英语原文共 17 页，剩余内容已隐藏，支付完成后下载完整资料
使用季节性时间序列方法对未来一年城市天然气的预测
摘要：
随着能源需求的增加，天然气作为主要清洁能源的消耗量也在增加。我们专门研究了土耳其天然气市场，发现土耳其的天然气消费量也在过去十年与世界同步增长，土耳其的这种消费增长导致了天然气行业市场结构的形成。由于预期消费能力有所上升，这一大幅增加需要额外投资，消耗增加的一个原因是基于用户对天然气消耗的影响。这种影响在需求预测中产生不平衡，如果误差率超出范围，则可能会造成损失。本文介绍了三种单变量统计方法，这些方法在未来的月度天然气预测中未作过研究，用于预测土耳其萨卡里亚地区的天然气需求，使用的住宅和低能耗商业数据中可能包含季节性因素。本文的目的是在提高需求预测准确性的同时，尽量减少对中期消耗的气体跟踪。在预测模型中，季节性和单一变量的影响会加强预测。本文研究了时间序列分解、温特线性指数平滑法和自回归综合移动平均(ARIMA)方法。在这里，我们将2011-2014年的月度数据进行了编制，并分为两个序列。第一个序列是2011-2013年的月度数据，用于寻找季节效应和模型需求。第二个序列是2014年用于预测的月度数据。对于ARIMA方法，在进行预测之前，已经准备好了一个平稳的序列和转换过程。预测结果表明，随着模型的计算复杂度的增加，预测精度随误差的减小而增大。同时，预测误差和确定值的系数给出了更一致的结果。因此，当只存在消耗数据时，所有方法都提供了令人满意的结果，每种方法的差异都很低。如果不使用统计软件工具，时间序列分解，最原始的方法，或温特指数平滑法，要求很少的数学知识来对天然气进行需求预测，可以使用电子表格软件，一个包含ARIMA的统计软件工具将获得最好的结果。
关键词:
需求预测;天然气;单变量方法;时间序列分解;温特线性模型;自回归综合移动平均(ARIMA);季节性ARIMA
介绍
在世界的清洁能源中天然气的消耗速度最快。它被认为是一种公共资源，被用于不同的领域，如加热、发电、运输、烹饪和冷却，需要大量的投资来转运、运输和使用天然气。影响这些投资的一些因素是投资是否与消耗量或发生了多少空气污染相匹配。在不同国家之间已经签订了天然气供应合同，从上世纪90年代初开始使用，此后需求迅速增加[1,2]。这些合同主要是带薪合同，重点是估算长期的天然气消耗。“带薪”合同的一个特点是，如果消耗低于估计的消耗价格，就必须支付。然而，对于更高的消耗，则通过稍微关闭阀门或每单位m3支付额外的价格来减少气体供应。为了避免这些情况，减少经济和社会损失，应使用一些可接受的最小误差的需求预测。各国政府应就需求预测的区域消耗水平提供初步信息。收集初步信息的主要目标是区域消耗者使用天然气的各种原因，共同形成一个国家的消耗能力。例如，大型工厂使用天然气发电和制造。这些工厂在温特和夏季都消耗类似的量，所以它们主要表现为平稳的行为。同样地，只要没有出现故障，电力生产的日常高消耗就会依赖于发电机组的水平保持在相同的水平。除了高消耗的工厂、组织和厂房外，还有低消耗的企业和住宅消耗者，他们的消耗模式主要受季节变化的影响。例如，夏季消耗水平下降，冬天明显增加。即使每个地区的消耗水平都不同，消耗水平低的消耗者在全国范围内的天然气消耗总量也总是相当可观。由于这些消耗者的天然气单位成本需要额外的投资成本，因此他们单位m3的费用要比高消耗部门高，而季节性影响(消耗行为的变化)和高昂的单位成本使这些消耗者变得更加重要。我们的案例研究是基于一个城市在土耳其的消耗情况，这种情况也适用于土耳其的城市。受季节性影响的城市消耗者的消耗行为对土耳其的天然气市场产生了影响。
图1显示了土耳其的天然气市场，虚线上的公司根据规定执行年度预测[3]。生产者通常在土耳其境外[4]。进出口和批发公司可以通过管道或液化天然气（LNG）将天然气进口到土耳其。在除底层以外的各个层面上，公司都会以等级的方式向有合同的公司报告其年度预测。最后，进口或批发公司使用自下而上的收集数据做出最终估计。每月对这些预测进行检查，如果平均绝对百分比误差高于10％，则会出现惩罚[3]。能源市场监管局（EMRA，以其土耳其首字母缩写词EPDK称之）并由石油管道公司（PPC，称为BOTAS）控制天然气市场。根据EMRA的报告，2014年，9个长期和2个点(LNG)进口许可实体进口了49.2620亿立方米天然气[4]。在同一份报告中指出，进口的液化天然气有72810亿立方米，占总进口量的14.78%。在全国范围内，家庭消耗占总消耗的20%。这一消耗金额明显偏高，影响了处罚，并根据市场的底部进行了预测，从城市分销公司的订户和小型商业终端用户那里进行了预测。如报告所述，家庭和低消耗消耗者的总和占国家总消耗的近26%[4]。因此，本文的主要目的是通过在城市层面上应用著名的单变量方法，来展示每月预测家庭和低消耗消耗者的天然气需求的可能性。因此，可以获得低错误率和局部无误差预测结果。
