本發(fā)明涉及能源技術領域，尤其涉及一種終端能源消耗量預測方法及裝置。

背景技術：

隨著經(jīng)濟社會發(fā)展，電力需求與終端一次化石能源短缺的矛盾日益突出，針對電能便捷、安全、清潔、高效等特點和優(yōu)勢，積極推進“以電代煤、以電代油、電從遠方來”為核心內(nèi)容的電能替代工作，著力提高電能在終端能源消費中的比重，盡最大限度減少終端化石能源的燃燒排放已成為我國迫切需要解決的問題。

客觀來看，所有的一次能源都可以轉換為電能，電能相對于煤炭、石油、天然氣等能源具有更加便捷、安全和清潔的優(yōu)勢，而且可以較為方便地轉換為機械能、熱能等其它形式的能源，并實現(xiàn)精密控制。電能的這些特性使其在現(xiàn)代經(jīng)濟社會中得到廣泛應用，電氣化已經(jīng)成為現(xiàn)代化的重要標志之一。隨著能源價格比對關系逐步趨于合理，石油、天然氣價格將不斷上漲，電能在終端能源消費市場的競爭力會進一步增強，將使電能替代項目具有更加顯著的經(jīng)濟效益。而對未來電能與終端能源的預測與分析能夠為電能替代工作提供數(shù)據(jù)理論依據(jù)，以指導未來工作的推進。

技術實現(xiàn)要素：

有鑒于此，本發(fā)明提供了一種終端能源消耗量預測方法及裝置，用以實現(xiàn)對未來電能消耗量和能源消耗總量的預測，其技術方案如下：

一種終端能源消耗量預測方法，所述方法包括：

獲取目標能源消耗量數(shù)據(jù)；

利用所述目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值；

利用所述目標能源消耗量數(shù)據(jù)分別采用灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對所述目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值，以及，電能消耗量第三預測值及能源消耗總量第三預測值；

通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值；

基于所述電能消耗量第一預測值及能源消耗總量第一預測值、所述電能消耗量第二預測值及能源消耗總量第二預測值、所述電能消耗量第三預測值及能源消耗總量第三預測值以及所述虛擬預測值構建交叉熵模型，并通過所述交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值。

其中，所述利用所述目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值，包括：

通過所述目標能源消耗量數(shù)據(jù)中的電能消耗量計算電能消耗增長率；

利用所述目標能源消耗量數(shù)據(jù)中的電能消耗量以及終端能源消耗總量計算電能替代量；

通過所述電能消耗增長率和所述電能替代量預測所述目標年度的電能消耗量及能源消耗總量，獲得所述電能消耗量第一預測值及能源消耗總量第一預測值。

其中，所述利用所述目標能源消耗量數(shù)據(jù)采用灰色模型結合小波神經(jīng)網(wǎng)絡模型對所述目標年度的電能消耗量及能源消耗總量進行預測，獲得所述電能消耗量第二預測值及能源消耗總量第二預測值，包括：

采用所述灰色模型計算所述目標能源消耗量數(shù)據(jù)的擬合值；

基于所述目標能源消耗量數(shù)據(jù)與所述擬合值計算殘差值；

采用所述小波網(wǎng)絡模型對所述殘差值進行訓練，獲得訓練結果；

通過所述擬合值以及所述訓練結果確定所述電能消耗量第二預測值及能源消耗總量第二預測值；

所述利用所述目標能源消耗量數(shù)據(jù)采用非線性回歸模型對所述目標年度的電能消耗量及能源消耗總量進行預測，獲得所述電能消耗量第三預測值及能源消耗總量第三預測值，包括：

利用所述目標能源消耗量數(shù)據(jù)建立非線性回歸模型；

將所述非線性回歸模型轉化為線性模型；

估計所述線性模型的參數(shù)，并通過所述參數(shù)建立終端能源消耗量預測方程；

通過所述終端能源消耗量預測方程確定所述電能消耗量第三預測值及能源消耗總量第三預測值。

其中，所述基于所述電能消耗量第一預測值及能源消耗總量第一預測值、所述電能消耗量第二預測值及能源消耗總量第二預測值、所述電能消耗量第三預測值及能源消耗總量第三預測值以及所述虛擬預測值構建交叉熵模型，并通過所述交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值，包括：

基于所述電能消耗量第一預測值、所述電能消耗量第二預測值和所述電能消耗量第三預測值及所述虛擬預測值構建電能消耗量的交叉熵模型，并通過所述能源消耗總量第一預測值、所述能源消耗總量第二預測值、所述能源消耗總量第三預測值以及所述虛擬預測值構建能源消耗總量的交叉熵模型；

