廣東省能源需求預(yù)測模型構(gòu)建及實證分析＊

葉藝勇

（五邑大學(xué) 經(jīng)濟(jì)管理學(xué)院 廣東 江門 529020）

1 引 言

隨著社會經(jīng)濟(jì)的快速發(fā)展，各行業(yè)對能源的需求大幅度增加．據(jù)統(tǒng)計，廣東省2000年的能源消耗量是7 983萬噸標(biāo)準(zhǔn)煤，2013年的能源消耗量上升到25 645萬噸標(biāo)準(zhǔn)煤，是2000年消耗量的3．2倍，其中一次能源消費90%依賴省外，二次能源消費中的電力消費有10%也是依賴省外，據(jù)估算，未來10年這個比例將達(dá)到30%左右．經(jīng)濟(jì)快速發(fā)展所帶來的巨大能源需求與供給不足之間的矛盾越來越嚴(yán)重，能源短缺已成為制約廣東省經(jīng)濟(jì)持續(xù)發(fā)展的關(guān)鍵問題，如果不采取有效的措施，將會延緩廣東省產(chǎn)業(yè)結(jié)構(gòu)的轉(zhuǎn)型升級優(yōu)化，乃至影響全省經(jīng)濟(jì)的穩(wěn)步增長．系統(tǒng)地分析廣東省能源需求的影響因素，準(zhǔn)確地預(yù)測廣東省未來能源需求的數(shù)量，進(jìn)而制定科學(xué)合理的能源發(fā)展戰(zhàn)略，確保廣東省經(jīng)濟(jì)可持續(xù)發(fā)展，具有非常重要的現(xiàn)實意義．

2 文獻(xiàn)綜述

能源系統(tǒng)是一個復(fù)雜的非線性系統(tǒng)，其需求量受到眾多因素的影響．當(dāng)前很多學(xué)者已經(jīng)對能源需求問題進(jìn)行了深入的研究，使用的預(yù)測方法包括趨勢外推法、消費彈性法、主要消耗部門預(yù)測法、回歸分析法預(yù)測等［1－3］，取得了一定的效果．但在預(yù)測精度方面還存在一定的差距，一方面是由于能源系統(tǒng)本身的復(fù)雜性、非線性、非確定性的特征導(dǎo)致的，另一方面是因為預(yù)測方法本身還存在一些不足之處，不足以完全準(zhǔn)確反映預(yù)測目標(biāo)和指標(biāo)體系之間的數(shù)量關(guān)系．要解決上述問題，除了需要構(gòu)建科學(xué)的預(yù)測指標(biāo)體系，更關(guān)鍵的就是要尋找更加科學(xué)有效的預(yù)測方法．

鑒于此，部分學(xué)者開始研究能源系統(tǒng)的非線性和不確定性等系統(tǒng)特征，如自組織特征、分形特征、混沌特征和模糊性等，并在此基礎(chǔ)上引進(jìn)非線性方法對能源需求進(jìn)行預(yù)測，如非線性／混沌時間序列方法、遺傳算法、灰色理論、人工神經(jīng)網(wǎng)絡(luò)方法等［4－8］，這些方法可以彌補(bǔ)線性模型在預(yù)測復(fù)雜能源需求時的不足．其中具有代表性的方法是人工神經(jīng)網(wǎng)絡(luò)，它是由大量神經(jīng)元通過極其豐富和完善的連接而構(gòu)成的自適應(yīng)、非線性動態(tài)系統(tǒng)，它從結(jié)構(gòu)、實現(xiàn)機(jī)理和功能上模擬生物神經(jīng)網(wǎng)絡(luò)，通過并行分布式的處理方法，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實時學(xué)習(xí)的特點［9］．它在解決非線性及高維模式識別問題中表現(xiàn)出許多特別的優(yōu)勢，受到學(xué)者的青睞．當(dāng)前，已有眾多學(xué)者將神經(jīng)網(wǎng)絡(luò)及其擴(kuò)展模型應(yīng)用于時間序列預(yù)測方面，并取得了很好的效果［10－15］．

