北京市能源消费预测方法比较研究

发布时间：2017-05-03 11:15

  本文关键词：北京市能源消费预测方法比较研究，，由笔耕文化传播整理发布。

【摘要】：能源是人类生存和发展的重要物质保障。随着经济发展和人们生活的需要,人类对能源消费的需求不断增长,在全球范围内出现了能源紧缺的现象。北京是我国第二大能源消耗城市,每年消耗的能源总量在不断增长,而其自身又是一个能源资源匮乏的城市,能源对外依存度很高,由此产生的能源供需矛盾日益严重。因此做好北京市能源消费总量的预测工作具有十分重要的意义。目前学术界中有多种能源消费预测方法,不同的预测方法往往具有不同的精度和特点,然而很少有学者在研究能源消费预测时对不同的预测方法进行比较,因此如何从众多方法中挑选最合适的方法来预测北京市能源消费总量也是一个亟待解决的问题。 基于此,本文分析了北京市能源消费情况,在比较常用能源消费预测方法的基础上,选取了趋势外推法、回归分析法、时间序列法、灰色预测法、RBF神经网络法、BP神经网络法及Elman神经网络法来构建北京市能源消费总量预测模型,并选取部分年份作为检验样本进行预测精度检验。随后使用平均相对误差绝对值、均方误差和泰尔不等系数及检验样本的实际相对误差绝对值对7个单一预测模型进行拟合精度和预测精度比较,得到的结论是：BP神经网络、ARIMA(1,1,1)模型和Elman神经网络模型的拟合精度和预测精度均相对最高。考虑到组合模型所具备的优点,在比较现有组合方法的基础上,使用BP神经网络、ARIMA(1,1,1)模型和Elman神经网络模型构建了基于均方误差非最优权重组合法的组合模型一和基于最小误差平方和为目标函数最优权重线性组合法的组合模型二,并分别选取检验样本数据进行预测精度检验。在比较分析了组合模型和单一模型的整体拟合精度和效果后,得到的结论为：组合模型能够综合利用各单一模型的信息,提高预测工作中的整体精度,且能使预测精度保持在相对稳定的范围内,使得模型的拟合及预测效果具有较强的稳定性；组合模型二优于组合模型一。最后使用ARIMA(1,1,1)模型、BP神经网络模型、Elman神经网络模型和组合模型二对北京市2012-2020年能源消费总量发展趋势进行了预测。
【关键词】：北京市能源消费总量 常用预测方法 组合预测方法 预测方法比较
【学位授予单位】：北京林业大学
【学位级别】：硕士
【学位授予年份】：2013
【分类号】：F426.2;F224
【目录】：