通過所述電能消耗量的交叉熵模型確定電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)，并通過所述能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)；

通過所述電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定所述目標電能消耗量預測值，并通過所述能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定所述目標能源消耗總量預測值。

所述的終端能源消耗量預測方法還包括：

基于所述目標電能消耗量預測值以及目標能源消耗總量預測值確定所述目標年度的電能替代量和電能潛力指數(shù)。

一種終端能源消耗量預測裝置，所述裝置包括：

獲取模塊，用于獲取目標能源消耗量數(shù)據(jù)；

第一預測模塊，用于利用所述目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值；

第二預測模塊，用于利用所述目標能源消耗量數(shù)據(jù)分別采用灰色模型結合小波神經(jīng)網(wǎng)絡模型對所述目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值；

第三預測模塊，用于利用非線性回歸模型對所述目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第三預測值及能源消耗總量第三預測值；

第四預測模塊，用于通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值；

目標預測值確定模塊，用于基于所述電能消耗量第一預測值及能源消耗總量第一預測值、所述電能消耗量第二預測值及能源消耗總量第二預測值、所述電能消耗量第三預測值及能源消耗總量第三預測值以及所述虛擬預測值構建交叉熵模型，并通過所述交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值。

其中，所述第一預測模塊包括，包括：

電能消耗增長率計算子模塊，用于通過所述目標能源消耗量數(shù)據(jù)中的電能消耗量計算電能消耗增長率；

電能替代量計算子模塊，用于利用所述目標能源消耗量數(shù)據(jù)中的電能消耗量以及終端能源消耗總量計算電能替代量；

第一預測子模塊，用于通過所述電能消耗增長率和所述電能替代量預測所述目標年度的電能消耗量及能源消耗總量，獲得所述電能消耗量第一預測值及能源消耗總量第一預測值。

其中，所述第二預測模塊，包括：

擬合值計算子模塊，用于采用所述灰色模型計算所述目標能源消耗量數(shù)據(jù)的擬合值；

殘差值計算子模塊，用于基于所述目標能源消耗量數(shù)據(jù)與所述擬合值計算殘差值；

訓練子模塊，用于采用所述小波網(wǎng)絡模型對所述殘差值進行訓練，獲得訓練結果；

第二預測子模塊，用于通過所述擬合值以及所述訓練結果確定所述電能消耗量第二預測值及能源消耗總量第二預測值；

所述第三預測模塊，包括：

非線性模型建立子模塊，用于利用所述目標能源消耗量數(shù)據(jù)建立非線性回歸模型；

模型轉換子模塊，用于將所述非線性回歸模型轉化為線性模；

預測方程建立子模塊，用于估計所述線性模型的參數(shù)，并通過所述參數(shù)建立終端能源消耗量預測方程；

第三預測子模塊，用于通過所述終端能源消耗量預測方程確定所述電能消耗量第三預測值及能源消耗總量第三預測值。

其中，所述目標預測值確定模塊，包括：

交叉熵模型建立子模塊，用于基于所述電能消耗量第一預測值、所述電能消耗量第二預測值和所述電能消耗量第三預測值及所述虛擬預測值構建電能消耗量的交叉熵模型，并通過所述能源消耗總量第一預測值、所述能源消耗總量第二預測值、所述能源消耗總量第三預測值以及所述虛擬預測值構建能源消耗總量的交叉熵模型；

第一確定子模塊，用于通過所述電能消耗量的交叉熵模型確定電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)，并通過能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)；

第二確定子模塊，用于通過所述電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定所述目標電能消耗量預測值，并通過所述能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定所述目標能源消耗總量預測值。

所述的終端能源消耗量預測裝置還包括：

評價指標確定模塊，用于基于所述目標電能消耗量預測值以及目標能源消耗總量預測值確定所述目標年度的電能替代量和電能潛力指數(shù)。

上述技術方案具有如下有益效果：

本發(fā)明提供的終端能源消耗量預測方法及裝置，可利用能源消耗量數(shù)據(jù)分別采用電能替代量預測模型、灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的終端能源消耗量進行預測，并基于各個預測結果利用交叉熵模型來確定最終的預測值，即本發(fā)明可實現(xiàn)對目標年度終端能源消耗量(電能消耗量和能源消耗總量)的準確預測，預測數(shù)據(jù)能夠為電能替代工作提供數(shù)據(jù)理論依據(jù)，以指導未來工作的推進。

附圖說明

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)提供的附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的終端能源消耗量預測方法的一流程示意圖；

