CN113554213A

CN113554213A - 一种天然气需求预测方法、系统、存储介质及设备

Info

Publication number: CN113554213A
Application number: CN202110656778.8A
Authority: CN
Inventors: 史昌明; 佟敏; 石海鹏; 陈忠源; 党乐; 秘立鹏; 陈旭; 姜楠
Original assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd
Current assignee: State Grid Corp of China SGCC; Electric Power Research Institute of State Grid Eastern Inner Mongolia Power Co Ltd
Priority date: 2021-06-11
Filing date: 2021-06-11
Publication date: 2021-10-26

Abstract

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。

Description

一种天然气需求预测方法、系统、存储介质及设备

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：

2-1)利用获取的原始数据样本，建立神经网络模型，并进行学习训练，输出神经网络模型；

2-2)取出原始样本的某一影响因素，分别在其原值上加和减一定比例，其余参数保持不变，获得两个新的样本，将所构建样本输出至神经网络，得到两个输出结果，计算输出结果的差值并根据样本数量求取平均值，所求值即为所取出因素的平均影响值；

2-3)重复执行步骤2-2)求取其它因素的平均影响值，将平均影响值从大到小进行排序，筛选平均影响值大于设定值为特征因素。

作为进一步的限定，所述步骤(1)中，主成分分析法分析的具体过程包括：

3-1)将原始影响因素数据进行标准化处理，并计算相关矩阵；

3-2)计算相关矩阵的特征值及其对应的特征向量；

3-3)根据特征值从大到小进行排序，计算特征值占特征值总和的比例，即为特征值对应的方差贡献率；

3-4)从前向后筛选主成分直至累计方差贡献率超过预设值，计算所确定的主成分得分。

作为可选择的实施方式，所述步骤(2)中，所述神经网络模型为BP神经网络模型。

作为可选择的实施方式，所述步骤(2)中，进行训练、测试的具体过程包括：从步骤(1)的历史数据样本选取一部分的样本作为训练样本，进行神经网络模型的训练，剩余样本作为测试样本进行神经网络模型的测试。

作为可选择的实施方式，所述步骤(2)中，神经网络模型满足要求是指测试值与真实值之间的相对误差小于设定值，所述设定值视历史样本数量大小进行设置。

作为可选择的实施方式，所述步骤(3)中，基于所属区域规划或者基于情景假设确定关键因素取值包括：所属区域的计划的天然气需求影响因素水平确定关键因素取值，或假设因素符合预计变化下的关键因素取值。

作为可选择的实施方式，所述步骤(4)中，将不同预测结果进行组合输出，各分析方法得到的预测结果权重相同。

一种天然气需求预测系统，包括：

关键因素分析模块，被配置为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；

预测模型构建模块，被配置为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；

预测模块，被配置为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；

结果融合模块，被配置为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。

一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成上述一种天然气需求预测方法中的步骤。

一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成上述一种天然气需求预测方法中的步骤。

与现有技术相比，本发明的有益效果为：

本发明首次提出了基于特征因素筛选BP神经网络的天然气预测方法，通过同时利用灰色关联度分析、平均影响值分析和主成分分析进行特征因素筛选，可有效减少神经网络输入参数量，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。此外，三种筛选方法还可起到相互验证的作用，只有三种预测结果偏差范围符合要求才输出结果，提高了神经网络模型的准确性和稳定性。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1是本发明的流程示意图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种天然气需求预测方法，如图1所示，包括以下步骤：

步骤一、确定天然气需求影响因素，获取相关历史数据样本；

步骤二、基于获取的数据，分别采用灰色关联度分析法、平均影响值分析法和主成分分析法筛选影响天然气需求量的关键因素(特征因素)；

步骤三、基于特征因素筛选结果构建BP神经网络，随机从步骤一所述原始数据样本选取原始样本容量的一部分数量(在本实施例中为70％～95％，在其他实施例中，该范围可以调整)的样本作为训练样本，进行BP神经网络训练，剩余样本作为测试样本进行BP神经网络测试，计算测试值与真实值之间的相对误差；

步骤四、当测试值与真实值的误差小于某一范围，输出神经网络，否则，重新执行步骤三；

步骤五、结合特征因素筛选结果，基于国家或地区规划、或者基于情景假设确定神经网络输入参数(特征因素)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；

步骤六、比较三种特征因素筛选方法所构建BP神经网络预测结果，当三种结果之间偏差小于阈值(在本实施例中，取10％，在其他实施例中，可以调整该阈值)，将三种预测结果进行组合输出；否则，重新执行步骤三。

所述步骤一的历史数据可以来源于国家统计年鉴、地区年度报告、媒体公开报道或者自主调研等。

进一步地，所述步骤二中的灰色关联度分析法包括如下步骤：

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；

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；

3)将影响因素的关联度从大到小进行排序，筛选关联度大于某一值为特征因素。

所述步骤二中的平均影响值分析法包括以下步骤：

1)利用获取的原始数据样本，建立BP神经网络，并进行学习训练，输出神经网络；

2)取出原始样本的某一影响因素，分别在其原值上加和减10％，其余参数保持不变，获得两个新的样本，将所构建样本输出至神经网络，得到两个输出结果，计算输出结果的差值并根据样本数量求取平均值，所求值即为所取出因素的平均影响值；

