廣東省能源需求預(yù)測(cè)模型構(gòu)建及實(shí)證分析

葉藝勇

摘要為了對(duì)廣東省的能源需求進(jìn)行準(zhǔn)確的預(yù)測(cè)，首先分析了影響廣東省能源需求的各種因素，構(gòu)建了預(yù)測(cè)指標(biāo)體系.在此基礎(chǔ)上，針對(duì)能源系統(tǒng)非線性等復(fù)雜系統(tǒng)特征，結(jié)合粒子群算法和BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)，構(gòu)建了改進(jìn)的PSOBP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，并通過主成分分析法對(duì)指標(biāo)體系進(jìn)行數(shù)據(jù)降維，以降低神經(jīng)網(wǎng)絡(luò)的規(guī)模和復(fù)雜程度.以廣東省1985-2013年的能源需求數(shù)據(jù)進(jìn)行模擬與仿真，并對(duì)2014-2018年的能源需求量進(jìn)行預(yù)測(cè)，理論分析和實(shí)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(cè)結(jié)果較為準(zhǔn)確合理.

關(guān)鍵詞能源需求預(yù)測(cè)，粒子群算法，BP神經(jīng)網(wǎng)絡(luò)，主成分分析法

中圖分類號(hào)F201 文獻(xiàn)標(biāo)識(shí)碼A

Construction of Energy Demand Forecasting

Model and Empirical Analysis of Guangdong Province

YE Yiyong

（College of Economics & Management Wuyi University Jiangmen， Guangdong 529020，China）

AbstractIn order to make accurate forecast for energy demand of Guangdong province， this paper analyzed the various factors which impact on energy demand of Guangdong province， and constructed the predict index system. On this basis， according to the nonlinear characteristics of the energy system， combined with the advantages of particle swarm optimization algorithm and BP neural network， a prediction model was constructed based on PSOBP neural network. And the method of principal component analysis was used to reduce the dimensions of the prediction index system in order to reduce the size and complexity of the neural network. Then， this paper simulated the energy demand data of Guangdong province from 1985 to 2013， and carried on the forecast energy demand of Guangdong province during 2014 to 2018. The theoretical analysis and empirical study show that this method can reflect the characteristics of energy demand of Guangdong province， and the predicted result is more accurate and reasonable.

Key words forecasting of energy demand， PSO， BP neural network， PCA

1引言

隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展，各行業(yè)對(duì)能源的需求大幅度增加.據(jù)統(tǒng)計(jì)，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(fèi)90%依賴省外，二次能源消費(fèi)中的電力消費(fèi)有10%也是依賴省外，據(jù)估算，未來10年這個(gè)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(huì)延緩廣東省產(chǎn)業(yè)結(jié)構(gòu)的轉(zhuǎn)型升級(jí)優(yōu)化，乃至影響全省經(jīng)濟(jì)的穩(wěn)步增長(zhǎng).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(cè)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(shí)意義.

2文獻(xiàn)綜述

能源系統(tǒng)是一個(gè)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(duì)能源需求問題進(jìn)行了深入的研究，使用的預(yù)測(cè)方法包括趨勢(shì)外推法、消費(fèi)彈性法、主要消耗部門預(yù)測(cè)法、回歸分析法預(yù)測(cè)等[1-3]，取得了一定的效果.但在預(yù)測(cè)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?yàn)轭A(yù)測(cè)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(cè)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(cè)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(cè)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(duì)能源需求進(jìn)行預(yù)測(cè)，如非線性/混沌時(shí)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(cè)復(fù)雜能源需求時(shí)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(dòng)態(tài)系統(tǒng)，它從結(jié)構(gòu)、實(shí)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(hào)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(shí)時(shí)學(xué)習(xí)的特點(diǎn)[9].它在解決非線性及高維模式識(shí)別問題中表現(xiàn)出許多特別的優(yōu)勢(shì)，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(shí)間序列預(yù)測(cè)方面，并取得了很好的效果[10-15].endprint

通過對(duì)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(cè)領(lǐng)域的應(yīng)用較少.針對(duì)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PSOBP神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型，給出了方法的基本原理和具體實(shí)現(xiàn)步驟，然后通過對(duì)廣東省1985—2013年能源需求歷史數(shù)據(jù)的建模和仿真，驗(yàn)證了方法的有效性，最后對(duì)廣東省未來5年的能源需求進(jìn)行預(yù)測(cè)，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(shí)際性、綜合性的原則，從以下幾個(gè)方面對(duì)影響能源需求的因素進(jìn)行分析.

①經(jīng)濟(jì)增長(zhǎng).經(jīng)濟(jì)增長(zhǎng)是影響能源需求的主要因素，隨著廣東省社會(huì)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(duì)能源的需求量將在很長(zhǎng)一段時(shí)間內(nèi)保持較高的水平.衡量經(jīng)濟(jì)增長(zhǎng)的指標(biāo)本文采用國(guó)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(duì)經(jīng)濟(jì)增長(zhǎng)的貢獻(xiàn)最大，對(duì)能源的需求也最大，第一、第三產(chǎn)業(yè)對(duì)能源的需求相對(duì)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(jí)方面出臺(tái)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(duì)能源需求數(shù)量的必將產(chǎn)生很大的影響.