圖2為本發(fā)明實施例提供的終端能源消耗量預測方法的另一流程示意圖；

圖3為本發(fā)明實施例提供的終端能源消耗量預測方法中，利用目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測的實現(xiàn)方式的流程示意圖；

圖4為本發(fā)明實施例提供的終端能源消耗量預測方法中，利用目標能源消耗量數(shù)據(jù)采用灰色模型結合小波神經(jīng)網(wǎng)絡模型對目標年度的電能消耗量及能源消耗總量進行預測的實現(xiàn)方式的流程示意圖；

圖5為本發(fā)明實施例提供的終端能源消耗量預測方法中，利用目標能源消耗量數(shù)據(jù)采用非線性回歸模型對目標年度的電能消耗量及能源消耗總量進行預測的實現(xiàn)方式的流程示意圖；

圖6為本發(fā)明實施例提供的終端能源消耗量預測方法中，基于電能消耗量第一預測值及能源消耗總量第一預測值、電能消耗量第二預測值及能源消耗總量第二預測值、電能消耗量第三預測值及能源消耗總量第三預測值以及虛擬預測值構建交叉熵模型，并通過交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值的實現(xiàn)方式的流程示意圖；

圖7為本發(fā)明實施例提供的終端能源消耗量預測裝置的結構示意圖。

具體實施方式

下面將結合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領域普通技術人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實施例，都屬于本發(fā)明保護的范圍。

本發(fā)明實施例提供了一種終端能源消耗量預測方法，請參閱圖1，示出了該方法的流程示意圖，可以包括：

步驟S101：獲取目標能源消耗量數(shù)據(jù)。

步驟S102：利用目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值。

步驟S103：利用目標能源消耗量數(shù)據(jù)分別采用灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值，以及，電能消耗量第三預測值及能源消耗總量第三預測值。

步驟S104：通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值。

步驟S105：基于電能消耗量第一預測值及能源消耗總量第一預測值、電能消耗量第二預測值及能源消耗總量第二預測值、電能消耗量第三預測值及能源消耗總量第三預測值以及虛擬預測值構建交叉熵模型，并通過交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值。

本發(fā)明實施例提供的終端能源消耗量預測方法，可利用能源消耗量數(shù)據(jù)分別采用電能替代量預測模型、灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的終端能源消耗量進行預測，并基于各個預測結果利用交叉熵模型來確定最終的預測值，即本發(fā)明實施例可實現(xiàn)對目標年度終端能源消耗量(電能消耗量和能源消耗總量)的準確預測，預測數(shù)據(jù)能夠為電能替代工作提供數(shù)據(jù)理論依據(jù)，以指導未來工作的推進。

請參閱圖2，示出了本發(fā)明實施例提供的終端能源消耗量預測方法的另一流程示意圖，該方法可以包括：

步驟S201：獲取目標能源消耗量數(shù)據(jù)。

步驟S202：利用目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值。

步驟S203：利用目標能源消耗量數(shù)據(jù)分別采用灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值，以及，電能消耗量第三預測值及能源消耗總量第三預測值。

步驟S204：通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值。

步驟S205：基于電能消耗量第一預測值及能源消耗總量第一預測值、電能消耗量第二預測值及能源消耗總量第二預測值、電能消耗量第三預測值及能源消耗總量第三預測值以及虛擬預測值構建交叉熵模型，并通過交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值。

步驟S206：基于目標電能消耗量預測值以及目標能源消耗總量預測值確定目標年度的電能替代量和電能潛力指數(shù)。

本發(fā)明實施例提供的終端能源消耗量預測方法，可利用能源消耗量數(shù)據(jù)分別采用電能替代量預測模型、灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的終端能源消耗量進行預測，并基于各個預測結果利用交叉熵模型來確定最終的預測值，還可基于最終的預測值確定預測年度的電能替代量和電能潛力指數(shù)。即本發(fā)明實施例不但可實現(xiàn)對目標年度終端能源消耗量(電能消耗量和能源消耗總量)的準確預測，還可基于預測數(shù)據(jù)對電能替代潛力進行量化評價，這些數(shù)據(jù)能夠為電能替代工作提供數(shù)據(jù)理論依據(jù)，以指導未來工作的推進。

在上述任一實施例提供的終端能源消耗量預測方法中，電能替代量預測模型假定預測年度電能消耗量在與前一年增長率一致的前提下，保持前一年的電能替代量，請參閱圖3，示出了利用目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值的實現(xiàn)方式的流程示意圖，可以包括：