通過對文獻(xiàn)的綜合分析發(fā)現(xiàn)，神經(jīng)網(wǎng)絡(luò)及其相關(guān)的模型已經(jīng)被廣泛應(yīng)用到金融、工業(yè)、交通等領(lǐng)域，但是在能源需求預(yù)測領(lǐng)域的應(yīng)用較少．針對廣東省能源需求系統(tǒng)具有非線性和影響因素眾多等特征，建立了基于改進(jìn)的PSO－BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型，給出了方法的基本原理和具體實現(xiàn)步驟，然后通過對廣東省1985—2013年能源需求歷史數(shù)據(jù)的建模和仿真，驗證了方法的有效性，最后對廣東省未來5年的能源需求進(jìn)行預(yù)測，為能源管理者提供決策參考的依據(jù)．

3 廣東省能源需求影響因素分析

能源需求受到多方面因素的影響，本文結(jié)合其他學(xué)者的研究成果［16－18］，遵循可獲得性、可比性、實際性、綜合性的原則，從以下幾個方面對影響能源需求的因素進(jìn)行分析．

①經(jīng)濟(jì)增長．經(jīng)濟(jì)增長是影響能源需求的主要因素，隨著廣東省社會經(jīng)濟(jì)的快速發(fā)展和產(chǎn)業(yè)結(jié)構(gòu)的持續(xù)優(yōu)化，對能源的需求量將在很長一段時間內(nèi)保持較高的水平．衡量經(jīng)濟(jì)增長的指標(biāo)本文采用國內(nèi)生產(chǎn)總值（GDP）．

②產(chǎn)業(yè)結(jié)構(gòu)調(diào)整．三大產(chǎn)業(yè)中，工業(yè)的發(fā)展對經(jīng)濟(jì)增長的貢獻(xiàn)最大，對能源的需求也最大，第一、第三產(chǎn)業(yè)對能源的需求相對較少．工業(yè)的快速發(fā)展所帶來的負(fù)面影響是顯而易見的．近年來，廣東省在產(chǎn)業(yè)結(jié)構(gòu)優(yōu)化和轉(zhuǎn)型升級方面出臺了一系列的政策措施，隨著我省產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，對能源需求數(shù)量的必將產(chǎn)生很大的影響．

③能源消費結(jié)構(gòu)．該項指標(biāo)反映了各種消費能源在消費總量中所占的比例關(guān)系，廣東省的能源消費以煤為主，據(jù)統(tǒng)計，超過50%的能源來自煤炭燃燒．煤炭為不可再生能源，利用率較低，容易污染環(huán)境，政府在大力推行開發(fā)可再生能源和清潔能源，改善能源消費結(jié)構(gòu)，降低能耗指數(shù)．

④技術(shù)進(jìn)步．首先是通過先進(jìn)技術(shù)的應(yīng)用，改善生產(chǎn)工藝和流程，提高能源的利用率，節(jié)約能源消費；其次是將技術(shù)應(yīng)用于新能源開發(fā)，從而改變能源消費結(jié)構(gòu)，進(jìn)而影響能源消費總量．由于技術(shù)進(jìn)步難以量化，本文使用單位GDP的能耗來表示．

⑤人口和城市化．能源是人類生存和發(fā)展的物質(zhì)前提，人類的衣食住行與能源息息相關(guān)，人口基數(shù)越大，對能源的需求量就越大，隨著工業(yè)化、城鎮(zhèn)化進(jìn)程的加快，人民生活水平穩(wěn)步提升，對能源需求的影響更加明顯．

⑥居民生活消費水平．居民生活水平的提高，以及消費觀念和消費行為的變化，會直接導(dǎo)致產(chǎn)業(yè)結(jié)構(gòu)的變動，進(jìn)而影響能源消費的數(shù)量，特別是增加對電力、液體和氣體燃料等優(yōu)質(zhì)能源的需求．

綜上所述，影響能源需求的主要因素有經(jīng)濟(jì)的增長（廣東省GDP）、產(chǎn)業(yè)結(jié)構(gòu)（工業(yè)在國民經(jīng)濟(jì)中的比重）、能源消費結(jié)構(gòu)（煤炭的消費比重）、技術(shù)進(jìn)步（單位GDP的能耗）、人口（廣東省人口數(shù)量）、城市化（全省城鎮(zhèn)人口所占的比重）、居民人均消費水平，預(yù)測對象為廣東省每年的能源消費數(shù)量．