论文的其余部分组织如下:相关研究在第2节中提出。第3节描述了方法的数据和理论描述。第4节给出了有关建模、定义、情景分析和误差基准的详细信息。第5节提出预预测步骤，第6节给出预测结果和讨论。论文最后给出了关键的发现和后续的研究结论。
2、相关工作
时间序列预测是一种重要的预测领域，它对同一变量区域的过去观测进行了收集和分析，从而建立了描述潜在关系的模型[5]。在不同的领域，人们正在用几种方法预测天然气的消耗量。这些研究可作为每日、月、国家级、区域、居住区、工业区、使用自变量和不使用自变量进行调查。
在第一组中，出版物可以根据时间序列方法在日常时段[6-19]和月度时段[20-24]中的应用进行划分。在第二组中，出版物可以分为区域[8-12,15,18,19,21-24]或国家[6,7,13,14,20,24-31]的消费量进行调查。在第三组中，论文按消费者类型进行调查。这一群体包括家庭消耗者[6-12]、商业消耗者[11、13、25]以及所有消耗领域的消耗者[14-18,24-31]。在第四组中，根据使用的数据对研究进行分类，在使用单变量方法(28-31)或自变量(6-18,20,22-27)中使用单变量的数据。论文被分为两部分，其中包括研究。对这些调查的研究表明，大部分独立的变量包括地区的天然气消耗预测都已完成。这项研究的总结是由Soldo[32]出版的。
单变量技术在时间序列预测中具有广泛的应用领域。Ediger等采用自回归移动平均(ARIMA)、季节性ARIMA(SARIMA)和比较回归技术来预测土耳其的化石燃料来源的生产[33]。他们从2004年到2038年做了年度预测，并使用了不同的回归类型，如线性、对数、逆、二次、立方、复合、幂、增长、指数和逻辑。他们的结论是ARIMA是一种适合于预测天然气消耗的技术。Gompertz型创新扩散过程作为随机增长模型，用于预测1973 - 1997年西班牙的年度天然气[29]。他们将1998年和2000年的结果与随机逻辑创新模型进行了比较，发现Gompertz模型更合适。马和吴用灰色模型研究了中国的年度天然气消耗和产量预测。他们使用1990年至2003年的数据，并对2004年至2007年的数据进行了预测[30]。在灰色模型(有一个变量和一阶差分方程-gm(1,1))和灰色马尔可夫模型的比较中，灰色马尔可夫给出了更好的结果。谢和李还利用灰色模型预测了中国的年度天然气预测。与马和吴不同，他们使用遗传算法来优化GM(1,1)模型[31]。他们使用1996年至2002年的数据，并预测2003年至2005年的预测范围。在这里，基因优化的结果更好。在文献中，只有刘和林研究了预测每月的天然气[34]。他们的研究是全国性的，他们对每个月和季度都有预测。他们通过在ARIMA模型中加入温度和价格形成ARIMAX(ARIMA与eXogenous)模型。
单变量统计预测也适用于电力、水、太阳能、风能等能源领域的其他领域。雅尔辛塔斯等人通过对伊斯坦布尔城市的需求和供应预测来研究水资源管理[35]。他们利用2006-2014年的数据，应用ARIMA预测2015-2018年的需求，并建议通过使用节水技术来减少住宅用水，从而实现水资源的可持续管理。Gelaanskas和Gamage利用时间序列季节分解、指数平滑法和SARIMA方法预测热水需求[36]。他们发现，预测精度最重要的部分是时间序列的季节分解方法。Prema和Rao预测风速使用时间序列分解、指数平滑和反向传播神经网络[37]。他们观察到时间序列的分解和ARIMA方法给出了更多准确的结果。ARIMA方法经常用于电力消耗的日常和小时负荷预测。摘要对时间序列应用电力预测进行了研究。观察到ARIMA是最常用的线性预测技术之一。例如，王等研究了温特指数平滑和SARIMA方法的电价估算[39]。
3、我们的贡献
本文研究了天然气需求的预测。如上所述，在以往的研究时间序列分解中，季节性指数平滑法(温特线性指数平滑法)、ARIMA和SARIMA方法常被用于研究电力负荷、价格、热水需求和风速的预测。据我们所知，ARIMAX，包括外部变量，已被用于天然气月度预测[34]。在我们的研究中，应用了三种方法来预测能源部门的一个分支天然气的月度需求。这些方法以前没有在天然气和月度预测中使用过。季节性的存在是这些方法的力量，因为它们不包含任何其他变量的信息，除了它自己过去的数据。
4、方法