步驟S301：通過目標能源消耗量數(shù)據(jù)中的電能消耗量計算電能消耗增長率。

具體的，第t年的電能消耗增長率k_e,t通過下式計算：

$k_{e,t}=\frac{Y_{e,t}-Y_{e,t-1}}{Y_{e,t}}\×100\%$

其中，Y_e,t為第t年電能消耗量。

步驟S302：利用目標能源消耗量數(shù)據(jù)中的電能消耗量以及終端能源消耗總量計算電能替代量。

本發(fā)明定義電能替代量為ε_e,t，其表示電能占終端能源消耗比重不變的前提下，相較前一年的電能增加消耗量。具體的，電能替代量為ε_e,t可利用下式(1)計算電能替代量：

${\mathrm{\ϵ}}_{e,t}=Y_{e,t}-\frac{Y_{e,t-1}}{Y_{t-1}}\·Y_t---\left(1\right)$

其中，Y_t為第t年終端能源消耗總量，Y_t-1為第t-1年終端能源消耗總量，Y_e,t為第t年的終端電能消耗量，Y_e,t-1為第t-1年的終端電能消耗量。

步驟S303：通過電能消耗增長率和電能替代量預測目標年度的電能消耗量和能源消耗總量，獲得電能消耗量第一預測值及能源消耗總量第一預測值。

具體的，第t+1年終端電能消耗量通過下式(2)計算：

${\hat{Y}}_{e,t+1}=(1+k_{e,t})\·Y_{e,t}+{\mathrm{\ϵ}}_{e,t}---\left(2\right)$

通過電能替代量預測模型得到的終端電能消耗量第一預測值Y_{1_e,t}以及終端能源消耗總量第一預測值Y_{1_t}。

在上述任一實施例提供的終端能源消耗量預測方法中，采用灰色結合小波神經(jīng)網(wǎng)絡組合模型、非線性回歸模型兩種預測方法分別對終端電能消耗量及終端能源消耗總量進行預測。考慮到灰色模型對能源消耗量的預測值較實際值誤差較大，本發(fā)明采用灰色模型結合小波神經(jīng)網(wǎng)絡模型的組合模型，通過小波神經(jīng)網(wǎng)絡對灰色模型得出的預測殘差值進行修正，以提高預測的準確性。請參閱圖4，示出了上述實施例提供的終端能源消耗量預測方法中，利用目標能源消耗量數(shù)據(jù)采用灰色模型結合小波神經(jīng)網(wǎng)絡模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值的實現(xiàn)方式的流程示意圖，包括：

步驟S401：采用灰色模型計算目標能源消耗量數(shù)據(jù)的擬合值。

假設目標能源消耗量數(shù)據(jù)序列為y⁽⁰⁾(t)，則通過灰色GM(1,1)模型計算得出擬合值

步驟S402：基于目標能源消耗量數(shù)據(jù)與擬合值計算殘差值。

將目標能源消耗量數(shù)據(jù)序列y⁽⁰⁾(t)與擬合值作差，獲得時刻t的殘差序列，記作e(t)，即：

$e\left(t\right)=y^{\left(0\right)}\left(t\right)-{\hat{y}}^{\left(0\right)}\left(t\right)---\left(3\right)$

步驟S403：采用小波神經(jīng)網(wǎng)絡模型對殘差值進行訓練，獲得訓練結果。

采用小波神經(jīng)網(wǎng)絡模型對殘差序列e(t)進行訓練得到訓練結果

步驟S404：通過擬合值以及訓練結果確定電能消耗量第二預測值及能源消耗總量第二預測值。

具體的，通過采用灰色GM(1,1)模型計算出的擬合值與采用小波神經(jīng)網(wǎng)絡模型對殘差序列進行訓練得到的訓練結果確定預測值

${\hat{Y}}^{\left(0\right)}\left(t\right)={\hat{y}}^{\left(0\right)}\left(t\right)+\hat{e}\left(t\right)---\left(4\right)$

通過灰色模型結合小波神經(jīng)網(wǎng)絡模型得到終端電能消耗量第二預測值Y_{2_e,t}以及終端能源消耗總量第二預測值Y_{2_t}。

由于終端能源消耗增長趨勢并不是簡單地線性回歸，而呈現(xiàn)出非線性增長特征，因此，可通過非線性回歸模型對終端能源消耗量進行預測。請參閱圖5，示出了上述任一實施例提供的終端能源消耗量預測方法中，利用目標能源消耗量數(shù)據(jù)采用非線性回歸模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第三預測值及能源消耗總量第三預測值的實現(xiàn)方式的流程示意圖，該方法可以包括：

步驟S501：利用目標能源消耗量數(shù)據(jù)建立非線性回歸模型。

設終端目標能源消耗量數(shù)據(jù)序列為Y_t(t＝1，2，…，T)，建立非線性回歸方程如下：

Y_t＝a+bt+ct²+u_t，a,b,c＞0 (5)