4 PSO－BP能源需求預(yù)測模型構(gòu)建

4．1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)是一種多層前饋神經(jīng)網(wǎng)絡(luò)，該網(wǎng)絡(luò)的主要特點是信號向前傳遞，誤差反向傳播．在前向傳遞中，輸入信號從輸入層經(jīng)過隱含層逐層處理，直至輸出層．每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)．如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出［19］．BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)如圖1所示，BP算法如下．

1）各層權(quán)值及閾值的初始化．

2）輸入訓(xùn)練樣本，并利用訓(xùn)練樣本對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計算各層輸出．

3）求出并記錄各層的反向傳輸誤差．

4）按照權(quán)值以及閾值修正公式修正各層的權(quán)值和閾值．

5）按照新的權(quán)值重復(fù)2）和3）．

6）若誤差符合預(yù)設(shè)要求或者達(dá)到最大學(xué)習(xí)次數(shù)，則終止學(xué)習(xí)．

7）使用訓(xùn)練好的模型對預(yù)測樣本進(jìn)行預(yù)測．

4．2 標(biāo)準(zhǔn)粒子群優(yōu)化算法

粒子群優(yōu)化算法（Particle Swarm Optimization）源于對鳥類捕食行為的研究，鳥類捕食時，每只鳥找到食物最簡單有效的方法就是搜尋當(dāng)前距離食物最近的鳥的周圍區(qū)域．PSO算法就是從這種生物種群行為特征中得到啟發(fā)并用于求解優(yōu)化問題的．算法中每個粒子代表問題的一個潛在解，每個粒子對應(yīng)一個由適應(yīng)度函數(shù)決定的適應(yīng)度值．粒子的速度決定了粒子移動的方向和距離，速度隨自身及其他粒子的移動經(jīng)驗進(jìn)行動態(tài)調(diào)整，從而實現(xiàn)個體在可解空間的尋優(yōu)［19］．

圖1 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

假設(shè)粒子群的種群規(guī)模為Z，搜索空間為Y維，第i個粒子的位置表示為

Xi＝｛xi1，xi2，…，xiY｝，i＝1，2，…，Z，第i個粒子的速度表示為Vi＝｛vi1，vi2，…，viY，第i個粒子的個體極值表示為Pi＝｛pi1，pi2，…，piY，當(dāng)前的全局極值表示為Pg＝｛pg1，pg2，…，pgY．因此，粒子的速度與位置按下式更新：

其中，ω為慣性權(quán)重，是平衡粒子的全局搜索能力和局部搜索能力的參數(shù)；c1和c2為加速因子，是調(diào)整粒子自身經(jīng)驗和群體經(jīng)驗對粒子運動軌跡的影響的參數(shù)；r1和r2是在［0，1］區(qū)間內(nèi)均勻分布的兩個隨機(jī)數(shù)；vmax為粒子的最大速度，是用來限制粒子的速度的參數(shù)，vij為第i個粒子在第j維的速度．

4．3 改進(jìn)的粒子群優(yōu)化算法

標(biāo)準(zhǔn)的粒子群算法雖然具有收斂速度快、通用性強(qiáng)等優(yōu)點，但由于算法實現(xiàn)過程僅利用了個體最優(yōu)和全局最優(yōu)的信息，因此導(dǎo)致種群的多樣性消失過快，出現(xiàn)早熟收斂、后期迭代效率不高、容易陷入局部最優(yōu)等缺點，增加了尋找全局最優(yōu)解的難度．要解決上述問題，可以從以下兩方面進(jìn)行改進(jìn)．

