主成分分析的能源消费影响因素研究(附件)
能源是推动整个社会发展的重要基础，也是促进社会进步的强大动力。作为世界上最大的能源消费国和生产国，同时也是能源消费增长速度最快的国家，中国已经成为世界能源市场的重要组成部分。但是，我国的能源消费结构是以能源的超浪费和高消费为主的，这种结构在促进经济快速发展的同时，也不断的损害着生态环境，因此，我们必须把能源消费保持在相对合适的水平上。影响能源消费的因素很多，本文仅选取国内生产总值、人口结构、能源消费结构、能源的市场价格、能源生产总量等七个因素进行分析，期望能更准确的对能源消费进行分析。但是，由于这些变量间存在多重共线性，因此，本文先将这些变量进行降维处理，把这七个影响因素转化为几个综合的指标（即主成分），这就是我们所说的主成分分析法。提取出主成分后，为了更好的研究这几个指标对能源消费之间的具体影响，再和能源消费进行回归，即通过主成分回归法对能源消费进行预测，从而分析出各指标与能源消费的内在关联。
目录
摘要2
关键词2
Abstract2
Key words2
引言2
1能源消费现状 3
2主成分分析法3
2.1主成分分析法的目标3
2.2主成分分析法的原理3
2.3主成分分析的具体步骤4
3能源消费影响因素分析 5
3.1能源消费影响因素的选取5
3.2数据来源6
4分析与结果7
4.1相关性检验7
4.2主成分分析7
4.2.1特征根和方差贡献表7
4.2.2特征向量矩阵9
4.2.3标准化变量9
5回归模型的建立10
5.1建立回归模型10
5.2方程回测11
6总结12
致谢13
参考文献14
基于主成分分析的我国能源消费影响因素研究
引言
引言
1 能源消费现状
在2018年第一季度，我国能源消费持续增长。分品种看：煤炭消费量持续增加。前两个月，全国煤炭消费量约6亿吨，比上年同期增长4.2%。电力需求大幅上升。在主要用电行业需求增 *好棒文|www.hbsrm.com +Q: ^351916072*
加以及低温天气等因素下，第一季度电力消费同比增长9.8%，为2012年以来最高季度增长率。天然气消费增长较快。第一季度消费量为712亿立方米，比去年同期增长9.8%。石油消费中低速增长。第一季度消费量约为1.54亿吨，比去年同期增长5.5%。
能源供应质量继续提高。煤炭供应保障力度加大。2018年以来，各地结合煤炭去产能，确定了市场供求形势的变化，及时做好煤炭生产和运输工作。主要产区和主要电厂存量增加，供应保障有效有序。第一季度全国原煤产量8亿吨，同比增长3.9%。解决煤炭产能过剩问题，稳步推进。今年第一季度，火电新增装机639万千瓦，比去年同期减少499万千瓦；火电设备的平均利用时间为1089小时，比去年同期增加52小时。天然气供销系统建设加快。第一季度，天然气产量为396.7亿立方米，同比增长3.3%；进口2062万吨，比去年同期同增长37.3%。清洁能源消费取得积极进展。
新旧动能转换加快。第二产业和第三产业对整个社会用电量增长的贡献发生了深刻的变化，新的产业仍然是电力消费增长的新动力。第一季度，第二产业对整个社会用电量增长的贡献率分别为46.9%，比去年同期、全年分别下降28.6个、13.1个百分点。第三产业对整个社会用电增长的贡献率为25.2%，与上年同期相比，提高9个百分点，产业转型升级效应不断显现，生产服务继续进行。生产服务业保持了良好的发展势头。高端设备制造业、机电和计算机通信、城市公共交通、信息服务业等新兴产业增长11%，高于整个社会用电增长率1.2个百分点。
清洁能源引领着能源工业的转型和发展。今年一季度，光能、风能、水能、核能等清洁发电总投资同比增长18%，远远高于全部电力投资10.5%的增长，投资比重为66%，比去年同期提高5.8个百分点。新的能源形式加速增长。一季度新增电动汽车充电设施7万6000辆，同比增长152%。截至3月底，全国电动汽车充电设施总计52万辆，同比增长123%。生物燃料乙醇有秩序地使用。初步完成了生物燃料乙醇产业总体布局规划，有序地实施和推广生物燃料乙醇。
2 主成分分析法
2．1 主成分分析法的目标
由于原始数据的基数的复杂性，很难描述其特征。主成分分析提出了一种容易解决问题的思路，并对该问题的关键方面进行了分析。这种方法认为，某一事物的特征集中在几个核心变量上，只需要分离变量，分析变量，并用它们的线性组合来表示事物的核心特征。因此，假设有个变量，主成分分析方法的目标是找到个新的变量，它反映了事物的核心特征，并压缩了原始数据矩阵的大小。这种新的变量是“主成分”，它反映了原始变量的特征，且不是相互联系的。利用主成分分析实现数据维数的压缩，并在低维空间中反映多元数据的特征。
2．2 主成分分析法的原理
主成分分析法的原理是：设有个样本，单个样本共有个变量，构成单个样本数据矩阵，记的第个列向量为 ，数据矩阵的个指标向量作线性组合即综合指标向量为：
记
为了使新的综合指标能够充分反映原来变量的信息，笔者希望的方差尽可能且之间不相关，给出约束条件：，即； 是的一切线性组合中方差最大的，则定义是第一主成分，是与不相关的的一切线性组合中方差最大的，则称为第二主成分，依次类推可以定义出个主成分。由理论推导可知主成分可以由协方差矩阵求出，设协方差矩阵的指标值为，它等于主成分方差的贡献，而组合系数是特征值所对应的的特征向量，的方差贡献率为，越大，说明相应的主成分反映综合信息的能力越强。