其中a、b、c為模型參數(shù)，u_t為隨機誤差項。

步驟S502：將非線性回歸模型轉化為線性模型。

令t₁＝t，t₂＝t²，從而得到線性模型：

Y＝a+bt₁+ct₂+u (6)

步驟S503：估計線性模型的參數(shù)，并通過參數(shù)建立終端能源消耗量預測方程。

利用最小二乘法對模型參數(shù)進行估計，得到參數(shù)估計值進而確定終端能源消耗量預測方程為：

${\hat{Y}}_t=\hat{a}+\hat{b}t+\hat{c}{t}^2---\left(7\right)$

步驟S504：通過終端能源消耗量預測方程確定電能消耗量第三預測值及能源消耗總量第三預測值。

將終端電能消耗量第三預測值記為Y_{3_e,t}，將終端能源消耗總量記為Y_{3_t}。

在上述實施例中，通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值。具體的，根據(jù)GDP、人口等影響因素與終端能源消耗的變化情況將歷史年度分為A、B、C、D四個類別，例如：經(jīng)濟快速增長，電氣化水平明顯提高的年份可劃分為A類；經(jīng)濟穩(wěn)步增長，電氣化水平穩(wěn)速提高的年份可劃分為B類；經(jīng)濟發(fā)展穩(wěn)定，電氣化水平無明顯提高的年份可劃分為C類；經(jīng)濟出現(xiàn)下滑，電氣化水平停滯乃至下降的年份可劃分為D類，其中，每個類別中終端各能源消耗占比與增長情況均相似。

假設X類中含有M_X個歷史年度，得到M_X個終端能源增長量{k_{X_m}}(X＝A，B，C，D)(m＝1，2，…，M_X)。

選擇與預測年度經(jīng)濟發(fā)展、GDP和人口增長速率相近的年度類別X，得到該類別M_X個終端能源增長量{k_{X_m}}(m＝1，2，…，M_X)，Y_{X_m，t}作為該預測年度的虛擬預測值：

Y_{X_m，t}＝(1+k_{X_m})·Y_t-1，(m＝1，2，…，M_X) (8)

請參閱圖6，示出了上述任一實施例提供的終端能源消耗量預測方法中，基于電能消耗量第一預測值及能源消耗總量第一預測值、電能消耗量第二預測值及能源消耗總量第二預測值、電能消耗量第三預測值及能源消耗總量第三預測值以及虛擬預測值構建交叉熵模型，并通過交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值，包括：

步驟S601：基于電能消耗量第一預測值、電能消耗量第二預測值和電能消耗量第三預測值及虛擬預測值構建電能消耗量的交叉熵模型，并通過能源消耗總量第一預測值、能源消耗總量第二預測值、能源消耗總量第三預測值以及虛擬預測值構建能源消耗總量的交叉熵模型。

步驟S602：通過電能消耗量的交叉熵模型確定電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)，并通過能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)。

需要說明的是，構建電能消耗量的交叉熵模型并通過電能消耗量的交叉熵模型確定電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)的過程與構建能源消耗總量的交叉熵模型，并基于能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)的過程基本相同，本實施例以構建能源消耗總量的交叉熵模型，并基于能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)的過程為例進行詳細說明：

(1)定義終端能源消耗總量概率密度函數(shù)：

假設第t年的終端能源消耗總量滿足正態(tài)分布，f_n(x)為與第n個預測模型對應的第t年度的終端能源消耗總量概率密度函數(shù)，它滿足正態(tài)分布：

$f_n\left(x\right)=\frac{1}{\sqrt{2\mathrm{\π}}\mathrm{\σ}}{e}^{-{(x-{\mathrm{\μ}}_n)}^2/\left(2{{\mathrm{\σ}}_n}^2\right)}---\left(9\right)$

其中，μ_n為平均值，σ_n為方差，n＝1，2，…，3。

對于通過第n個預測模型得到的終端能源消耗總量預測值Y_{n_t}可作為與第n個預測模型對應的終端能源消耗總量概率分布的均值μ_n，即令μ_n＝Y_{n_t}?；谀繕四甓鹊奶摂M預測值可計算與第n個預測模型對應的終端能源消耗總量概率分布的樣本方差σ_{n t}:

${\mathrm{\σ}}_{n\_t}=\frac{1}{M_X}\underset{m=1}{\overset{M_X}{\mathrm{\Σ}}}{(Y_{X\_m,t}-Y_{n\_t})}^2---\left(10\right)$

