为零的水平,表示不引入变异操作;但是如果长时间未能搜索到更优解,认为依靠当前群体难以找到最优解,应以适度变异率执行变异操作,扩大搜索范围,向性能更优群体进化.定义变异率p m 为p m (g )=p m (min )+N G αt (5)式中,g 表示当前代数;p m (min )为最小变异率,取01001,即认为当前进化效果较好,几乎不引入变异操作;N G 为自上次进化以来至当前代连续未进化的代数;αt 为变异率提高系数,取值01005.16　第2期 帅训波,等:基于遗传算法的天然气消费量预测研究3　计算实例与结果分析以某地区1996-2002年天然气消费量预测为例[4],应用线性回归预测模型、人工神经网络预测模型和灰色系统预测模型构造天然气消费量优化组合预测模型,基于实数编码的遗传算法求取优化组合预测模型中权重参数,种群规模S=80,杂交概率p c =0160,最小变异率p m(min)=01001,αt=01005;搜索进化1600代,计算结果200次,选取其中最优参数,结果如表1所示;拟合结果对比如表2所示.表1　各模型在优化组合预测模型中的权重预测模型线性回归预测模型神经网络预测模型灰色预测模型权重011551701547710129712表2　各模型对天然气消费量的预测值对比(单位:104m3)实际消费量线性回归模型神经网络模型灰色模型优化组合模型年份消费量预测值误差(%)预测值误差(%)预测值误差(%)预测值误差(%) 19961277171173168115117216812313451851331224124119 199712981312251251631233135101145613121171298130 19981501121462142158144411318115601231931481141132 19991616111536164192166417310116371811341636181128 20001816131676197167187014219817891311491816130 20012012181879186161205312210119041851371982121152 20022007171952132176211714514620941641322085113185 由表2的对比结果可以看出,文中的优化组合预测模型明显具有较好的预测精度,整体预测能力好于任何单一的预测模型.这一方面是因为在有限的历史数据情况下,优化组合预测模型充分利用各种预测方法的有用信息,提高天然气消费量预测的精度;另一方面是基于实数编码遗传算法对复杂的非线性问题有更好的求解性能,求取的最优模型参数权重值,使得预测误差函数F值向最小值无穷逼近,求解方法简单,而且求取结果比常用的最小二乘法等方法更精确,避免了常将非线性化强度较高的模型划为线性化式求解过程中有用信息的丢失.4　结论1)应用组合预测模型思想,给出了一种天然气消费量优化组合预测模型的构造方法,从组合优化理论和实例分析均表明,应用文中的方法构造的优化组合预测模型能综合各单种预测模型的方法信息,具有更好的预测性能.2)给出了一种适用于求解优化组合预测模型的实数编码遗传算法,利用计算机程序实现,求解方法易于掌握、便于操作,提高了模型预测能力和精度.它对其它复杂非线性问题模型求解有重要的借鉴意义.3)文中将遗传算法优化控制与组合预测相结合,应用实例分析表明,提高了预测的准确性.另外,可以考虑将专家系统及人工智能中的一些思想方法引入到优化组合预测领域,不仅进一步降低算法复杂性,而且获得更好的预测性能.参考文献:[1]王效东,黄坤.天然气消费量的神经网络方法预测[J].天然气勘探与开发,2007,30(3):70-72.[2]汪玉春,李建民,朱勇,等.天然气消费需求预测新方法[J].石油规划设计,1999,10(5):29-32.[3]高建,董秀成.天然气消费量自组织数据挖掘预测研究[J].统计与决策,2008,(10):50-53.[4]殷建成,刘志斌.天然气需求自适应优化组合预测模型研究[J].天然气工业,2004,24(11):167-169.[5]陈华友.基于相关系数的优性组合预测模型研究[J].系统工程学报,2006,21(4):353-360.(下转第76页)Highest Visual Frequency of T elevision in China is not6M H z,but7137M H zM EN Li-shan(Depart ment of Elecf romechanic,Dezho u University,Dezhou shandong253023,China)Abstract:The proof of t he highest visual f requency of TV has mistakes.From comment s on t he proof of t he highest visual frequency of TV showed in t he text books.,we can analyze t he essential causes for t he mistakes.According to t he standard in China and t he justifications,examples and pict ures,we prove t hat t he highest frequency of t he tekvisim in China is not6M Hz but7.37M Hz.K ey w ords:Television;visual frequency;highest;7137M Hz(上接第62页)[6]Chiclana F,Herrera F,Herrera-Viedma E.Integra2ting multiplicative preference relations in a multipurpose decision-making based on f uzzy preference relations [J].Fuzzy Sets and Systems,2001,122(2):277-291.[7]Tang Xiaowo,Zhou Z ongfang,Shi Y.The eerorbounds of combined forecasting[J].Mathematical and Computer Modelling,2002,36(9):997-1005.[8]马书南,帅训波,曹凤雪.一种基于逆序算子的优化组合遗传算法[J].电子技术应用,2006,32(6):19-21. [9]帅训波,周相广,马书南.一种基于阈值对偶算子的优化组合遗传算法[J].西华大学学报,2008,27(4):56-59.[10]伊学农,马俊华,等.遗传算法在暴雨公式参数优化中的应用[J].山东建筑工程学院学报,2002,17(4):49-53.Prediction of N atural G as Consumption R esearch B ased on G enetic Algorithm S HU A I Xun-bo1,YAN G Shui-fa1,ZHOU Xiang-guang1,MA Shu-nan2(1.Instit ute of Geop hysics and Information,Langfang Branch of Research Instit ute of Pet roleumExploration and Develop ment,Pet roChina,Langfang Hebei065007,China;2.College of Comp uter Science&Technology,Beijing U niversity of Technology,Beijing100022,China)Abstract:Consumption of nat ural gas is affected by many factors,so t here is big error between t he predic2 tion and t he real consumption for almost every single p rediction met hod.To solve t he problem,a const ruc2 tion met hod of optimization combination prediction model is proposed.Besides,a genetic algorit hm based real code is designed to search for optimization parameters values of t he combination model.Prediction re2 sult of t he optimizatio n combination model const ructed by t his met hod is better t han t hat wit h single met h2 od,which is proved not only by t heories but also by t he experiment s result s.K ey w ords:nat ural gas;consumption predication;optimum combination;genetic algorit hm。

