基于VAR和GM组合模型的电力消费预测
基于缓冲算子和GM(1,1)模型的电价预测方法
中图分类号 ：Ｆ４０７．６１
文献标 识码 ｝Ａ
文章缡 号 ：０５５９—９３４２（２０１８）１１．０１０９－０４
Ｏ 引 言
自新 一 轮 电 力 市 场 改 革 开 始 ， 我 国 发 电 侧 和 售 电 侧 电力 市 场 的 建 设 取 得 了 显 著 的 成 效 ， 作 为 市 场 核 心 因 素 之 一 的 电 价 也 发 生 了 相 应 的 变 化 。 尽 管 各 地 电 力 市 场 模 式 不 同 ， 电 价 形 成 机 制 也 不 同 ， 但 电 价 随 需 求 变 化 、 电 价 变 化 影 响 需 求 量 是 不 会 改 变 的 。 在 开 放 的 电 力 市 场 环 境 下 ， 电 价 的 调 节 作 用 将 更 加 显 著 。 因 此 ， 电 价 预 测 一 直 是 电 力 市 场 研 究 的 热 点 问题 之 一 ，也 是 市 场 参 与 者 亟 待 解 决 的课 题 之 一 。
第 ４４卷 第 １１期
２０１８年 １１月
水 力 发 电
ห้องสมุดไป่ตู้
基 于 缓 冲 篡 子 和 ＧＭ （１ Ｓ
模 型 的 电 价 预 测 ．去
匡 鹏 ，李 刚 ，刘本 希
（大连 理 工 大 学 水 电 与水 信 息研 究 所 ，辽 宁 大 连 １１６０２４）
摘 要 ：在以水电等清洁能源为 主的电力市场 环境中 ，电价波动较为 明显 。由于 冲击 扰动作用 导致市 场行为数据 信 息 本 身 失 真 ，直 接 建 模 预 测 电价 已难 以得 出 准 确 的 结 果 ，需 要 削 弱 甚 至 消 除 冲 击 扰 动 作 用 。利 用 缓 冲 生 成 序 列 对 原 始数据序列施 以缓 冲算 子，可淡 化或 消除 冲击扰 动对 系统 行 为数 据序列 的影 响。分别 采用 原始 序列 和缓 冲生成 序 列 ，对 某 省 自开 展 市 场 化 交 易 以 来 的 电 价 统 计 信 息 进 行 建 模 ，分 析 结 果 表 明 ，缓 冲算 子 对 提 高 预 测 精 度 是 切 实 有 效 的 。 关 键 词 ： 电价 波 动 ；灰 色 预 测 ； 冲击 扰 动 ；缓 冲算 子
GM(1,1)模型在电力系统负荷预测中应用研究
GM（1，1）模型在电力系统负荷预测中的应用研究【摘要】负荷预测是电力系统的重要工作之一，对电力系统各个部门的工作都起着非常重要的作用。
科学准确的负荷预测可以让电力决策部门经济合理地安排发电机组的启停，调整线路的潮流，使其更加合理，提前制订设备的检修计划，从而确保电网在安全稳定运行的前提下，系统运行的经济效益也能得到很大的提高。
本文重点介绍了gm（1，1）模型的基本理论和建模步骤，结合matlab 软件对数据的仿真，得出了影响模型精度的主要因素，对模型的改进提供了可行性的建议，这对未来灰色理论模型的进一步研究具有十分重要的意义。
【关键词】负荷预测 gm（1，1）模型 matlab软件灰色系统理论是邓聚龙教授于80年代初提出的，经过三十年的发展，灰色理论已被广泛的应用于各个领域。
灰色系统是一个信息不完全系统，也就是说一部分信息已知，一部分未知，对于电力系统而言，虽然电网容量，机组数量，生产情况，用电信息是已知的，但是影响电力负荷的其他大量因素确实未知的，因此具有灰色特性，而且随着社会经济的发展，电力负荷又呈增长趋势，随着时间的累积它是一个非负的递增序列，满足灰色建模的基本条件，可以用灰色模型进行预测[2]灰色模型的原理简单、运算方便，要求原始数据少，不考虑分布规律，易于检验等，是进行负荷预测的有效方法。
1 灰色理论的基本概念1.1 灰数在数学理论中存在某种数，只能估计出它的大概范围，但是得不到它的准确值，这类数被称为灰数。
在实际应用中，灰数是在一个数集内取值不确定的数或者是信息不完全的数，用符号“”表示。
灰数一般分为，离散灰数，连续灰数等。
在灰色预测理论中，gm（1，1）模型是灰色预测的核心，但是它只能对实数序列进行建模，无法对灰色序列进行建模预测。
随着社会的进步、科技的发展，人类所涉及的系统越来越复杂，在这种背景下，传统的以实数序列为建模对象的模型，就很难满足实际的建模要求。
由于灰数序列的序列结构比实数序列更复杂，所以不能用对实数序列建模的传统灰色预测建模方法来对灰数序列进行建模，这也造成目前该领域的研究成果极其缺乏。
基于GM(1,1)模型的陕西省电力需求预测
基于ＧＭ（1，1）模型的陕西省电力需求预测为了预测陕西省未来几年的电力需求量，根据灰色系统理论，利用陕西省1997～2006年10年的电力需求资料，运用GM(1，1)灰色预测模型方法，对2007～2010年陕西省电力需求量进行动态预测，为陕西省的电力发展提供科学决策依据。
标签：电力需求量；灰色系统；GM(1，1)模型；预测0 前言电力需求预测是指在充分考虑一些重要因素（如系统运行特性、增容决策、自然条件与社会影响）的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，在满足一定精度要求的条件下，确定未来某特定时刻的负荷数值。
电力需求受到经济发展、产业结构、居民收入水平、气候、地理环境、国家政策(如电价)等诸多不确定因素的影响。
这些因素有些是明确的，而有些则是不明确的，因此可以把它看作是一个灰色系统，用灰色系统理论和方法来解释和预测。
灰色系统理论是由我国学者邓聚龙教授于20世纪80年代首创的一种系统科学理论，目前它已广泛应用于电力需求预测。
伴随着现代科学技术的快速发展，电力需求预测技术在不断地深化和发展，预测方法从经典的单耗法、弹性系数法、回归分析预测法、时间序列分析预测法，发展到了目前的专家系统法、模糊数学法、灰色预测法以及神经网络预测法。
但是，在精度满足的条件下，灰色预测法因为其计算简单而得到广泛的应用。
本文选取陕西省1997～2006年10年的电力需求数据，应用GM（1，1）模型对陕西省2007～2010年的电力需求量进行动态预测，为陕西省的电力发展提供科学决策依据。
1 陕西省的电力需求状况近年来，随着经济的不断发展，陕西省的电力需求也呈现出不断递增的趋势。
陕西省1997～2006年10年来的电力需求情况如表1所示。
从表1可以看出，10年来，陕西省电力需求从1997年261.2亿KWH增长到2006年515.1亿KWH，几乎增长了一倍，平均每年以10%左右的速度增长。
2 陕西省的电力需求建模及预测根据表1的统计数据，建立1997～2006年陕西省电力需求序列值得:陕西省电力需求灰色预测模型建立之后，为保证其预测的可靠性，必须对该模型进行精确性检验。
基于VAR模型的能源消费结构优化与农业经济增长
基于VAR模型的能源消费结构优化与农业经济增长
随着全球经济的发展和人口的增长，能源消费量也不断上升。
传统能源消费方式对环境和健康产生了负面影响，急需寻求一种新的能源消费结构来促进可持续发展。
本文利用VAR模型探讨能源消费结构优化与农业经济增长的关系。
VAR模型是一种众多协方差方程组成的模型，可以研究各个方程之间的相互影响。
本文利用VAR模型建立能源消费、农业经济增长和经济发展三个方程，分析它们之间的相互关系。
首先，对于能源消费方程，本文选择了就业人口、能源消费、GDP和工业增加值等四个影响因素。
结果表明，就业人口增加会促进能源消费增长，而经济增长会催生工业增加值的增长，从而带动能源消费量的上升。
同时，高能源消费也会对环境和健康产生不良影响。
其次，本文建立了农业经济增长方程，并选取农业投资、农业劳动力和农村居民收入等三个因素。
结果表明，农业投资对农业经济增长产生了显著正向影响，农业劳动力对农业生产率的提高也是至关重要的。
最后，本文对经济发展方程进行了分析，包括GDP、进出口贸易、人均收入和投资等四个因素。
结果表明，经济发展水平对进出口贸易和投资有显著的正向影响，人均收入也会随着经济增长而增加，从而进一步促进农业经济增长。
综合以上分析，本文得出以下结论：为了优化能源消费结构，需要推广可再生能源和提高能源利用效率；同时，农业投资和劳动力也是促进农业经济增长的关键因素。
