能源總量的BP網(wǎng)絡(luò)與粒子群優(yōu)化預(yù)測(cè)

劉潔

【摘 要】能源是影響人類生存、發(fā)展的最重要的因素之一，它決定著生活水平和經(jīng)濟(jì)發(fā)展的快慢，準(zhǔn)確預(yù)測(cè)能源總量具有重要意義。本文提出一種采用BP網(wǎng)絡(luò)及粒子群優(yōu)化對(duì)能源總量進(jìn)行預(yù)測(cè)的方法。仿真實(shí)驗(yàn)表明，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度與網(wǎng)絡(luò)參數(shù)初始值有很大關(guān)系，將粒子群優(yōu)化BP模型與傳統(tǒng)的BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果進(jìn)行比較，證明PSO-BP模型預(yù)測(cè)比傳統(tǒng)BP網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果更加準(zhǔn)確。

【關(guān)鍵詞】能源總量；BP網(wǎng)絡(luò)；粒子群優(yōu)化；預(yù)測(cè)精度

0 引言

能源預(yù)測(cè)是指對(duì)各種能源的需求量及其比例關(guān)系的未來(lái)狀況進(jìn)行推測(cè)，主要有煤炭、石油、天然氣、核電等各種能源的未來(lái)需求量預(yù)測(cè)，各種能源需求量之間的比例關(guān)系等。通過(guò)預(yù)測(cè)，可以建立能源消耗與環(huán)境保護(hù)之間的關(guān)系，結(jié)合環(huán)境保護(hù)要求，有針對(duì)性地調(diào)整能源結(jié)構(gòu)和工業(yè)布局，達(dá)到經(jīng)濟(jì)與環(huán)境的協(xié)調(diào)與可持續(xù)發(fā)展。常用的能源預(yù)測(cè)方法有經(jīng)驗(yàn)定額系數(shù)法、彈性系數(shù)法、趨勢(shì)預(yù)測(cè)法、投入產(chǎn)出法等[1]。本文采用了BP網(wǎng)絡(luò)預(yù)測(cè)法和粒子群優(yōu)化BP網(wǎng)絡(luò)預(yù)測(cè)方法，并進(jìn)行比較分析，給出相關(guān)結(jié)論。

1 BP神經(jīng)網(wǎng)絡(luò)[2]

1986年，Rumelhart等提出了誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡(jiǎn)稱BP網(wǎng)絡(luò)（Back Propagation Network），該網(wǎng)絡(luò)是一種單向傳播的多層前向網(wǎng)絡(luò)。其基本思想是采用梯度下降法。即采用梯度搜索技術(shù)，以使網(wǎng)絡(luò)的實(shí)際輸出值與期望輸出值的誤差均方值為最小[3]。三層BP網(wǎng)絡(luò)如圖1所示，網(wǎng)絡(luò)分為輸入層、隱層和輸出層。

圖1 三層BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖

BP網(wǎng)絡(luò)學(xué)習(xí)算法

BP算法是神經(jīng)網(wǎng)絡(luò)算法的主流，在此基礎(chǔ)上派生出了許多改進(jìn)算法。圖1所示網(wǎng)絡(luò)，設(shè)輸入層、隱層和輸出層分別為i、j、m層。

2 粒子群優(yōu)化算法[4]

粒子群算法最早是1995年由美國(guó)社會(huì)心理學(xué)家James Kennedy和電氣工程師Russel Eberhart共同提出的，其基本思想是受他們?cè)缙趯?duì)許多鳥類的群體行為進(jìn)行建模與仿真研究結(jié)果的啟發(fā)。而他們的模型及仿真算法主要利用了生物學(xué)家Frank Heppner的模型。

2.1 算法原理

PSO的基本思想：每個(gè)優(yōu)化問(wèn)題的潛在解都是搜索空間的粒子，所有的粒子都有一個(gè)被優(yōu)化的函數(shù)決定的適應(yīng)值，每個(gè)粒子還有一個(gè)速度向量決定其飛翔的方向和距離，然后粒子們就追隨當(dāng)前的最優(yōu)粒子在解空間中進(jìn)行搜索。

2.2 粒子群優(yōu)化算法流程[5]

①粒子種群的初始化（群體規(guī)模為m），包括隨機(jī)位置和速度；

②評(píng)價(jià)粒子的適應(yīng)度；

③對(duì)每個(gè)粒子，比較其適應(yīng)值與其經(jīng)歷過(guò)的最好位置pbest，如果更好，則將其作為當(dāng)前的最好位置pbest；

④對(duì)每個(gè)粒子，比較其適應(yīng)值與全局所經(jīng)歷的最好位置gbest，如果適應(yīng)值較好，則重新設(shè)置gbest的索引號(hào)；

⑤根據(jù)式（14）和（15）更新粒子速度和位置；

⑥如果沒(méi)達(dá)到結(jié)束條件（通常為足夠好的適應(yīng)值或達(dá)到一個(gè)預(yù)設(shè)最大迭代次數(shù)maxG），則返回②。

3 預(yù)測(cè)模型的建立及應(yīng)用

在 MATLAB R2009a環(huán)境中編寫程序進(jìn)行測(cè)試。實(shí)驗(yàn)數(shù)據(jù)如表1所示。數(shù)據(jù)來(lái)源：《2015中國(guó)統(tǒng)計(jì)年鑒》。