4．3．1 動態(tài)調(diào)整慣性權(quán)重

慣性權(quán)重ω用來控制粒子之前的速度對當(dāng)前速度的影響，它將影響粒子的全局和局部搜索能力．較大的ω值有利于全局搜索，較小ω值有利于局部搜索，但在標(biāo)準(zhǔn)的PSO算法中，ω的值是固定的，在算法運行過程中，根據(jù)實際情況給ω賦予動態(tài)變化的值，使得算法能夠平衡全局和局部搜索能力，這樣可以以最少的迭代次數(shù)找到最優(yōu)解．經(jīng)驗參數(shù)是將ω初始值設(shè)定為0．9，并使其隨迭代次數(shù)的增加線性遞減至0．3，以達(dá)到上述期望的優(yōu)化目的．通過線性轉(zhuǎn)換來完成上述參數(shù)值變化的過程．

其中ωmax，ωmin分別是ω的最大值和最小值，n和N是當(dāng)前迭代次數(shù)和最大迭代次數(shù)，在迭代開始時設(shè)ω＝ωmax，ω在迭代過程中逐漸減小，直到ω＝ωmin．

這樣設(shè)置使PSO算法能夠更好的控制探索與開發(fā)的關(guān)系，在開始優(yōu)化時搜索較大的解空間，找到合適的粒子，然后在后期逐漸收縮到較小的區(qū)域進(jìn)行更精細(xì)的搜索以加快收斂速度．

4．3．2 增加粒子的多樣性

在此借鑒遺傳算法中變異的思想，對部分符合條件的粒子以一定的概率重新初始化，目的是通過變異操作來保持種群的多樣性，拓展種群的搜索空間，使得粒子能夠跳出當(dāng)前局部最優(yōu)的位置，在更大的空間繼續(xù)搜索全局最優(yōu)值．引入線性動態(tài)變異算子：

式中，F(xiàn)（n） 為當(dāng)前的變異概率；n為當(dāng)前的迭代次數(shù)；N為最大的迭代次數(shù)；Fmax，F(xiàn)min為最大的變異概率和最小的變異概率．

剛開始迭代時，種群以一個極小的概率發(fā)生變異，至迭代后期，變異概率迅速擴(kuò)大，粒子可以迅速跳出當(dāng)前的搜索區(qū)域，在更大的區(qū)域內(nèi)尋找最優(yōu)解．

4．4 改進(jìn)的PSO－BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程主要是權(quán)值和閾值的更新過程，采用的學(xué)習(xí)算法是以梯度下降為基礎(chǔ)的，但梯度下降法的訓(xùn)練效果過于依賴初始權(quán)值的選擇，且存在訓(xùn)練時間長、易陷入局部極小等問題．而粒子群算法可以避免梯度下降法中要求函數(shù)可微、對函數(shù)求導(dǎo)的過程，也避免了遺傳算法中的選擇、交叉等操作，具有收斂速度快、記憶性強(qiáng)和全局搜索能力較強(qiáng)等特點［20］，可以將兩種算法結(jié)合起來，利用PSO算法中粒子的位置來對應(yīng)神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)中的連接權(quán)值和閾值，以神經(jīng)網(wǎng)絡(luò)的輸出誤差作為PSO算法的適應(yīng)函數(shù)，通過PSO算法的優(yōu)化搜索來訓(xùn)練神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，可以彌補(bǔ)BP網(wǎng)絡(luò)在學(xué)習(xí)能力和收斂速度上的不足，既充分發(fā)揮了神經(jīng)網(wǎng)絡(luò)的非線性映射能力，還可以縮短神經(jīng)網(wǎng)絡(luò)的訓(xùn)練時間，提高預(yù)測的精度．

PSO優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的主要步驟如下．

1）初始化．根據(jù)BP神經(jīng)網(wǎng)絡(luò)的輸入樣本，建立BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，輸入層節(jié)點數(shù)，隱含層節(jié)點數(shù)，輸出層節(jié)點數(shù)；初始化粒子的位置和速度，以及粒子數(shù)、最大迭代次數(shù)、慣性權(quán)重、學(xué)習(xí)因子等參數(shù)．

2）通過網(wǎng)絡(luò)訓(xùn)練，計算粒子的適應(yīng)度值，得到粒子的個體最優(yōu)值與全局最優(yōu)值．將粒子適應(yīng)度值與個體最優(yōu)值和全局最優(yōu)值相比較，記錄當(dāng)前粒子所經(jīng)歷的最好位置．