在经济发展过程中，应注重环境保护和可持续发展，通过新的能源消费结构来推动经济持续增长和社会进步。
基于GM(1,1)模型的陕西省电力需求预测
中 图 分 类 号 ：４ ７ Ｆ ０
文献标识码 ： Ａ
文 章 编 号 ：６ ２３ ９ （０ ７ １—０ ８０ １ ７—１ ８ ２ ０ ）２０５ —２
Ｏ 前 言
电力 需 求 预 测 是 指 在 充 分 考 虑 一 些 重 要 因 素 （ 系 统 如 运行 特性 、 容决策 、 增 自然 条 件 与 社 会 影 响 ） 条 件 下 ， 究 的 研
现 出 不断 递 增 的趋 势 。陕 西省 １９ ￣２ ０ ９ ７ ０６年 １ Ｏ年 来 的 电力
０． ０９１ ５
＝ ２１ ．８ ５ ２ ２２
需求 情况 如 表 １所 示 。从 表 ｌ 以 看 出 ，Ｏ年 来 ， 西 省 电 可 ｌ 陕 力 需求 从 １９ ９ ７年 ２ １ ２亿 Ｋ Ｈ 增 长 到 ２ ０ ６． Ｗ ０６年 ５５ １亿 １． Ｋ ＷＨ， 乎 增 长 了一 倍 ， 均 每 年 以 １ 左 右 的 速 度增 长 。 几 平 Ｏ
第 二 步 ： 算 参 数 ｎ和 ｂ 计 。
一
三（ ） 一 ～ Ｂ ＢＢ
一 ［
２］ ） ３］ ）
０． １ Ｏ９ ５
２２８２ ｛ １ ．２ ５
＇
一
年 的 电力 需 求 数 据 ， 用 ＧＭ （ ， ） 型 对 陕 西 省 ２ ０ ～ 应 １１模 ０７ ２１ ０ ０年 的 电力 需 求 量 进 行 动 态 预 测 ， 陕 西 省 的 理 学 院 ， 西 西 安 ７ ０ ４ ） 陕 １ ０ ９
摘 要 ： 了预 测 陕 西省 未来 几 年 的 电 力 需求 量 ， 据 灰 色 系统 理 论 ， 用 陕 西 省 １９ ￣２ ０ 年 １ 为 根 利 ９７ ０ ６ Ｏ年 的 电 力 需求 资料 ， 运 用 （ （，） 色预 测模 型 方 法 ， ２０ ￣２１ 年 陕 西省 电力需 求量 进行 动 态预 测 ， 陕 西省 的电 力发展提 供科 学 决策依 据 。 １１灰 对 ０ ７ ００ 为
基于GM(2,1)模型的短期电力负荷预测
基于GM（2,1）模型的短期电力负荷预测基于GM（2,1）模型的短期电力负荷预测摘要：本研究旨在通过使用GM（2,1）模型来预测短期电力负荷，为电力生产和调配提供合理的指导。
通过选择合适的模型参数和模型优化方法，得到了准确可靠的短期电力负荷预测结果，为电力行业的科学发展提供了有力支持。
关键词：GM（2,1）模型，短期电力负荷预测，模型参数优化1. 研究背景电力负荷预测是电力调度和发电计划制定的基础。
短期电力负荷预测是指对未来一天或一周内的电力需求进行预测和评估。
精准的电力负荷预测可以提高电力调配的效率，有效降低供电成本，促进电力行业的科学发展。
目前，基于统计模型的短期电力负荷预测方法已经被广泛采用。
GM（2,1）模型是一种常用的短期电力负荷预测模型，具有精度高、运算简便等特点，因此在电力行业得到了广泛应用。
2. 研究方法本研究采用GM（2,1）模型进行短期电力负荷预测。
GM（2,1）模型是一种基于灰色理论的模型，其基本思想是将不规则的数据序列转换为规则的序列，然后进行预测和评估。
GM（2,1）模型总共分为三个步骤：建模，预测和评估。
在建模阶段，通过对历史数据进行分析和处理，选择合适的模型参数和优化方法。
在预测阶段，利用建立的模型对未来电力负荷进行预测。
在评估阶段，通过对预测结果进行分析和比较，评估模型的准确性和可靠性。
3. 研究结果本研究使用GM（2,1）模型对某地区一周内的电力负荷进行了预测。
通过对历史数据进行处理和优化，选择了最优的模型参数和优化方法。
在预测阶段，使用建立的模型对未来电力负荷进行了预测。
通过对预测结果和实际结果的比较，发现GM （2,1）模型的预测结果准确可靠，有一定的应用价值。
4. 结论与展望本研究通过使用GM（2,1）模型对短期电力负荷进行预测，得到了准确可靠的预测结果，为电力行业提供了有力的支持。
但是，由于模型参数的选择和优化方法的不同，不同的GM （2,1）模型的预测结果也可能存在差异。
基于GM（1,1）模型的中国制造业发展主要能源消费预测
基于GM（1,1）模型的中国制造业发展主要能源消费预测巩泽俊
【期刊名称】《科学技术创新》
【年(卷),期】2018(000)003
【摘要】制造业是我国的支柱产业,科学可靠的制造业能源消耗预测对保障我国经济可持续发展和相关政策制定具有重要意义。
目前我国经济发展仍面临许多不确定因素,本文针对制造业2005-2015年8类能源消费数据,应用灰色GM（1,1）预测模型,对2016-2020年全国制造业各种能源消耗进行预测,并对模拟结果进行残差精度检验。
预测表明：GM（1,1）预测模型具有较高的预测精度,可为全国制定制造业能源战略规划提供一定的依据;未来5年制造业能源消耗总体呈上升趋势,以煤炭为主的能源消费结构有所改观,汽油、柴油消费呈现明显的下降趋势。
研究表明,我国制造行业在能源效率的政策调控效果明显,技术进步取得了一定的进展。
【总页数】6页(P155-160)
【作者】巩泽俊
【作者单位】南京市第十三中学,江苏南京210088
【正文语种】中文
【中图分类】TK018
【相关文献】
1.基于灰色模型GM(1,1)的河南省能源消费预测 [J], 李壮;胡炳清
2.中国能源消费预测的GM(1,1)模型研究 [J], 孙李红;张瑜;焦艳会
3.基于GM(1,1)模型的中国制造业发展主要能源消费预测 [J], 巩泽俊
4.基于成分数据与修正GM(1,1)模型的能源消费预测 [J], 陈倩倩
5.基于GM(1,1)模型的中国能源消费预测研究 [J], 陈洪涛;周德群
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GM(1,1)模型的南京市电力需求预测与探究
基于GM(1,1)模型的南京市电力需求预测与探究
卞艺杰;李杭
【期刊名称】《重庆理工大学学报（自然科学版）》
【年(卷),期】2016(030)007
【摘要】选取南京市2000-2013年的电力消费数据,利用灰色预测相关理论,构建了南京市电力消费的GM(1,1)预测模型,对南京市电力消费水平进行中短期预测.研究结果表明:GM(1,1)模型具有较高的预测精度.进一步预测南京市2014-2018年电力消费总量,为优化南京电力发展规划提出可行性建议与对策.
【总页数】5页(P69-73)
【作者】卞艺杰;李杭
【作者单位】河海大学商学院,南京211100;河海大学商学院,南京211100
【正文语种】中文
【中图分类】O21
【相关文献】
1.基于GM（1,1）模型的南京市电力需求预测与探究 [J], 卞艺杰;李杭;
2.基于灰色GM（1，1）模型的南京市浦口区土地储备需求量预测 [J], 朱玉娜;徐惠;田有良
3.基于蚁狮优化GM(1,1)模型的北京市电力需求预测 [J], 何忠华
4.基于GM(1,1)模型的陕西省电力需求预测 [J], 徐润芳;刘琰
5.基于GM(1,1)模型的南京市房价预测研究 [J], 李广胜; 郭欢
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GM(1,1)模型的消费预测
、
Ｇ １ １ 模型 原理 Ｍ（ ， ）
ＧＭ （ ， ） 型 是 最 常 用 的 一 种 灰 色 １ １模
・ 变量 的 个 ・ 微 分 阶
模 型 ， 由仅包 含 它
测精 度 也会越 差 。
方 程 掏 成 ， 过 对 始 数 据 进 行 一次 累 通
加 生成 具有 明 指数 规 律 的数 据 ， 建立
》转 １ ５页 ８
建 立 模 型
（ ） 没咒 始 时 间 序 列 ：Ｘ’ 『 “ １ ” ｘ” Ｌ
（）ｘ ”２ ， ， …（ ） １， “（） … Ｘ ’ １ ｎ （） ２ 加 生 成 １ ＡＧ 序 列 ： Ｏ
Ｘ… ＝ …（ ） Ｘ （ ） … ， …（ ） Ｉ ｘ １ ， ２ ， Ｘ ｎ 】
Ｉ ｘ…（） ／ Ｉ － ｎ＝
