已改能源需求模型研究分析.docx
- 文档编号:7459318
- 上传时间:2023-01-24
- 格式:DOCX
- 页数:25
- 大小:421.50KB
已改能源需求模型研究分析.docx
《已改能源需求模型研究分析.docx》由会员分享,可在线阅读,更多相关《已改能源需求模型研究分析.docx(25页珍藏版)》请在冰豆网上搜索。
已改能源需求模型研究分析
1.2.2能源需求预测模型研究进展
近年来,国内外学者运用不同的能源需求模型和方法对全球、国家、地区及部门尺度的能源系统发展趋势进行了大量的预测,也有不少文献对这些模型和方法进行了综述(SuganthiL,etal,2012;GhalehkhondabiI,etal,2016;DebnathKB,etal,2018;赵春富等,2015)。
不同的学者对能源需求预测模型的分类也有所差异。
其中,SuganthiL等将能源需求预测模型细分为十二种不同的类型:
ARIMA模型、计量经济模型、时间序列模型、投入-产出模型、回归模型、灰色预测模型、分解模型、专家模型及ANN模型、单位根检验及协整模型、遗传算法/模糊逻辑/模糊神经模型、集成模型——贝叶斯向量自回归模型/支持向量机回归模型/粒子群优化模型、自底向上模型——MARKAL/TIMES/LEAP(SuganthiL,etal,2012)。
GhalehkhondabiI等总结了2000-2015年间能源需求预测的相关文献使用的预测方法,本质上而言,各预测方法均大同小异,集中体现为十类,具体为:
ARMA/ARIMA/SARIMA模型、ANN模型、回归模型、模糊逻辑算法、遗传算法、时间序列模型、支持向量机、灰色预测、计量经济模型、系统动力学模型十大类上(GhalehkhondabiI,etal,2016)。
DebnathKB等则根据预测方法使用的种类将能源规划模型分为了单一模型和混合模型两大类,其中,单一模型使用的方法包括统计学方法、计算机智能和数学规划三大类,混合模型则是通过不同的单一模型方法加以组合进行预测(DebnathKB,etal,2018)。
赵国富等基于自上而下、自下而上和混合建模这三种不同的建模角度,对能源预测模型进行了综述(赵春富等,2015)。
本文认为,能源需求模型进行预测时选择的方法,可分为两大类:
趋势外推法和情景分析法。
趋势外推法是基于历史发展趋势,从现状出发,将人们对以往发展趋势的认知、事物的发展规律与特点等作为基础,推断未来可能会出现的情况以及所处的状态。
通常情况下,运用外推法主要是基于数量经济模型从不同的层面、不同的角度对能源需求进行全方位、多层面的剖析与预测,并不需要其它的外生变量,其中比较典型的方法主要有以下几种:
1.2.2.1能源消费弹性系数法
国内生产总值增长速度、能源消费增长速度二者之间的比值通常表示为能源消费弹性系数,站在宏观的角度而言,地区的能源消费情况、经济增速以及统计规律均体现为能源消费弹性系数的大小,地区经济发展对能源需求的依赖程度均可以通过该系数的大小展现出来,即系数越小,对能源需求的依赖度越小;反之,则截然相反。
能源消费弹性系数的大小并不是忽高忽低,毫无规律可言,其与经济发展状况、市场需求等因素具有密切的关联,在特定历史发展时期,其值稳定在一定的范围之内。
对过去能源消费增长、经济增长二者之间的关系进行深入的剖析,并将所得结论作为基础,估算出未来的能源弹性系数,同时对经济发展速度、能源需求增速进行预估,以此来计算出未来的能源需求量。
运用该方法的过程中,首选需要假设预估地区过去的经济发展形势、预测年份的经济发展形势并不存在显著的差异。
如果假设成立,则预测结果比较准确。
在实际预测中,因近几年政府对能源结构、经济体制进行了调整,因而在具体计算时,会结合实际情况,修正能源消费弹性系数,然后用修正过后的值来估算具体的能源消费量。
对于未来能源消费弹性系数的确定,有相关分析法、平均增长速度法两种,在实际预测中根据实际情况选取。