3）考察每一個粒子的適應(yīng)度值．若該值優(yōu)于個體最優(yōu)，則將當(dāng)前值置為個體最優(yōu)，并更新該粒子的個體最優(yōu)；若粒子中的個體最優(yōu)優(yōu)于當(dāng)前的全局最優(yōu)，則將個體最優(yōu)置為全局最優(yōu)，并更新全局最優(yōu)值．

4）將經(jīng)過PSO優(yōu)化的權(quán)值和閾值作為BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值代入BP網(wǎng)絡(luò)，訓(xùn)練至滿足網(wǎng)絡(luò)的性能指標(biāo)，即均方誤差小于預(yù)先設(shè)定的誤差要求或達(dá)到最大迭代次數(shù)時，停止迭代，輸出結(jié)果，否則轉(zhuǎn)到2，繼續(xù)迭代直至算法收斂．

5）由訓(xùn)練和測試樣本完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測試，輸出預(yù)測值．如圖2所示．

圖2 PSO優(yōu)化BP流程圖

5 實證分析

5．1 數(shù)據(jù)來源

數(shù)據(jù)來源見表1．

表1 各指標(biāo)統(tǒng)計數(shù)據(jù)

5．2 數(shù)據(jù)預(yù)處理

為了消除各指標(biāo)不同量綱的影響，需要對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，以解決指標(biāo)之間的可比性．本文使用離差標(biāo)準(zhǔn)化的方法，對原始數(shù)據(jù)進(jìn)行線性變換，使變換后的值映射到［0，1］之間，并保持原本的數(shù)量關(guān)系，變換公式如（4）式所示．

其中，Yi是樣本i歸一化的值，Xi是樣本i的值，min為樣本最小值，max為樣本最大值．但這個方法有個缺點，當(dāng)有新的樣本數(shù)據(jù)加入時，數(shù)據(jù)的最大值和最小值可能會發(fā)生變化，需要重新計算Yi值．

在預(yù)測或者評價完成后，再使用反歸一化的方法對數(shù)據(jù)進(jìn)行還原處理，得出其真實值，具體的數(shù)據(jù)處理過程可以直接調(diào)用Matlab工具箱里的Mapminmax函數(shù)來完成．

5．3 數(shù)據(jù)降維

就神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)而言，預(yù)測指標(biāo)體系越龐大，指標(biāo)數(shù)量越多，模型就越復(fù)雜，預(yù)測結(jié)果的不確定性就越大，相應(yīng)地，模型的泛化能力會降低，同時也會增加運算的時間．因此有必要對前面確定的影響能源需求的指標(biāo)進(jìn)行定量化的分析，在盡量減少信息丟失的前提下減少指標(biāo)的個數(shù)，即完成樣本指標(biāo)的降維．

主成分分析法就是通過線性變換的方法，把原始變量組合成少數(shù)幾個具有代表意義的指標(biāo)，使得變換后的指標(biāo)能夠更加集中地反映研究對象特征的一種統(tǒng)計方法［21］．對樣本的原始數(shù)據(jù)進(jìn)行主成分分析，得到各個主成分的特征值和方差貢獻(xiàn)率，如表2所示．

表2 主成分特征值和方差貢獻(xiàn)率

從表2的數(shù)據(jù)可知，當(dāng)抽取的主成分為Y1，Y2時，主成分的累計方差貢獻(xiàn)率已達(dá)到93．22%，基本覆蓋了原來7個指標(biāo)所包含的信息．因此可以把Y1，Y2這2個主成分的數(shù)據(jù)作為模型的輸入，這樣就大幅度減少了神經(jīng)網(wǎng)絡(luò)的輸入節(jié)點數(shù)，降低了模型的復(fù)雜程度，同時也有利于前期樣本數(shù)據(jù)的獲?。?/p>

根據(jù)主成分分析法得出前2個主成分的系數(shù)如表3所示．

表3 Y1和Y2的主成分系數(shù)

