国内外能源需求预测模型研究综述

能源需求预测模型摘要:能源对于任何一个国家社会、经济、环境的可持续发展都是重中之重。在过去的十年当中，能源消费指数呈现全球性上涨趋势。能源管理是未来经济繁荣和环境安全的关键。能源是与工业生产，农业生产，医疗卫生，供水，人口，教育，生活质量等紧紧相连的。能源需求的管理需要对可用资源进行适当的分配。在刚刚过去的十年里，许多项新的技术被应用于能源需求管理当中用来准确的预测未来的能源需求。本文尝试综述多个用来预测能源需求的模型。传统的方法，如时间序列，回归分析，计量经济，ARIMA，以及软计算技术，如模糊逻辑，遗传算法，神经网络等均被广泛用于需求管理。支持向量回归，蚁群和粒子群优化是正在采取的能源需求预测新技术。自下而上的模型，如MARKAL和LEAP也被用于在国家和区域层面的能源需求管理。1、引文20世纪见证了世界基础资源由煤变为石油。随着工业化和全球化的到来，对于能源的需求也以指数化扩大。化石能源如煤炭、石油和天然气构成了世界能源消耗的80%。有人如此预测：如果当前的全球能源消耗模式持续下去，世界能源消耗将要在2030年之前增加50%。在这样的情况下，环保对于人类的生存就变得至关重要。与环境相关的因素包括食物、水、能源、自然资源等等。在这之中能源是最重要的因素。能源是所有活动运转起来的必需品不论是发达国家还是发展中国家。据估算，在发展中国家工业耗能大约是总的商业耗能的45-50%。然而伴随大规模的生产和能源消耗而来的是环境的严重恶化。能源是不可再生资源。这促使政策制定者和企业家寻找能源高效利用的方法同时寻找替代能源。在此大背景下，可再生能源的利用慢慢受到了全世界的重视。能源需求管理正成为一个重要的问题，因为世界的未来取决于我们今天的决策。以最佳方式管理能源资源已经成为了能源规划者和政策制定者的当务之急。能源的商业化和可再生化在多个方面被强制性的理解。最近，随着气候情况大幅倒退，人们的关注已经转移到了可再生能源的应用上。可再生能源目前已经被建立为持续的，与自然和谐的，无污染的并且可再生的。一个综合的能源管理方式对于任何一个国家的可持续发展都是必要的。2、能源需求管理能源需求管理涉及能源资源利用的有效性，供给的可靠性，能源资源管理的有效性，能源贮藏，热能混合系统，可再生能源系统，能源合成系统，独立的能源输送系统等等。需求管理不得不考虑一系列的问题，包括技术、组织行为的解决方案从而减少能源的需求和消耗。高性价比的选择，商业上可行的替代方案，环境友好的解决方案都是需要被开发的。需求管理包括计划、实施和对鼓励消费者改变他们的能源消费方式的设计的实施的监测活动。九十年代，随着全世界范围内发生的几个重大改变例如：科技进步，通信突破，低成本高质量的工艺改进，需求管理已经转移了它的侧重点。需求管理的重点已经由本地负载管理转变为商业和工业需求管理。需求管理促进了可持续发展的能源效率。能源需求与能源价格、GDP、人口等等密切相关。能源需求管理应当有助于实现自给自足和成本效率，从而实现经济可持续发展。因此，能源需求管理应有助于以下几方面：·规划未来需求，确定保护措施·对能源资源进行识别和排序，优化能源利用，制定能源有效性发展策略·政策决定框架·减排策略·能源模型使用微观经济学变量预测能源需求。这有助于规划和起草能源需求管理政策。3、能源模型能源模型的开发在任何一个国家都是为了可持续发展服务的。能源需求模型可以用几种不同的方法分类比如：静态与动态，一元与多元，从时间序列到混合模型的技术。上世纪八九十年代所做的研究，在Bohi[2]，Bohi和Zimmerman[3]还有Davidwood[4]Chang[5]等等的文章中有所体现。他们论述了在过去三十年中国传统能源和可再生能源的生产和消耗。一个关于能源管理软件工具的文章被用来分析以学习该工具在合成可再生能源方面的特点[6]。一篇关于各种优化方法的文章由Banos等人[7]发表，它论述了可再生能源资源的最优化利用。