估算简单、速度快等均是能源消费弹性系数法所具备的特点,但是该方法具有一个十分突出的缺陷,即无法保证所选取弹性系数的科学性、合理性。
刘彦民在对我国能源需求进行研究分析时,首先从不同的角度深入探讨分析了我国成品油、原油的供货渠道、供货量以及需求量,并运用弹性系数法对未来10年我国油类能源的供需量进行了预估(刘彦民,2001)。
刘卫东等使用定基能源消费弹性系数替代传统能源消费弹性系数,对其影响因素进行协整分析,结合情景设置预测了2020年中国能源消费总量,解决了能源弹性系数数据不平稳且无规律而不利于定量分析的问题(刘卫东等,2016)。
1.2.2.2时间序列法
时间序列法是指通过观察被研究的对象,寻找其随时间变化的趋势及统计规律,并以适当的数学关系式表达出来,然后在此基础上,对未来的发展趋势进行预测。
时间序列法可以细化为确定性时间序列分析法、随机性时间序列分析法,确定性时间序列分析法就是采取各种方式将序列的随机性波动消掉,当需要对经济时间序列进行长久、大概预测时,通常采用此种方式。
确定性趋势虽然可以准确、及时掌控时间序列的基本形式,但是仍然与时间序列的变动全貌存在较大的差异,通常会造成预测结果与真实情况存在误差。
随机时间序列主要包括平稳随机时间序列、非平稳随机时间序列。
对平稳性随机过程表述时,可以首先构建时序模型,然后以此为基础对其进行准确、完整的描述。
若随机过程为非平稳时间序列,首先需要将趋势特征完全消掉,并通过恰当的方式,使随机序列趋向于平稳化,然后再采用平稳随机时间序列的具体方式来达到相关的要求与目的。
薛智韵等众多知名学者对我国石油需求序列进行了全方位、多层面的研究分析,并通过反复的论证与探讨得到了石油需求序列的具体形式,即具有确定趋势的非平稳时间序列,然后选取最小二乘法按照流程构建了具体的模型,并且运用科学合理的方式评判了模型的稳定性以及预测精度,最后运用所构建的模型对中国从2006年-2020年这十四年期间的石油供需进行了准确的预预估(薛智韵等,2006)。
在对非平稳序列进行处理的过程中,存在一个比较突出问题,即对非平稳序列进行平稳化,将会导致原序列中的数据信息发生变化,无法保证其完整性(王振龙,2000)。
基于此因,组合时间序列方法顺势而生,在对非平衡序列进行预测时,该种模型具有十分显著的优势。
卢二坡对能源需求进行分析、预测时,便采用了此种组合模型,并且采用恰当的方式评判了模型的稳定性、预测精度等,预测结果显示,本文研究分析过程中所运用的组织模型属于一种简单便捷、切实有效的预测方式;然后运用该模型对中国2004年-2020年这十六年期间的能源供需情况进行了全面、准确的预测(卢二坡,2005)。
1.2.2.3灰色预测模型
在上世纪80年代中期,中国著名学者邓聚龙提出了一种可以有效解决信息数据匮乏、数据质量低等问题的方式,即灰色系统理论,其具有一个十分显著的优点,即拟合精度较高,因而在过去二十多年期间,该方式得到了广泛的运用(郑照宁等,2004)。
灰色系统理论将信息的非完备性作为切入点,以此对复杂系统的理论进行深入的剖析,在研究分析的过程中,其并不是在系统内部特殊规律的基础上对系统进行探讨,而是通过科学合理的方式获取系统某一层次的观测数据信息,并进行合理的运算处理,从而站在更高层面的视角上,对系统内部的变化规律、系统内部各理论之间的关系等进行分析。
灰色预测法实质上就是利用恰当的方式对原始离散数据进行处理,从而在累加作用下,使随机因素的影响减小,甚至完全消除,并对序列进行观察分析,找出系统的变化特点,并在此基础上构建科学合理、健全完备的灰色预测模型。
图1.1GM(1,1)模型的预测流程
GM(n,h)模型是指一个n阶、h个变量的灰色模型,n、h发生变化,GM模型的用途、含义也会产生变化,并且所输入的数据也会存在较大差别。
对于用作预测的模型,通常情况下使h为1,即选用GM(n,1)模型,在具体分析运算的过程中仅需要考虑一个变量即可。