設f(x)為采用灰色結合小波神經(jīng)網(wǎng)絡組合模型和非線性回歸模型通過交叉熵對電能替代量預測模型修正后的終端能源消耗總量概率分布密度函數(shù)，滿足：

$\underset{n=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_n=1---\left(11\right)$

$f\left(x\right)=\underset{n=1}{\overset{N}{\Σ}}{\mathrm{\ω}}_n{f}_n\left(x\right)---\left(12\right)$

其中N＝3，ω_n為與第n個預測模型對應的概率密度函數(shù)的權重系數(shù)。

(2)建立支持向量，確定交叉熵目標函數(shù)：

建立支持向量S：S＝[S₁，S₂，…，S_N]

S_n＝D[f(x)||f_n(x)]＝∫f(x)ln[f(x)/f_n(x)]dx

s.t.∫f(x)y(x)dx＝E[y(x)] (13)

∫f(x)dx＝1

其中，y(x)為終端能源消耗總量函數(shù)，根據(jù)該概率密度函數(shù)所求的t年度終端能源消耗總量即為y(x)取值為x時的數(shù)學期望。

$A_n=S_n/\underset{n=1}{\overset{N}{\Σ}}S---\left(14\right)$

${\mathrm{\ω}}_n=\frac{1/A_n}{\underset{n=1}{\overset{N}{\Σ}}1/A_n}=\frac{1}{1+\underset{n=1,i\≠n}{\overset{N}{\Σ}}{A}_n/A_i}---\left(15\right)$

建立最小交叉熵優(yōu)化問題的目標函數(shù)：

(3)求解最小交叉熵優(yōu)化問題:

目標函數(shù)F是關于權重系數(shù)ω_n的函數(shù)，采用DFP算法求解其最優(yōu)化問題，具體包括：

首先，將目標函數(shù)F做2次近似泰勒展開：

$F\left(\mathrm{\ω}\right)=F\left({\mathrm{\ω}}_0\right)+{(\mathrm{\ω}-{\mathrm{\ω}}_0)}^T\frac{\∂L}{\∂\mathrm{\ω}}+{(\mathrm{\ω}-{\mathrm{\ω}}_0)}^T/2A(\mathrm{\ω}-{\mathrm{\ω}}_0)---\left(17\right)$

式中，ω為權重系數(shù)矩陣，ω₀為初始權重系數(shù)矩陣，A為海森矩陣，由2階偏導組成的對稱矩陣。

其次，對上式求微分，得到ω的梯度向量:

$G\left(\mathrm{\ω}\right)=\frac{\∂F\left(\mathrm{\ω}\right)}{\∂\mathrm{\ω}}+\frac{1}{2}(A+A^T)(\mathrm{\ω}-{\mathrm{\ω}}_0)---\left(18\right)$

建立各次搜索方法D_i與對應的梯度向量G的關系：

D_i＝-H_iG_i (19)

H_i是一個對稱正定矩陣，初始矩陣H₀為單位矩陣

H_i+1＝H_i+B_i+C_i (20)

$B_i=\frac{{\mathrm{\σ}}_i{{\mathrm{\σ}}_i}^T}{{{\mathrm{\σ}}_i}^T{z}_i}---\left(21\right)$

$C_i=\frac{-\left(H_i{z}_i\right){\left(H_i{z}_i\right)}^T}{{z_i}^T{H}_i{z}_i}---\left(22\right)$

σ_i＝ω_i+1-ω_i (23)

z_i＝G_i+1-G_i (24)

對上述步驟進行迭代，直至搜索到極小值；

上述步驟給出了建立終端能源消耗總量的交叉熵模型，并通過交叉熵模型確定終端能源消耗總量的權重系數(shù)矩陣ω、概率密度函數(shù)f(x)和終端能源消耗總量函數(shù)y(x)的過程，而對于終端電能消耗量而言，采用同樣的方法建立交叉熵模型，并通過交叉熵模型確定終端電能消耗量的權重系數(shù)矩陣ω_e、概率密度函數(shù)f_e(x)和終端能源消耗總量函數(shù)y_e(x)。

步驟S603：通過電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定目標電能消耗量預測值，并通過能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定目標能源消耗總量預測值。

由上述步驟權重系數(shù)矩陣ω與ω_e和概率密度函數(shù)f(x)與f_e(x)計算得到消耗量函數(shù)y(x)與y_e(x)，從而得到標能源消耗總量預測值與目標電能消耗量預測值

