基于誤差校正的能源消費(fèi)總量預(yù)測(cè)方法

艾　兵, 董明剛

(桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，廣西 桂林　541004)

?

基于誤差校正的能源消費(fèi)總量預(yù)測(cè)方法

艾兵, 董明剛

(桂林理工大學(xué) 信息科學(xué)與工程學(xué)院，廣西 桂林541004)

摘要：鑒于能源消費(fèi)量具有趨勢(shì)性、非平穩(wěn)性等特點(diǎn), 而差分自回歸移動(dòng)平均模型(ARIMA)只能反映能源消費(fèi)量的部分信息, 預(yù)測(cè)結(jié)果不太理想。為了提高預(yù)測(cè)精度, 提出了基于二次誤差校正ARIMA模型的能源消費(fèi)預(yù)測(cè)方法:首先采用ARIMA模型對(duì)能源消費(fèi)總量進(jìn)行初步預(yù)測(cè), 然后構(gòu)建偏最小二乘回歸支持向量機(jī)模型(PLS-SVM)對(duì)殘差序列數(shù)據(jù)中未被解釋的部分進(jìn)行分析和擬合, 并對(duì)未來的殘差進(jìn)行預(yù)測(cè)。最后利用所得殘差預(yù)測(cè)值對(duì)能源消費(fèi)總量預(yù)測(cè)值進(jìn)行校正。對(duì)福建省1978—2012年的能源消費(fèi)總量數(shù)據(jù)進(jìn)行仿真, 實(shí)驗(yàn)結(jié)果表明, 與ARIMA等方法相比, 本文提出的方法獲得了較好的預(yù)測(cè)結(jié)果, 是一種有效的能源消費(fèi)量預(yù)測(cè)方法。

關(guān)鍵詞：二次誤差校正;ARIMA模型;偏最小二乘回歸;支持向量機(jī);能源消費(fèi)量

0引言

能源是人類社會(huì)賴以生存和發(fā)展的重要物質(zhì), 攸關(guān)國(guó)計(jì)民生和國(guó)家安全。能源消費(fèi)量直接影響能源供需缺口, 也關(guān)系到國(guó)家的能源安全問題[1]。而能源消費(fèi)量的預(yù)測(cè)是制定能源發(fā)展戰(zhàn)略的基礎(chǔ), 其預(yù)測(cè)結(jié)果的好壞直接與國(guó)家或地方經(jīng)濟(jì)發(fā)展息息相關(guān)[2]。因此, 對(duì)我國(guó)歷年能源消費(fèi)量的變化情況進(jìn)行研究, 并通過構(gòu)建準(zhǔn)確有效的預(yù)測(cè)模型對(duì)未來能源消費(fèi)量進(jìn)行科學(xué)預(yù)測(cè), 為國(guó)家能源安全戰(zhàn)略規(guī)劃提供理論依據(jù)和決策參考, 對(duì)全社會(huì)的可持續(xù)發(fā)展具有十分重要的意義。