3)重复执行步骤2)求取其它因素的平均影响值，将平均影响值从大到小进行排序，筛选平均影响值大于某一值为特征因素。

所述步骤二中的主成分分析法包括以下步骤：

1)将原始影响因素数据进行标准化处理，并计算相关矩阵；

2)计算相关矩阵的特征值及其对应的特征向量；

3)根据特征值从大到小进行排序，计算特征值占特征值总和的比例，即为特征值对应的方差贡献率；

4)从前向后筛选主成分直至累计方差贡献率超过某一值，计算所确定的主成分得分。

优选地，所述步骤四的某一范围可以根据获取的原始样本数量确定，例如原始样本量较大(超过30)，该范围可以为3％以内，原始数据样本量较少(小于20)，该范围可取为5％以内。

优选地，所述步骤五的国家或地区规划是指国家计划的天然气需求影响因素水平，例如当GDP被筛选为特征因素，而国家对未来3年GDP年规划的增长率为8％，则可采用增长率8％来计算GDP；所述步骤五的情景假设是指假设因素符合某种变化，例如GDP未来几年维持当年的增长速度。

上述参数均为示例性说明，在其他实施例中，可以进行调整。

优选地，所述的组合输出是指取三种预测结果的平均值。

作为一种典型的应用实施例，于从《中国统计年鉴》获取的1995-2018年天然气需求量及相关影响因素数据进行神经网络建模，使用本发明的方法对2019-2025年中国的天然气需求量进行预测。

一种基于特征因素筛选BP神经网络的天然气需求预测方法，如图1所示，其具体实施步骤如下：

步骤一、从《中国统计年鉴》获取我国1995-2019年的天然气消费量及其相关影响因素数据样本共计25组，每组数据包括年份、人口、城镇人口、总抚养比、GDP、第二产业产值、第三产业产值、居民消费指数、商品消费价格指数、能源生产总量、天然气生产量、能源消费总量、煤炭消费量和天然气消费量总计14个参数，其中天然气消费量即为所述天然气需求量，其余参数为天然气需求量的影响因素；

步骤二、基于上述获取的数据，分别采用灰色关联度分析法、平均影响值分析法和主成分分析法对天然气需求因素进行特征筛选；其中，灰色关联度分析具体步骤如下：

1)选取天然气需求量为参考数列，其余参数(影响因素)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；

2)求解比较数列与参考数列的灰色关联度系数，计算比较数列的关联度；

3)筛选关联度大于0.85的比较数列为影响天然气需求的关键因素。

平均影响值分析包括以下步骤：

3)重复执行步骤2)求取其它因素的平均影响值，筛选平均影响值大于全部因素影响值的平均值为特征因素。

主成分分析的步骤如下：

1)将原始影响因素数据进行标准化处理，并计算相关矩阵；

2)计算相关矩阵的特征值及其对应的特征向量；

4)从前向后筛选主成分直至累计方差贡献率超过0.9，计算所确定的主成分得分。

步骤三、基于特征筛选结果构建BP神经网络，随机从步骤一所述原始数据样本选取原始样本容量的70％～95％数量的样本作为训练样本，进行BP神经网络训练，剩余样本作为测试样本进行BP神经网络测试，计算测试值与真实值之间的相对误差；

步骤四、当测试值与真实值的误差小于5％，输出神经网络，否则，重新执行步骤三；

步骤五、结合特征因素筛选结果，基于情景假设计算所有神经网络输入参数(特征因素)取值，构建预测样本，将预测样本输入神经网络进行天然气需求预测；

步骤六、比较三种特征因素筛选方法所构建BP神经网络预测结果，当三种结果之间偏差小于10％，则将结果进行组合输出作为神经网络预测的天然气需求值；否则，重新执行步骤三。

经上述步骤操作，经三种特征因素筛选方法建立的神经网络模型的测试误差均小于4％，而不进行特征筛选的神经网络测试误差为9％，且三种方法对2019-2025年天然气需求量预测偏差不超过8％。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims

1.一种天然气需求预测方法，其特征在于：包括以下步骤：

2.如权利要求1所述的一种天然气需求预测方法，其特征在于：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。

3.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，灰色关联度分析法分析的具体过程包括：

4.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，平均影响值分析法分析的具体过程包括：

5.如权利要求2所述的一种天然气需求预测方法，其特征在于：所述步骤(1)中，主成分分析法分析的具体过程包括：

3-1)将原始影响因素数据进行标准化处理，并计算相关矩阵；

3-2)计算相关矩阵的特征值及其对应的特征向量；

6.如权利要求1所述的一种天然气需求预测方法，其特征在于：所述步骤(2)中，所述神经网络模型为BP神经网络模型；

或，所述步骤(2)中，进行训练、测试的具体过程包括：从步骤(1)的历史数据样本选取一部分的样本作为训练样本，进行神经网络模型的训练，剩余样本作为测试样本进行神经网络模型的测试；

或，所述步骤(2)中，神经网络模型满足要求是指测试值与真实值之间的相对误差小于设定值，所述设定值视历史样本数量大小进行设置。

7.如权利要求1所述的一种天然气需求预测方法，其特征在于：所述步骤(4)中，将不同预测结果进行组合输出，各分析方法得到的预测结果权重相同。

8.一种天然气需求预测系统，其特征在于：包括：

9.一种电子设备，其特征在于：包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-7中任一项所述的一种天然气需求预测方法中的步骤。

10.一种计算机可读存储介质，其特征在于：用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7中任一项所述的一种天然气需求预测方法中的步骤。