${\hat{Y}}_t=E\[y\left(x\right)\]---\left(25\right)$

${\hat{Y}}_{e,t}=E\[y_e\left(x\right)\]---\left(26\right)$

在確定出目標電能消耗量預測值和目標能源消耗總量預測值之后，可基于目標電能消耗量預測值和目標能源消耗總量預測值確定目標年度的電能替代量和電能潛力指數(shù)。

具體的，電能潛力指數(shù)采用三角模融合算子，將電能消耗增長率與電能占終端能源消耗比重進行融合，具體表達式為：

${\mathrm{\ϵ}}_{e,t}=\frac{{\hat{Y}}_{e,t}}{{\hat{Y}}_t}---\left(27\right)$

$k_{e,t}=\frac{{\hat{Y}}_{e,t}-{\hat{Y}}_{e,t-1}}{{\hat{Y}}_{e,t-1}}---\left(28\right)$

${\mathrm{\γ}}_t=\frac{{\mathrm{\ϵ}}_{e,t}\·k_{e,t}}{1-{\mathrm{\ϵ}}_{e,t}-k_{e,t}+2{\mathrm{\ϵ}}_{e,t}\·k_{e,t}}---\left(29\right)$

其中，ε_e,t為第t年電能占終端能源消耗比重，為第t年電能消耗預測值，為第t年終端能源總消耗預測值，k_e,t為第t年電能消耗增長率，γ_t為第t年的電能潛力指數(shù)。

與上述方法相對應，本發(fā)明實施例還提供了一種終端能源消耗量預測裝置，請參閱圖7，示出了該裝置的結構示意圖，可以包括：獲取模塊701、第一預測模塊702、第二預測模塊703、第三預測模塊704、第四預測模塊705和目標預測值確定模塊706。其中：

獲取模塊701，用于獲取目標能源消耗量數(shù)據(jù)。

第一預測模塊702，用于利用目標能源消耗量數(shù)據(jù)采用電能替代量預測模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第一預測值及能源消耗總量第一預測值。

第二預測模塊703，用于利用目標能源消耗量數(shù)據(jù)分別采用灰色模型結合小波神經(jīng)網(wǎng)絡模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第二預測值及能源消耗總量第二預測值。

第三預測模塊704，用于利用非線性回歸模型對目標年度的電能消耗量及能源消耗總量進行預測，獲得電能消耗量第三預測值及能源消耗總量第三預測值。

第四預測模塊705，用于通過目標歷史年度的終端能源增長量確定目標年度的虛擬預測值。

目標預測值確定模塊706，用于基于電能消耗量第一預測值及能源消耗總量第一預測值、電能消耗量第二預測值及能源消耗總量第二預測值、電能消耗量第三預測值及能源消耗總量第三預測值以及虛擬預測值構建交叉熵模型，并通過交叉熵模型確定目標電能消耗量預測值以及目標能源消耗總量預測值。

本發(fā)明實施例提供的終端能源消耗量預測裝置，可利用能源消耗量數(shù)據(jù)分別采用電能替代量預測模型、灰色模型結合小波神經(jīng)網(wǎng)絡模型、非線性回歸模型對目標年度的終端能源消耗量進行預測，并基于各個預測結果利用交叉熵模型來確定最終的預測值，即本發(fā)明實施例可實現(xiàn)對目標年度終端能源消耗量(電能消耗量和能源消耗總量)的準確預測，預測數(shù)據(jù)能夠為電能替代工作提供數(shù)據(jù)理論依據(jù)，以指導未來工作的推進。