n值越大表明模型所包含的内容越多,但是运算量、运算难度也大幅度提升,并且精度也不会由于计算量大而增高,所以n值通常小于3。
本文为了简化计算过程,使n为1,在对未来能源需求进行预测的过程中,运用GM(1,1)模型的本质就是结合实际情况,采取恰当的方式对原始年能源消费时间序列进行累加生成操作,使最终生成的序列具有一定的规律特性,然后在此基础上,构建线性微分方程,通过计算分析得出拟合曲线,并对系统进行全面、详细的预测。
具体的预测流程见上图1.1。
1.2.2.4人工神经网络法
人工神经网络(ArtificialNeuralNetwork,ANN)是一种基于模仿人体经络系统活动特征,对客观事物进行全方位、多层面剖析的研究方式。
在1943年,神经科学家和控制论专家WarrenMcCulloch和逻辑学家WalterPitts基于数学和阈值逻辑算法创造了一种在当时比较先进、便捷的计算模型,即神经网络计算模型。
运用该模型,他们通过大量的研究分析与反复论证,得出了神经元的形式化数学表述、网络结构方式等相关内容,并且找出了单个神经元执行逻辑功能的原理以及具体流程,该研究结论表明社会正式进入人工神经研究阶段。
通过十几年的运用与不断发展,越来越多的人加入到人工神经网络的研究队伍之中。
最近几年,人工神经网络的研究已经迈向更高水平、更高层次,且在各个领域得到了广泛的运用,并且有效解决了许多难以调和的矛盾与突出问题。
人工神经网络本质上是一种时间动力系统,并且该系统具有连续性、高度非线性、规模较大等特点,其主要是由众多独立的处理单元通过相互连接形成。
它主要是将神经科学研究结论作为理论基础,能够充分展现出人体大脑各项功能的特征,但是并不是以完全描述人脑功能为主,而是模拟或者简化大脑组织运行机理、组织架构。
人工神经网络模型主要是指将大脑功能、大脑神经网络的结构等作为基础,然后结合实际需求而构建的一种科学合理、简单便捷的信息数据处理系统。
人工神经网络具有许多十分显著的特点,如自学性强、可以实现联想存储等,另外,其还可以对实际问题进行快速分析,并找出最优解(朱大奇等,2005)。
(a)相互结合型结构(b)层状结构
图1.2人工神经网络的结构类型
神经网络是由许多独立的神经元按照一定的拓扑结构相互连接而成,其中连接方式有两种不同的类型,一种是相互结合型;另一种是层状结构(吴简彤等,1998),详情见图1.2。
相互结合型神经网络系统存在反馈环,可以在神经元学习时,实现误差反馈功能,其本质上属于一种非线性系统。
层状结构神经网络则与此完全不同,其属于一种并行处理系统,信号传播具有一定的规律性,即依特定的方向传播。
人工神经网络运行过程中,最重要且最基础的一项内容便是在相关要求下进行学习。
神经网络在学习时,先结合实际情况,确定合适的初始权值,然后将样本数据准确无误的录入系统之中进行学习,并根据评价标准中的各项要求进行评判,若满足标准,则结束学习过程,若未达到要求,则根据学习规则调整权值,并接着进行学习,再次进行评判,指导满足相关要求为止。
Hebb规则是制定神经网络各学习规则的重要参考基础,学习形式主要有竞争性学习、联想学习等。
目前,经过实践证明,并得到广泛应用的神经网络模型有十几种,人工神经网络模型的类型不同,那么其学习规则、拓扑结构也会存在较大的差异。
YetisSaziMurat通过BP人工神经网络从不同的层面、不同的角度对交通用能的影响因素,如人口、经济增速、GNP等进行了深入的剖析,并得出了相关结论(YetisSaziMurat,2006)。
冯述虎等众多知名学者运用BP神经网络构建了科学合理、健全完备的时序-神经网络模型,然后通过该模型对我国未来的能源产量、能源需求等进行了全面、详细的预测(冯述虎等,2003)。
情景分析法与趋势外推法相比较而言,其研究原理具有较大的差异,情景分析法主张认为对未来的发展趋势进行预测时,对过去的发展模式进行分析,并以此为基础并不具备一定的科学性与合理性。