為了科學(xué)預(yù)測(cè)能源消費(fèi)量, 國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究。Lee等[3]通過引入遺傳編程符號(hào)估計(jì)的誤差校正對(duì)灰色預(yù)測(cè)模型予以改進(jìn), 利用改進(jìn)的模型對(duì)中國(guó)能源消費(fèi)進(jìn)行預(yù)測(cè)；付立東等[4]綜合遺傳算法和模擬退火算法的各自優(yōu)勢(shì), 提出了一種新的遺傳算法和模擬退火算法的混合方法來預(yù)測(cè)中國(guó)能源需求；張松等[5]將經(jīng)驗(yàn)?zāi)Ｊ椒纸夥治雠c支持向量機(jī)相結(jié)合, 提出新的能源消費(fèi)預(yù)測(cè)思路；衛(wèi)太詳?shù)萚6]利用差分插值和高階Newton-Cotes公式構(gòu)造背景值, 提出基于改進(jìn)背景值構(gòu)造方法的GM(1, 1)能源消費(fèi)預(yù)測(cè)模型； Uzlu等[7]將人工神經(jīng)網(wǎng)絡(luò)(ANN)與教學(xué)-學(xué)習(xí)算法(TLBO)相結(jié)合, 建立ANN-TLBO模型對(duì)土耳其能源消費(fèi)進(jìn)行預(yù)測(cè)。雖然上述模型對(duì)能源消費(fèi)量的預(yù)測(cè)具有很好的價(jià)值, 但仍存在某些不令人滿意的地方。比如，灰色預(yù)測(cè)模型雖然原理簡(jiǎn)單, 但它具有適應(yīng)性不強(qiáng)和難操作等問題；多種模型的組合會(huì)增加算法復(fù)雜度, 在一定程度上影響建模的精度和效率。神經(jīng)網(wǎng)絡(luò)算法是基于經(jīng)驗(yàn)風(fēng)險(xiǎn)最小的原則, 具有容易陷入局部最優(yōu)的缺陷，且它需要較多的基礎(chǔ)數(shù)據(jù)對(duì)其進(jìn)行訓(xùn)練和檢測(cè)。另外, 一般的ARIMA模型[8-10]在預(yù)測(cè)時(shí)沒有充分考慮誤差的影響因素及其內(nèi)部規(guī)律, 從而使預(yù)測(cè)結(jié)果不太理想。

因此, 本文鑒于能源消費(fèi)系統(tǒng)的復(fù)雜性和非線性等特點(diǎn), 提出基于二次誤差預(yù)測(cè)校正的差分自回歸移動(dòng)平均(autoregressive integrated moving average, ARIMA) 模型的能源消費(fèi)量預(yù)測(cè)方法, 即在文獻(xiàn)[11-12]中引入誤差思路的基礎(chǔ)上, 將二次誤差校正思想理念引入本文預(yù)測(cè)模型中, 以此提高模型的整體預(yù)測(cè)精度。由于ARIMA模型得到的預(yù)測(cè)值與實(shí)際值所產(chǎn)生的殘差呈現(xiàn)趨勢(shì)性, 其中可能包含未被解釋的成分, 因此在對(duì)其進(jìn)行處理的過程中, 必須將其影響因素的內(nèi)部規(guī)律予以挖掘處理。鑒于偏最小二乘回歸支持向量機(jī)模型(partial least squares regression-support vector machine,PLS-SVM) 較文獻(xiàn)[11-12]中的回歸分析等方法具有較好處理非線性多因素問題的優(yōu)點(diǎn), 故運(yùn)用PLS-SVM建立殘差與其影響因素的回歸模型, 充分利用誤差值中所蘊(yùn)含的有價(jià)值的信息, 實(shí)現(xiàn)利用未來影響因素的變化對(duì)殘差作精確預(yù)測(cè), 從而建立一套基于二次誤差校正的PLS-SVM-ARIMA的預(yù)測(cè)模型體系, 以進(jìn)一步提高預(yù)測(cè)精度。能源消費(fèi)量預(yù)測(cè)的算例分析表明, 與ARIMA等預(yù)測(cè)方法相比, 本文所構(gòu)建的模型能獲得較好的預(yù)測(cè)結(jié)果, 進(jìn)而驗(yàn)證了該模型的可行性和有效性。

1相關(guān)技術(shù)介紹

1.1ARIMA模型建模原理和步驟

ARIMA模型是一種精度較高的時(shí)序短期預(yù)測(cè)方法, 其基本思想是將預(yù)測(cè)對(duì)象形成的時(shí)間序列視為一個(gè)隨機(jī)序列, 可以用相應(yīng)的數(shù)學(xué)模型近似描述[8]。通過對(duì)其分析研究, 能夠根據(jù)時(shí)間序列的歷史數(shù)據(jù)和現(xiàn)在數(shù)據(jù)預(yù)測(cè)未來值, 從而達(dá)到最優(yōu)預(yù)測(cè)。ARIMA模型的公式定義為

φ(B)(1-B)dxt=θ(B)at。

(1)

