关键词:
天然气价格
天然气消费量
预测
机器学习
摘要:
能源是人类社会赖以生存和发展的物质基础,在国民经济中具有特别重要的战略地位。无论在社会、经济还是环境方面,能源对任何国家的可持续发展都是至关重要的。全球超过五分之一的一次能源来自天然气,天然气是一种清洁的化石燃料。价格是重要的市场信号之一,天然气价格的变化必然会对天然气贸易和全球能源市场产生影响。准确预测天然气价格,能够帮助优化决策管理及防范潜在风险,有助于能源规划和监管决策。天然气需求不断增长,其消费水平也是衡量一个国家经济表现的重要标准之一。准确预测天然气消费量,能够促进资源节约利用,有效降低成本,更好地进行生产规划和基础设施建设。因此,对天然气价格和消费量进行准确预测,不仅为有效规划和实施能源政策提供了重要的指导,而且在经济规划、能源投资和环境保护等方面产生深远影响,是实现碳达峰、碳中和目标的一项重要工作。本文以美国天然气市场为研究对象,运用机器学习的研究方法,重点研究天然气价格和消费量的预测问题。本文的主要工作与创新如下:(1)利用一种机器学习方法,即梯度增强机,预测天然气价格。目前该方法在天然气价格预测领域还没有应用。以取暖油价格、原油价格、天然气旋转钻机数、市场产量、消费量、地下存储量和进口量为输入变量,选取了2001年1月至2018年12月的价格时间序列。采用梯度增强机对每日、每周及每月的Henry Hub天然气现货价格数据进行分析。通过对数据实施一系列预处理操作,从日数据、周数据、月数据三个不同的维度,对梯度增强机中的参数进行反复调整。研究表明,以最小二乘为损失函数的梯度增强机预测模型具有较高的预测性能,在天然气价格预测方面具有优势。(2)探讨基于四种机器学习方法(人工神经网络、支持向量机、梯度增强机和高斯过程回归)的天然气价格预测模型。通过模型评估和参数选择,分析和比较这四种代表性的机器学习方法在天然气价格预测中的性能。其中,人工神经网络中选择具有外生输入的非线性自回归模型;支持向量机选择均方根误差小的二次型核函数作为核函数;梯度增强机中采用适合回归模型的最小二乘为损失函数;高斯过程回归选择均方根误差小的平方指数核作为核函数。采用2001年1月至2018年12月Henry Hub天然气现货价格月度数据建立四种预测模型。输入变量为取暖油价格、原油价格、天然气旋转钻机数量、加热度日数量、降温度日数量、市场生产量、消费量、地下储量、进口量和前期天然气价格。实证结果表明,四种机器学习预测方法在预测天然气价格方面都有较好的效果。总体而言,人工神经网络和支持向量机的预测性能要优于梯度增强机和高斯过程回归。其中,人工神经网络的性能明显优于其他方法,而梯度增强机相对较弱,但它可以得到输入变量对天然气价格变化的相对影响。(3)提出一种新的混合模型用于天然气价格预测。该模型将深度学习预测工具和基于压缩感知的去噪技术相结合。首先,将压缩感知去噪作为预处理程序,对天然气现货价格原始数据进行去噪处理,以便提取纯净数据;然后利用强大的深度学习模型对纯净数据进行建模,得到最终的预测结果。以Henry Hub天然气现货价格数据为样本数据的实证研究表明,通过将深度学习和压缩感知两种技术的优势充分结合所构造的混合模型,在水平和方向预测上都优于单一模型,基于压缩感知的去噪可以显著提高深度学习模型的预测能力。(4)研究基于四种机器学习方法(人工神经网络、支持向量机、梯度增强机和高斯过程回归)的天然气消费量预测模型。采用2001年1月至2018年12月美国天然气消费量月度数据建立四种预测模型。以工业生产指数、个人收入、人口、加热度日数、降温度日数、市场生产量、净进口量、净库存提取量、价格和前期天然气消费量为输入变量。还分别对住宅、商业、工业、电力和运输五个行业的天然气消费量进行预测。实证结果表明,四种机器学习预测方法在预测天然气消费量方面均具有较好的效果。总体而言,高斯过程回归和人工神经网络的预测性能要优于支持向量机和梯度增强机。其中,高斯过程回归的性能要略优于其他方法。