因此得出Y1、Y2與原輸入指標(biāo)的關(guān)系為：

從表達(dá)式（5）可以看出，第一主成分Y1與x1、x2、x5、x6、x7均保持了較強(qiáng)的正相關(guān)，而與x3，x4呈現(xiàn)出負(fù)相關(guān)，這個數(shù)量關(guān)系說明了第一主成分基本反映了上述指標(biāo)的信息．由于x1、x2、x5、x6、x7是從不同的方面反映了社會經(jīng)濟(jì)發(fā)展的水平，而x3和x4反映了能源消費的狀況，因此，第一主成分Y1是綜合反映了經(jīng)濟(jì)發(fā)展?fàn)顩r和能源需求之間的密切關(guān)系．

從表達(dá)式（6）可以看出，第二主成分Y2與x1、x2、x3、x4相關(guān)性較強(qiáng)，其中與x3（能源結(jié)構(gòu)）是高度相關(guān)的，說明第二主成分基本反映了這個指標(biāo)的信息．

5．4 模型參數(shù)設(shè)置

神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)一般由樣本的輸入和輸出指標(biāo)數(shù)量確定，由于使用PCA做數(shù)據(jù)降維后，樣本數(shù)據(jù)的維數(shù)為2，輸出數(shù)據(jù)維數(shù)為1，所以確定模型的輸入節(jié)點數(shù)為2，輸出節(jié)點數(shù)為1．本文選用的是三層的BP神經(jīng)網(wǎng)絡(luò)模型，關(guān)于隱含層數(shù)目的確定，目前沒有一個通用的方法，只能根據(jù)經(jīng)驗或者多次試驗來決定．由于隱含層的數(shù)量會影響到模型的學(xué)習(xí)時間、擬合效果以及泛化能力，因此必須確定一個最佳的隱含層單元數(shù)，根據(jù)相關(guān)學(xué)者的研究結(jié)論，隱含層的數(shù)量與問題的要求、輸入、輸出指標(biāo)的個數(shù)都有關(guān)系，且其數(shù)量關(guān)系符合以下的計算公式［21］：

其中R為隱含層單元數(shù)，S1、S2分別為輸入層和輸出層的數(shù)量，a為［1，10］之間的常數(shù)．經(jīng)過循環(huán)比較算法，得出R的值為4時，模型具有較好的學(xué)習(xí)效果和泛化能力，因此本文確定神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)為2－4－1，隱層使用sigmoid函數(shù)，輸出層使用pureline函數(shù)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)效率取0．1，訓(xùn)練次數(shù)為150，輸出目標(biāo)值為0．001．粒子群規(guī)模為50，迭代次數(shù)為100，學(xué)習(xí)因子c1＝1．7，c2＝1．5，慣性權(quán)重ωmax＝0．9，ωmin＝0．3，粒子速度最大值為5，最小值為－5．

5．5 模型訓(xùn)練

本文選取前24個樣本數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，用于確定模型的相關(guān)參數(shù)，剩余5個樣本作為測試數(shù)據(jù)，用于檢驗?zāi)Ｐ偷男Ч?/p>

將訓(xùn)練數(shù)據(jù)代入模型進(jìn)行計算，得到的適應(yīng)度曲線變化如圖3所示，訓(xùn)練值與實際值比較如圖4所示，可以看出PSO－BP模型對歷史數(shù)據(jù)的學(xué)習(xí)情況非常理想，大部分樣本的訓(xùn)練值與實際值基本吻合，個別樣本有一定的偏差，但在合理的誤差范圍之內(nèi)，說明該模型的構(gòu)建是行之有效的．

5．6 模型測試

將訓(xùn)練后的模型對5個預(yù)測樣本數(shù)據(jù)進(jìn)行預(yù)測，并把預(yù)測值與實際值進(jìn)行比較，結(jié)果如表4所示，預(yù)測結(jié)果如圖5所示，樣本誤差如圖6所示．可以看到，2009－2013年的預(yù)測準(zhǔn)確度非常高，平均誤差為2．3%，以2009年為例，預(yù)測偏差為2．87%，換算成實際的偏差數(shù)量就是552．95萬噸標(biāo)準(zhǔn)煤，準(zhǔn)確的預(yù)測結(jié)果將為能源規(guī)劃與實施提供有力的依據(jù)．