在上述實施例提供的終端能源消耗量預測裝置中，第一預測模塊包括：電能消耗增長率計算子模塊、電能替代量計算子模塊和第一預測子模塊。

電能消耗增長率計算子模塊，用于通過目標能源消耗量數(shù)據(jù)中的電能消耗量計算電能消耗增長率。

電能替代量計算子模塊，用于利用目標能源消耗量數(shù)據(jù)中的電能消耗量以及終端能源消耗總量計算電能替代量。

第一預測子模塊，用于通過電能消耗增長率和電能替代量預測目標年度的電能消耗量及能源消耗總量，獲得電能消耗量第一預測值及能源消耗總量第一預測值。

在上述實施例提供的終端能源消耗量預測裝置中，第二預測模塊包括：擬合值計算子模塊、殘差值計算子模塊、訓練子模塊和第二預測子模塊。

擬合值計算子模塊，用于采用灰色模型計算目標能源消耗量數(shù)據(jù)的擬合值。

殘差值計算子模塊，用于基于目標能源消耗量數(shù)據(jù)與擬合值計算殘差值。

訓練子模塊，用于采用小波網(wǎng)絡模型對所述殘差值進行訓練，獲得訓練結果。

第二預測子模塊，用于通過擬合值以及訓練結果確定電能消耗量第二預測值及能源消耗總量第二預測值。

在上述實施例提供的終端能源消耗量預測裝置中，第三預測模塊包括：非線性模型建立子模塊、模型轉換子模塊、預測方程建立子模塊和第三預測子模塊。其中：

非線性模型建立子模塊，用于利用目標能源消耗量數(shù)據(jù)建立非線性回歸模型。

模型轉換子模塊，用于將非線性回歸模型轉化為線性模。

預測方程建立子模塊，用于估計線性模型的參數(shù)，并通過參數(shù)建立終端能源消耗量預測方程。

第三預測子模塊，用于通過終端能源消耗量預測方程確定所述電能消耗量第三預測值及能源消耗總量第三預測值。

在上述實施例提供的終端能源消耗量預測裝置中，目標預測值確定模塊，包括：交叉熵模型建立子模塊、第一確定子模塊和第二確定子模塊。

交叉熵模型建立子模塊，用于基于電能消耗量第一預測值、電能消耗量第二預測值和電能消耗量第三預測值及所述虛擬預測值構建電能消耗量的交叉熵模型，并通過能源消耗總量第一預測值、能源消耗總量第二預測值、能源消耗總量第三預測值以及虛擬預測值構建能源消耗總量的交叉熵模型。

第一確定子模塊，用于通過電能消耗量的交叉熵模型確定電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)，并通過能源消耗總量的交叉熵模型確定能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)。

第二確定子模塊，用于通過電能消耗量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定目標電能消耗量預測值，并通過能源消耗總量的權重系數(shù)、概率密度函數(shù)與能源消耗量函數(shù)確定目標能源消耗總量預測值。

上述實施例提供的終端能源消耗量預測裝置還可以包括：評價指標確定模塊。

評價指標確定模塊，用于基于目標電能消耗量預測值以及目標能源消耗總量預測值確定目標年度的電能替代量和電能潛力指數(shù)。

本說明書中各個實施例采用遞進的方式描述，每個實施例重點說明的都是與其他實施例的不同之處，各個實施例之間相同相似部分互相參見即可。

在本申請所提供的幾個實施例中，應該理解到，所揭露的方法、裝置和設備，可以通過其它的方式實現(xiàn)。例如，以上所描述的裝置實施例僅僅是示意性的，例如，所述單元的劃分，僅僅為一種邏輯功能劃分，實際實現(xiàn)時可以有另外的劃分方式，例如多個單元或組件可以結合或者可以集成到另一個系統(tǒng)，或一些特征可以忽略，或不執(zhí)行。另一點，所顯示或討論的相互之間的耦合或直接耦合或通信連接可以是通過一些通信接口，裝置或單元的間接耦合或通信連接，可以是電性，機械或其它的形式。

所述作為分離部件說明的單元可以是或者也可以不是物理上分開的，作為單元顯示的部件可以是或者也可以不是物理單元，即可以位于一個地方，或者也可以分布到多個網(wǎng)絡單元上。可以根據(jù)實際的需要選擇其中的部分或者全部單元來實現(xiàn)本實施例方案的目的。另外，在本發(fā)明各個實施例中的各功能單元可以集成在一個處理單元中，也可以是各個單元單獨物理存在，也可以兩個或兩個以上單元集成在一個單元中。

所述功能如果以軟件功能單元的形式實現(xiàn)并作為獨立的產(chǎn)品銷售或使用時，可以存儲在一個計算機可讀取存儲介質中。基于這樣的理解，本發(fā)明的技術方案本質上或者說對現(xiàn)有技術做出貢獻的部分或者該技術方案的部分可以以軟件產(chǎn)品的形式體現(xiàn)出來，該計算機軟件產(chǎn)品存儲在一個存儲介質中，包括若干指令用以使得一臺計算機設備(可以是個人計算機，服務器，或者網(wǎng)絡設備等)執(zhí)行本發(fā)明各個實施例所述方法的全部或部分步驟。而前述的存儲介質包括：U盤、移動硬盤、只讀存儲器(ROM，Read-Only Memory)、隨機存取存儲器(RAM，Random Access Memory)、磁碟或者光盤等各種可以存儲程序代碼的介質。

對所公開的實施例的上述說明，使本領域專業(yè)技術人員能夠實現(xiàn)或使用本發(fā)明。對這些實施例的多種修改對本領域的專業(yè)技術人員來說將是顯而易見的，本文中所定義的一般原理可以在不脫離本發(fā)明的精神或范圍的情況下，在其它實施例中實現(xiàn)。因此，本發(fā)明將不會被限制于本文所示的這些實施例，而是要符合與本文所公開的原理和新穎特點相一致的最寬的范圍。