式中： d為差分階數(shù)； xt為能源消費(fèi)量歷史數(shù)據(jù)序列； at為白噪聲序列； B為后移算子； φ(B)為自回歸算子； θ(B)為移動(dòng)平均算子。

構(gòu)建ARIMA(p, d, q)模型一般有以下4個(gè)步驟[8-10]:首先，通過觀察時(shí)序圖和嚴(yán)格的單位根檢驗(yàn)確定階數(shù)d；然后，由自相關(guān)系數(shù)等能夠描述時(shí)間序列特征的統(tǒng)計(jì)量初步確定模型類型和滯后階數(shù)p與q；再者, 利用有效統(tǒng)計(jì)方法估計(jì)模型參數(shù)，并根據(jù)AIC最小等準(zhǔn)則確定最終模型并對(duì)模型的擬合效果進(jìn)行檢驗(yàn);最后, 根據(jù)所得到的ARIMA模型對(duì)未來信息進(jìn)行預(yù)測(cè)。

1.2PLS-SVM殘差預(yù)測(cè)方法

利用高維特征空間里的線性估計(jì)函數(shù)[13-16]y=f(x, ω)=ωTφ(x)+b(ω為權(quán)值矢量,b為偏置項(xiàng))來擬合訓(xùn)練數(shù)據(jù)集(xi,yi), 其中：i=1, 2, …,n,xi∈Rn×1為n維訓(xùn)練樣本輸入,yi∈R為相應(yīng)的輸出變量。

根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原理, 將回歸問題轉(zhuǎn)變成約束優(yōu)化問題, 可表示為[13-14]

(2)

s.t.yi=ωTφ(xi)+b+ξi，i=1, 2, …,n,

引入拉格朗日乘子αi(αi∈Rn×1)建立拉格朗日函數(shù)[13-16]:

(4)

根據(jù)Karush-Kuhn-Tucker(KKT)最優(yōu)條件, 對(duì)式(4)求偏導(dǎo),并令其偏導(dǎo)數(shù)為零;再由Mercer條件, 采用徑向基核函數(shù)(radial basis function, RBF)[13]作為核函數(shù)代替非線性映射, 故擬合函數(shù)f(x)可描述為[13-16]

i,j=1, 2, …,n。

(5)

其中:σ為徑向基核函數(shù)參數(shù)。

PLS-SVM方法[12-13]主要是基于將經(jīng)過特征提取得到的各個(gè)主成分向量組成的得分矩陣代替原有的輸入矩陣, 其建模過程如下:

①根據(jù)偏最小二乘回歸模型得到訓(xùn)練樣本的得分矩陣Ttrain=[t1,t2,…,th], 負(fù)載矩陣p=[p1,p2,…,ph]和相關(guān)系數(shù)矩陣w=[w1,w2,…,wh]。

②用ytrain=[y1,y2,…,yn]T和步驟①中的Ttrain對(duì)SVM進(jìn)行訓(xùn)練, 得到參數(shù)最優(yōu)的拉格朗日乘子αi和偏置項(xiàng)b。建模后可得求解式為

(6)

式中: 1為矩陣元素都為1的n×1矩陣; I為n×n單位矩陣;Ω為核函數(shù); α=[α1,α2, …,αn]T。

③由步驟①中的負(fù)載矩陣p, 相關(guān)系數(shù)矩陣w和待測(cè)輸入量xtest可計(jì)算出測(cè)試樣本為

Ttest=xtestp(wTp)-1，

(7)

于是, 預(yù)測(cè)模型為

(8)

式中: ti為訓(xùn)練樣本的得分向量, t為測(cè)試樣本Ttest的得分向量。

2能源消費(fèi)量預(yù)測(cè)建模流程

③ 殘差校正。利用所得到的二次誤差預(yù)測(cè)值對(duì)殘差預(yù)測(cè)值進(jìn)行校正, 從而形成校正后的殘差序列預(yù)測(cè)值為

(9)