圖3 適應(yīng)度變化曲線圖

圖4 訓(xùn)練值與實際值比較圖

表4 預(yù)測值與實際值比較 萬噸標(biāo)準(zhǔn)煤

圖5 預(yù)測值與實際值比較

圖6 樣本誤差圖

圖7為神經(jīng)網(wǎng)絡(luò)在訓(xùn)練、驗證及測試過程中，均方誤差的變化趨勢，可以看到，當(dāng)訓(xùn)練次數(shù)達(dá)到一定的程度，均方誤差將會小于1×10－3，完全符合模型的預(yù)設(shè)要求．圖8為模型對樣本數(shù)據(jù)的擬合程度，根據(jù)R的取值，結(jié)合圖7的均方誤差，可知模型的學(xué)習(xí)能力及預(yù)測能力是非常強(qiáng)的，準(zhǔn)確度非常高．

圖7 均方誤差的變化狀態(tài)

圖8 訓(xùn)練、驗證及測試的性能狀態(tài)

5．7 不同方法預(yù)測結(jié)果比較

為了體現(xiàn)PSO－BP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢，本文同時使用未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測，并將兩種預(yù)測結(jié)果進(jìn)行比較，具體數(shù)據(jù)見表5所示，比較效果如圖9和圖10所示．

表5 預(yù)測值與實際值比較（單位：萬噸標(biāo)準(zhǔn)煤）

圖9 預(yù)測結(jié)果比較

圖10 預(yù)測誤差比較A

由表5可知，PSO－BP模型的預(yù)測平均誤差為2．3%，BP模型的平均預(yù)測誤差為4．8%，說明經(jīng)過粒子群算法優(yōu)化神經(jīng)網(wǎng)絡(luò)參數(shù)后，不僅使得模型的收斂速度加快，運算時間減少，同時在預(yù)測精度方面也有了很大的提升．

5．8 未來5年能源需求預(yù)測

根據(jù)上述預(yù)測模型和流程，對廣東省未來5年的能源需求進(jìn)行預(yù)測，這里假設(shè)未來5年各項樣本指標(biāo)均保持當(dāng)前的增長速度，得出的結(jié)果見表6．

表6 2014～2018年能源需求量（單位：萬噸標(biāo)準(zhǔn)煤）

從表6可知，未來5年，廣東省的能源需求將持續(xù)增長，平均保持5．7%的增長率，并且增長的速度逐步加快，2018年的需求量將達(dá)到33 842．34萬噸標(biāo)準(zhǔn)煤．因此，如何針對快速增長的能源需求，采取有效的措施來解決供需不平衡的矛盾，將是決策者需要考慮的問題．根據(jù)廣東省發(fā)改委2013年底公布的《廣東省能源發(fā)展十二五規(guī)劃》，在保證全省能源供應(yīng)能力的前提下，將進(jìn)一步加快能源消費結(jié)構(gòu)的調(diào)整，構(gòu)建與科學(xué)發(fā)展要求相適應(yīng)的安全、穩(wěn)定、經(jīng)濟(jì)、清潔的現(xiàn)代能源供應(yīng)保障體系，具體措施是進(jìn)一步優(yōu)化能源結(jié)構(gòu)和布局，提升能源利用效率，逐步降低單位GDP能耗，并且爭取在新能源的利用開發(fā)方面取得突破性進(jìn)展，從而為全省經(jīng)濟(jì)社會發(fā)展提供強(qiáng)有力的能源保障．

6 結(jié) 論

對廣東省的能源需求問題進(jìn)行了深入的研究，在結(jié)合定性和定量分析的基礎(chǔ)上，確定了影響能源需求的主要因素，構(gòu)建了PSO－BP神經(jīng)網(wǎng)絡(luò)的能源需求預(yù)測模型，并對廣東省2014－2018年的能源需求進(jìn)行了預(yù)測．理論分析和實證研究表明，該方法能夠很好的反映廣東省能源需求的特征，預(yù)測結(jié)果較為準(zhǔn)確合理．但就本文所考慮的預(yù)測指標(biāo)體系而言，以定量的指標(biāo)為主，如何在模型中把政策法規(guī)、環(huán)境保護(hù)等難以定量的影響因素包含進(jìn)來，構(gòu)建更為完善的預(yù)測指標(biāo)體系，以及當(dāng)樣本數(shù)量較少的時候，如何保證模型的學(xué)習(xí)能力和泛化能力，這些問題需要繼續(xù)完善解決．