本文研究了时间序列分解、温特线性指数平滑法和ARIMA方法。这些技术的共同特征是，除了它们自己的数据之外，它们不需要额外的数据。除此之外，每个模型都有自己的特点。由季节性和趋势组成的模型也可用于天然气预测。本节简要介绍了这些方法。
4.1数据
天然气通过管道输送给土耳其的最终用户。管道通过减压站和测量站连接到城市（RMS）。在这些电站中，天然气的压力减小，天然气的体积也计算在内。RMSs被分为三类。第一个是RMS-A，它将管道从全国分布连接到区域分布。由于压力(40-75巴被降至12-25巴，在1小时内的消耗范围为1万至30万立方米)，这些连接是钢制的。RMS-A型站由城市天然气分销公司管理。另外两种RMS分别是B和C，它可以将压力从6-25巴降低到4巴，从1-4巴减少到0.3巴。RMS-B站也是钢线，而RMS-C站是聚乙烯线。所有RMS的消耗都是按小时测量和计算的。在这项研究中，天然气消费量数据来自萨卡里亚省的天然气分销公司。首先将一个小时分辨率数据消耗转换为每日分辨率，然后将所有RMSs的月度数据转换为每月数据。90％的工业用户拥有用于远程测量的RMS和遥测系统，RMS-B和RMS-C的每月转换遥测消耗从RMS-A消耗中减去。其余10%的工业用户发票按月第一天计费，如其他90%。此外还有10%的用户消耗从剩余的RMS中减去，从而发现家庭和低消耗的消耗者的月消耗。
4.2预测模型
本节简要介绍了时间序列分解、温特指数平滑、ARIMA和SARIMA模型。时间序列有四个不同的元素，分别是季节性成分（S），趋势成分(T)，周期成分(C)和不规则成分(E)(37,40,41)时间序列的分解（D）有两种方法，即加法和乘法模型。乘法分解模型将各组成部分相乘，而在加法分解模型中，预测变量相加[37,40-43]。在模型中，趋势成分表示长期趋势，而周期成分则表示较长周期的周期性运动。季节性成分代表短周期的振荡，而不规则的部分代表不预期或不能预测的值。预测两个周期可能包含一个周期效应[43]，造成这种影响的主要原因是过程中的长期和变化。应用分解方法的优点是易于理解和适用，与其他方法相比，它至少需要处理三个期限的数据。
在指数平滑法中，最后的实际数据的影响与它的权重有关。除了最后的实际数据，旧数据对预测也有影响。事实上，这个预测对所有数据的降序都有影响。为了得到指数平滑方程，将前面的预测用alpha;系数递归地添加到模型中，形成一个新的加权方程[37,40-46]。
温特线性指数平滑法在基于基本的指数平滑法上也有一个相似的过程链。这里的一个关键点是有一个适合做季节预测和方程的系数。温特线性通过使用水平、趋势和季节方程来计算预测，并将它们放到预测方程中的适当位置。水平、趋势和季节性因素的权重分别是alpha;、beta;、gamma;。在指数平滑过程中，温特线性方法能够有效地呈现趋势、季节性和随机性等特点[41]，这种方法的唯一缺点是需要很长的时间来确定这三个参数。
ARIMA是一种用于时间序列分析和预测的流行技术[47-53]。这个方法有三个组成部分。这些组成部分是自回归部分(AR)，在建模过程中显示了先前数据之间的关系;移动平均部分(MA)和积分部分(I)，用于使序列平稳。在ARIMA过程中，该序列不应该有缺失值，应该是平稳的[40-42,47,50-53]。ARIMA模型可以定义为ARIMA(p,d,q)符号。在表示法中，p是AR参数，d是后差值的顺序，q是MA参数。
如果在ARIMA模型中包含了季节性，则使用季节性的ARIMA（SARIMA）方法。在这个方法中，模型可以和ARIMA一样初始化，而且和AR的持续时间有关，I和MA参数被应用到模型上[41,42]。通常，模型表示为ARIMA(pdq)T(PDQ)s符号。在符号的第一部分，p,d,q值是与ARIMA方法相同的参数。T是一个变换参数，如果没有变换操作，系数为零。如果转换操作是对数，则将参数赋值为1。除了这个赋值，不管写的是什么，值都是这个数的幂。第二个P,D,Q值是ARIMA模型的季节性部分。“s”的值表示这个季节的持续时间。
Box-Jenkins方法
ARIMAde Box-Jenkins方法包括四个阶段[41]，分别是模型识别、参数估计、模型诊断和预测验证。在模型识别阶段，研究序列图像、自相关和分区自相关函数(ACF-PACF)，并完成了平稳测试。如果数据值在一个序列中是高的，那么对数、自然对数等变换就可以进行归一化处理。由于这个步骤，数据将被转换成一
全文共12699字，剩余内容已隐藏，支付完成后下载完整资料
资料编号：[14820]，资料为PDF文档或Word文档，PDF文档可免费转换为Word
以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。