＝
表 １ 预测精 度等级划 分表
预 测 精 度 等 级
方 差 比
好
＜．５ Ｏ ３
合 格
＜ ．５ Ｏ ４
＞ ８ Ｏ ０
勉 强 合 格
＜．Ｏ Ｏ５
＞．０ Ｏ７
不 合 格
＞ Ｏ ６ ＝ ．５
＜ ．０ ＝Ｏ ７
最小误 差概率
表 ¨２
（ ） 根 据 最 小 二 乘 法 按 下 式 确 定 模 ５
势 ， 定 我 国相 关 计 划 和 政 策 的 合 理 确
性
型 参 数
Ｙ ｎ＝Ｂ Ａ
＝
） ㈩ 一 ＾
２ ． ，
二㈨ Ｇ １ １模 型在 消费预 测中的应 、 （ ， ） Ｍ（ ， ＾
用
一
微 分方 程 求得 拟 仓 曲线 ， 而对 系 统进 从
行预 测 。
基于ARIMA-GM组合模型的湖北省电力需求预测研究
基于ARIMA-GM组合模型的湖北省电力需求预测研究
王莉琳;张维;赖敏;向铁元;杨再鹤;周波
【期刊名称】《中国农村水利水电》
【年(卷),期】2013()4
【摘要】通过分析湖北省历年电力消费量,利用灰色模型(GM)和自回归积分移动平均(ARIMA)模型分别对2012-2020期间的湖北省电力需求量进行了预测,然后通过方差倒数法进行组合预测,得到了精度更高的预测结果。
通过分析整个预测过程及结果,该方法易于操作,精度较高,是一种对电力需求预测方法有益的探索。
【总页数】5页(P101-105)
【关键词】时间序列;灰色模型;自回归积分移动平均模型;方差倒数法
【作者】王莉琳;张维;赖敏;向铁元;杨再鹤;周波
【作者单位】湖北省电力公司电力经济技术研究院;武汉大学电气工程学院
【正文语种】中文
【中图分类】TM715
【相关文献】
1.基于GM-ARMA组合模型的年电力需求预测 [J], 胡效雷;何祖威
2.基于逆变换ARIMA-GM组合模型对汇率的预测研究 [J], 何团;金良琼;
3.基于组合模型的电能表需求预测模型研究 [J], 索思远;谢振刚;王潇炜;白志霞
4.基于组合模型的电能表需求预测模型研究 [J], 索思远;谢振刚;王潇炜;白志霞
5.基于Shapley值组合模型的电力需求预测研究 [J], 王欣;谢文华;张利君
因版权原因，仅展示原文概要，查看原文内容请购买。
基于GM(1,1)模型的中国制造业发展主要能源消费预测
际竞争力的制造业 ，是我 国提升综合国力 、保障国家安全 、建设 步降低［１６１，尤其是在当前我国经济发展处于上升期 ，在面对经济
世界强 国的必 由之路 。我国政府围绕实现制造强国的战略 目 发展存在诸多不确定因素的情况下，ＧＭ（１，１）模型【· 对于增 长的 、
标 ，于 ２０１５年颁布 了《中国制造 ２ｏ２￣），力求中国迈入制造强国 波动的非指数数据和震荡数据具有更好的适用性。本文从中国
得 了一定 的进展 。 关 键词 ：制造 业 ；能 源消耗 ；灰 色 ＧＭ（１，１）预 测模 型 ；政 策建议
制造业是我国国民经济的支柱产业 ，对我 国经济 的发展 、税 关于能源消费预测常用模型还包括多元线 回归方法。在
收增长和劳动就业等有着不可替代的促进作用ｉｔ１。打造具有国 经济系统 中，随着系统的发展 ，老数据刻画系统演化 的作用将逐
为 ＧＭ（１，１）模 型 的原始 形式 。
式中参数向量 ＝［ ，易】ｒ可以运用最小二乘法估计
ａ＝（矿Ｂ）一Ｂｒｙ
（２）
行 了预测
其中 ｌ，，Ｂ 分别为
－ １５６－ 创新 创业 论坛
‘。’（２）
方法研究降低能源消耗强度的有效方法 ；周龙权等 利用 中国 ＧＯ）序 列 ：
制造业面板数据 ，采用固定效应模型 ，研究影响中国制造业能 耗强度的影响因素及其变动趋势问题。
、
Ｘ（１）＝ｆ （ ）ｆ１１， （ Ｊｆ２１，…， （ ）ｆ，ｚ１１
上述研究着重关注中国制造业发展和能源消耗的总体情况
制造业发展与能源消耗耦合关系方面 ：王虹等儡基于协整理论 用 的单变量时间序列预测模型 ，其基本原理是 ，对原始时间序列 七 和误差修正模型，表明＝Ｉ匕京制造业的能耗和排放符合环境库兹 采用累加的方式，获取呈现指数变化规律的时间序列 ，采用一阶 ， ＝ 涅茨 曲线理论 ；刘金平等１３１量化分析 了中国经济增长与能源消 线性微分方程的解逼近方式模拟数据 的指数变化规律。目前 ， ｂ
基于GM-SVM模型的中长期电力组合预测模型研究
基于GM-SVM模型的中长期电力组合预测模型研究杨再鹤，向铁元武汉大学电气工程学院Email: sailing_logosun@,湖北省武汉市摘要：中长期负荷预测受到诸多因素的影响，传统负荷预测方法显示出明显的不足。
本文在应用了灰色预测模型和支持向量机模型的基础上，建立了基于预测误差指标的以误差绝对值和达到最小的线性组合预测模型。
然后与方差倒数法确定权重的组合预测方法进行了对比分析，得出了预测误差绝对值和达最小作为指标来刻画预测精度更具稳健性。
通过算例分析表明所提出方法明显提升了预测精度，提高了预测模型的可靠性关键词：灰色预测模型；支持向量机；组合预测；误差绝对值；负荷预测The research of Combination Model for Medium and Long Term Load Forecasting based on GM-SVM ModelYang Zaihe, Xiang TieyuanCollege of Electrical Engineering, Wuhan UniversityEmail: sailing_logosun@, WuhanAbstract: Many factors have influence on medium and long term load forecasting, so the traditional forecasting method is inadequate. Based on the foundation of the grey model and support vector machines, the linear combination forecasting model which achieves the minimum sum of absolute error is described. And a load forecast empirical example has shown that compared with combination forecasting model based on the method of variance reciprocal weighting, the proposed method can achieve higher prediction accuracy and more robust, which is more suitable for medium and long term load forecasting.Keywords:Grey Model; support vector machines; combination forecasting model;absolute error; load forecasting1 引言电力系统中长期负荷预测对于电力系统的规划与运行十分重要，其预测的精确性和有效性对于社会发展与经济规划产生重要的影响。
基于GM(1,1)模型的中国能源消费预测研究
基于GM（1，1）模型的中国能源消费预测研究【摘要】以1985～2012年中国能源消费总量为原始数据，构建了中国能源消费GM （1，1）预测模型。
研究表明，中国能源消费呈准指数增长规律，GM （1，1）预测模型对20年能源消费量的拟合精度较高，适用于作中长期经济预测。
预计“十二五”期间中国能源消费将以6.27%的速度增长，2020年能源消费量达到57.7086亿t标准煤。
