文摘

世界上能源消费主要依赖化石能源,和石油是最主要的能源之一。准确预测石油消费可以为国家能源安全提供了重要基础,可提供参考和预警的实现环境战略开发的政府。根据能量的非线性系统,本文运用灰色非线性预测模型的原则NGBM(1,1)改进模型的背景值,模拟退火算法,提出了优化的灰色非线性模型ONGBM (1, 1)。同时,该模型应用到中国的石油消费,智利,墨西哥和日本。基于现有数据的有效性分析的四个国家,模型ONGBM(1, 1)基本上是优于其他六个灰色预测模型。最后,ONGBM(1, 1)是用来预测四个国家的石油消费在未来五年内,能源经济政策提供有效信息。

1。介绍

随着经济的不断发展,化石能源消耗的不断增加导致了高碳排放,导致一系列的环境和生态问题。特别是,它是全球变暖的主要原因,温室效应,极端天气。生态可持续发展要求我们注意能源消耗。能源开发目前处于转型和变化的关键时期,面临着前所未有的机遇和挑战。在能源消费方面的结果,现在,世界上能源消费主要依赖化石能源。石油的主要能源之一,石油在能源消费的比例显示了一个上升趋势,和石油影响全球经济的发展。因此,石油消费量的预测是一个必要的经济和社会计划的制定依据,还可以提供对国家能源安全的重要基础。

另外,随着世界的快速发展,全球经济结构发生了重大变化,相应的能源结构也发生了变化。因此,一些历史数据可能没有什么参考价值的能源现状和未来能源发展的趋势。因此,只有近年来的数据是可靠的能耗预测。造型系统小样本和小信息,灰色预测模型有更多的优势,适合一些系统不清楚信息,及其预测是生成原始数据序列,弱化原始数据的随机性,我隐藏的规律的数据序列,最后通过减少操作模拟和预测数据。

邓提出的灰色模型(1基于灰色理论的小样本和糟糕的信息系统。灰色预测模型是灰色系统的核心部件之一,它的特点是数据建模和简单的造型。目前,它广泛应用于能源(2- - - - - -5)、运输(6- - - - - -9),环境(10,11),和其他行业12- - - - - -18]。

灰色预测模型也扩大了GM(1,1)模型预测指数增长数据单变量离散模型为副总经理(1,1)模型和NDGM(1,1)模型(19,20.),以及单变量非线性灰色Verhulst模型和灰色伯努利NGBM(1,1)模型(21,22]。因为有许多影响因素模型,单变量模型扩展到多变量模型,如GM (1, N)、NGM (1, N), GMC (1, N),和其他多元模型(23- - - - - -25]。与此同时,大量的研究工作在提高模型的准确性,如优化灰色模型的背景值,使用合适的算法来优化参数,并结合其他机器学习方法来提高精度,促进灰色理论体系的发展和完善。

灰色预测模型已经被国内外学者广泛使用时预测的能源消耗。马等。26)建立了一个延迟分数阶灰色预测模型来预测煤和天然气消费在重庆,中国使用灰太狼优化算法;贾et al。27)提出了一种改进的GM(1, 1)模型,马尔可夫链预测甘肃省煤炭消耗量;吴et al。28)使用新的多变量灰色预测模型来预测山东省电力消费。王等人。29日)提出了组合优化的GM(1, 1)模型arima基于IOWGA运营商预测煤炭消费总量在美国。段et al。30.)提出了一种新的基于属性的数据积累和分数阶模型积累和使用粒子群优化算法寻求最优分数,然后预测从2015年到2020年中国原油消费的模式。此外,作者在2- - - - - -5,31日- - - - - -33有效地预测各种能源消耗方法,灰色模型在能源领域取得了良好的结果。

能源系统在现实生活中呈现明显的非线性特征。基于这一特点,本文非线性灰色伯努利NGBM(1, 1)预测模型进行优化,和其造型原则完善了优化模型的背景值,模型非线性体现,模型结构进行了优化,模型精度有所改善。