基于能源的预测和优化摘要煤、石油、天然气是经济发展的原动力同时也是环境污染的罪魁祸首，面对经济发展、能源消耗和环境保护的巨大压力，如何做到可持续发展是当前必须要优先考虑的问题。

本文对江苏省的能源消费现状进行了分析，并给出了对江苏省未来能源结构的预测和优化方案。

对于问题一影响江苏省煤炭消费总量以及第一、二、三产业煤炭消费量的指标有江苏省地区生产总值、江苏省人口总数、第二产业产值所占的比重及煤炭的调入量。

对于各指标对煤炭消费总量以及第一、二、三产业煤炭消费量的影响程度，我们建立了灰色关联度模型，用matlab计算出了各指标与之的关联度。

由于煤炭消费总量及其占能源消费量的比重、第一、二、三产业煤炭消费量的变动对节能、减排和经济增长都有影响，因此这里建立了偏相关分析的模型，用spss求出变量的偏相关系数。

对于问题二预测江苏省未来十年的能源结构，我们建立了ARIMA模型，先对序列取对数、进行二阶差分、平稳性检验、通过自相关偏相关图表最终确定ARIMA(1,2,2)模型，并且其残差通过ADF检验。

用ARIMA(1,2,2)模型较好地预测出了未来十年江苏省的能源结构。

之后建立了线性规划模型，在节能、减排目标的约束下使GDP增长率达到最大，用lingo计算出了江苏省未来三大能源的消费结构的优化结果。

对于问题三，由于传统的灰色预测模型在参数处理方面不恰当使得模型求解所得到的结果误差比较大，这里对GM（1,1）模型进行了改进。

先对已知的数据进行优化处理，最小一乘法求模型的参数a、b，运用matlab计算出预测结果。

对“十二五”期间煤炭消费总量及三大产业煤炭消费量优化，依然建立多目标规划模型，在单位地区生产总值二氧化碳排放减少19%、单位地区生产总值能耗降低18%、第一产业的耗煤量在逐年递减，第二产业的耗煤量在逐年增加的三个约束条件下，目标函数GDP增长率最大，最后用lingo求出计算出优化结果，并且对模型和结果的合理性进行了检验和说明。

基于燃气气量预测模型的研究和运用摘要：近年来，随着城市燃气企业的不断亏损，大手大脚的去实现智能化、数字化燃气已不可能，开源节流成为了燃气企业的主流经营思想。

本文通过分析当下经营的主要矛盾，分析出现亏损的主要原因，提出气量预测模型的建立可以成为企业实现智能化、数字化转型的新思路并且可以极大程度的利用现有管理平台节约投资。

同时提出了物理模型、3层软件模型的架构，实现了运用。

实践表明，该预测模型效果良好，可有效改善气量成本。

关键词：燃气管网；负荷预测；大数据；物理软件模型；模拟分析The Research And Application of Prediction Model Based on Gas VolumeWang Zijing，Xiao Song，Tong Qingfu，Zhu Mingen，Wang Lihang（WHNG Co.,Ltd ，Wuhan Hubei，430033）Abstract：In recent years，with the continuous loss of city gas company，It is impossible to achieve intelligent and digital gas with extravagance.Broaden sources of income and reducing expenditure has become the mainstream management idea of city gas company.This article analyzes the main contradictions of principal contradiction,analyze the main causes of losses.It is proposed that the establishment of gas volume prediction model can become a new idea for enterprises to realize intelligent and digital transformation, and can greatly use the existing management platform to save investment.At the same time, the architecture of physical model and 3-tier software model is proposed to realize the application.The practice shows that the prediction model has good effect and can effectively improve the gas volume cost.Keywords： Gas Network System；Load Forecasting；Big Data；Physical Software Model；Simulation Analysis一、气量预测的背景与原因随着近年国家油气体制改革进程深入，我国油气上、中游改革已基本完成，但下游市场化销售体系暂未形成，市场压力集中向下游传递，城市天然气发展面临较大压力。