④ 預(yù)測(cè)值校正。將校正后的殘差序列預(yù)測(cè)值與步驟②的能源消費(fèi)量預(yù)測(cè)值相結(jié)合, 最終的能源消費(fèi)量預(yù)測(cè)結(jié)果為

(10)

綜上所述, 基于二次誤差預(yù)測(cè)校正的ARIMA預(yù)測(cè)模型的建模過程和能源消費(fèi)預(yù)測(cè)過程分別如圖1和圖2所示。

3案例分析

3.1訓(xùn)練樣本數(shù)據(jù)的選取及其預(yù)處理

本文以中國(guó)經(jīng)濟(jì)與社會(huì)發(fā)展統(tǒng)計(jì)數(shù)據(jù)庫中福建省1978—2012年的能源消費(fèi)量數(shù)據(jù)(單位:萬t標(biāo)準(zhǔn)煤)作為研究對(duì)象, 選取前32年的樣本數(shù)據(jù)作為訓(xùn)練集, 構(gòu)建ARIMA預(yù)測(cè)模型, 后3年的樣本數(shù)據(jù)作為預(yù)測(cè)集。

根據(jù)能源消費(fèi)量的歷史數(shù)據(jù)資料, 參考文獻(xiàn)[8-10]中的ARIMA的原理和建模方法, 利用Matlab軟件進(jìn)行編程, 通過計(jì)算自相關(guān)函數(shù)和偏相關(guān)函數(shù)[10], 確定階數(shù)d為1。故可設(shè)定ARIMA(p, 1,q)多種匹配方式, 具體見表1。

利用上述模型對(duì)福建省1978—2009年能源消費(fèi)量進(jìn)行擬合, 結(jié)果如圖3所示。

根據(jù)圖3得出福建省能源消費(fèi)量實(shí)際值和擬合值之間的殘差值走勢(shì)圖(圖4)。

由圖4觀察知,殘差存在波動(dòng)現(xiàn)象, 其中可能包含未被解釋的成分。影響殘差的因素較多, 考慮到統(tǒng)計(jì)資料在實(shí)際情況下的可收集性, 根據(jù)文獻(xiàn)[17-18],并參考西方經(jīng)濟(jì)學(xué)的消費(fèi)需求理論, 以貨物進(jìn)出總額、國(guó)內(nèi)生產(chǎn)總值、重工業(yè)和輕工業(yè)比例、從業(yè)人口數(shù)、煤炭占能源消費(fèi)總量的比重、石油煤炭占能源消費(fèi)總量的比重、第二產(chǎn)業(yè)國(guó)內(nèi)產(chǎn)值占國(guó)民經(jīng)濟(jì)的比重、第三產(chǎn)業(yè)國(guó)內(nèi)產(chǎn)值占國(guó)民經(jīng)濟(jì)的比重等8個(gè)因子作為影響殘差因素, 所有數(shù)據(jù)均來自福建省統(tǒng)計(jì)年鑒。

采用偏最小二乘法對(duì)影響因素進(jìn)行預(yù)處理,即從8個(gè)影響因素中提取對(duì)殘差解釋最強(qiáng)的主成分。根據(jù)交叉有效性理論及方法確定成分個(gè)數(shù)(表2)。

圖1　建模過程Fig.1　Procedure chart of modeling

圖2　能源消費(fèi)預(yù)測(cè)過程Fig.2　Prediction process of energy consumption

序號(hào)ARIMA(p,d,q)AICBIC1ARIMA(0,1,0)451.541590454.4095652ARIMA(0,1,1)446.191167450.4931293ARIMA(0,1,2)448.938462454.6744104ARIMA(1,1,0)438.009570442.3115315ARIMA(1,1,1)435.997193441.7331426ARIMA(1,1,2)437.134612444.3045487ARIMA(2,1,0)435.934879441.6708288ARIMA(2,1,1)437.423316444.5932529ARIMA(2,1,2)444.644467453.248390