模拟退火算法结合概率跳跃随机找到全局最优解的目标函数解空间。与其他贪心算法相比,可能会陷入局部最优解和无法找到解决方案,模拟退火算法能够跳出局部最优解的概率,最终接近全局最优的解决方案。目前,许多学者的灰色系统还应用该算法优化灰色模型。例如,罗et al。34)提出一种新的灰色CCRGM(1, 1)预测模型通过使用模拟退火算法优化并应用到清洁能源的预测;Pai和香港35)提出了一种基于支持向量机的组合方法和模拟退火算法为年度电力负荷预测。郭et al。36)优化的灰色预测模型基于模拟退火算法,并将结果应用到滑坡的预测。在本文中,使用模拟退火算法计算最优待定系数考虑到操作的特点,处理成本,优化算法的效果。模型应用于四个国家,中国、智利、墨西哥和日本,和这四个国家的石油消费数据作为模型的有效性分析。优化的灰色伯努利模型NGBM(1,1)是与其他六个灰色预测模型相比,所有显示更好的结果。模型是用来预测石油消费在四个国家未来五年。

其余部分组织如下。部分2建立了优化的灰色伯努利NGBM (1, 1)。部分3分析模型的有效性通过使用四个国家的能源数据。部分4预测四个国家的石油消费在未来五年。部分5提供了结论。

2。灰色的伯努利方程扩展模型ONGBM (1, 1)

在本部分中,首先,灰色的伯努利方程模型NGBM(1,1)是总结。根据模型的灰色行动和非线性的参数模型,该模型扩展到一个新的灰色伯努利扩展模型ONGBM (1、k、c)和模型的性质进行了研究。

2.1。优化的灰色伯努利模型ONGBM (1, 1)

原始序列

一阶累积生成序列被定义为 在哪里 。

紧邻均值生成的序列 : 在哪里 。

定义1。序列 , ,和 如方程所示(1)- (3),所以 叫做灰色伯努利模型,缩写为NGBM(1,1)模型(23),和美白的方程具有以下形式: 在哪里 是一个实数。
的时间响应NGBM(1, 1)模型 的减少值 是 背景值的定义1是定义如下24]: 所以,模型定义如下。

定义2。序列 , ,和 如方程所示(1),(2)和(8),所以 灰色的伯努利方程模型的优化模型和被称为ONGBM简称为(1,1)模型。
的参数 和 ONGBM(1,1)模型如下: 的矩阵 和 是 减少函数由方程(6)和(7)。

2.2。优化ONGBM(1,1)模型的模拟退火算法

模拟退火算法的思想(以下简称SA)首次提出了大都市et al . 1983年,柯克帕特里克等人用它来组合优化和VLSI设计。SA解决组合优化问题是基于相似性固体材料在物理退火过程和一般的组合优化问题。退火固体物质时,它通常是温暖和融化的第一,所以粒子可自由移动。然后,随着温度下降,颗粒也逐渐形成一个低能量的晶格。如果足够凝点附近的温度下降缓慢,固体必须形成基态能量最低。

SA解决模型的具体步骤如下。

步骤1。初始化:一般数据(不是大波动),设置的变化范围 作为 。初步解决方案 在这个范围内随机选择,和相应的目标价值 计算。设置初始温度 和终止温度 ,生成一个随机数 随着阈值,冷却法: , 是退火系数, 是 迭代。自 必须降低缓慢, 应该是一个接近于1。最后,根据实际需求设置收敛条件,如错误的大小,数量的迭代,或终止温度。如果数据很大波动,变化范围 是设置为 。