组合预测在我国能源消耗总量中的应用摘要组合预测模型是将各种不同类型的单项预测模型兼收并蓄，各取所长，集中了更多的经济信息与预测技巧，能减少预测的系统误差，显著改进预测效果．本文利用我国能源消耗总量的历史数据，建立灰色预测模型、移动平均预测模型和多元回归预测模型，根据单项预测得出的结果进行权重分配，建立组合预测模型，预测结果表明预测值和实绩分析结果有很好的一致性，可以作为研究我国能源消耗总量的有效工具．通过比较各种模型的预测误差和从定量的角度来提高预测精度，为预测我国未来的能源消耗总量提出了改进方向，并通过各种预测方法所提供收集有用的信息加以综合利用，提高了预测精度，为我国的能源消耗总量和利用提供了依据和理论基础．关键词：组合预测能源消耗单项预测预测精度Application of Combination Forecast in Terms of Total EnergyConsumption in ChinaZhang Kai Directed by Lecturer Jiang ShutaoABSTRACTCombination forecast model is a different type of forecasting model of individual learning strengths, focus on a more economic information and forecasting skills, can reduce the forecast error, and significantly improve forecast. This project uses historical data of Chi na’s total energy consumption, building grey forecasting models, the moving average forecasting model and multiple back-forecasting models, weight distribution according to the results of individual forecasts, the establishment of combined forecasting model, predictions showed that the predicted values and performance analysis results with good consistency, can be used as effective tools for study of China’s total energy consumption. Errors by comparing the various forecasting models and improve forecast accuracy from a quantitative perspective, projections suggest improvements for the future direction, and the useful information provided through the comprehensive utilization of various forecasting methods, significantly improve forecast accuracy, provided t he basis for China’s energy consumption and the rational use and theoretical foundation.KEYWORDS: Combination forecast Energy consumption Items forecast Forecast accuracy目录摘要 (I)英文摘要 ................................................................... I I 前言 . (1)1单一预测在我国能源消耗总量中的应用 (2)1.1灰色预测 (2)1.1.1数据的选择 (2)1.1.2构造累加生成列 (2)Y (2)1.1.3构造矩阵B和数据向量n1.1.4得出预测模型 (3)1.1.5残差检验 (4)1.2移动平均法 (5)1.3多元回归预测模型 (7)1.3.1建立模型 (7)1.3.2估计参数 (7)1.3.3进行检验 (9)2 组合预测在我国能源消耗总量中的应用 (9)2.1各单项预测的误差分析 (9)2.2计算组合权重，建立组合预测模型 (11)3总结 (13)3.1我国未来20年能源消耗总量 (13)3.2预测模型结果总结 (13)参考文献 (15)附录 (16)致谢 (17)前言Bates和Cranger首先提出可以建立线性组合预测模型综合各单项模型的信息，以产生更好的预测效果．