情景分析法主要是对当下的发展现状进行全面、深入的剖析,并推测未来有可能会产生的各种变化,固定未来的不同情景目标,模拟实现未来目标需要从现在到未来采取什么路径,进而为决策者制定全面战略发展规划提供完善、合理、科学的参考依据。
当设置未来有可能会产生的情景时,可能参考历史发展情况、未来社会经济发展的目标规划。
以下几种模型和方法多采用情景分析法进行能源预测:
1.2.2.5投入产出模型
上世纪30年代,经济学家西里·列昂惕夫(WassilyLeontief)通过大量的研究分析与论证,首次提出了投入产出分析理论,在对不同部门产品生产、消耗之间的数量关系进行探讨分析的过程中,该方法可以发挥至关重要的作用,同时在对国家能源供需分析研究的过程中,该方法也得到了广泛的运用(沃西里·列昂惕夫,1982)。
投入产出模型主要是将棋盘式的投入产出表作为基础,然后结合实际情况,构建合理、完善,且与之相对应的线性代数方程体系,进而建造一个能够充分反应出当今经济结构、社会产品再生产流程,并且健全完备的经济数学模型。
产出表、投入表经过交、连接之后便形成了投入产出表,前者可以将产品的分配使用情况展现出来;后者可以真实、准确的反映出产品价值,主要包含三个方面,即剩余产品、劳动报酬、物质消耗。
框架结构详情见下表1.1。
表1.1投入产出表的基本结构
产出
投入
中间使用
最终使用
总产出
1,2,3,…,n
最终消费
资本形成总额
净出口
中间投入
1,2,3,…,n
第Ⅰ象限
第Ⅱ象限
增加值
劳动报酬
固定资产折旧
生产税
营业盈余
第Ⅲ象限
总投入
以此为基础而构建的投入产出模型,在政策模拟、经济预测与分析等各个方面均可以发挥十分重要的作用。
静态投入产出模型并不需要将时间作为考虑因素,其仅仅反映一个固定时间周期之内的经济数量关系,但是动态模型则与此完全不同,其不但包含静态模型之中的左右数量关系,而且还要求从发展变化的角度考察社会经济活动。
后者在理论基础上存在争论,模型运算过程困难,其建立方法和理论仍处在不断探索之中。
投入产出模型并不可以根据实际需求,做出最优选择,其属于一种仿真模型,所以在具体运用的过程中,通常会用多目标规划、线性规划等一系列优化方式,再或者与情景分析法进行有机结合、配合使用。
HarryC.Willting等通过投入产出模型,对荷兰从1969年-1989年这二十年期间的能源强度变化情况进行了全方位、多层次的分析与探讨(HarryC.Willting等,1998)。
VicentAlcantara等众多知名学者利用一个投入产出结构化分解分析模型从不同的角度、不同的层面深入剖析了欧盟各国的能源强度,并根据结果进行了对比分析(AlcantaraVicent,2004)。
罗向龙等众多学者通过投入产出模型从不同的视角研究分析了国内某大型石化企业的销售情况以及生产结构系统等,然后根据已知的产品指标,对不同原料、不同能源的市场需求量进行了全面、详细的预测(罗向龙等,2003)。
1.2.2.6部门分析法
此种方式是按照部门将国民经济进行细化,根据经济发展速度、能源消费量二者之间呈现的关系,使单位产值可以科学、完善地反映出不同部门能源消费量的管理水平。
此种方式将国民经济发展情况作为研究分析的切入点,充分运用起始年的能源消费量、产值水平等各项参数,并根据实际情况,使不同部门的单位产值能耗变化率、产值增长速度保持一个固定值,进而对不同部门的能源需求增长趋势、总能源需求量、能源消费需求量进行全面的预测,具体的运算公式为:
(1.1)
在上述公式之中,E、mi、G分别表示该地区的能源消费总量、部门i的产值在总值中所占的比例、该地区总产值;而Qi、Gi、Ei分别表示该部门单位产值能耗量、部门i的产值、部门i的能源消费量。
在运用部门分析法的过程中,需要考虑多方面因素对部门能源消费量所产生的影响,如人口增长、部门结构调整、消费结构变化、产品结构变化等。
上世纪80年代,法国IEPE通过大量的研究分析与论证,在部门分析法的基础上,构建了一种新型的分析模型,即能源技术经济模型。