【关键词】能源消费；能源需求；灰色预测；GM（1，1）A Forecast of Gross Energy Consumption in China Based on GM （1，1）ModelJia Jun-chao（College of Management，China University of Mining and Technology China Beijing 100083）【Abstract】On the basis of the gross energy consumption in China from 1985 to 2012，the grey forecast model for Chinese energy consumption is constructed. It is indicated that the increase of China energy consumption answered for exponential curve. According to the forecast model of GM （1，1），the fit precision of the past 20 years energy consumption to exponential function is higher，which shows the model is suitable for medium or long term economic forecast. It is predicted that the energy consumption of China will grow in the rate of about 6.20% per year from 2013 to 2020，and the energy consumption in 2020 will be an equivalent of 5，770，860，000 ton standard coal.【Key words】Energy consumption；Energy demand；Gray system forecast；GM（1，1）0.引言能源消费总量包括原煤和原油及其制品、天然气、电力、不包括低热值燃料、生物质能和太阳能等的利用。
基于GM—ARMA组合模型的年电力需求预测
Ｕｎ ｆ ａ ｉ ｎ ｏ ｈ ｉ ｅ ｉｓ ａ ａ ｙ ｉ ｎ ｈ ｒ ｙ ｓ ｓｅ ｔ ｅ ｒ ｏ ｆ ｒ ｃ ｔ ｔ ｅ ａ ｎ ａ ｌｃ ｒｃ ｃ ｎ ｕ ｉｉ ｔ ｆ ｔ ｅ ｔｍｅ ｓ ｒｅ ｎ ｌ ｓｓ ａ ｄ ｔ ｅ ｇ ａ ｙ ｔ ｍ ｈ ｏ ｙ ｔ ｏ ｅ ａ ｈ ｎ ｕ ｌｅ ｅ ｔ ｉ ｏ ｓ ｍｐ ｉ ｎ ｉ ａ ｋ ｎ ｆ ｃ ｏ ｓ ｔ ｓ ｉ ｄ ｏ ｏ ｅ ｔｅ ｌ ｅ ｅ ｉｉ ｌ ｘ ｌ ｒ ｔ ｎ Ｆ ｒ ｔｕ ｅ ｔ ｅ ｇ ａ ｄ ｅ ｉ ｇ ｏ ｔ ｐ ｓ ｅ ｒ ｓｉ ｎ ｔ ｂ ａ ｎ ｔ ｅ ｍ ａ ｈ ｍａ ｉ ａ ｄ ｅ ｆ ｘ ｒ ｍｅｙ ｂ ｎ ｆｃａ ｐ ｏ ａ ｉ ． ｉｓ ｓ ｈ ｒ ｙ ｍｏ ｌ ｒ ｓ ｅ ｗｉｅ ｒ ｇ ｅ ｓ ｏ ｏ ｔ ｉ ｈ ｔ ｅ ｔｃ ｌｍｏ ｌｏ ｅ ｏ ｎ ｏ ｔ ｎ ｅ ｃ ｅ ｍ ｒ ｍ ｈ ａ ａ，ｔ ｅ ｒ ｃ ｓ ｈ ａ ａｆ ｏ ｗｈ ｃ ｅ ｄ ｎ ｙ ｔ ｒ ｈ ｓｂ ｅ ｌ ｎ ｔｄ ｗｉ ｉ ｅ ｉ ｓａ ａ ｙ ｉ ， ｅ ｄ ｎ ｙｔ ｒ ｆｏ ｔｅｄ ｔ ｈ ｎ ｐ ｏ ｅ ｓｔ ｅ ｄ ｔ ｒ ｍ ｉｈ ｔ ｎ ｅ ｃ ｅ ｍ ａ ｅ ｎ ｅ ｉ ａ ｅ ｔ ｔｍｅｓ ｒｅ ｎ ｌ ｓｓ ｍｉ ｈ
维普资讯
第２ ０卷 第 ２期 ２０ ０ ７年 ２月
广 东 电 力
ＧＵＡＮＧＤ０ＮＧ ＥＣＴ Ｃ ０ＷＥＲ ＥＬ ＲＩ ｐ
Ｖｏ１２ ． ． ０ Ｎｏ ２
Ｆｅ ｂ．２ ０７ ０
文 章 编 号 ：０ ７２ ０ ２ ０ ） ２０ １．４ １０ ．９ Ｘ（０ ７ ０ ．０００
歹 ， 自回 归滑 移 平 均（ ｌ ｌ ＡＲＭＡ） 最成 熟的 统 计 学分 析 方 法 之 一 ， 而灰 色 系统 理 论 （ ） Ｉ 一 种 动 态趋 势预 测 理 是 ＧＭ 贯 是 】
基于DNGM(1,1)模型的我国农村用电量的预测分析
基于DNGM(1,1)模型的我国农村用电量的预测分析摘要：能源消费特别是用电量，是经济发展的同步指标，能够准确直接地反应经济运行状况。
本文利用DNGM(1,1)模型对农村用电量进行研究并预测。
首先简单介绍DNGM(1,1)模型的建模程序，再利用DNGM(1,1)模型对2013-2020年中国农村用电量消费数据进行建模，用MATLAB软件计算模型相关参数，然后对未来5年农村用电量进行预测分析，并用平均相对误差检验和后验差检验对模型进行检验。
结果表明:建立的DNGM(1,1)模型对农村用电量消费具有较优的拟合精度，是可行的。
关键词：农村用电量；能源消费；MATLAB；DNGM(1,1)模型项目信息：2021年国家级大学生创新创业训练计划立项项目（202110609047）1绪论1.1研究背景统筹城乡发展建设社会主义新农村。
农村能源过剩是广大发展前进中国乡镇企业家必须面临着的一系列共同面临问题，其中中国国家是现今世界上能源最大消费的最大发展进程中国乡镇企业家，也是中国第二的大农村能源大消费国，与中国之间的我国城乡农户间农村能源需求巨大的空间差距将是今后建设好社会主义新农村中必须又要重点加以解决的社会问题之一1.2国内外研究现状在我国农村用电量消费预测分析理论这方面，国内外学者都进行更为全面的研究。
常见的预测方法包括偏最小二乘回归、ARIMA模型分析法、灰色预测方法等。
在农村用电供给状况的研究我国学者在当中投入了大量的时间和精力，先后提出了多种科学可行的预测分析方法。
考虑到了许多方面的因素影响问题，把农村用电量看作灰色系统，通过对灰色系统的理论的应用，建立农村用电量灰色预测模型，预测了部分地区的农村用电需求。
近年来，刘勇[1]运用ARIMA模型对中国未来能源消费总量进行预测，达到了最小方差下的最优预测效果，在研究过程还指出了这个模型是一种精度较高的时序短期预测方法，为中国农村用电量的预测提供了可行性参考建议。
基于成分数据与修正GM(1,1)模型的能源消费预测
产业经济Һ㊀基于成分数据与修正ＧＭ(１ꎬ１)模型的能源消费预测陈倩倩摘㊀要:能源是关乎经济发展的关键因素ꎬ能源的消费结构不仅能够有效反映区域经济结构和产业结构ꎬ也能有效反映区域能源利用效率ꎬ有效分析能源消费结构ꎬ科学预测能源消费结构的变动趋势ꎬ对制定能源开发和利用政策具有重要的指导意义ꎮ然而ꎬ传统的预测模型难以实现对结构数据的有效预测ꎬ特别是基于贫信息特征的成分数据预测问题缺少有效的模型ꎮ本文借鉴现有成分数据分析和预测理论ꎬ构建基于成分数据的灰色预测残差修正模型ꎬ以中国能源消费结构为例ꎬ检验所构建模型的有效性并为能源产业发展提供有效建议ꎮ关键词:成分数据ꎻ修正ＧＭ(１ꎬ１)模型ꎻ能源消费预测中图分类号:Ｆ０６２.９㊀㊀㊀㊀㊀㊀文献标识码:Ａ㊀㊀㊀㊀㊀㊀文章编号:１００８－４４２８(２０２０)３３－００５１－０４一㊁引言随着经济发展和社会进步ꎬ能源和环境问题已经成为世界各国共同关注的焦点ꎮ对于我国而言ꎬ虽然能源储备总量相对较大ꎬ但人均能源占有量远远低于世界平均水平ꎬ随着经济社会的快速发展ꎬ能源开发和利用压力日趋增大ꎬ能源产业结构优化也面临一定的挑战ꎮ因此ꎬ对我国能源消费结构进行预测与分析ꎬ科学研判我国能源消费结构的变动趋势ꎬ对制定能源发展战略和政策以及推动能源供给结构甚至是能源产业结构优化具有重要的意义ꎮ能源预测的研究中ꎬ能源需求与消费预测是学界研究的一个热点ꎮ在能源需求预测方面ꎬ周倩等基于能源消费弹性系数法建立了预测模型ꎬ并预测了湖北省２００５~２０２０年的能源需求ꎮＧｅｅｍ和Ｒｏｐｅｒ提出了一个具有四个变量的ＡＮＮ模型ꎬ并对韩国的能源需求进行了预测ꎮ陈卫东等基于粒子群优化算法ꎬ采用线性和指数两种函数形式建立了基于影响因素的能源需求预测模型ꎮ翁智雄等运用协整分析和马尔可夫链ꎬ对不同经济发展路径下河北省２０１７~２０３５年的能源需求进行预测分析ꎮ在能源消费预测方面ꎬ谢乃明等构建了能源生产和消费的灰色ＧＭ(１ꎬ１)模型㊁能源消费结构的马尔可夫结构转移模型ꎮ刘爱芹采用指数平滑预测模型和ＡＲＩＭＡ预测模型对我国能源消费进行预测ꎮＥ.