理论和实践的各种研究都表明，在多种不同的单项预测模型并且数据来源不同的情况下，组合预测模型可能获得比任何一个单项预测值更好的预测值．组合预测模型将各种不同类型的单项预测模型兼收并蓄，各取所长，集中了更多的经济信息与预测技巧，能减少系统的预测误差，显著改进预测效果．组合预测方法是对同一个问题，采用两种以上不同预测方法的预测．它既可是几种定量方法的组合，也可是几种定性的方法的组合，但实践中更多的则是利用定性方法与定量方法的组合．组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度．因此, 组合预测方法尤其适用于信息不完备的复杂经济系统[1]．能源是人类生存和物质发展的重要基础，随着我国全方面改革的进一步深化，各方面的矛盾日益突出，能源消耗量迅速增长，更加突出了预测研究我国能源消耗总量的重要性．人类社会的发展离不开优质能源的出现和先进能源技术的使用[2]．在当今世界，能源的发展，能源和环境，是全世界、全人类共同关心的问题，也是中国社会经济发展的重要问题．但是，人类在享受能源带来的经济发展、科技进步等利益的同时，也遇到一系列无法避免的能源安全挑战，能源短缺、资源争夺以及过度使用能源造成的环境污染等问题，威胁着人类的生存与发展．虽然从不同的角度出发对能源消耗总量的研究表述各不相同，但其根本出发点是减少能源消耗，支撑经济可持续发展．因此做好能源消耗预测分析，做出具体规划措施，对于保持我国经济健康、稳定、发展具有重要指导意义和现实意义[3]．当今世界能源供需分布不平衡格局进一步加剧，气候变化和能源环境问题日益突出，形势日趋严峻，能源地缘政治与能源冲突依然存在，能源安全问题有可能越来越复杂．由此看来能源消耗系统是一个复杂的系统，其发展演化过程受到多种因素及外部环境的影响和制约．由于我国能源消耗系统的特殊性和复杂性的特点，本课题利用我国能源消耗总量的历史数据，分别采用灰色预测法、移动平均法和多元回归方法建立了我国能源消耗总量的单项预测模型，并根据预测结果对各模型的优缺点进行了比较分析，据此建立了我国未来能源消耗总量的组合预测模型，并且对我国未来20 年的能源消耗总量进行了大胆的预测，根据预测模型得出预测结果对我国能源消耗提出了相关的建议．1 单一预测在我国能源消耗总量中的应用1.1 灰色预测灰色预测法是一种对含有不确定因素的系统进行预测的方法[4]．灰色系统是介于白色系统和黑色系统之间的一种系统．白色系统是指一个系统的内部特征是完全已知的，即系统信息是完全充分的；黑色系统是指一个系统的内部信息对外界来说是一无所知的．1.1.1 数据的选择本文选取我国1992-2012年21年的能源消耗总量为原始数据列(数据见附录，本文数据均来源于中国统计年鉴，单位：亿吨标准煤)记为：)0(X {=)1()0(X ，，)2()0(X ，，)3()0(X ， })21()0(X1.1.2 构造累加生成列累加是将原始序列通过累加得到生成列，就是将原始序列的第一个数据作为生成列的第一个数据，将原始序列的第二个数据加到原始序列的第一个数据上，其和作为生成列的第二个数据，将原始序列的第三个数据加到生成列的第二个数据上，其和作为生成列的第三个数据，按如此规则进行下去，便可得到生成列．对原始数据做累加生成得到新的数列)1(X ,记生成列为：)k ()1(X ∑==k1i )0()i (X 212,1k )k ()1k ()0()1(，，， =+-=X X1.1.3 构造矩阵B 和数据向量n YB= ⎝⎛+-+-+-)]21()20([21)]3()2([21)]2()1([21)1()1()1()1()1()1(X X X X X X ⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫111 ，n Y =⎪⎪⎪⎪⎪⎭⎫ ⎝⎛)21()3()2(X X X 求得a =-0.068902902，μ=8.8685924221.1.4 得出预测模型GM （1,1）模型相应的微分方程：μ=+)1()1(aX dtdX 式中，a 称为发展灰数，μ称为内生控制灰数．设∧α为待估参数向量，∧α=⎪⎪⎭⎫⎝⎛μa ，利用最小二乘法求解，可得：∧α=n 1Y B B B TT -）（求解微分方程，即可得预测模型：ae a X k X ak μμ+-=+-])1([)1()0()1( （k=0,1,2， (21)即)1k ()1(+X=139.6284498k 068902902.0e -128.7114498累减生成)0(X序列：)20()21()21()2()3()2()1()2()2()1()1()1()1()0()1()1()0()1()1()0()1()0(X X X X X X X X X X X -=-=-==1.1.5 残差检验根据上述模型计算绝对误差序列和相对误差序列，并根据结果进行残差修正，以提高精度．