步骤2。在温度 ,另一个点 在附近的解决方案 选为新解决方案,目标函数值的区别 和 计算, 。

步骤3。当 ,这意味着新的解决方案 被接受;当 ,这意味着新的解决方案 根据概率被接受 ;如果 ,然后新的解决方案 被接受, 。

步骤4。冷却后规则: ,温度降低。

第5步。重复步骤2- - - - - -4直到满足收敛条件。

3所示。验证ONGBM(1,1)模型

这部分主要分为三个部分。第一部分描述了评价指标主要采取了在这个研究。为了测量的有效性模型,两个评价指标猿和日军援引的研究过程,并给出计算方法3.1。在第二部分,模型ONGBM(1,1)是用于验证的数据来自不同国家,与仿真结果进行比较和分析现有的灰色单变量模型,包括NGBM (1, 1), Verhulst, GM (1,1), NGM (1, 1), TDGM(1, 1),和AR-GM(1, 1)模型。与此同时,猿趋势对比图和日军比较图给出了不同情况下的部分3.2。在第三部分,根据第二部分的情况下,在不同地区年度石油消费在未来五年的预测和分析。在下面的例子中分析,计算过程ONGBM(1,1)模型实现符合节中描述的步骤2.2。

3.1。模型评价指标

模型评价指标采用猿和日军中常用的灰色模型,并给出了具体的计算公式如公式(12)和(13)。在比较过程中,猿和日军的计算值越小,模型效果就越好。日军的计算分为两部分在这项研究中,包括日军适合配件和日军精准医疗预测的部分。应该综合考虑这两个评价指标的评价过程模型。

3.2。案例分析

为了说明模型的有效性,本节适用于优化NGBM石油数据(1,1)模型的四个国家,分别和验证模型的有效性来自不同地区,其中包括每年的石油消费数据对中国来说,智利,墨西哥,日本,和数据基于BP Statistical Review of World Energy)。

3.2.1之上。案例1:年度中国的石油消费

中国是人口最多的发展中国家和世界上第二大经济体。随着中国的快速发展,中国的社会生产力显著提高,与此同时,能源消费能力也不断提高,而如果要能源,如煤和石油在中国目前仍然是主要的能源。根据中国国家统计局公布的数据,中国在发展过程中,有一个明显的价值之间的差距能源生产和能源消费的价值和供应短缺的情况。因此,开始依赖进口能源的一部分;其中,石油占进口能源的很大一部分。因此,石油供应和需求的安全是一个问题,中国需要考虑在目前的发展过程。

摘要石油消费数据从1999年到2018年在中国建立选择模型,从1999年到2010年的数据被用来建立模型和列车最优参数值,和最优参数值 和 计算。然后从2011年到2018年的数据被用来验证模型的有效性。仿真结果和模仿不同的模型如表所示1。

表1
指标拟合模型的案例1。

我们可以看到在桌子上1Verhulst模型显示,在模拟和预测部分的表现。除了Verhulst模型,其余6模型显示配件无显著差异,和猿猴波动在3.5%左右。然而,在预测部分,虽然预测GM(1, 1),结果NGM(1, 1),和AR-GM(1,1)模型都是低于10%,高于5%时,与其他三种模型相比,偏差是相对明显。然后在ONGBM (1, 1), NGBM(1, 1),和TDGM(1,1)模型、优化的准确性NGBM(1,1)模型比较高,和它的日军精准医疗达到0.8981%,不到1%,与未优化模型相比,最初的预测精度提高了0.4166%。

图1图表显示了猿比较例1。可以清楚地看到,Verhulst模型显示在应用这些数据表现不佳,所以Verhulst模型的结果有更大的影响对整个比较所有模型的影响。然后计算数据的对比图表,移除Verhulst模型如图2。


图1
整体猿七模型的比较例1。

图2
整体猿比较后删除案例1中的Verhulst模型。

在图2可以看出,预测的相对误差部分在一个小范围内波动,其中NGM(1,1)模型有几个大偏差在某个点。然而,NGM的整体相对误差(1,1)的模拟和预测部分是在一个相对稳定的状态。在预测部分如图2也可以看到,相对误差的GM(1,1)和AR-RM(1, 1)模型显示的趋势逐渐上升,和偏差逐渐增大。