Ａｓｓａｒｅｈ等利用了人工神经网络模型和粒子群算法对世界绿色能源消费进行预测研究ꎮ柴岩等提出了改进的残差型ＧＭ(１ꎬ１)－ＬＳＳＶＭ预测模型ꎬ并对辽宁省１９９６~２００９年煤炭能源消耗总量进行预测ꎮ覃琳等通过建立灰色Ｖｅｒｈｕｌｓｔ模型对四川省能源消费量进行了预测分析ꎮ通过文献梳理发现ꎬ现有能源预测研究主要集中在能源消费和需求的总量预测方面ꎬ而能源消费整体性结构预测则较少ꎮ张兴旺等利用成分数据分析法对中国未来能源需求结构进行了预测ꎮ因此可以把能源消费结构预测看作是一种成分数据的预测ꎮ对于成分数据的运用研究ꎬ王惠文等认为成分数据在社会㊁经济㊁技术等领域都有较为广阔的应用前景ꎬ可以用于研究构成某个整体的各部分比重的关系ꎮ基于此ꎬ本文从成分数据的角度构建灰色预测模型ꎬ首先构建基于成分数据变换的ＧＭ(１ꎬ１)模型ꎬ然后引入马尔可夫链进行残差修正ꎬ提高拟合度及预测精度ꎮ最后根据实际能源消费数据进行建模分析ꎬ对模型的有效性进行实例验证ꎬ同时提出促进能源产业可持续发展的建议ꎮ二㊁基于成分数据的修正ＧＭ(１ꎬ１)模型(一)成分数据变换处理１８６６年ꎬＦｅｒｒｅｒｓ提出了成分数据ꎬ满足ＳＤ＝Ｘ＝ｘ１ꎬｘ２ꎬ ꎬｘＤ[]Ｔꎻｘｉ>０ꎬｉ＝１ꎬ２ꎬ ꎬＤꎬðＤｉ＝１ｘｉ＝ｃ{}的向量Ｘ＝ｘ１ꎬｘ２ꎬ ꎬｘＤ[]Ｔ称为成分数据ꎬＳＤ为Ｄ维成分数据空间即单形空间ꎬｃ一般为１ꎮ由于成分数据的定和限制ꎬ使得传统的统计分析方法不能直接应用于成分数据分析中ꎮ因此ꎬ需要对这一类特殊的约束性数据进行变换处理ꎬ使之适用于传统的统计模型中ꎮ设有成分向量Ｘ＝(ｘ１ꎬｘ２ꎬ ꎬｘＤ)ꎬ则其非对称变换(ＡＬＲ)㊁中心对数比变换(ＣＬＲ)㊁等距对数比变换(ＩＬＲ)及球坐标变换如下ꎬ具体见式(１)~(４)ꎮａｌｒ(ｘｉ)＝ｙｉ＝ｌｎｘｉｘＤꎬｉ＝１ꎬ２ꎬ ꎬＤ－１(１)ｃｌｒ(ｘｊ)＝ｙｊ＝ｌｎｘｊＤᵑＤｉ＝１ｘｉꎬｊ＝１ꎬ２ꎬ ꎬＤ(２)ｉｌｒ(ｘｉ)＝ｙｉ＝Ｄ－ｉＤ－ｉ＋１ｌｎＤ－ｉᵑＤｌ＝ｉ＋１ｘｌｘｉꎬｉ＝１ꎬ２ꎬ ꎬＤ－１(３)ｗｉ＝ｘｉꎬ球坐标变换＝θＤ＝ａｒｃｃｏｓｗＤθＤ－１＝ａｒｃｃｏｓ(ｗＤ－１ｓｉｎθＤ)⋮θ２＝ａｒｃｃｏｓ(ｗ２ｓｉｎθＤｓｉｎθＤ－１ ｓｉｎθ３)ìîíïïïïïï(４) (二)基于成分数据的ＧＭ(１ꎬ１)模型灰色预测模型主要通过累加生成技术凸显原始数据蕴含的本征信息ꎬ构建具有部分差分㊁部分微分的灰色预测模型ꎬ被广泛地应用于时间序列的预测中ꎮ同时ꎬ灰色预测模１５型不用考虑影响能源消费结构的环境㊁经济以及社会因素的情况以及变化趋势ꎬ对于能源消费数据的分布也没有严格的要求ꎮ因此本文利用灰色理论对我国能源消费结构进行分析与预测ꎮ１.数据的检验与处理对原始数据Ｘ＝(ｘ１(ｋ)ꎬｘ２(ｋ)ꎬ ꎬｘＤ(ｋ))Ｔ进行变换处理ꎬ转化成新向量Ｙ(０)ꎮ其次ꎬ进行级比计算σｉ(ｋ)＝ｙ(０)ｉ(ｋ－１)ｙ(０)ｉ(ｋ)ꎬ如果得到的级比值均满足(ｅ－２/Ｔ＋１ꎬｅ２/Ｔ＋１)ꎬ则可以建立ＧＭ(１ꎬ１)模型ꎬ反之ꎬ需要进行适当的数据平移处理ｙᶄ(０)ｉ(ｋ)＝ｙ(０)ｉ(ｋ)＋ＱꎮＱ∗＝ｍａｘ(Ｑ)＝ｍａｘ(ｙ(０)ｉ(ｋ)－ｙ(０)ｉ(ｋ－１)０.０１－ｙ(０)ｉ(ｋ))(５)２.ＧＭ(１ꎬ１)模型的构建将数列进行一次累加生成序列Ｙ(１)＝(ｙ１１(ｋ)ꎬｙ１２(ｋ)ꎬ ꎬｙ１Ｄ－１(ｋ))Ｔꎬ然后建立白化微分方程:ｙ(０)ｉ(ｋ)＋ａ(０.５ｙ(１)ｉ(ｋ－１)＋０.５ｙ(１)ｉ(ｋ))＝ｂꎬ参数ａꎬｂ可以根据最小二乘法估计:＾ｕ＝＾ａꎬ＾ｂ[]Ｔ＝(ＢＴＢ)－１ＢＴＹ(６)其中ＢꎬＹ分别为Ｙ＝ｙ(０)ｉ(２)ｙ(０)ｉ(３) ｙ(０)ｉ(Ｔ)[]ＴꎬＢ＝－ｚ(１)ｉ(２)－ｚ(１)ｉ(３) －ｚ(１)ｉ(Ｔ)１㊀㊀㊀㊀１㊀㊀ ㊀１éëêêùûúúＴꎮ最后ꎬ得到时间响应序列＾ｙ(１)ｉ(ｋ＋１)＝(１－ｅ＾ａ)(ｙ(０)ｉ(１)－＾ｂ＾ａ)ｅ－＾ａｋꎬｋ＝１ꎬ２ꎬ ꎬＴꎬｉ＝１ꎬ２ꎬ ꎬＤ－１(７)(三)模型精度检验利用成分数据逆变换得到最终的预测值Ｘ︿＝(＾ｘ１(ｋ)ꎬ＾ｘ２(ｋ)ꎬ ꎬ＾ｘＤ(ｋ))Ｔꎬｋ＝１ꎬ２ꎬ ꎬＴꎮ本文在原有后验差检验的基础上ꎬ把平均Ａｉｔｃｈｉｓｏｎ距离误差(ＭＳＤ)也作为预测精度指标之一ꎮ当ＭＳＤ的值越小时ꎬ预测值与实际值越接近ꎬ预测效果越好ꎮＭＳＤ＝ðｎｉ＝１(ðＤｉ＝１(ｌｎｘｉｇ(ｘ)－ｌｎ＾ｘｉｇ(＾ｘ))２)１２ｎꎬｇ(ｘ)＝(ᵑＤｉ＝１ｘｉ)１Ｄꎬｇ(ｘ)＝(ᵑＤｉ＝１＾ｘｉ)１Ｄ(８)(四)基于马尔可夫链的ＧＭ(１ꎬ１)残差修正模型虽然ＧＭ(１ꎬ１)模型对具有准指数规律的数据序列具有较高的精度ꎬ但对随机扰动序列的预测效果会出现不理想的情况ꎬ需要对预测结果进行优化ꎮ因此ꎬ采用马尔可夫链的残差修正模型来改善序列的随机性ꎬ并优化预测结果ꎮ首先ꎬ构建残差序列Δ(０)(ｋ)＝ｙ(０)(ｋ)－ｙ︿(０)(ｋ)ꎬｋ＝２ꎬ３ꎬ ꎬｎꎮ假设残差序列中也存在信息规律ꎬ用ＧＭ(１ꎬ１)预测模型得到残差序列的时间相应函数:Δ＾(０)(ｋ＋１)＝(１－ｅａ~)(Δ(０)(２)－ｂ~ａ~)ｅ－ａ~ｋꎬｋ＝２ꎬ３ꎬ ꎬｎ(９)则残差修正后的灰色预测模型为Ｙ~(０)(ｋ＋１)＝Ｙ＾(ｋ＋１)＋ｓｉｇｎ(ｋ＋１)Δ＾(０)(ｋ＋１)(１０)其中ꎬｓｉｇｎ(ｋ＋１)为符号函数ꎮ令正号为状态１ꎬ负号为状态２ꎬ对原始状态进行统计ꎬ计算出一步长的状态转移概率ｐᶄꎬ则ｍ步长的状态转移概率为:ｐ(ｍ)＝(ｐᶄ)ｍꎬ则:ｓｉｇｎ(ｎ＋１)＝１ꎬｍａｘｐᶄ{}＝ｐᶄ１－１ꎬｍａｘｐᶄ{}＝ｐᶄ２{}(１１)最后利用成分数据逆变换得到最终的预测值＾Ｘ＝(＾ｘ１(ｋ)ꎬ＾ｘ２(ｋ)ꎬ ꎬ＾ｘＤ(ｋ))Ｔꎮ三㊁基于成分数据和修正ＧＭ(１ꎬ１)模型的能源消费结构预测分析本文建模所需数据来自«中国统计年鉴２０１９»的能源统计数据ꎮ先将我国２０００~２０１６年的能源结构数据分别进行ＡＬＲ㊁ＣＬＲ㊁ＩＬＲ以及球坐标变换ꎬ运用ＧＭ(１ꎬ１)模型进行预测ꎬ比较四种变换对预测结果的影响ꎬ选择相对误差最小的变换ꎻ然后ꎬ对基于相对误差最小变换的ＧＭ(１ꎬ１)模型进行残差序列的修正ꎬ以此减少能源消费结构预测的误差ꎻ最后预测２０１９~２０２３年的能源消费结构并分析ꎬ为能源产业的可持续发展提出有效的建议ꎮ(一)基于成分数据变换和ＧＭ(１ꎬ１)模型的能源结构预测选用我国２０００~２０１８年的能源结构数据进行预测分析(表１)ꎬ其中ｘ１ꎬｘ２ꎬｘ３ꎬｘ４分别代表原煤㊁原油㊁天然气和一次电力及其他能源(包括风电㊁水电和核电)ꎮ表１㊀２０００~２０１８年能源消费结构原始数据表年份２０００２００１２００２２００３２００４２００５２００６２００７２００８２００９２０１０２０１１２０１２２０１３２０１４２０１５２０１６２０１７２０１８ｘ１６８.５６８.０６８.５７０.２７０.２７２.４７２.４７２.５７１.５７１.６６９.２７０.２６８.５６７.４６５.６６３.７６２.０６０.４５９.０ｘ２２２.０２１.２２１.０２０.１１９.９１７.８１７.５１７.０１６.７１６.４１７.４１６.８１７.０１７.１１７.４１８.３１８.５１８.８１８.９ｘ３２.２２.４２.３２.３２.３２.４２.７３.０３.４３.５４.０４.６４.８５.３５.７５.９６.２７.０７.８ｘ４７.３８.４８.２７.４７.６７.４７.４７.５８.４８.５９.４８.４９.７１０.２１１.３１２.１１３.３１３.８１４.３㊀㊀成分数据变换处理后的序列消除了定和约束的限制ꎬ可以使用ＧＭ(１ꎬ１)模型进行预测ꎬ首先对数据进行级比计算ꎬ判断所有级比是否满足在(０.８９４８ꎬ１.１１７５)范围内ꎬ以及序列是否满足初始值为非负数的要求ꎬ则不符合的序列进行平移处理ꎮ将处理后的新序列代入ＧＭ(１ꎬ１)模型中ꎬ利用ＭＡＴＬＡＢ软件计算得到相对应的时间响应函数ꎬ经成分数据逆变换的还原处理ꎬ得到２０００~２０１８年的数据并对其进行比较ꎬ选出最好的变换处理方法ꎮ从表２中发现ꎬ基于ＩＬＲ变换的ＧＭ(１ꎬ１)模型的预测效果均处于一级或接近一级ꎬ且平均预测精度也是最大ꎮ表２㊀模型预测精度检验结果变换方法平均相对误差后验差Ｃ小误差概率Ｐ评价等级平均预测精度拟合ＭＳＤ预测ＭＳＤＡＬＲ变换ｘ１０.