Chen和Kung[8]论述了怎样结合定性和定量的方法使预测精度进一步提高。能源需求是用调查的定性方法进行预测，认识和接受是必备的。不同城市发展模式下的住户能源消费方式在印尼万隆被检验。Liu[9]等人在西藏的一个县惊醒了一个调查来确定当地的能源消费方式[10]。能源预测模型是以某一国家或在某个特定的经济和市场环境下为准进行研究的。Baines和Bodger采用市场预测方式对能源需求进行分析。获得能源的可能性和能源可替代性也被考虑了进来[11]。综合能源规划模型是一个技术和经济的预测模型。它基于一个详细分类的能源消耗和转换部门。本文详尽的阐述了工业部分。该模型的主要目的是要平衡能源的供求。该模型考虑的变量，如：国内生产总值增长速度与GDP结构，人口增长率，城镇化率，家庭和工业产品份额数。模型展示了各种情形[12]。Unido的能源模型包括了三个连续的阶段(1)分析当前和未来的国家能源总体水平（2）降低能耗强度的分析（3）增加可持续能源供给消耗效率的分析。该模型考察了中国的能源状况[13]。条件需求分析（CDA）是用来模拟在加拿大的住宅终端能源消耗，该结果与基于神经网络和工程的模型来对比。比较结果显示CDA适用于精确预测能源消耗。综合能源系统（IES）由霍尼韦尔布拉格实验室研发，他综合了各种形式的制冷，制热，发电，热电联产和热电联产技术。该系统包括了一个预测和一个最优化机制。预测模块估计了需求同时优化模块优化了各生产单位的负载[15]。一个为日本开发的模型在考虑了家庭和建筑类型多样性的前提下模拟了全国的民用领域能源消耗。该模型被用于开发民用领域能源需求的方案和项目[16]。Hu等人提出了一个经济-能源-电力-环境（E4）的框架[17]。它研究地毯策略同时还提出了2030年以前中国的经济增长，能源-电力需求，可再生能源发电和节能减排策略。能源模型开发用于石油，天然气，电力的来源分析。加拿大自然资源组织（NRCan）使用OGSM模型来预测加拿大的石油天然气供需。在模型中考虑的各种参数，包括投资比例，油比，石油储备成本，油价上涨，石油供应/生产[18]。技术和经济规划模型（MIPE-综合能源规划模型）用于估计天然气需求在三种情况-低增长，高增长，可持续发展的四个应用领域-工业，发电，国内配送，国内配送和车辆转化率上[19]。一个动态模型被用来预测天然气消耗的增长率。它得到这样一个结论：天然气将成为煤炭的重要替代能源[20]。电力需求模型是用来研究短期、中期、长期负载预测和全国范围内的电力需求的。网络模型是用来预测电力需求和发电能力需求的。动态仿真算法应用于相信网络它考虑到了决策的反馈效应[21]。长期电力需求的测定是贾等人运用动态模拟理论实现的[22]。社会、经济和环境因素也能够影响电力消耗。这导致每季、每月甚至每天、每小时的电力消耗模式的变化。宏观经济决策的制定被用于电力需求预测。通过聚类的主要数据，并移除周期性变化，使得复杂的形式被分解。简单的模型就可以应用并预测电力的需求了[23]。电力供需决策的驱动被用于中国，这个框架由技术上的和社会经济方面的驱动组成，包括影响电力需求的也就是经济增长，结构，能源效率，城市化和变化的人均收入，还有影响电力供给的也就是自由化，倡议推动天然气，核能和可再生能源，空气污染的法规，煤炭和天然气的价格走势，以及发电技术的改变[24]。主要的能源需求预测包括三个方面---通常情况下，保守的和乐观的情况下量化上述参数[25]。粗略的建模是用来研究三级电能负荷预测模型来预测年度、每周、每小时的电力能源需求[26]。该模型涉及了一个预测阶段的分析模型。该方法可被商用于远程发电的混合可再生能源系统，由Deshmukh检验[27]。几个HRES系统，如光伏电池，光伏柴油，风力电池，风力柴油，PV-风力电池和PV-风力柴油电池经过分析均证明其再商业上的可行性。