该模型在构建的过程中,对一定发展时间段内的科学技术、经济发展速度、人口等参数进行赋值,然后根据能源需求的变化规律,对不同部门的能源需求量、消耗量进行仿真,以此来预测能源需求量。
模型将能源系统细化为五个不同的部分,具体为:
服务业、工业、农业、居民消费、交通运输业,由于该模型具备十分突出的优点,因而在全球上百个国家之中得到了广泛的运用。
BrunoLapillonne等众多知名学者通过MEDEE模型从不同的层面对美国1985年-2000年这十五年期间的能源需求进行了详细的预测(BrunoLapillonne等,1980)。
傅月泉等知名学者利用MEDEE模型,从不同的视角预测了我国江西省长期能源消耗量以及能源需求量,并且研究分析的过程中,使情景变量处于动态之中,不断结合实际情况调整产业结构、经济发展速度等参数,进而最终得出了相对而言,较为准确、真实、完善的预测结果(傅月泉等,1994)。
1.2.2.7系统动力学模型
在1956年,美国福瑞斯特(Jay.WFoerrster)教授在已有研究成果的基础上,通过大量的试验分析与研究论证,并结合实际情况,提出了系统动力学。
在早期阶段,该方法主要在工业企业管理之中进行运用,经过不断的实践与完善,该方法应用到了各行各业之中。
系统动力学是以反馈控制理论作为重要参考基础,并且在系统认知方面,主张认为系统的反馈结构十分重要。
找出实际问题、解决实际问题时系统动力学的目的,同时通过计算机,利用仿真技术可以实现经济政策模拟实验。
系统动力学主要是将系统的结构作为重点,并对系统结构进行全面、准确、详细的描述,其属于结构仿真模型,着重分析系统发展趋势以及发展中的各种行为,该模型具有非线性、高阶数等显著的特点,并且主要集中体现在系统内部不同要素之间的关系上。
另外,系统动力学能够通过恰当的方式将复杂繁琐的组合关系准确、完善的表述出来,且可以较为真实的展现出系统的行为、系统的作用方式、系统结构。
运用系统动力学处理实际问题的过程大致可以划分为五步,具体为:
一、利用系统动力学的研究分析、理论概念等深入探讨分析研究对象;二、从不同的角度对系统的结构进行剖析,并制定总体与局部反馈机制;三、构建科学规范的模型;四、将系统动力学理论作为指导,对系统进行深入的分析,获取更全面、更真实的数据信息,并针对其中存在的问题,对模型进行改进;五、对模型进行全面检验、评价。
系统动力学将所研究的对象认定为随时间变化而变化、且具有复杂反馈结构的动态系统。
系统分析后,需要绘制出详细完整、并可以充分展现出系统动态、系统结构的流程图,然后将各变量间的关系进行定量化处理,构建完整的系统结构方程式,从而便于通过计算机实施仿真试验,最终对系统未来的变化趋势进行预测。
国内也有不少学者应用这一方法进行能源系统的仿真与预测(秦钟等,2008;李连德,2009;吕涛等,2015)。
该方法具有工作量大、难度高、分析过程繁琐等缺点,因而在短期预测时,并不会运用该方法,其主要应用于远期预测。
1.2.2.8回归分析法
在利用回归分析进行能源预测时,多采用一元线性回归或多元线性回归。
对于较为简单的一元线性回归,多用直线方程对两个变量进行拟合,确定参数的方法多为最小二乘法。
但由于只考虑一个自变量对于因变量的影响,预测结果比较片面,在实际预测中往往考虑多个自变量,进行多元线性回归分析。
比如,对能源发展趋势进行预测的过程中,由于人口增长速度、经济增速与能源消费存在关联,因而将能源消费量(Yt)、人口(Xt1)及国内生产总值(Xt2)分别作为被解释变量与解释变量,构建二元回归模型(卢奇等,2003):
,t=1,2,…,t(1.2)
设上述模型满足以下假定条件:
假定1随即误差项非自相关,则
,
(1.3)
假定2解释变量与误差项相互独立,即
(1.4)
假定3解释变量之间线性无关。
假定4解释变量是非随机的。
在以上假设条件同时成立的情况下,利用最小二乘(OLS)估计法来对确定各项参数值,即