图3显示了日军七模型的比较在案例1中,可以更直观地看到不同模型之间的性能差异。零件的整体水平是相似的,除了Verhulst模型而ONGBM(1,1)模型预测部分有更多的优势。


图3
比较例1的日军。
3.2.2。案例2:年度石油消费的智利

智利是世界上最长的和狭隘的国家,矿产资源丰富,但缺乏能源。生产的煤、石油和天然气在智利很低,主要取决于从其他国家进口。智利不是人口最多的国家,因此,进口量将与国家的需求波动很大。因此,它可以从表2智利的年度石油消费数据波动在一定程度上。在这种情况下,智利从2004年到2018年的石油消费数据选择进行分析。七个模型的原始数据和计算数据如表所示2。从2004年到2012年的数据被用来建立模型,从2013年到2018年,数据被用来测试模型的有效性。

表2
度量模型的拟合情况2。

从计算结果可以看出在桌子上2在配件,ONGBM的影响(1,1),NGBM(1, 1),和TDGM(1,1)是近,以及TDGM的影响(1,1)略优于优化NGBM(1,1)模型,和ONGBM的准确性(1,1)是0.3444%高于实现NGBM(1, 1)模型。在预测部分,AR-GM(1,1)模型具有最好的效果,并与ONGBM(1,1)模型,日军精准医疗AR-GM(1,1)模型高出0.1743%,但拟合误差AR-GM(1,1)模型是相对高于ONGBM(1, 1)模型。虽然日军适合和日军精准医疗ONGBM(1,1)模型并不是最佳的在这种情况下,综合考虑表明ONGBM(1,1)模型仍然具有一定的吸引力,和 和 可以在这种情况下计算。

猿的比较如图4,可以看出Verhulst模型在预测部分的猿显然比其他模型和计算结果的表3,就可以知道它的日军精准医疗已达到58.9870%,导致错误的选择区间太大的过程中映射,然后其他模型的对比效果的影响。因此,在这种情况下,删除Verhulst模型的相对误差值和猿猴比较重绘图表,如图5。


图4
案例2中整体猿七模型的比较。
表3
度量模型的拟合情况3。

图5
整体猿比较后删除Verhulst模型2。

图中可以看到5的拟合误差NGM(1,1)模型在2005年明显更高,有异常,然后,后续节点往往是稳定的。配件,在2010年之前,七个模型的错误相对明显,波动幅度相对较大。2011年之后,除了GM(1,1)和NGBM(1,1)模型,其他模型的相对误差显示没有明显的异常变化和相对稳定。

为了看到日军不同模型的比较表2直观地,图6介绍了日军的对比图仿真部分和预测部分,通过对比效应更加明显。


图6
日军的比较例2。
3.2.3。案例3:年度墨西哥石油消费

墨西哥的石油和天然气资源丰富,是世界上最大的石油生产国之一。EIA数据显示,墨西哥原油产量自2010年以来表现出下降的趋势,和相应的“BP Statistical Review of World Energy)”由英国石油公司发布的数据,可以看出,墨西哥的石油消费数据显示自2007年以来逐渐减少。本文选择从1999年到2018年墨西哥的石油消费数据。墨西哥每年石油消费的原始数据和仿真数据的ONGBM(1,1)模型和其他模型比较表1。然后,从1999年到2013年的数据被用来构建模型和计算模型参数,和从2014年到2018年的数据是用来检验模型的有效性。