③能源消費(fèi)結(jié)構(gòu).該項(xiàng)指標(biāo)反映了各種消費(fèi)能源在消費(fèi)總量中所占的比例關(guān)系，廣東省的能源消費(fèi)以煤為主，據(jù)統(tǒng)計(jì)，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(fèi)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(fèi)；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(fèi)結(jié)構(gòu)，進(jìn)而影響能源消費(fèi)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(duì)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(duì)能源需求的影響更加明顯.

⑥居民生活消費(fèi)水平.居民生活水平的提高，以及消費(fèi)觀念和消費(fèi)行為的變化，會(huì)直接導(dǎo)致產(chǎn)業(yè)結(jié)構(gòu)的變動(dòng)，進(jìn)而影響能源消費(fèi)的數(shù)量，特別是增加對(duì)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(zhǎng)（廣東省GDP）、產(chǎn)業(yè)結(jié)構(gòu)（工業(yè)在國(guó)民經(jīng)濟(jì)中的比重）、能源消費(fèi)結(jié)構(gòu)（煤炭的消費(fèi)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(fèi)水平，預(yù)測(cè)對(duì)象為廣東省每年的能源消費(fèi)數(shù)量.

4PSOBP能源需求預(yù)測(cè)模型構(gòu)建

4.1BP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(diǎn)是信號(hào)向前傳遞，誤差反向傳播.在前向傳遞中，輸入信號(hào)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(cè)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(cè)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(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，計(jì)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(duì)預(yù)測(cè)樣本進(jìn)行預(yù)測(cè).

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(duì)鳥類捕食行為的研究，鳥類捕食時(shí)，每只鳥找到食物最簡(jiǎn)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(gè)粒子代表問題的一個(gè)潛在解，每個(gè)粒子對(duì)應(yīng)一個(gè)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(dòng)的方向和距離，速度隨自身及其他粒子的移動(dòng)經(jīng)驗(yàn)進(jìn)行動(dòng)態(tài)調(diào)整，從而實(shí)現(xiàn)個(gè)體在可解空間的尋優(yōu)[19].

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

Xi={xi1，xi2，…，xiY}，i=1，2，…，Z，第i個(gè)粒子的速度表示為Vi={vi1，vi2，…，viY，第i個(gè)粒子的個(gè)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：

Vi（k+1）=ωVi（k）+c1r1（Pi（k）-Xi（k））+

c2r2（Pg（k）-Xi（k）），

Xi（k+1）=Xi（k）+Vi（k+1），

vij（k+1）=vmax，vij（k）>vmax，

-vmax，vij（k）<-vmax.（1）

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(yàn)和群體經(jīng)驗(yàn)對(duì)粒子運(yùn)動(dòng)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(gè)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(gè)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(diǎn)，但由于算法實(shí)現(xiàn)過程僅利用了個(gè)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(diǎn)，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).endprint

4.3.1動(dòng)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(duì)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(yùn)行過程中，根據(jù)實(shí)際情況給ω賦予動(dòng)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(yàn)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.

ω=ωmax-ωmax-ωminnN. （2）

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(shí)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(shí)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(duì)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(dòng)態(tài)變異算子：

Fn=Fmin-nN（Fmin-Fmax）.（3）

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(shí)，種群以一個(gè)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PSOBP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(shí)間長(zhǎng)、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(duì)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(diǎn)[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(duì)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(shí)間，提高預(yù)測(cè)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(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)，輸出層節(jié)點(diǎn)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(jì)算粒子的適應(yīng)度值，得到粒子的個(gè)體最優(yōu)值與全局最優(yōu)值.將粒子適應(yīng)度值與個(gè)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(gè)粒子的適應(yīng)度值.若該值優(yōu)于個(gè)體最優(yōu)，則將當(dāng)前值置為個(gè)體最優(yōu)，并更新該粒子的個(gè)體最優(yōu)；若粒子中的個(gè)體最優(yōu)優(yōu)于當(dāng)前的全局最優(yōu)，則將個(gè)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(shí)，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(cè)試樣本完成神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和測(cè)試，輸出預(yù)測(cè)值.如圖2所示.

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(duì)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(duì)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.

Yi=（Xi-min）/（max-min）.（4）

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(gè)方法有個(gè)缺點(diǎn)，當(dāng)有新的樣本數(shù)據(jù)加入時(shí)，數(shù)據(jù)的最大值和最小值可能會(huì)發(fā)生變化，需要重新計(jì)算Yi值.