本文中的能源需求预测模型的综述被分为以下几个标题：（1）时间序列模型（2）回归模型（3）计量经济模型（4）分解模型（5）协整模型（6）ARIMA模型（7）人工-专家系统和人工神经网络模型（8）灰色预测模型（9）投入产出模型（10）模糊逻辑/遗传算法模型（11）集成模型-自回归，支持向量回归粒子群优化算法模型（12）自下而上的模型-MARKAL/TIMES/LEAP3.1时间序列模型时间序列模型是最简单的模型，它使用时间序列趋势分析推断未来的能源需求。Bargur和Mandel使用趋势分析验证了以色列的能源消耗和经济增长间的关系[28]。Gonzales等人预测了西班牙北部和奥地利的能源产出和消耗[29]。一种半环状的统计模式分析被用来预测土耳其的主要能源需求。该结果被认为是类似于Winter的指数平滑技术[30]。Hunt等人运用时间序列的方法在分部门的基础上调查了英国的能源需求[31]。三种时间序列模型即格雷-马尔可夫模型，灰色模型的滚动机制，奇异谱分析（SSA）被用来预测印度的传统能源消耗。格雷马尔可夫模型已被用来预测原油的石油消费量，同时灰色模型的滚动机制被用来预测煤炭，电力（公用事业）的消费，SSA用来预测天然气消费量[32]。Sourcewise分析也用来确定未来的需求。石油的消耗和石油的价格是在三种情况下预测的：抛物线形，线性和混沌行为[33]。Aras[34]使用一阶自回归时间序列模型来预测Eskisehir的天然气需求。电力能源的需求负荷预测有很多研究者在验证。一小时到一周的短期预测中，温度、伴随着过去的消耗的湿度被认为是需求的反应[35-38]。中期的预测模型通常是一星期到一年时间。研究中期负载预测的学者们包括Abdel-Aal和Al-Garni[39]。Barakat[40]和Wills还有Tram[41]致力于研究长期预测。新西兰使用简单逻辑曲线预测电力需求[42]。印度的电力需求预测是使用时间序列模型[43]。时间序列为基础的决策支持系统，该系统集成了数据管理，模型库管理，模拟，图形显示，并进行统计分析，以提供接近最优的电力高峰负载预测模型。模型库包括各种时间序列技术，如指数平滑，箱詹金斯（BJ），和动态回归[44]。Gonzalez-Romera等人[45]使用趋势提取方法验证了西班牙的电力能源消耗。在间隔的时间序列（ITS）领域，发展了多种不同的的技术。Arroyo等人[46]研究了三种指数平滑法。Himanshu和Lester[47]使用时间序列分析来预测斯里兰卡的电力需求。对于约旦的电力需求预测使用月度、季度和循环动态趋势模型[48]。Amarawickrama和Hunt[49]使用时间序列分析展示了斯里兰卡的电力需求。不同的时间序列预测方法用来分析过去的电力消耗量。他们运用收入价格弹性来预测未来斯里兰卡的电力消耗。Pearl通常被用于预测印度的抽取灌溉水的能源需求，通过运用巴斯模型，龚帕兹模型，对数模型这些技术扩散模型。基于这四个模型决定着总能源环境下的可再生能源分配[50]。在印度的五个省，Pearl函数或对数函数通常被用于未来的风能需求模式[51]。3.2回归模型能源预测是非常重要的对于能源的环境政策框架而言。回归模型通常被用来预测煤炭、石油、天然气和电力的需求[52,53]。O’Neill和Desai[54]精确地分析了由能源信息署提出的关于美国能源消费的预测。能源需求预测需要GDP和能源强度指数。研究发现通过GDP指数预测出能源需求通常过高而用能源强度指数预测出的能源需求量则通常过低。这会倾向于低估未来的能源消费。Lee和Chang(55)已经检验了能源消费对台湾经济增长的线性和非线性影响。研究发现一个阀值回归提供了一个比标准的线性模型更好的经验模型。回归模型通常也被用于电力负载预测——短期电力负载预测[56-59]和长期电力负载预测[60]。Jannuzzi和Schipper（61）已经调查了巴西住宅用户的电力消耗量。研究发现电力需求增长比收入增加要更快。Harris和Lon-Mu[62]运用美国东南部30年的数据研究了气候、价格和消费者收入与电力消费之间的动态关系。基于消