［1］林伯強(qiáng)．中國能源需求的經(jīng)濟(jì)計量分析［J］．統(tǒng)計研究，2001（10）：34－39．

［2］韓君．中國能源需求的建模與實證分析［D］．蘭州商學(xué)院，2007．

［3］魏一鳴等．中國能源需求報告（2006）：戰(zhàn)略與政策研究［M］．北京：科學(xué)出版社，2006．

［4］A S WEIGEND．Time series analysis and predicationusing gated experts with application to energy demandforecast［J］．Applied Articial Intelligence，1996（6）：583－624．

［5］V GEVORGIAN ，M KAISER ．Fuel distribution andconsumption simulation in the republic of Armenia［J］．Simulation，1998（3）：154－167．

［6］張玉春，郭寧，任劍翔．基于組合模型的甘肅省能源需求預(yù)測研究［J］．生產(chǎn)力研究，2012（11）：31－34．

［7］馮亞娟，劉曉愷，張波．基于QGA－LSSVM的能源需求預(yù)測［J］．科技與經(jīng)濟(jì)，2014（3）：56－61．

［8］蘆森．基于組合模型的中國能源需求預(yù)測［D］．成都：成都理工大學(xué)，2010．

［9］李琳娜．基于核主成分分析（KPCA）和神經(jīng)網(wǎng)絡(luò)的單目紅外圖像深度估計［D］．上海：東華大學(xué)，2013．

［10］張均東，劉澄，孫彬．基于人工神經(jīng)網(wǎng)絡(luò)算法的黃金價格預(yù)測問題研究［J］．經(jīng)濟(jì)問題，2010（1）：45－48．

［11］熊志斌．ARIMA融合神經(jīng)網(wǎng)絡(luò)的人民幣匯率預(yù)測模型研究［J］．?dāng)?shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究，2011（6）：75－81．

［12］龍文，梁昔明，龍祖強(qiáng)，等．基于混合進(jìn)化算法的RBF神經(jīng)網(wǎng)絡(luò)時間序列預(yù)測［J］．控制與決策，2012（8）：20－25．

［13］王慶榮，張秋余．基于隨機(jī)灰色蟻群神經(jīng)網(wǎng)絡(luò)的近期公交客流預(yù)測［J］．計算機(jī)應(yīng)用研究，2012（6）：32－37．

［14］張大斌，李紅燕，劉肖，等．非線性時間序列的小波－模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測方法［J］．中國管理科學(xué)，2013（2）：81－86．

［15］高玉明，張仁津．基于遺傳算法和BP神經(jīng)網(wǎng)絡(luò)的房價預(yù)測分析［J］．計算機(jī)工程，2014（4）：187－191．

［16］伍秀君．廣東省能源需求預(yù)測分析及能源發(fā)展對策研究［D］．廣州：暨南大學(xué)，2007．

［17］薛黎明．中國能源需求影響因素分析［D］．徐州：中國礦業(yè)大學(xué)，2010．

［18］秦國真．云南能源需求影響因素分析及預(yù)測［D］．昆明：云南財經(jīng)大學(xué)，2012．

［19］來建波．基于神經(jīng)網(wǎng)絡(luò)的路段行程時間預(yù)測研究［D］．昆明：云南大學(xué)，2011．

［20］潘昊；侯清蘭．基于粒子群優(yōu)化算法的BP網(wǎng)絡(luò)學(xué)習(xí)研究［J］．計算機(jī)工程與應(yīng)用，2006（6）：65－69．

［21］郭陽．PSO－BP神經(jīng)網(wǎng)絡(luò)在商業(yè)銀行信用風(fēng)險評估中的應(yīng)用研究［D］．廈門：廈門大學(xué)，2009．