• 摘要4-5
• ABSTRACT5-10
• 1 绪论10-18
• 1.1 研究背景及意义10-11
• 1.2 国内外能源预测方法研究综述11-15
• 1.3 研究思路、技术路线及研究内容15-17
• 1.3.1 研究思路15
• 1.3.2 技术路线15-16
• 1.3.3 研究内容16-17
• 1.4 数据来源及分析软件17
• 1.5 本章小节17-18
• 2 北京市能源消费状况分析18-25
• 2.1 北京市能源消费总量情况分析18-19
• 2.2 北京市各产业能源消费情况分析19-20
• 2.3 北京市主要能源品种消费情况分析20-24
• 2.3.1 煤炭消费分析20-21
• 2.3.2 电力消费分析21-22
• 2.3.3 天然气消费分析22-23
• 2.3.4 各类油制品消费分析23-24
• 2.4 本章小节24-25
• 3 能源消费预测方法比较和选择25-31
• 3.1 能源消费预测方法的比较25-29
• 3.2 北京市能源消费总量预测方法的选择29-30
• 3.3 本章小节30-31
• 4 北京市能源消费总量单一预测模型的建模与比较31-57
• 4.1 能源消费总量概念界定31
• 4.2 北京市能源消费总量趋势外推模型建模分析31-34
• 4.2.1 样本数据及模型表达式的选取31-32
• 4.2.2 北京市能源消费总量趋势外推模型的确定32-34
• 4.2.3 北京市能源消费总量趋势外推模型拟合精度分析34
• 4.3 北京市能源消费总量回归分析模型建模分析34-38
• 4.3.1 变量选取与模型建立34-35
• 4.3.2 参数检验与模型修正35-37
• 4.3.3 北京市能源消费总量多元回归模型的确定37
• 4.3.4 北京市能源消费总量多元回归模型拟合精度分析37-38
• 4.4 北京市能源消费总量随机时间序列模型建模分析38-42
• 4.4.1 单位根检验和白噪声检验38-40
• 4.4.2 北京市能源消费总量随机时间序列模型确定40-41
• 4.4.3 北京市能源消费总量ARIMA(1,1,1)模型拟合精度分析41-42
• 4.5 北京市能源消费总量GM(1,1)模型建模分析42-47
• 4.5.1 样本数据选取42-43
• 4.5.2 模型拟合及参数检验43-46
• 4.5.3 模型修正及样本数据修正46
• 4.5.4 北京市能源消费总量GM(1,1)模型的确定46-47
• 4.5.5 北京市能源消费总量GM(1,1)模型拟合精度分析47
• 4.6 北京市能源消费总量RBF神经网络法建模分析47-49
• 4.6.1 北京市能源消费总量RBF神经网络模型构建47-49
• 4.6.2 北京市能源消费总量RBF神经网络模型拟合精度分析49
• 4.7 北京市能源消费总量BP神经网络法建模分析49-52
• 4.7.1 北京市能源消费总量BP神经网络模型构建49-51
• 4.7.2 北京市能源消费总量BP神经网络模型拟合精度分析51-52
• 4.8 北京市能源消费总量ELMAN神经网络法建模分析52-53
• 4.8.1 北京市能源消费总量Elman神经网络模型构建52
• 4.8.2 北京市能源消费总量Elman神经网络模型拟合精度分析52-53
• 4.9 北京市能源消费总量单一预测模型精度比较分析53-56
• 4.9.1 常用精度评价指标介绍和比较53-54
• 4.9.2 北京市能源消费总量单一模型拟合精度比较分析54-55
• 4.9.3 北京市能源消费总量单一模型预测样本精度比较分析55-56
• 4.10 本章小节56-57
• 5 北京市能源消费总量组合预测模型的建模与比较57-65
• 5.1 常用构建组合模型方法的比较与选择57-58
• 5.1.1 常用构建组合模型方法的比较57
• 5.1.2 北京市能源消费总量组合预测模型的方法选择57-58
• 5.2 北京市能源消费总量组合模型一的建模分析与拟合精度分析58-60
• 5.2.1 北京市能源消费总量组合模型一的建模分析58-59
• 5.2.2 北京市能源消费总量组合模型一的拟合精度和预测样本精度分析59-60
• 5.3 北京市能源消费总量组合模型二的建模分析与拟合精度分析60-62
• 5.3.1 北京市能源消费总量组合模型二的建模分析60-61
• 5.3.2 北京市能源消费总量组合模型二的拟合精度和预测样本精度分析61-62
• 5.4 组合模型与单一预测模型的对比分析62-63
• 5.5 本章小节63-65
• 6 北京市能源消费总量预测分析65-67
• 7 结论与展望67-69
• 7.1 结论67
• 7.2 展望67-69
• 参考文献69-71
• 个人简介71-72
• 导师简介72-73
• 获得成果目录清单73-74
• 致谢74

【参考文献】

中国期刊全文数据库 前10条

1 周仲礼,冯文新,龚灏,雍自权,刘树根;基于小波神经网络模型的中国能耗预测[J];成都理工大学学报(自然科学版);2005年05期

2 杨波;赵遵廉;陈允平;韩启业;;基于小波变换的边际电价神经网络预测新模型[J];电力系统自动化;2007年12期

3 顾洁;应用小波分析进行短期负荷预测[J];电力系统及其自动化学报;2003年02期

4 徐军华,刘天琪;基于小波分解和人工神经网络的短期负荷预测[J];电网技术;2004年08期

5 冯述虎,侯运炳;基于时序分析与神经网络的能源产量预测模型[J];辽宁工程技术大学学报;2003年02期

6 许荣胜;基于灰色系统理论的我国石油消费需求预测研究[J];国际石油经济;2005年04期

7 梁巧梅,魏一鸣,范英,Norio Okada;中国能源需求和能源强度预测的情景分析模型及其应用[J];管理学报;2004年01期

8 李泓泽;郭森;王宝;;北京市能源消费与生产的灰色关联分析及能源需求预测[J];能源技术经济;2012年05期

9 李博;靳取;;三种能源需求预测方法的比较分析——以四川省为例[J];吉林工商学院学报;2009年01期

10 刘勇;汪旭晖;;ARIMA模型在我国能源消费预测中的应用[J];经济经纬;2007年05期

中国硕士学位论文全文数据库 前2条

1 孙群;全国能源需求问题预测的若干方法及其比较[D];安徽大学;2010年

2 任丽娜;基于Elman神经网络的中期电力负荷预测模型研究[D];兰州理工大学;2007年

  本文关键词：北京市能源消费预测方法比较研究，由笔耕文化传播整理发布。

本文编号：342922