預(yù)測(cè)模型設(shè)計(jì)：取1996年～2014年數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。以原煤、原油、天然氣、（水電、核電、風(fēng)電）4個(gè)因素作為BP神經(jīng)網(wǎng)絡(luò)輸入，以能源生產(chǎn)總量為網(wǎng)絡(luò)輸出，如果隱層神經(jīng)元個(gè)數(shù)取2n+1，n即為輸入神經(jīng)元個(gè)數(shù)，則計(jì)算值為9，根據(jù)實(shí)驗(yàn)效果實(shí)取10，則BP網(wǎng)絡(luò)結(jié)構(gòu)為4-10-1。

表1 中國(guó)能源生產(chǎn)總量及構(gòu)成

訓(xùn)練樣本的選?。喝?996～2010年的15個(gè)樣本進(jìn)行訓(xùn)練，2011～2014年的4組數(shù)據(jù)作為檢驗(yàn)樣本。學(xué)習(xí)速率、動(dòng)量因子均設(shè)置為0.5，訓(xùn)練誤差精度設(shè)置為0.003。先對(duì)統(tǒng)計(jì)數(shù)據(jù)進(jìn)行歸一化處理，再由歸一化處理后的能源統(tǒng)計(jì)數(shù)據(jù)組成學(xué)習(xí)樣本模式，通過(guò)訓(xùn)練神經(jīng)網(wǎng)絡(luò)就可以把該類問(wèn)題的特征反映在神經(jīng)元之間相互連接的權(quán)值中，當(dāng)實(shí)際問(wèn)題特征參數(shù)輸入后，神經(jīng)網(wǎng)絡(luò)即可給出預(yù)測(cè)結(jié)果。

本次實(shí)驗(yàn)所用到的能源數(shù)據(jù)具有不同衡量單位，級(jí)差有大有小，趨向也不一定一致，為了增強(qiáng)不同量綱數(shù)據(jù)的可比性，方便觀察數(shù)據(jù)預(yù)測(cè)結(jié)果，所以首先需對(duì)能源總量數(shù)據(jù)進(jìn)行歸一化處理，采用式（16）進(jìn)行歸一化處理，標(biāo)準(zhǔn)化（Min-Max Normalization），也稱為離差標(biāo)準(zhǔn)化，是對(duì)原始數(shù)據(jù)的線性變換，使結(jié)果值映射到[0，1]之間。轉(zhuǎn)換函數(shù)如下：

3.1 基于BP網(wǎng)絡(luò)預(yù)測(cè)模型建立及預(yù)測(cè)

本次實(shí)驗(yàn)中學(xué)習(xí)速率η和動(dòng)量因子α均設(shè)置為0.5，輸入層神經(jīng)元個(gè)數(shù)為4個(gè)，隱層為10個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，網(wǎng)絡(luò)結(jié)構(gòu)為：4-10-1。訓(xùn)練精度設(shè)為0.003。BP網(wǎng)絡(luò)預(yù)測(cè)結(jié)果如表2所示。

3.2 粒子群優(yōu)化（PSO-BP）模型及預(yù)測(cè)

粒子群優(yōu)化網(wǎng)絡(luò)預(yù)測(cè)能源總量。其中PSO-BP模型實(shí)現(xiàn)程序包括3部分：①粒子群算法；②最佳適應(yīng)度計(jì)算；③BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練及預(yù)測(cè)。

粒子群優(yōu)化算法中將粒子維數(shù)n=50，種群規(guī)模m=20，迭代次數(shù)G=200，算法參數(shù)qc=0.1，c1=2，c2=2。圖2為適應(yīng)度函數(shù)優(yōu)化曲線。

表3 PSO-BP模型預(yù)測(cè)結(jié)果

對(duì)比表2和表3數(shù)據(jù)可知，優(yōu)化后的預(yù)測(cè)結(jié)果平均精度為2.4209%，而未經(jīng)優(yōu)化的預(yù)測(cè)平均精度為6.4418%，可見(jiàn)，粒子群優(yōu)化預(yù)測(cè)的結(jié)果精度要比傳統(tǒng)BP網(wǎng)絡(luò)預(yù)測(cè)精度高，表明經(jīng)過(guò)優(yōu)化再預(yù)測(cè)結(jié)果更準(zhǔn)確。

4 結(jié)論

本文對(duì)能源總量進(jìn)行預(yù)測(cè)研究，分別采用傳統(tǒng)BP網(wǎng)絡(luò)預(yù)測(cè)法與粒子群優(yōu)化BP網(wǎng)絡(luò)預(yù)測(cè)方法，對(duì)我國(guó)近4年的能源數(shù)據(jù)進(jìn)行預(yù)測(cè)。得出的結(jié)論是，在同等參數(shù)的條件下，雖然PSO優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)算法比傳統(tǒng)BP網(wǎng)絡(luò)算法復(fù)雜，但從預(yù)測(cè)的結(jié)果和性能上來(lái)看，PSO優(yōu)化后的結(jié)果預(yù)測(cè)精度有較大的提高，證明了這種方法在能源總量預(yù)測(cè)中的有效性。

【參考文獻(xiàn)】

[1]鄧?guó)欩].北京市能源消費(fèi)預(yù)測(cè)方法比較研究[D].北京林業(yè)大學(xué)，2013，6.

[2]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].2009，1.

[3]劉金琨.智能控制[M].2版.2009，7.

[4]魏秀業(yè)，潘宏俠.粒子群優(yōu)化及智能故障診斷[M].2010，7.

[5]彭程，潘玉民.粒子群優(yōu)化的RBF瓦斯涌出量預(yù)測(cè)[J].中國(guó)安全生產(chǎn)科學(xué)技術(shù)，2011，11.