墨西哥的石油消费数据代入模型,和最优参数的ONGBM(1, 1)模型计算了模拟退火算法,然后 和 。的计算结果ONGBM(1, 1)模型和其他六个比较模型在表1,可以看出,除了Verhulst模型,其他模型拟合过程中表现出更高的精度,其中日军适合的GM (1, 1), NGM (1, 1), TDGM(1, 1),和AR-GM(1,1)模型都是低于3%,它们之间没有显著差异,这是略高于ONGBM(1,1)和NGBM(1,1)模型在拟合的过程。和最好的性能仿真显示一部分TDGM(1,1)模型,它的日军适合达到1.8268%。预测部分,Verhulst模型还显示了可怜的结果与其他模型相比,在GM(1,1)和TDGM(1,1)模型预测部分显示略有表现不佳,与日军精准医疗高于10%,预测错误的NGM(1,1)和AR-GM(1, 1)模型是低于10%,而与ONGBM相比有轻微偏差(1,1)模型。ONGBM之间的比较(1,1)和NGBM(1, 1)表明,优化模型的准确性的拟合效果是稍微增加了0.3324%,但预测误差显著提高,达到小于1%,反映出更好的性能。

为了看到比较计算结果表1更直观地说,图7图7显示了猿比较模型。可以清楚地看到,Verhulst模型的偏差很大,和最大偏差达到了70%以上,因为Verhulst模型的误差太大,图像的垂直轴的价值增加,使其他模型的对比效果不明显,因此,图8显示了对比效果后删除Verhulst模型。


图7
案例3中整体猿七模型的比较。

图8
整体猿比较后删除Verhulst模型3。

从图可以看出7的拟合误差的第一个四分ONGBM(1,1)模型拟合波动很大部分在后续节点往往是稳定的。配件,大部分节点的七个模型的相对误差波动小于5%,第五次节点。在预测部分,猿猴的GM(1, 1)显著增加了节点,而ONGM的相对误差(1,1)和ONGBM(1,1)模型波动在2%左右,这部分和ONGBM(1, 1)显示一个更好的效果。

日军的比较值的七个模型模拟和预测部分如图9的影响,每一个模型可以清楚的区分出图。


图9
比较案例3的日军。
3.2.4。例4:在日本每年的石油消费

日本是一个高度发达的资本主义国家,位于东亚的一个岛屿。因为日本国内资源相对稀缺,已探明石油储量是有限的,能源主要依赖进口。然而,作为世界上第三大经济体,日本已成为世界第五大石油消费国,仅次于美国、中国、印度和俄罗斯。日本也第四大原油进口国,仅次于美国、中国和印度。因此,分析和预测的石油消费在日本尤其重要。根据数据从“BP Statistical Review of World Energy),”日本年度石油消费自2012年以来表现出下降的趋势,这是国家的老化密切相关的内部人口,人口下降,能源效率的提高,日本国内的技术。本例中选择从2008年到2018年建立的数据模型和评价模型的有效性。从2008年到2012年的数据被用来建立模型,从2013年到2018年,数据被用来验证模型的有效性。七个模型的原始数据和仿真数据如表所示4。

表4
度量模型拟合的情况下4。

从表中所示的结果4,它可以观察到,NGM(1,1)模型拟合的最大偏差的部分。ONGBM (1,1), NGBM (1, 1), GM(1,1)和AR-GM(1,1)模型有相似的性能影响,但ONGBM的影响(1)略优于其他三种模型。用例4到Verhulst模型中的数据,可以发现零件有不错的效果。的日军适合值低于10%,但其预测误差约为65%,预测性能较差。事实上,除了ONGBM(1,1)模型和NGBM(1,1)模型,其他模型的预测误差超过10%。但总的来说,优化的预测效果NGBM(1,1)模型已经显著提高,和日军适合价值增加了2.997%。相对应的参数优化ONGBM (1,1) 和 。

从图可以看出10,除了大偏差Verhulst和NGM(1,1)模型在2010年,另一年的相对误差提出了一种相对稳定的状态。事实上,它可以从表的计算结果4的日军精准医疗Verhulst模型达到了68.4851%。它还可以看到图的对比图10在预测部分,Verhulst模型的相对误差值显示了逐渐增加的趋势。因为计算错误太大而影响其他模型的对比效果,删除后比较结果的相对误差数据Verhulst模型如图11。