０９７６０.４２０.９４二级(合格)ｘ２０.１５１７０.３５１一级(好)ｘ３０.０６８２０.０８１一级(好)ｘ４０.１７４１０.３３０.９４近一级(好)８７.７１％０.０９９５０.２２３２２５产业经济Һ㊀续表变换方法平均相对误差后验差Ｃ小误差概率Ｐ评价等级平均预测精度拟合ＭＳＤ预测ＭＳＤＣＬＲ变换ｘ１０.１０７００.４３０.８８二级(合格)ｘ２０.１６１４０.３５０.８８二级(合格)ｘ３０.０４５６０.０８１一级(好)ｘ４０.２１３００.３５０.９４近一级(好)８６.８３％０.０９６１０.１８３４ＩＬＲ变换ｘ１０.０８２５０.３８１近一级(好)ｘ２０.１３７５０.３４１一级(好)ｘ３０.０３９８０.０８１一级(好)ｘ４０.１４４３０.３１１一级(好)８９.９０％０.０９５００.１９１８球坐标变换ｘ１０.０９１３０.４００.８８二级(合格)ｘ２０.１３０１０.３２０.９４近一级(好)ｘ３０.１１１８０.１０１一级(好)ｘ４０.１５３１０.３２０.９４近一级(好)８７.８４％０.１００８０.２０２１㊀㊀(二)基于修正ＧＭ(１ꎬ１)模型的能源结构预测对ＩＬＲ变换的实际值与预测值构建残差序列ꎬ并利用文中的ＧＭ(１ꎬ１)模型进行预测得到残差预测值ꎮ其中序列第一个值的残差为０ꎬ因此２０００年的残差不考虑ꎮ利用式(９)~(１１)进行残差修正计算ꎬ得到基于ＧＭ(１ꎬ１)修正模型的２０１０~２０１８年的模拟值和预测值ꎬ并且得到图１ꎬ可以发现ＧＭ(１ꎬ１)修正模型的模拟值与原始值的变换规律很接近ꎬ比经典ＧＭ(１ꎬ１)模型更加准确ꎮ图１㊀ＧＭ(１ꎬ１)模型修正前后的预测效果对比计算得到残差修正后预测数据的ＭＳＤ为０.１６２９ꎬ平均相对误差分别是０.０１９０㊁０.０３５０㊁０.０１１４㊁０.０３９２ꎬ后验差均小于０.３５ꎬ小误差概率均为１ꎬ平均预测精度为９７.３８％ꎬ经过马尔可夫链残差修正后的ＭＳＤ显著减小ꎬ并且模型预测效果评价均为一级ꎬ各序列的平均相对误差减小ꎬ平均预测精度明显提高了ꎬ达到９７.３８％ꎮ(三)我国能源结构预测分析首先ꎬ将我国２０００~２０１８年的能源结构数据进行ＩＬＲ变换ꎬ利用修正ＧＭ(１ꎬ１)模型进行预测ꎬ得到２０１９~２０２３年的能源结构预测值ꎬ结合２０１０~２０１８年的真实数据ꎬ绘得近十年的能源消费结构变化趋势(见图２)ꎮ发现能源消费结构的调整优化成效较为显著ꎮ２０１０年至今ꎬ天然气㊁水电㊁核电㊁风电等清洁能源的消费占比达到２０％以上ꎬ预测模型得到预计２０２３年清洁能源在能源消费结构中的比重达到２５％以上ꎮ其次ꎬ煤炭的占比从十年前的７１.５％降至５９％左右ꎬ但是从预测来看ꎬ煤炭的占比仍然可达５０％以上ꎬ所以在未来几年煤炭还是我国能源消费结构的主体ꎬ因此对于煤炭如何绿色的开发与利用仍是至关重要的问题ꎮ最后ꎬ石油的消费比重不断波动ꎬ从２０００年的２２％开始下降ꎬ在２０１０年以来基本稳定在１７％左右ꎬ２０１５年起又有上升的趋势ꎬ２０１８年石油的比重在１８.９％ꎬ预计未来还会略有下降ꎬ继续稳定在１７％ꎮ图２㊀中国能源消费结构预测趋势如今ꎬ我国能源产业发展承受着巨大的压力ꎬ如能源消耗总量大㊁产业结构优化速度缓慢㊁转化使用率低㊁废料污染严重等ꎮ预计在未来的２０年将是世界能源产业调整的关键时期ꎬ同时也是我国能源产业转型和优化的机遇时期ꎮ因此ꎬ如何准确把握我国能源产业的发展变化趋势㊁快速优化能源产业结构是推动我国能源产业发展的首要任务ꎮ于是ꎬ本文在预测结果和实际能源消费情况的基础上ꎬ提出相应的建议ꎮ１.提倡节能减排措施首先ꎬ从文中的预测结果中可以发现ꎬ煤炭和石油的需求仍然较大ꎬ供给的压力也依然很大ꎮ因此ꎬ要提高节能意识㊁重视节能工作ꎬ从源头控制能源的使用ꎬ将进一步减缓能源供给压力ꎮ其次ꎬ预测结果显示煤炭占比显著高于其他类型的能源ꎬ又因为我国的煤炭资源丰富并且是各类产业不可或缺的耗能资源ꎬ煤炭的主体地位在未来的一定时间内不会降低ꎬ所以在无法减少煤炭能源消费量的情况下ꎬ提高煤炭的转化技术是一个十分有效且快速的方法ꎮ发展洁净煤技术以及污染物处理技术ꎬ提升煤炭清洁化水平ꎮ２.促进能源多元化发展在节能减排的基础上提高开发技术ꎬ发展能源多元化ꎮ对于我国未来的能源消费结构来说ꎬ想要彻底改变煤炭能源的主体地位ꎬ必须要发展以电力等可再生能源为中心的能源结构ꎮ加大技术研发力度ꎬ合理开发水电㊁风电以及太阳能等可再生能源ꎬ实现新能源替代化石能源在生产经济中的主体地位ꎬ可促进能源多元化的发展ꎬ加快能源结构的优化ꎮ３５３.落实能源政策法规设立能源综合管理部门ꎬ统一协调规划各种能源的开发㊁利用等ꎬ统筹制定能源发展规划和战略部署ꎬ并实施有效的监督管理机制ꎬ以此作为公平竞争㊁有序发展的能源市场建立的政策支撑ꎮ同时ꎬ结合污染控制和环境保护ꎬ确保我国能源产业向积极的方向发展ꎮ四㊁结论从能源消费结构中可以间接了解我国能源需求结构ꎬ对能源结构的调整以及相关能源政策的实施具有参考意义ꎮ本文将能源消费结构看作是一组成分数据ꎬ构建了基于成分数据的时间序列ꎬ同时考虑到能源消费系统的不确定性以及能源消费结构原始信息的贫瘠ꎬ引入灰色预测模型即ＧＭ(１ꎬ１)模型ꎬ建立了基于不同成分数据变换处理的４种ＧＭ(１ꎬ１)模型ꎮ并通过２０００~２０１８年的能源消费结构数据来检验模型的预测效果ꎬ发现基于ＩＬＲ变换的ＧＭ(１ꎬ１)模型的预测精度较高ꎬ但还是不理想ꎮ于是ꎬ引入了马尔可夫链法ꎬ对预测序列进行残差修正ꎬ提高了基于ＩＬＲ变换的ＧＭ(１ꎬ１)模型的短期预测精度ꎮ最后利用改进的ＧＭ(１ꎬ１)修正模型对２０１９~２０２３年能源消费结构的变化趋势进行预测分析ꎬ结合能源消费现状ꎬ发现能源产业发展进程中有能源消耗量大㊁能源结构优化缓慢㊁新能源开发技术不成熟等问题ꎬ并对此提出了节能减排㊁能源多元化发展及相关政策法规制定等建议ꎬ促进能源产业可持续发展ꎮ参考文献:[１]周倩ꎬ黄树红ꎬ李爱军.湖北省能源需求预测及分析[Ｊ].统计与决策ꎬ２００７(４):８９－９０.[２]ＧＥＥＭＺＷꎬＲＯＰＥＲＷＥ.ＥｎｅｒｇｙｄｅｍａｎｄｅｓｔｉｍａｔｉｏｎｏｆＳｏｕｔｈＫｏｒｅａｕｓｉｎｇａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＥｎｅｒｇｙＰｏｌｉｃｙꎬ２００９ꎬ３７:４９－５４ꎬ４０.[３]陈卫东ꎬ朱红杰.基于粒子群优化算法的中国能源需求预测[Ｊ].中国人口 资源与环境ꎬ２０１３ꎬ２３(３):３９－４３. [４]翁智雄ꎬ马忠玉ꎬ葛察忠ꎬ等.不同经济发展路径下的能源需求与碳排放预测:基于河北省的分析[Ｊ].中国环境科学ꎬ２０１９(８):３５０８－３５１７.[５]谢乃明ꎬ刘思峰.能源消费总量与结构预测分析:以江苏省为例[Ｊ].工业技术经济ꎬ２００９(１):４６－４９.[６]刘爱芹.基于组合模型的能源消费预测研究[Ｊ].中国人口 资源与环境ꎬ２０１０ꎬ２０(１１):２５－２９.[７]ＡＳＳＡＲＥＨＥꎬＢＥＨＲＡＮＧＭＡꎬＧＨＡＮＢＡＲＺＡＤＥＨＡ.Ｔｈｅｉｎｔｅｇｒａｔｉｏｎｏｆａｒｔｉｆｉｃｉａｌｎｅｕｒａｌｎｅｔｗｏｒｋｓａｎｄｐａｒｔｉｃｌｅｓｗａｒｍｏｐｔｉｍｉ￣ｚａｔｉｏｎｔｏｆｏｒｅｃａｓｔｗｏｒｌｄｇｒｅｅｎｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎ[Ｊ].ＥｎｅｒｇｙＳｏｕｒｃｅｓꎬＰａｒｔＢ:ＥｃｏｎｏｍｉｃｓꎬＰｌａｎｎｉｎｇａｎｄＰｏｌｉｃｙꎬ２０１２ꎬ７(４). [８]柴岩ꎬ刘翔宇.改进的ＧＭ(１ꎬ１)－ＬＳＳＶＭ模型及其在能源消耗预测中的应用[Ｊ].统计与决策ꎬ２０１４(１７):８４－８７. [９]覃琳ꎬ黄炜斌ꎬ马光文ꎬ等.基于Ｖｅｒｈｕｌｓｔ模型与信息熵理论的能源消费研究[Ｊ].中国人口 资源与环境ꎬ２０１７ꎬ２７(Ｓ２):４５－４９.[１０]张兴旺ꎬ陈希敏.基于成分数据视角的我国能源需求结构变动及其预测[Ｊ].生态经济ꎬ２０１７ꎬ３３(２):２４－２７. [１１]王惠文ꎬ刘强.成分数据预测模型及其在中国产业结构趋势分析中的应用[Ｊ].中外管理导报ꎬ２００２(５):２７－２９. [１２]ＦＥＲＲＥＲＳＮＭ.