文摘
众所周知,天然气消费一直是在中国的能源市场,有着极其重要的地位,本文提出一种新的灰色模型基于优化的非齐次灰色模型(ONGM(1,1)),以准确预测天然气消费。本研究以证明预测结果独立于原始系列的第一项使用产品的行列式理论;在此基础上,它是一个可靠的方法插入任意数量的原始系列的第一个条目中提取信息,已经证明了这是一个明显的方法来提高传统的灰色模型的预测精度在前面的文学。实证例子经常出现在测试利用灰色模型的预测精度说明了模型的有效性;数值结果表明,该模型具有更好的预测性能比其他常用的灰色模型。最后,该模型应用于预测从2019年到2023年中国天然气消费以能源行业及相关企业提供一些有价值的信息。
1。介绍
在过去的十年里,中国已经成为第二大经济体和第三大天然气消费市场在全球范围内(1]。特别是,由中国天然气发展报告(2019),它应该注意到中国天然气消费在2018年达到2803亿立方米,同比增长17.5%,占一次能源消费的7.8%。在消费结构方面,工业燃料,城市天然气、发电、和化学气体占38.6%,33.9%,17.3%,和10.2%,分别。它值得注意的是,前两个部门增加更多的整体天然气消费占3510亿立方米。从区域的角度消费,天然气的消费水平在所有省份显著增加。京津冀地区的天然气消费是439亿立方米,占全国的15.6%的天然气消费。四个省的尺度,如浙江、河北、河南、山西,第一次超过100亿立方米。的省份,天然气消费超过100亿已经到十。因此,一系列的问题可能是:我们如何进行合理分配储备?我们价格如何? and How much natural gas we consume? In order to answer these, one must recognize that, in making decision processes, forecasting is one of the key tools. Therefore, this paper aims to present a proper model to predict natural gas consumption of China.
2。以前的文献研究
2.1。研究预测天然气消费
如前所述在文献[2),工作预测自然消费已经开始在上个世纪。在过去的几十年到现在,一直在设计和开发的许多方法来解决这个问题。然而,在他的论文中,一个系统的历史概述预测技术。一个宝贵的提及是哈伯特曲线模型(3,4]。值得注意的是,他建立了这个著名的模型基于数学关系涉及完全可耗尽资源调查的生命周期化石燃料领域包括天然气。之后,这个模型被认为是标准模型预测世界上天然气消费。此外,不可避免的是,一些竞争力预测模型不断被发现在我们的见解,如前馈人工神经网络(5),有条件的需求分析(6),和统计多变量回归(7]。特别是,近年来,越来越多的方法迅速出现提前清晰地为决策者提供有价值的信息,由于快速提高在发展中国家,例如,中国、印度和韩国,以及相应的能源需求,尤其是在清晰的能源,包括天然气。这又导致一个巨大的激增在这个问题上的研究。例如,林和王8]研究了天然气供应,包括在中国生产高峰和进口的趋势。类似于这种方式,谢赫和霁9)采用逻辑模型分析预测中国的天然气需求。一个动态计量经济学模型设计模型和预测天然气需求在孟加拉国(10]。索尔多et al。11]介绍了太阳辐射进入住宅天然气消费预测模型改进它。考虑到混合模型优于单一模型,当然,一些专注于如何有效地把这些单独的模型。例如,Ervural et al。12)提出了一种新的预测方法,结合自回归移动平均法和遗传算法,以准确预测伊斯坦布尔的天然气消费。最近,Gasćon和Sanchez-Ubeda [13)提出了一个自动规范过程预测模型可加性的假设下,分段线性回归。一种新的混合模型应用于预测每日天然气消费(14]。实证文献的摘要表1。
2.2。研究灰色系统模型