图10
整体猿七模型的比较例4。

图11
整体猿比较后删除Verhulst模型在例4。

在猿对比图如图11,它可以清楚地看到,计算的相对误差GM (1, 1), NGM (1, 1), TDGM(1, 1),和AR-GM(1,1)模型在预测部分逐渐增加,每个模型显示,2013年的最佳性能。此外,ONGBM(1,1)模型确实比其他模型。

日军的比较值的七个模型模拟和预测部分如图12的影响,每一个模型可以清楚的区分出图。


图12
日军的比较例4。

4所示。应用ONGBM(1, 1)模型

基于建模分析部分3.2本文预测,上述四个国家的石油消费在未来五年,和预测数据如表所示5。

表5
预测结果四个国家的石油消费在未来5年。

它可以分析预测结果的表5大多数国家的年度石油消费在未来五年内仍将显示一个持续下降的趋势。然而,中国是世界上人口最多的国家,目前在全速发展的阶段。尽管它必须主动调整能源结构,由于其庞大的人口,经济发展的广大地区,和太多的相关因素,政策实施后往往会被执行。同时,由于煤炭在中国是第一能源,减少对煤炭的依赖是中国的一个主要目标。因此,石油代替煤炭的消费仍可能增加;智利是一个energy-scarce国家;近年来,随着世界逐渐开始调整能源结构,智利也建立了自己的政策,因为智利属于人口不多,因此,实施措施可以看到效果相对较快。因此,中国可能有一个下降的趋势在年度石油消费在当前环境的能源重组。墨西哥的石油产量自2010年以来一直在下降,和年度石油消费自2007年以来逐年下降;日本的资源相对稀缺,主要依赖于进口,石油消费的数据显示,自2012年以来,日本已经显示出下降的趋势。 Based on the above reasons and the forecast results of annual oil consumption in the next five years, it can be concluded that oil consumption is on a downward trend in most countries.

5。结论

本文的优化背景值NGBM(1,1)模型,提出了ONGBM(1,1)模型在此基础上,与模拟退火算法用于优化NGBM中的待定系数(1,1)模型。实际石油消费数据来自四个国家,中国、智利、墨西哥和日本,被用来测试模型的有效性。结果表明,优化ONGBM(1,1)模型基本上是比其他六个灰色预测模型。同时,将模型应用于上述四个国家的石油消费量的预测,可以得出的结论是,其他三个国家的石油消费呈现出下降的趋势,除了中国。这种现象与不同等因素的发展措施的国家,地理位置,资源所有权和国家的经济发展状态。

本文的背景值NGBM(1,1)模型进行了优化考虑能源系统的非线性结构。使用模拟退火算法找到最佳的待定系数,和一个优化ONGBM(1,1)模型建立。建模机制和数据两个方面的适用性,中国的实际油耗数据,智利,墨西哥,日本选择分析模型的有效性。所选数据包含三种类型,即稳步上升的数据,数据与不规则的波动,和数据逐渐下降和波动。比较结果表明,新模型具有良好的效果在两个索引,以及优化的影响ONGBM(1,1)模型基本上是优于其他六个灰色预测模型。因此,造型的基础上,分析部分3.2,模型是继续适用于这四个国家的石油消费预测2019 - 2023。预测结果表明,除了中国,其他三个国家的石油消费显示一个下降的趋势。这一现象与不同的因素,如国家的发展措施,地理位置、资源可用性和国家经济发展。

本文提出的优化模型主要考虑了变量本身的发展趋势,然后研究和分析。能源系统的非线性特性被认为是在研究,但很少被认为是能源开发的其他因素的影响。在某种程度上,这个问题限制了模型的应用范围,因此如何更好地解决这个问题考虑到其他因素对变量的影响将是我们未来工作的重点。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突有关的出版。