在預(yù)測(cè)或者評(píng)價(jià)完成后，再使用反歸一化的方法對(duì)數(shù)據(jù)進(jìn)行還原處理，得出其真實(shí)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(cè)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(cè)結(jié)果的不確定性就越大，相應(yīng)地，模型的泛化能力會(huì)降低，同時(shí)也會(huì)增加運(yùn)算的時(shí)間.因此有必要對(duì)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(gè)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(gè)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(duì)象特征的一種統(tǒng)計(jì)方法[21].對(duì)樣本的原始數(shù)據(jù)進(jìn)行主成分分析，得到各個(gè)主成分的特征值和方差貢獻(xiàn)率，如表2所示.

從表2的數(shù)據(jù)可知，當(dāng)抽取的主成分為Y1，Y2時(shí)，主成分的累計(jì)方差貢獻(xiàn)率已達(dá)到93.22%，基本覆蓋了原來7個(gè)指標(biāo)所包含的信息.因此可以把Y1，Y2這2個(gè)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(diǎn)數(shù)，降低了模型的復(fù)雜程度，同時(shí)也有利于前期樣本數(shù)據(jù)的獲取.

根據(jù)主成分分析法得出前2個(gè)主成分的系數(shù)如表3所示.

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(gè)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(huì)經(jīng)濟(jì)發(fā)展的水平，而x3和x4反映了能源消費(fèi)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.endprint

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(gè)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(diǎn)數(shù)為2，輸出節(jié)點(diǎn)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(gè)通用的方法，只能根據(jù)經(jīng)驗(yàn)或者多次試驗(yàn)來決定.由于隱含層的數(shù)量會(huì)影響到模型的學(xué)習(xí)時(shí)間、擬合效果以及泛化能力，因此必須確定一個(gè)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(gè)數(shù)都有關(guān)系，且其數(shù)量關(guān)系符合以下的計(jì)算公式[21]：

R=S1+S2+a.（7）

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(shí)，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(gè)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(gè)樣本作為測(cè)試數(shù)據(jù)，用于檢驗(yàn)?zāi)Ｐ偷男Ч?

將訓(xùn)練數(shù)據(jù)代入模型進(jìn)行計(jì)算，得到的適應(yīng)度曲線變化如圖3所示，訓(xùn)練值與實(shí)際值比較如圖4所示，可以看出PSOBP模型對(duì)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(shí)際值基本吻合，個(gè)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(cè)試

將訓(xùn)練后的模型對(duì)5個(gè)預(yù)測(cè)樣本數(shù)據(jù)進(jìn)行預(yù)測(cè)，并把預(yù)測(cè)值與實(shí)際值進(jìn)行比較，結(jié)果如表4所示，預(yù)測(cè)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(cè)準(zhǔn)確度非常高，平均誤差為2.3%，以2009年為例，預(yù)測(cè)偏差為2.87%，換算成實(shí)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(cè)結(jié)果將為能源規(guī)劃與實(shí)施提供有力的依據(jù).

由表5可知，PSOBP模型的預(yù)測(cè)平均誤差為2.3%，BP模型的平均預(yù)測(cè)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(yùn)算時(shí)間減少，同時(shí)在預(yù)測(cè)精度方面也有了很大的提升.

5.7不同方法預(yù)測(cè)結(jié)果比較

為了體現(xiàn)PSOBP神經(jīng)網(wǎng)絡(luò)模型的優(yōu)勢(shì)，本文同時(shí)使用未經(jīng)優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練和預(yù)測(cè)，并將兩種預(yù)測(cè)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.

5.8未來5年能源需求預(yù)測(cè)

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

從表6可知，未來5年，廣東省的能源需求將持續(xù)增長(zhǎng)，平均保持5.7%的增長(zhǎng)率，并且增長(zhǎng)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(duì)快速增長(zhǎng)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(fèi)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(zhēng)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(huì)發(fā)展提供強(qiáng)有力的能源保障.

6結(jié)論

對(duì)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(cè)模型，并對(duì)廣東省2014-2018年的能源需求進(jìn)行了預(yù)測(cè).理論分析和實(shí)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(cè)結(jié)果較為準(zhǔn)確合理.但就本文所考慮的預(yù)測(cè)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(cè)指標(biāo)體系，以及當(dāng)樣本數(shù)量較少的時(shí)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.

參考文獻(xiàn)

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

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

[3]魏一鳴等.中國(guó)能源需求報(bào)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(cè)研究[J].生產(chǎn)力研究， 2012（11）：31-34.

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

[8]蘆森.基于組合模型的中國(guó)能源需求預(yù)測(cè)[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(jì)[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(jià)格預(yù)測(cè)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(cè)模型研究[J].數(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(shí)間序列預(yù)測(cè)[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(cè)[J].計(jì)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(shí)間序列的小波-模糊神經(jīng)網(wǎng)絡(luò)集成預(yù)測(cè)方法[J].中國(guó)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?jī)r(jià)預(yù)測(cè)分析[J].計(jì)算機(jī)工程， 2014（4）：187-191.

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

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

[18]秦國(guó)真.云南能源需求影響因素分析及預(yù)測(cè)[D].昆明：云南財(cái)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(shí)間預(yù)測(cè)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(jì)算機(jī)工程與應(yīng)用， 2006（6）： 65-69.

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