,并构建合理、完善的基于能源消费量的多元回归模型,然后分别进行F检验、t检验,以此来判断模型能够用作预测。
在实际运用的过程中,回归分析通常会与情景设置进行有机结合,根据结合情景设置中未来GDP和人口的发展情况进行能源需求预测;也可以按照拟合的方程直接进行趋势外推来预测。
经济系统会受到多种随机因素的影响而产生变化,因而解释变量、被解释变量之间并不是一直保持均衡状态,而是极易产生失衡,因此要及时对模型进行改进、修正。
为了有效处理因非平稳变量而造成的伪回归影响,可以采用误差修正模型进行改进。
林伯强利用误差修正模型、协整理论从不同的层面对我国能源需求的各种决定因素进行了全方位、多层面的研究分析,得出能源需求的影响因素主要有四种,即经济结构、GDP、能源总消费、能源价格,在此基础上预测了未来能源的供需量(林伯强,2001)。
FrancoM等众多知名学者运用协整理论对变量进行了平稳性实验、协整分析等一系列操作,并构建了误差修正模型,又通过该方式对Venezuelan电力系统2004年-2024年这二十年期间的电力需求进行了全面、详细的预测(FrancoM等,2007)。
根据上述内容,将以上八种较具代表性的单一能源需求预测模型的优缺点及适用范围总结如下:
表1.2单一能源需求预测模型的优缺点及适用范围
模型
适用范围
优点
缺点
能源消费弹性系数法
适用于能源消费弹性系数未发生跳跃性变化的中短期预测
需要数据少,运算简便
现实情况中能源消费弹性系数历史数据往往并不具有平稳性,使实际应用遇到了困难
续表1.2
模型
适用范围
优点
缺点
时间序列法
适用于趋势未发生重大改变的时间序列进行短期预测
能较好拟合时间序列的确定性趋势和随机扰动项,运算简便快速
无法考虑预测数据与其影响因素之间的关系,只能预测其按照历史趋势发展的情况,对起伏较大的序列进行预测时往往精度较差
灰色预测模型
适用于发展隐含指数型变化规律的平稳序列,理论上适用于中长期预测,但精度难以保证
所需样本量少,不需要计算统计特征,外界因素不会对其产生影响,运算过程简单、计算难度小,在短期预测方面具有突出优势
数据离散程度、预测精度之间存在密切相关的联系,即离散程度越大、精度越低
人工神经网络法
适用于大样本非线性数据的中短期预测
具有自学习、自适应、储存记忆、优化计算等能力,对处理非线性、非结构性数据的预测具有优势
要求样本量较多,学习过程往往需要成千上万次的迭代;隐含层神经元的个数和连接权值的选取往往缺乏理论指导,推广能力有限
投入产出模型
适用于经济活动预测,在中长期预测方面可以发挥至关重要的作用
将经济系统不同部门、不同变量之间的相互作用作为研究重点,可以充分展现出经济系统不同部门生产、使用间的平衡关系
分析过程中需要大量的信息数据;在假定、优化等一些方面上,模型设计存在一定局限性,适用范围小
部门分析法
适用于自下往上的中长期预测
能体现出各部门内不同因素对于部门能源消费量的影响
部门划分存在一定争议,粗略划分可能忽略了内部差异,详细划分又需要大量数据做支撑,运算繁琐
系统动力学模型
适用于复杂系统隐藏规律的挖掘及其中长期动态预测
能反映多个因素对能源系统的影响,能建立它们之间非线性、动态的关系
需要的数据量大,运算复杂
回归分析法
适用于同若干个自变量保持关联的因变量进行中期或者长期预测
可以找出预测对象、影响因素之间存在的关联;操作比较方便,可以估计出较为合理、科学的参数
对于影响因素的选择往往具有主观性;线性回归预测往往精度较低,非线性回归预测计算量大、过程复杂
由于能源系统的非线性和不确定性,近年来,国内外不少学者在对能源需求进行研究分析、预测时,开始尝试运用一些基于现代科学技术的非线性方法,如小波分析、遗传算法、混沌时间序列法等。
傅瑛等众多知名学者通过混沌时间序列的方式从不同的层面对我国江苏省能源消费量进行了详细、全面的预测,并把
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 能源需求 模型 研究 分析