2．3 主成分分析的具体步骤
主成分分析的主要步骤如下：
1）将数据标准化
设选取了有个样本，每个样本都有个指标，则可以得到矩阵，其中表示第个样本的第个指标。则矩阵可以表示为：
（1）
将上面的数据标准化，其计算公式为：
目录
摘要2
关键词2
Abstract2
Key words2
引言2
1能源消费现状 3
2主成分分析法3
2.1主成分分析法的目标3
2.2主成分分析法的原理3
2.3主成分分析的具体步骤4
3能源消费影响因素分析 5
3.1能源消费影响因素的选取5
3.2数据来源6
4分析与结果7
4.1相关性检验7
4.2主成分分析7
4.2.1特征根和方差贡献表7
4.2.2特征向量矩阵9
4.2.3标准化变量9
5回归模型的建立10
5.1建立回归模型10
5.2方程回测11
6总结12
致谢13
参考文献14
基于主成分分析的我国能源消费影响因素研究
引言
引言
1 能源消费现状
在2018年第一季度，我国能源消费持续增长。分品种看：煤炭消费量持续增加。前两个月，全国煤炭消费量约6亿吨，比上年同期增长4.2%。电力需求大幅上升。在主要用电行业需求增 *好棒文|www.hbsrm.com +Q: ^351916072*
加以及低温天气等因素下，第一季度电力消费同比增长9.8%，为2012年以来最高季度增长率。天然气消费增长较快。第一季度消费量为712亿立方米，比去年同期增长9.8%。石油消费中低速增长。第一季度消费量约为1.54亿吨，比去年同期增长5.5%。
能源供应质量继续提高。煤炭供应保障力度加大。2018年以来，各地结合煤炭去产能，确定了市场供求形势的变化，及时做好煤炭生产和运输工作。主要产区和主要电厂存量增加，供应保障有效有序。第一季度全国原煤产量8亿吨，同比增长3.9%。解决煤炭产能过剩问题，稳步推进。今年第一季度，火电新增装机639万千瓦，比去年同期减少499万千瓦；火电设备的平均利用时间为1089小时，比去年同期增加52小时。天然气供销系统建设加快。第一季度，天然气产量为396.7亿立方米，同比增长3.3%；进口2062万吨，比去年同期同增长37.3%。清洁能源消费取得积极进展。
新旧动能转换加快。第二产业和第三产业对整个社会用电量增长的贡献发生了深刻的变化，新的产业仍然是电力消费增长的新动力。第一季度，第二产业对整个社会用电量增长的贡献率分别为46.9%，比去年同期、全年分别下降28.6个、13.1个百分点。第三产业对整个社会用电增长的贡献率为25.2%，与上年同期相比，提高9个百分点，产业转型升级效应不断显现，生产服务继续进行。生产服务业保持了良好的发展势头。高端设备制造业、机电和计算机通信、城市公共交通、信息服务业等新兴产业增长11%，高于整个社会用电增长率1.2个百分点。
清洁能源引领着能源工业的转型和发展。今年一季度，光能、风能、水能、核能等清洁发电总投资同比增长18%，远远高于全部电力投资10.5%的增长，投资比重为66%，比去年同期提高5.8个百分点。新的能源形式加速增长。一季度新增电动汽车充电设施7万6000辆，同比增长152%。截至3月底，全国电动汽车充电设施总计52万辆，同比增长123%。生物燃料乙醇有秩序地使用。初步完成了生物燃料乙醇产业总体布局规划，有序地实施和推广生物燃料乙醇。
2 主成分分析法
2．1 主成分分析法的目标
由于原始数据的基数的复杂性，很难描述其特征。主成分分析提出了一种容易解决问题的思路，并对该问题的关键方面进行了分析。这种方法认为，某一事物的特征集中在几个核心变量上，只需要分离变量，分析变量，并用它们的线性组合来表示事物的核心特征。因此，假设有个变量，主成分分析方法的目标是找到个新的变量，它反映了事物的核心特征，并压缩了原始数据矩阵的大小。这种新的变量是“主成分”，它反映了原始变量的特征，且不是相互联系的。利用主成分分析实现数据维数的压缩，并在低维空间中反映多元数据的特征。
2．2 主成分分析法的原理
主成分分析法的原理是：设有个样本，单个样本共有个变量，构成单个样本数据矩阵，记的第个列向量为 ，数据矩阵的个指标向量作线性组合即综合指标向量为：
记
为了使新的综合指标能够充分反映原来变量的信息，笔者希望的方差尽可能且之间不相关，给出约束条件：，即； 是的一切线性组合中方差最大的，则定义是第一主成分，是与不相关的的一切线性组合中方差最大的，则称为第二主成分，依次类推可以定义出个主成分。由理论推导可知主成分可以由协方差矩阵求出，设协方差矩阵的指标值为，它等于主成分方差的贡献，而组合系数是特征值所对应的的特征向量，的方差贡献率为，越大，说明相应的主成分反映综合信息的能力越强。
2．3 主成分分析的具体步骤
主成分分析的主要步骤如下：
1）将数据标准化
设选取了有个样本，每个样本都有个指标，则可以得到矩阵，其中表示第个样本的第个指标。则矩阵可以表示为：
（1）
将上面的数据标准化，其计算公式为：
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/1628.html