从上面的描述中,我们可以看到很明显知道所有这些模型可以视为统计模型和智能模型已经被证明很好工作提供足够的数据集。然而,事实是,一些系统中,很难或不可能的,为我们提供足够的数据模型,包括新兴产业和灾难。因此,识别一个相当明显的模型对于小样本成为实际应用的关键。显然,邓教授(18),灰色系统理论的先驱,想解决这个问题,给了一个创新的理论通常被称为灰色系统理论。特别是,灰色预测模型,这一理论的一个重要分支,在许多领域得到了广泛的关注和应用,包括工程、经济、特别是能源(见[19- - - - - -28])。此外,作为一个基本模型,灰色系统模型,缩写为GM (1, 1)。在过去的三十年里,无数地推广和改进基于GM(1, 1)模型不断出现,例如,GMC (1, n) (29日),NGBM (1,1) [30.),为副总经理(1,1)[31日),FAGM (1,1) [32),NGM (1,1) [33],CFGM [34]。事实证明,灰色模型有明显的预测能力在能源领域,这意味着它将适用于预测天然气消费。最近的一些证据存在于先前的文献,例如,王et al。35)结合了多周期的哈伯特模型和轧制灰色模型来分析天然气生产和消费在中国。马和刘36)使用一个时滞多项式灰色模型预测中国天然气消费。第二年,吴和沈37)提出了灰色关联最小二乘支持向量机优化模型进行预测天然气消费。其他灰色模型用于预测天然气消费的研究中可以看到谢赫et al。38)和曾庆红和李(39]。
2.3。贡献和组织
本文的贡献是双重的。一个贡献是提出了一种新的灰色模型增加现有的灰色模型的预测精度,基于非齐次的灰色模型。特别是,行列式的产品首先用于非齐次灰色模型为了证明现有的模型的预测结果是独立于原系列的第一项。这激发了一种新的灰色模型、插入任意数量的前面原系列的第一个元素中提取信息(40),建议。另一个贡献是,我们运用这个模型来预测从2019年到2023年中国天然气消费后,验证该模型的有效性。
本文的其余部分组织如下:部分3描述了现有的非齐次灰色模型的建模过程。部分4证明预测结果是独立于原始系列的第一项,提出了一种新的灰色模型增加现有模型的预测精度。验证所提出的模型进行的部分4。部分5我们应用该模型来预测中国的天然气和最后一节给出结论。
3所示。方法
3.1。非齐次灰色模型的描述
非齐次灰色模型缩写为NGM崔(1,1)首先提出的,虽然预测结果与实际数据不适合在大多数应用程序。因此,詹和施41)建议将不断插入的灰色控制参数;因此,小说提出了非齐次灰色模型。随后,马等。42)表示这个模型作为ONGM及其建模步骤描述如下:
假设 是一个非负系列,然后一阶累加生成操作符 在哪里 。微分方程 被称为基本ONGM模型。显然,(3)将成为NGM(1, 1)当常数等于零。离散形式的(3可以由) 在哪里通常被称为背景值,进一步吗
大约获得(的目的4)来估计系统参数 , ,和的最小二乘法 在哪里
因此,解决方案(3),可以获得如下: 的模拟值和可以编写如下使用一阶倒数累加生成算子(伊阿古):
一有价值的提及,讨论在天山,是插入任意数量的第一项中提取信息可以提高预测精度,可以使模型可行的在小样本。但我们必须注意到这个操作是基于预测结果独立于原始系列的第一项。以下部分说明了如何使用产品仅仅是回答这个问题的行列式理论。
3.2。之间的关系的研究预测结果和原系列的第一个元素
为了证明这一事实ONGM的预测结果不依赖于原始系列的第一项,我们添加任意数量的第一个元素 ,也就是说, 。此外,我们有 。矩阵和系统参数,分别
换句话说,零假设的预测结果是依赖第一项将如果结果产生等于产生 。顺便说一下,我们产品的行列式理论简要介绍,因为我们需要使用这个完整的证明。
假设两个矩阵和与订单和分别写成
引理1(见[43])。如果和都是分区矩阵,那么以下等式成立:
我们表示的伴随矩阵通过可以写成 。随后,(5)成为 。从(8)- (11),下面是容易产生: 在哪里 。根据基本的行和列的操作,我们获得
此外,系统参数 , ,和事实写成吗 在哪里更换后行列式第一、第二、第三排通过 ,也就是说,
从上面的计算,可以得出 。因此,预测结果与这些新参数
因此,预测结果通过第一项是通过使用获得的相同第一项,预计,这意味着预测独立于原始系列的第一项。
3.3。表示建议的模型
我们可以重建插入任意数量的非齐次灰色模型的原始系列的第一项当我们证明预测是独立于原始系列的第一项,部分中提到2.3。为了简单起见,我们把该模型写成FNGM。造型过程非常类似于ONGM但有一点修改。
造型系列就变成了 的矩阵和是构造成
然后,模型参数可以使用最小二乘法获得
可以计算的时间响应函数
因此,利用一阶倒数累加生成操作(1-IAGO),恢复值获得
评估该模型的预测精度,三个统计指标包括均方根误差(RMSE),平均绝对误差(MAE)和平均绝对百分比误差(日军)是用来描述模型的预测的准确性,分别定义如下: 在哪里模拟误差在时间吗和 。
4所示。验证FNGM