绝对误差序列为：）（0∆=（0，1.639298342，1.603229669，1.68598176，1.272139511，0.470229989，-0.438196004，-1.002383639，-1.580395169，-2.243732548，-2.574161667，-1.458938307，0.092364043，0.830424392，1.474142329，1.917303818，1.147144568，0.669910774，0.359517073，0.37360149，-0.709122828）相对误差序列为：Φ=（0，0.141327351，0.130623175，0.128528219，0.094098727， 0.034598885，-0.032176761，-0.071309011，-0.108595088，-0.149178394，-0.161459294，-0.079379859，0.004327076，0.035187922，0.056987982，0.068351128，0.03936018，0.021846318，0.01106414，0.010735613，-0.019603542）根据灰色预测模型得出的结果其相对误差小于0.5%，因此模型的精确度较高，能够较为准确的预测出未来某一时刻或某一时间段的特征量．由预测模型可得出预测值如表1：表1 灰色预测模型预测结果年份能源消耗总量)k()1(X)1()1(X预测值1992 10.917 10.917 10.917 10.917 1993 11.5993 22.5163 20.87700166 9.960001658 1994 12.2737 34.79 31.54747199 10.67047033 1995 13.1176 47.9076 42.97909023 11.43161824 1996 13.5192 61.4268 55.22615072 12.24706049 1997 13.5909 75.0177 68.34682073 13.12067001 1998 13.6184 88.6361 82.40341673 14.056596 1999 14.0569 102.693 97.46270037 15.05928364 2000 14.5531 117.2461 113.5961955 16.13349517 2001 15.0406 132.2867 130.8805281 17.28433255 2002 15.9431 148.2298 149.3977898 18.51726167 2003 18.3792 166.609 169.2359281 19.83813831 2004 21.3456 187.9546 190.489164 21.25323596 2005 23.5997 211.5543 213.2584396 22.769275612006 25.8676 237.4219 237.6518973 24.39345767 2007 28.0508 265.4727 263.7853935 26.13349618 2008 29.1448 294.6175 291.7830489 27.99765543 2009 30.6647 325.2822 321.7778381 29.99478923 2010 32.4939 357.7761 353.9122211 32.13438293 2011 34.8002 392.5763 388.3388196 34.42659851 201236.1732428.7495425.221142436.882322831.2 移动平均法移动平均法是修匀时间序列的一种方法[5]．就是每当得到一个最近时期的数据，就立即把它当做有效数据，而把最老的那个时间数据剔除掉，重新计算出一个新的平均值，用它来预测下一时间的数据[5]．依次法则，就可以计算出一串平均数，因此，移动平均从数列中所取数据点数一直不变，只是包括最新的观察值．从长期来看，虽然移动平均法的预测精度不太高，但是，随着时间的推移，能够很好地反映出该时间序列的变化情况，并且计算方法较为简单．设当前时期为t ，已知时间序列观测值为t 21x x x ，，， ，假设按连续n 个时期的观测值计算一个平均数，作为对下一时期即（t+1）时期的预测值，用1t F +表示：nx x x 1n -t 1-t t 1+++++=t F如果时间序列具有明显的线性变化趋势，则不宜采用移动平均法来预测。

