一种能源需求条件密度预测方法
【专利摘要】一种能源需求条件密度预测方法。其包括建立支持向量分位数回归模型；建立能源需求的支持向量加权分位数回归模型；模型参数估计;条件密度预测等步骤。本发明结合了支持向量机非线性处理能力与分位数回归对条件分布特征完整描述能力两个方面的优势，建立了能源需求预测的支持向量分位数回归模型，一方面通过支持向量机将低维空间中能源系统中非线性结构映射到高维空间，转换为线性结构，简化建模复杂性；另一方面，通过分位数回归刻画能源需求整个条件分布的变动规律，提供更多有用信息；使用非参数核密度估计技术，建立了能源需求预测的条件密度预测方法，实现能源需求整个条件分布特征的完整预测。
【专利说明】一种能源需求条件密度预测方法
【技术领域】
[0001] 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】
[0002] 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。
[0003] 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。
[0004] 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】
[0005] 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。
[0006] 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：
[0007] 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：
[0008] 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；
[0009] 步骤2)建立能源需求的支持向量加权分位数回归模型：
[0010] 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；
[0011] 步骤3)模型参数估计：基于拉格朗日对偶方法以及ΚΚΤ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；
[0012] 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。
[0013] 步骤1)中，所述的支持向量分位数回归模型为：
[0014]
【权利要求】
1. 一种能源需求条件密度预测方法，其特征在于：所述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 =〇)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ΚΚΤ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。
2. 根据权利要求1所述的能源需求条件密度预测方法，其特征在于：步骤1)中，所述 的支持向量分位数回归模型为：
(1)
(2) 。
3. 根据权利要求1所述的能源需求条件密度预测方法，其特征在于：在步骤2)中，所 述的支持向量加权分位数回归模型为：
0) 式中，{知丨^为τ分位点下的权重函数；权重函数为：
(4) 式中，Υ τ是在τ分位点下控制权重上升速率的参数；qTt是一个由远及近递增的权重 函数。
4. 根据权利要求1所述的能源需求条件密度预测方法，其特征在于：在步骤3)中，所 述的模型参数估计的最优解的具体求解方法如下： 步骤3.1)首先需要构造如下的拉格朗日函数L,: (5) 式中，不同分位点下的拉格朗日乘子. .= 1.2.…Γ); 步骤3.2)然后对函数1^中的《"1^，€,，€依次求偏导并令其等于0，得到：
(6) 将式（6)代入式（5)中，支持向量加权分位数回归模型等价于如下形式：
(7) (8) 由式⑵、式⑶求出不同分位点下的最优解》. = (ατ1,?ι2…和
步骤3. 3)同样地，由ΚΚΤ互补条件，得到不同分位点下的支持向量 下标集L=p = l-2.…r|o<?"<rc.o<<<(i-f)c}，进一步计算出阈值
Tjxve I卜、，
'其中 I I T，svl 为 I T，sv指标集的基，由此完成整个SVWQR模型的参数估计。
5.根据权利要求1所述的能源需求条件密度预测方法，其特征在于：在步骤4)中，所 述的实现能源需求的条件密度预测的具体方法为： 步骤4. 1)由SVQR或SVWQR模型，得到条件分位数预测为：
(9) 步骤4. 2)在得到条件分位数预测之后，通过微商运算与倒数运算实现条件密度预测：
(10) 式中，h为最优窗宽；P (Qτ (YIX ; θ ( τ )))为能源需求Y在给定影响因素 X时的条件密 度函数。
【文档编号】G06F19/00GK104217105SQ201410414864
【公开日】2014年12月17日 申请日期:2014年8月21日 优先权日:2014年8月21日
【发明者】刘树勇, 李娜, 许启发, 王磊, 穆健, 蒋翠侠, 何耀耀 申请人:国家电网公司, 国网天津市电力公司