由表2知，前3個(gè)成分自變量累積貢獻(xiàn)率為97.850 9%, 故只要取3對(duì)即可有效完成成分個(gè)數(shù)的選定。將主成分提取數(shù)據(jù)和殘差分別作為支持向量機(jī)的新樣本輸入和輸出, 采用提出的支持向量機(jī)的參數(shù)優(yōu)化方法,計(jì)算并確定正則化參數(shù)ν和徑向基核函數(shù)的參數(shù)σ2分別為62.1、40.96時(shí)可得到較優(yōu)的訓(xùn)練結(jié)果, 并對(duì)預(yù)測(cè)集進(jìn)行預(yù)測(cè), 訓(xùn)練結(jié)果和預(yù)測(cè)結(jié)果分別如圖5和表3所示。

圖3　福建省1978—2009年能源消費(fèi)量的 ARIMA模型擬合結(jié)果Fig.3　Fitting results of energy consumption by ARIMA model in Fujian from 1978 to 2009 using

圖4　殘差趨勢(shì)曲線Fig.4　Trend curve of residual

序號(hào)貢獻(xiàn)率累積貢獻(xiàn)率180.199780.199722.801483.0011314.849897.8509

表3　PLS-SVM的殘差預(yù)測(cè)結(jié)果Table 3　Residual prediction results by PLS-SVM

3.2校正結(jié)果分析

根據(jù)表3所得到的校正后的殘差預(yù)測(cè)值對(duì)由ARIMA模型得到的2010—2012年能源預(yù)測(cè)值進(jìn)行校正, 即得到最終的能源消費(fèi)量預(yù)測(cè)值(表4)。

表4　二次誤差預(yù)測(cè)校正后的能源消費(fèi)量預(yù)測(cè)結(jié)果Table 4　Prediction results of energy consumption after twice error adjustment

圖5　徑向基核函數(shù)PLS-SVM預(yù)測(cè)的誤差Fig.5　Error curves of prediction value by PLS-SVM with RBF

3.3 模型性能對(duì)比分析

為了驗(yàn)證本文所構(gòu)建模型的有效性和可行性, 將其與ARIMA模型、基于一次誤差的ARIMA模型、AR(2)模型、 文獻(xiàn)[19]中的ARMA-PSO-GM(1, 2)模型[19]的預(yù)測(cè)結(jié)果進(jìn)行比較。

為了從定性方面來評(píng)價(jià)本文所構(gòu)建模型的性能, 圖6給出了ARIMA模型、 基于一次誤差的ARIMA模型、 AR(2)模型,ARMA-PSO-GM(1, 2)模型和本文所構(gòu)建的預(yù)測(cè)方法這5種方法的預(yù)測(cè)值與能源消費(fèi)量實(shí)際值的對(duì)比結(jié)果。 由圖 6可以看出, 本文提出的方法所得到的結(jié)果較前3種預(yù)測(cè)方法更接近能源消費(fèi)量實(shí)際值, 預(yù)測(cè)精度有了較好的提高。

本文采用MRE(平均相對(duì)誤差)和RMSE(均方根相對(duì)誤差)作為定量評(píng)價(jià)模型的性能指標(biāo), 其定義如下:

圖6　能源消費(fèi)量預(yù)測(cè)結(jié)果與實(shí)際值對(duì)比Fig.6　Comparison of energy consumption between predicted and actual results 注: Ⅰ—能源實(shí)際消費(fèi)量； Ⅱ—ARIMA模型預(yù)測(cè)值；Ⅲ—一次誤差的ARIMA模型預(yù)測(cè)值；Ⅳ—AR(2)模型預(yù)測(cè)值；Ⅴ—ARMA-PSO-GM(1, 2))模型預(yù)測(cè)值；Ⅵ—本文方法預(yù)測(cè)值。

Table 5Comparison among prediction results of different models

萬t標(biāo)準(zhǔn)煤

(11)

(12)