天然气市场供需模型构建及预测研究天然气是一种环保的清洁能源，其在全球能源市场中占据越来越重要的地位。

随着国际市场竞争的加剧和国内天然气需求的增加，如何准确预测市场供需情况成为了设计气价政策和优化气源配置的关键。

天然气市场供需模型构建的目的是为了更好地预测天然气市场的变化，提高市场运作的效率和稳定性，实现供需平衡和价格合理。

本文将以市场供需模型为主题，探讨其构建和预测研究，并分析其应用前景。

一、市场供需模型构建市场供需模型是指基于市场数据、指标和变量，通过统计分析、经济模型或人工智能技术，建立天然气市场供需关系的定量模型。

市场供需模型可以分为静态模型和动态模型两种类型。

1. 静态模型静态模型是指在一定时间段内，用不同的市场因素和变量拟合出一个静态的供需曲线，以反映市场的现状和概况。

静态模型可以通过图形、表格等方式来呈现数据，以便进行分析和预测。

具体构建方法如下：（1）选择关键变量关键变量包括供应量、需求量、价格、季节、天气、库存量等。

这些变量可以直接或间接影响市场供需关系，因此在建模过程中需要进行精准的量化和分析。

（2）建立数学模型建立数学模型是关键步骤。

模型的建立需要综合运用数学统计学、计量经济学和现代科技的理论和方法，通过对市场数据的分析和处理，构建反映供需关系的定量模型。

（3）拟合优化模型建立后需要对其进行拟合优化，以对实际情况进行精确计算和预测。

拟合优化可以通过线性回归、非线性回归、时间序列分析等方法实现。

2. 动态模型动态模型是指在一定时间范围内，对市场供需关系的变化进行量化和分析，以把握市场方向和趋势。

动态模型需要贴近实际，紧密合理，可以反映市场的发展和变化。

具体构建方法如下：（1）选择动态指标动态指标包括市场规模、市场结构、市场竞争、政策因素、技术发展等。

这些因素是影响天然气市场供需关系的重要因素，可以反映市场发展的动态变化。

（2）建立动态模型动态模型需要考虑时间因素，根据历史数据和趋势预测方法，建立动态的供需关系模型。