ＡｎＥｌｅｍｅｎｔａｒｙＴｒｅａｔｉｓｅｏｎＴｒｉｌｉｎｅａｒＣｏｏｒｄｉ￣ｎａｔｅｓ[Ｍ].Ｌｏｎｄｏｎ:Ｍａｃｍｉｌｌａｎꎬ１８６６.[１３]张尧庭.成分数据统计分析引论[Ｍ].北京:科学出版社ꎬ２０００.[１４]ＥＧＯＺＣＵＥＪＪꎬＰＡＷＬＯＷＳＫＹ－ＧＬＡＨＮＶꎬＭＡＴＥＵ－ＦＩＧＵＥＲＡＳＧꎬｅｔａｌ.Ｉｓｏｍｅｔｒｉｃｌｏｇｒａｔｉｏｔｒａｎｓｆｏｒｍａｔｉｏｎｓｆｏｒｃｏｍｐｏ￣ｓｉｔｉｏｎａｌｄａｔａａｎａｌｙｓｉｓ[Ｊ].ＭａｔｈｅｍａｔｉｃａｌＧｅｏｌｏｇｙꎬ２００３ꎬ３５:２７９－３００.[１５]ＷＡＮＧＨＷꎬＬＩＵＱꎬＭＯＫＨＭＫꎬｅｔａｌ.Ａｈｙｐｅｒｓｐｈｅｒｉｃａｌｔｒａｎｓｆｏｒｍａｔｉｏｎｓｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｆｏｒｃｏｍｐｏｓｉｔｉｏｎａｌｄａｔａ[Ｊ].Ｅｕｒｏ￣ｐｅａｎＪｏｕｒｎａｌｏｆＯｐｅｒａｔｉｏｎａｌＲｅｓｅａｒｃｈꎬ２００７ꎬ１７９:４５９－４６８. [１６]国家统计局.中国统计年鉴２０１９[Ｍ].北京:中国统计出版社ꎬ２０１９.作者简介:陈倩倩ꎬ女ꎬ浙江温州人ꎬ江南大学商学院硕士研究生ꎬ研究方向:灰色预测㊁产业经济ꎮ４５。
基于GM(1,1)模型的新能源预测及分析
新 能源前景预 测领域 ，模 型正确 ，方法适 用 ，提 出的对策具有一定的实践性和推广性。
ｌ ｅ ｍ．Ｈ ｒ ｅｆｒｃｓ ｔｅｅｅ ｙｐｏ ｕｔ ｎａｄｃｎｕ ｐｉｎｉ Ｈｅｅ Ｐｏｉｃ ａｅ ｎＧ （ ， ）ｍ ｄ１ ｏｅａｔ ｅｅｗ ｅａｔｈ ｎ ｒ ｒｄ ｃ ｏ ｎ ｏｓｍ ｔ ｂ ｉ ｒｖ ｅｂｓｄｏ Ｍ １ １ ｏ ｅ．Ｆｒｃｓ ｏ ｇ ｉ ｏ ｎ ｎ
ｍｅｈ ｄ ｉ ｓ ｉ ｂ ｅ，ａ ｄ ｔｅ ｐ ｏ ｏ ｅ ａ ｕ ｅ ａ ｅ ｃ ｒ ｉ ｒ ｃ ｉａｉ ｎ ｅ ｅ ａｉａｉ ｎ ｔｏ ｓ ｕ ｔ ｌ ａ ｎ ｈ ｒ ｐ ｓ ｄ ｍｅ ｓ ｒ ｓ ｈ ｖ ｅ ａ ｎ ｐ ａ ｔ ｌ ｔ ａ ｄ ｇ ｎ ｒ ｚ ｔ ． ｔ ｃ ｙ ｌ ｏ
ｔｃｎｌｇ ＆Ｄ ａｄｓｐ ｏ ｉｇ ｏｋ Ｔ ｒｃｓ ｔ ｒ ｐｃ ｒａ ｆ ｅ ｎｒ ， Ｍ （ ， ）ｍｏｅ ｉ ｃｒ ｃ，ｈ ｅｈｏｏ Ｒ ｎ ｕ ｐｒｎ ｒ． ｏｆ ｅａｔｈ ｐ ｓｅｔａｅｓ ｗ ｅｅｇ Ｇ ｙ ｔ ｗ ｏ ｅ ｏ ｓ ｏｎ ｙ １１ ｄｌｓ ｏ ｅｔ ｔｅ ｒ
关 键 词 ：Ｇ （ ，１ 模 型 ； 能 源 ；新 能 源 ；前 景 预 测 Ｍ １ ）
中图分类号 ：Ｆ ２ ； ４６２
文献标识码 ：Ａ
文章编号 ：１０ —２９ ２ １ ）０ ０ ７ ６ １（０ １ ４—０ ０ ０ １６— ４
Ｐｒ ｄ ｃ ｉ ｎ ａ ｄ ｃ ｕ ｔ ｒ ｅ ｓ ｒ ｓ ｏ ｅ ｅ ｒ ｙ ｅ ｉ ｔ ｎ ｏ ｎ ｅ ｍ ａ ｕ ｅ ｆ ｎ ｗ ｎｅ ｇ ｏ
基于滑动平均法改进GM(1,1)模型的用电量预测
基于滑动平均法改进GM（1,1）模型的用电量预测发表时间：2014-09-24T11:16:04.670Z 来源：《工程管理前沿》2014年第6期供稿作者：周茜[导读] 本文介绍了GM(1,1)灰色预测模型，并在此基础上构建了基于滑动平均法改进的GM(1,1)灰色预测模型。
将这两种模型分别用来对河北南网的电力用电量数据进行预测周茜（国网河北省电力公司营销部，河北省石家庄市，050021）摘要：本文采用滑动平均法对灰色预测的原始数列进行了改进，这样既增加了当年数据的权重，同时避免了数值的过度波动，能够有效的提高用电量预测的精度。
关键词：灰色预测; 用电量预测；滑动平均法; 预测精度引言电力用电量预测是电网规划的关键和基础，完善的用电量预测模型能够比较准确地估计用电量水平，使电网的建设和发展适应用电量水平。
本文采用滑动平均法对灰色预测的原始数列进行处理，这样既增加了当年数据的权重，同时避免了数值的过度波动，在电力用电量预测的建模中能提高模型的拟合和预测效果。
1. 灰色预测模型3.算例分析本文选取了保定市2006到2013年每月最大用电量之和，通过前6年数据建立训练模型，并对后三年用电量进行预测，然后将预测值与实际值进行比较，检验模型的实际应用情况。
前6年电力用电量数据如表1所示：4 结论本文介绍了GM(1,1)灰色预测模型，并在此基础上构建了基于滑动平均法改进的GM(1,1)灰色预测模型。
将这两种模型分别用来对河北南网的电力用电量数据进行预测，发现改进后的模型预测精度较之传统模型有了明显的提高，因此可以验证了MGM(1,1)模型对电力用电量预测的有效性。
参考文献：[1]牛东晓, 曹树华. 电力用电量预测技术及其应用 [M]. 北京: 中国电力出版社, 1998.[2]刘鹄，吉培荣.GM（1,1）模型的优化及其在电力系统用电量预测中的应用 [J].自动化技术与应用，2007,26（5）:13-15[3]牛东晓，贾建荣.改进GM(1,1)模型在电力用电量预测中的应用 [J].电力科学与工程,2008，24(4):28-30。
基于VAR模型的能源消费结构优化与农业经济增长
基于VAR模型的能源消费结构优化与农业经济增长
能源消费结构优化与农业经济增长是现代农业发展的重要问题，对于实现农业资源高效利用、提高农业生产效益具有重要意义。
本文将基于VAR模型进行研究，探讨能源消费结构优化与农业经济增长之间的关系。
我们需要了解VAR模型的基本概念和原理。
VAR模型是一种多变量时间序列模型，通过将多个变量之间的关系表示为过去时期的线性组合来描述变量之间的相互关系。
它可以用来分析不同变量之间的因果关系和相互影响。
在本文中，我们选择能源消费结构和农业经济增长率作为两个变量进行分析。
能源消费结构包括不同能源类型在总能源消费中的比例，农业经济增长率表示农业产值的年均增长率。
我们可以通过VAR模型分析能源消费结构对农业经济增长的影响。
我们可以选取过去几年的数据，包括能源消费结构和农业经济增长率，建立VAR模型。
然后，通过分析模型的脉冲响应函数和方差分解，可以评估能源消费结构变化对农业经济增长的影响。
我们可以利用VAR模型进行预测和模拟分析。
通过VAR模型预测未来的能源消费结构和农业经济增长，可以帮助决策者制定合理的农业政策和能源政策。
通过模拟不同情景下的能源消费结构和农业经济增长，可以评估不同情景下的可行性和可持续性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
(一 ) GM ( 1, 1)模型 设有原始数据序 列: x ( 0) ( 1), x ( 0) ( 2), , x( 0)
( n ), 满足 x( 0 ) ( k ) 0, k = 1, 2, , n。利用该数据
序列建立 GM ( 1, 1)模型。
步骤 1 做一阶累加形成生成数据序列
( 1, 1)模型在原始数据增长率较大时失效的现象。
(三 )向量自回归 ( VAR )模型
向量自回归 ( VAR) 是基于数据的统计性质建
立模型, 向量自回归模型是把系统中每一个内生变
量作为系统中所有内生变量的滞后值的函数来构造
模型。 VAR模型常用于预测相互联系的时间序列 系统及分析随机扰动对变量系统的冲击。 VAR (p ) 模型的数学表达式为
基于 VAR和 GM 组合模型的电力消费预测
徐 刚1, 王维国 2
( 1. 中国科学院 大连化学物理研究所, 辽宁 大连 116023; 2. 东北财经大学 数学与数量经济学院, 辽宁 大连 116025)
摘 要: 组合预测模型较单一 模型具有更准确的预测精度, 利用中国电力消费 1978年 ~ 2007年的年度数据,
扰动向量, 它们相互之间可以同期相关, 但不与自己
的滞后期相关及不与等式右边的变量相关, 假设 是 t 的协方差矩阵, 是一个 k k 的正定矩阵。[ 8 ] 能
源总消费量由煤炭、石油、天然气、电力 等的消费
量构成, 其中每个因素的变化都会对其他因素产生
影响, 因此, 可以采用 VAR模型进行预测。