之前将该方法应用于预测中国天然气消费,必须验证该模型的有效性。此外,竞争模型包括传统的灰色模型(GM(1,1)),离散灰色模型(为副总经理(1,1)),和优化灰色模型(ONGM)是建立在这一节中。
我们认为数据从文献[44]。在这种情况下,原始数据分为两组。换句话说,前10点是用于构建这四个预测模型,和其他人用于测试他们的预测精度。
在表2,可以清楚地看到所有的统计指数FNGM低于其他三个模型在培训或测试阶段。这意味着FNGM具有更好的预测性能。
5。应用程序
5.1。数据源
在本节中,中国天然气消费的原始数据收集从2005年到2018年,中国国家统计局(National Bureau of Statistics)的,可以下载http://www.stats.gov.cn/english,如表所示3。特别是,我们将这些数据集划分为两个群体,数据从2005年到2016年这些模型用于建筑和其他人是用来测试他们的预测能力。
5.2。分析预测结果
忽略第一项的模拟值,显然从表4这些模型的最小猿值是0.01,0.01,0.02,和0.01在训练阶段和最大猿值是0.17,0.17,0.18,和0.18,分别。测试阶段,这四个模型的最小猿值0.06,0.06,0.12,和0.05和最大猿值是0.04,0.04,0.06,和0.05,分别。虽然该模型的最大猿值高于其他模型,其他猿值远小于其他模型训练和测试时间。
与此同时,很明显从图1模拟和预测的值相对接近的曲线中国天然气消费的原始数据从整体来看,这意味着高提供的预测模型以及该模型是一个相当明显的预测模型对天然气消费。
现在,我们分别考虑比较三个误差指标,模拟和验证阶段,计算列在表中5。的地图,这些模型GM(1,1)为副总经理(1,1),和FNGM(见图2)模拟时期的6.74%,6.84%,和6.63%,降低到4.96%,5.18%,和3.12%的测试阶段时,除了ONGM分别从8.99%增加到6.90%。这表明这些模型执行的很好。换句话说,它们都可以用来预测未来中国天然气消费的数据。尽管如此,该模型FNGM执行最好的在这四个模型,它有日军值最低的培训和测试阶段。此外,类似的发现将RMSE和梅值在表所示5因为FNGM模型RMSE和日军值最低的培训和测试周期。总之,四个竞争模型已被证明有效预测天然气的消费在中国具有较高预测精度。然而,表明该模型具有更好的预测性能在这些常用的灰色模型三个误差指标。因此,该模型具有良好的精度和结果有实际参考价值。
由于该模型预测精度高,可以应用这个模型来预测未来中国天然气消费量从2019年到2023年。注意,表6可以看出,中国的天然气消费逐年增加。特别是,总在2023年中国天然气消费将由近似55452.62×104吨的交会,这可能帮助能源规划决策者制定有效的策略来面对机会和挑战这一变化造成的。
6。结论和未来的研究
目前,我们知道,天然气在能源市场越来越至关重要因为清洁能源的热门话题。为了精确预测未来的天然气消费为了帮助能源规划决策者提前做出更好的战略,本文研究如何提高现有灰色模型的预测精度预测天然气消费量;我们提出一种新的灰色模型基于非齐次的灰色模型,ONGM。同时,产品的行列式理论用于证明预测结果是独立的原始系列的第一项。这种激励方法,插入任意数量的第一项中提取信息,并提出提高预测能力,缩写为FNGM简单。我们应用该模型来预测未来天然气消费量从2019年到2023年之后,验证该模型的有效性。数值结果表明,该模型是一个相当明显的模型预测中国天然气消费。
到目前为止,讨论了该模型的潜在优势本文;然而,存在一些问题,在未来的研究应该解决。例如,经验来说,该模型提出预测,中国天然气消费仍然是一个单变量模型,这意味着我们可能忽略不同的影响因素对天然气消费。因此,多元灰色模型将集中在未来的工作。此外,模型与分数阶时变多项式的积累和应用灰色控制参数也将讨论在未来的研究。
数据可用性
使用的数据来支持本研究的发现是沉积http://www.stats.gov.cn/english/。
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
程力郑是人文社会科学规划基金从教育部(批准号16 yjazh078),中央大学的基础研究基金(批准号。CCNU19TS062, CCNU19A06043,和CCNU19TD006),和提高初始资本的高级人才华中师范大学(30101190001)。吴Wen-Ze基础研究基金支持的中国中央大学(批准号2019 ybzz062)。