從表5的比較結(jié)果可以看出,本文方法的誤差指標(biāo)MRE和RMSE分別為2.74%和2.86%, 而一般的ARIMA模型的MRE和RMSE分別為4.52%和4.64%, 基于一次誤差校正的ARIMA模型的MRE和RMSE分別為2.84%和2.99%, AR(2)模型的MRE和RMSE分別為3.65%和3.93%, ARMA-PSO-GM(1, 2)模型的MRE和RMSE分別為2.82%和2.96%。因此, 本文提出的方法預(yù)測(cè)效果最好, 一定程度上提高了預(yù)測(cè)精度。

4結(jié)束語

本文在分析一般能源消費(fèi)量預(yù)測(cè)方法的基礎(chǔ)上, 將二次誤差預(yù)測(cè)校正理念引入ARIMA模型中, 提出了基于二次誤差校正ARIMA模型的能源消費(fèi)量預(yù)測(cè)方法, 以此提高預(yù)測(cè)結(jié)果的精確性。在處理誤差過程中, 由于誤差受到諸多因素的影響, 考慮到PLS能夠有效地消除影響因素間的多重相關(guān)性, 并且SVM具有克服數(shù)據(jù)的線性和非線性組合的局限的優(yōu)點(diǎn), 故將二者相結(jié)合對(duì)預(yù)測(cè)過程中產(chǎn)生的誤差進(jìn)行分析和預(yù)測(cè), 為能源消費(fèi)量的預(yù)測(cè)提供一個(gè)新的有效方法。實(shí)驗(yàn)結(jié)果表明, 本文所建立的模型相對(duì)于ARIMA模型、 基于一次誤差的ARIMA模型、AR(2)模型及ARMA-PSO-GM(1, 2)模型等具有較好的預(yù)測(cè)效果。

參考文獻(xiàn):

[1]李紅梅, 賀昌政, 肖進(jìn).基于Log-GMDH模型的我國(guó)能源消費(fèi)中長(zhǎng)期預(yù)測(cè)[J].軟科學(xué), 2012, 26(5):51-54.

[2]孫涵, 楊普榮, 成金華.基于Matlab支持向量回歸機(jī)的能源需求預(yù)測(cè)模型[J].系統(tǒng)工程理論與實(shí)踐, 2011, 31(10):2001-2007.

[3] Lee Y S, Tong L I .Forecasting energy consumption using a grey model improved by incorporating genetic programming[J].Energy Conversion and Management, 2011, 52(1):147-152.

[4]付立東, 張金鎖, 馮雪. GA-SA模型預(yù)測(cè)中國(guó)能源需求[J].系統(tǒng)工程理論與實(shí)踐, 2015, 35(3):780-789.

[5]張松, 金亮.中國(guó)能源消費(fèi)的EMD分析與預(yù)測(cè)[J].數(shù)學(xué)的實(shí)踐與認(rèn)識(shí), 2011, 41(12):114-119.

[6]衛(wèi)太詳, 馬光文.基于改進(jìn)背景值構(gòu)造方法的GM(1, 1)能源消費(fèi)預(yù)測(cè)模型[J].水電能源科學(xué), 2011, 29(6):190-192.

[7]Uzlu E, Kankal M, Akpinar A, et al.Estimates of energy consumption in Turkey using neural networks with the teaching-learning-based optimization algorithm[J]. Energy, 2014, 75(1):295-303.

[8]張雨濃, 勞穩(wěn)超, 丁瑋翔，等.基于ARIMA與WASDN加權(quán)組合的時(shí)間序列預(yù)測(cè)[J].計(jì)算機(jī)應(yīng)用研究, 2015, 32(9):2630-2633.

[9]孫佚軒, 邵春福, 計(jì)尋，等.基于ARIMA與信息粒化SVR組合模型的交通事故時(shí)序預(yù)測(cè)[J].清華大學(xué)學(xué)報(bào)：自然科學(xué)版, 2014, 54(3):348-353.

[10]司守奎, 孫璽菁.數(shù)學(xué)建模算法與應(yīng)用[M].北京:國(guó)防工業(yè)出版社, 2011:157-175.

[11]于志軍, 楊善林.基于誤差校正的GARCH股票價(jià)格預(yù)測(cè)模型[J].中國(guó)管理科學(xué), 2013, 21(S1):341-345.