Ab stract: A com bined forecast m ode l is mo re accu rate than a s ing le forecasting m ode.l Based on the e lec tric ity con sum ption data from 1978 to 2007, by com bing the VAR m ode ,l the GM ( 1, 1) m ode l and theW GM ( 1, 1) m ode,l w e se t up the g rey VAR comb ined fo recast mode l and fo recast the e lectric ity consum ption from 2008 to 2015. T he re search resu lts show tha t the forecast values are accura te: the ave rage re lative erro r is on ly 4. 88% , so it can be used in the application as one o f the efficientm ethods. K ey w ords: electricity consumption forecast; VAR mode;l grey forecast; com bination forecast
( 4) 式 ( 4)中, 当 k = 2, 3, , n 时, x^( 0) ( k )是原始数据序 列 x ( 0) ( k )的拟合值; 当 k > n时, x^ ( 0) ( k )是原始数据 序列的预测值。[ 6 ]
(二 )无偏 GM ( 1, 1)模型 由于 GM ( 1, 1)模型对指数序列建模总存在偏 差, 故可对 GM ( 1, 1)模型的参数 a和 u 加以修正来 表示原始数据序列的参数 a 和 u, 修正后的模型为 无偏差模型, 记为 WPGM ( 1, 1)。[ 7 ] 其建模步骤为: 步骤 1~ 3同 GM ( 1, 1)模型建模步骤 1~ 3。 步骤 4 求无偏 GM ( 1, 1)模型参数
( 5% )的显著水平拒绝原假设。
从平稳性检验结果可以看出, 5 个变量 LEN, LCOAL, LOIL, LGAS 和 LWATER 的 DF GLS值均大于 临界值, 因此都是非平稳的, 具有单位根。而经过
一阶差分后, 5个变量的 DF GLS值都小于临界值, 因此它们都是一阶单整序列。
第 23卷 第 6期 2010年 11月
北京航空航天大学学报 (社会科 学版 ) Jou rnal of Be ijing U n iversity of A e ronautics and A stronautics( Soc ia l Sc iences Ed ition)
V o.l 23 N o. 6 N ov ember, 2010
将 VAR 模型与灰色预测的 GM ( 1, 1)、无偏 GM ( 1, 1)两 种模型 有机 组合, 建立 灰色 VAR 组 合预 测模 型, 对
2008年 ~ 2015年的电力消费量进行预测。结果表明, 该模型 平均相对误 差为 4 88% , 拟合精度较 高, 具 有较
好的应用价值。
关键词: 电力消费预测; VAR 模型; 灰色预测; 组合预测
a^ =
ln
2 2
+
a^ a^
A^
=
2u^ 2+
a^
步骤 5 建立原始数据序列模型 x^ ( 0) ( k ) = A^ ea^( k- 1) ( k = 1, 2, , n)
与 GM ( 1, 1)模型相比, 无偏 GM ( 1, 1)模型不
存在 GM ( 1, 1)模型所固有的偏差, 因而消除了 GM
中图分类号: F407 2
文献标识码: A
文章编号: 1008 2204( 2010) 06 0056 04
Electricity Consumption Forecast: Based on VAR and GM Combination M odel
X U G ang1, WANG W ei guo2
(四 )组合预测模型
组合预测模型如下:
Y = 1 YWG + 2 YG + 3 YV
( 6)
YWG, YG和 YV 分别为电力消费的无偏 GM 预测
模型、GM 预测模型和 VA R 预测模型, 1, 2和 3分
别为其权重。
三、实证检验和分析
(一 ) 数据的选取 文章采 用 的一 次 能 源 总 消 费 量 ( EN ) 、煤 炭 ( COAL) 、石油 ( OIL )、天然气 ( GAS ) 和电力 ( WA TER) 等 的 消 费 量 数 据 均 来 自 中 国 统 计 年 鉴 ( 1979~ 2008) , 单 位是 万吨 标准煤。数 据期间 是 1978年 ~ 2007年 ( 1978年 ~ 2005年的数据用于建 模, 2006年和 2007年实际数据不参加建模, 留作检 验 ) 。为了 克服数 据中的 异方差 和数据 的剧 烈波 动, 取 自 然 对 数 并 用 LEN, LCOAL, LOIL, LGAS 和 LWATER 表示, 运用 Ev iew s6 0软件进行分析。 (二 ) VAR 模型 1 平稳性检验 由于大多数经济变量的时间 序列为非平稳序 列, 这些时间 序列的数字 特征随时 间的变化 而变 化。因此, 笔者利用 DF GL S方法分别对上述变量 进行 了平稳性 检验, 并运 用 A IC 准则来 判断 DF GLS检验中的滞后阶数, 结果如表 1所示。
0 144 695 - 2 184 126
0 124 042 - 8 688 151 - 0 397 973 - 6 569 967 - 1 779 109 - 4 581 702 - 2 792 951 - 5 335 568
- 2 656 915 - 2 656 915 - 2 656 915 - 2 656 915 - 3 770 000 - 3 770 000 - 3 770 000 - 3 770 000 - 3 770 000 - 3 770 000
电力是重要的能源之一, 也是国民经济的基础。 准确地预测电力的未来消费量, 可以更合理地生产 和使用电力。中国含电力等在内的能源消费量预测 研究大致可以分为两类: 一是采用单一方法预测, 如 多元统计 [ 1] 、时间序列法 [ 2] 和 ARMA 模型 [ 3] 等; 二 是采用组合模型预测, 如灰色 GM ( 1, 1) 和神经网 络组合预测模型 [ 4] 、BP 和 GM 的组合模型 [ 5] 等。由 于单一模型的局限性, 组合预测模型被越来越多地 运用于实际中, 从而使 拟合和预测精 度大为提高。 文章根据组合预测理论, 将 VAR 模型与灰色预测的 GM ( 1, 1)、无偏 GM ( 1, 1) 两种模型有机组合, 对电 力消费量进行拟合和预测。
( 1. D a lian In stitute of Chem ical Physics, Ch inese A cademy of Sciences, D a lian 116023, C h ina; 2. C ollege of Q uan titat ive E conom ics, D ongbei U n ivers ity of F inance& Econom ics, D al ian 116025, Ch in a)
表 1 各变量的平稳性检验
变量
检验类型 ( C, T, L )
DF GLS统计量
1% 临界值
5% 临界值
检验结论
LEN LEN * *
LCOA L LCOAL* *
LGAS LGA S* LO IL LO IL* LWA TER LW ATER*
(C, 0, 1) (C, 0, 1) (C, 0, 1) (C, 0, 1) ( C, T, 1 ) ( C, T, 1 ) ( C, T, 1 ) ( C, T, 1 ) ( C, T, 1 ) ( C, T, 1 )
k
x(1) ( k ) =
x ( 0) (m ) ( k = 1, 2,