我国能源需求预测中的动态模糊系统建模方法研究

Energy demand forecasting is essential for social and economic development in our country. There are many modeling methods to handle practical estimation problems, but most of them need a large amount of information in advance to determine parameters in the models, or require that available data should be in agreement with some statistic assumption. Based on fuzzy system theory a novel marginal linearization modeling method is studied in this project. First, fuzzy inference rules can be extracted from known data, and a kind of non-linear models with variable parameters are obtained for dynamic systems. Second, for state-space differential equation models in continuous situation and for time series models in discrete situation respectively, the procedure of structure identification and parameter estimation are given. Third, when modeling data are sufficient enough or can be refreshed in real time, neural networks are exploited to train and adjust the structure or parameter in the models to increase the accuracy of forecasting precision. In the end, this integrated modeling method, combined with clustering method and causality estimation technique, is used in the empirical analysis for energy demand in China. The modeling method discussed in this project enriches modeling and forecasting methods. Further, the implement of the combined method to energy problem in our country provides a reference for the adjustment of China's energy development strategy.

能源需求的预测对我国社会经济的发展具有重要意义。现有的建模方法多需依赖较大规模的历史信息来确定模型参数，或对已有数据的统计特征做出某些预设,而这在实际的应用研究中常常得不到满足。本项目首先提出一种新的基于模糊系统理论的边缘线性化建模方法，从已知数据中提炼模糊推理规则，建立动态系统的非线性变参数模型；其次，分别就所得的连续型状态空间微分方程模型和离散型非线性时间序列模型，实现模型的结构辨识和参数估计，进而研究模型的逼近性能；第三，在建模数据充足或数据得以更新的情况下，利用神经网络进一步训练优化所建模型的结构和参数，从而提高模型的预测精度；最后，结合模糊聚类和因果检验，将该建模方法运用于我国能源需求预测的实证分析中。本课题的研究丰富了动态非线性系统的建模和分析预测途径，其在能源需求预测中的应用结果，有望为我国能源发展战略的调整转型提供一定的参考。

为深化模糊系统建模方法的研究，本项目综合运用模糊推理和神经网络等智能计算理论，融合建模问题中的数据信息和经验知识，对动态非线性模糊系统的模型结构与参数辨识展开了探讨，并结合数据分析等方法考察了我国能源需求及其相关领域问题的定量分析与预测。项目的研究内容和获得的结果主要包括：研究了模糊边缘线性化建模方法及其泛逼近机理，提出了一种动态模糊边缘线性化方法用于解决时变系统的建模问题，该方法将时间因素纳入建模过程，利用对时间论域的分割建立动态的模糊推理规则库，构造一类系数随时间变化的整体模型，从理论上证明了所得模型不仅具有插值性，而且对一类非线性动态系统具有二阶逼近精度；在此基础上，将误差补偿引入模糊边缘线性化推理建模方法，利用数据集的聚集特征，以减少模型误差为目标，通过求解一组优化问题得到带有分片误差补偿项的系统模型，证明了相应模型对一类非线性系统具有泛逼近性，并推导了逼近误差界的估计公式。然后，研究了几种多项式型后件的模糊神经网络的构建及参数辨识与结构优化方法，考察了所建模糊神经网络对连续型和离散型非线性模型的逼近与预测能力。同时，对我国的省际能源需求量与碳排放量及各自的影响因素等问题进行了实证。理论推导、数值仿真及定量分析都验证了所提模型和算法的有效性。项目成果进一步拓展了模糊系统建模方法的应用领域，丰富了复杂系统的建模和预测问题的解决途径。

内容获取失败，请点击重试