[12]劉達(dá).基于誤差校正的中長(zhǎng)期負(fù)荷預(yù)測(cè)模型[J].電網(wǎng)技術(shù), 2012, 36(8):243-247.

[13]Kaytez F, Taplamacioglu M C, Cam E, et al.Forecasting electricity consumption: A comparison of regression analysis, neural networks and least squares support vector machines[J].International Journal of Electrical Power & Energy Systems, 2015, 67(1):431-438.

[14]侯利強(qiáng), 楊善林, 陳志強(qiáng).基于遺傳優(yōu)化偏最小二乘支持向量機(jī)的稅收預(yù)測(cè)研究[J].科技管理研究, 2014, 34(11):198-200.

[15]吉訓(xùn)生.基于偏最小二乘支持向量機(jī)的短期電力負(fù)荷預(yù)測(cè)方法研究[J].電力系統(tǒng)保護(hù)與控制, 2010, 38(23):55-59.

[16]Abbasi M, Abduli M A, Omidvar B, et al.Forecasting municipal solid waste generation by hybrid support vector machine and partial least square model[J]. International Journal of Environmental Research, 2013, 7(1):27-38.

[17]Unakitan G, Turkekul B.Univariate modelling of energy consumption in Turkish agriculture[J].Energy Sources Part B：Economics Planning and Policy, 2014, 9(3):284-290.

[18]孟凡生, 李美瑩.我國(guó)能源消費(fèi)影響因素評(píng)價(jià)研究——基于突變級(jí)數(shù)法和改進(jìn)熵值法的分析[J].系統(tǒng)工程, 2012, 30(8):10-15.

[19]王瑞慶, 李渝曾.含誤差校正的粒子群優(yōu)化GM(1, 2)短期電價(jià)預(yù)測(cè)方法[J].電力系統(tǒng)保護(hù)與控制, 2011, 39(13):41-45.

[20]張善文, 雷英杰, 馮有前.MATLAB在時(shí)間序列分析中的應(yīng)用[M].西安:西安電子科技大學(xué)出版社, 2007:130-150.

文章編號(hào):1674-9057(2016)02-0388-07

doi:10.3969/j.issn.1674-9057.2016.02.034

收稿日期：2015-04-03

基金項(xiàng)目：國(guó)家自然科學(xué)基金項(xiàng)目(61203109);廣西自然科學(xué)基金項(xiàng)目(2014GXNSFAA118371)

作者簡(jiǎn)介：艾兵(1990—)，男，碩士研究生，研究方向：智能計(jì)算，835027279@qq.com。

通訊作者：董明剛，博士，教授，d2015mg@qq.com。

中圖分類號(hào)：TP301.6

文獻(xiàn)標(biāo)志碼：A

Prediction method of total energy consumption based on error adjustment

AI Bing, DONG Ming-gang

College of Information Science and Engineering, Guilin University of Technology, Guilin 541004,China)

Abstract:Autoregressive integrated moving average model (ARIMA) can only reflect part of the information of energy consumption with the characteristics development of trends,non-stabilities and unsatisfactory predictions. In order to improve the prediction accuracy, the prediction method of energy consumption is proposed based on the twice error adjustment ARIMA model. Firstly, ARIMA model has a preliminary forecast on total energy consumption. Then partial least squares regression support vector model (PLS-SVM) is built for unexplained residual sequence data analysis and fitting of parts,to predict the residual error of the future. Finally, total energy consumption will be corrected through the prediction value obtained by the residual error. The total energy consumption data simulation results from 1978 to 2012 of Fujian Province show that the proposed method obtains a better prediction. Comparing with other usual prediction methods such as ARIMA, we find it is an effective prediction method of energy consumption.

Key words:twice error adjustment;ARIMA model;partial least squares regression;support vector machines;energy consumption

引文格式：艾兵, 董明剛.基于誤差校正的能源消費(fèi)總量預(yù)測(cè)方法[J].桂林理工大學(xué)學(xué)報(bào)，2016,36(2):388-394.