[发明专利]一种能源需求条件密度预测方法

说明书

技术领域

本发明属于预测理论与方法技术领域，特别是涉及一种能源需求条件密度预测方法。

背景技术

能源对国民经济运行与发展具有基础性作用。无疑，准确地分析与预测能源消费需求，有利于制订合理的能源管理政策，以确保国家能源安全。然而，能源需求系统是一个复杂系统，呈现出高度的非线性特征。如何真实地揭示能源需求系统中的非线性特征，准确地给出能源消费需求预测，一直是管理部门关注的焦点。

能源需求预测有其自身的复杂性，可以将其预测方法划分为四类。第一类为统计理论与方法，主要有：回归分析、投入产出分析、时间序列分析、协整与误差校正模型等。第二类为灰色系统理论与方法。第三类为人工智能方法，主要有：人工神经网络与支持向量机。第四类为组合模型，主要结合各类预测方法的优点，给出综合的预测结果。

能源需求系统是一个复杂系统，呈现出非线性与不确定等典型特征。以上研究都是在均值框架下开展，绝大多数预测结果都是点预测，即对未来能源需求平均水平进行预测；部分预测结果为区间预测，即在一个概率水平下，给出未来能源需求范围。根据统计学观点，无论是点预测还是区间预测，都只能提供随机变量的局部统计特征。要想完整地描述整个随机变量变动规律，概率密度函数或积累分布函数是最佳选择。同时，如果采用参数方法描述能源需求系统中的非线性结构，可能存在模型误设等问题，导致预测结果不准确。

发明内容

为了解决上述问题，本发明的目的在于提供一种能源需求条件密度预测方法。

为了达到上述目的，本发明提供的能源需求条件密度预测方法包括按顺序执行的下列步骤：

步骤1)建立支持向量分位数回归模型：基于支持向量机与分位数回归模型，建立能源需求的支持向量分位数回归模型如下：

在软化的ε(ε＝0)带支持向量回归模型中，将惩罚函数部分用分位数回归来替代，得到能源需求的支持向量分位数回归模型；

步骤2)建立能源需求的支持向量加权分位数回归模型：

在支持向量回归模型中，将其惩罚函数部分用加权分位数回归来替代，得到能源需求的支持向量加权分位数回归模型；

步骤3)模型参数估计：基于拉格朗日对偶方法以及KKT互补条件，解决能源需求的支持向量分位数回归模型和支持向量加权分位数回归模型中凸二次规划问题求解难题，间接求出模型参数估计的最优解，得到一组稀疏性的解，即获得能源需求的支持向量加权分位数回归模型的参数估计；

步骤4)条件密度预测：在支持向量加权分位数回归模型参数估计基础上，得到响应变量条件分位数预测，然后在条件分位数预测的基础上，使用微商运算与倒数运算实现能源需求的条件密度预测。

步骤1)中，所述的支持向量分位数回归模型为：