周 揚(yáng) 吳文祥 胡 瑩 劉秀香

(中國(guó)科學(xué)院地理科學(xué)與資源研究所,北京 100101)

基于組合模型的能源需求預(yù)測(cè)＊

周 揚(yáng) 吳文祥 胡 瑩 劉秀香

(中國(guó)科學(xué)院地理科學(xué)與資源研究所,北京 100101)

能源是人類生存和發(fā)展的重要物質(zhì)基礎(chǔ),也是當(dāng)今國(guó)際政治、經(jīng)濟(jì)、軍事、外交關(guān)注的焦點(diǎn)。能源需求預(yù)測(cè)是合理制定能源規(guī)劃的基礎(chǔ)。能源需求預(yù)測(cè)的模型很多,總的來(lái)說(shuō),可以分為單一模型預(yù)測(cè)和組合模型預(yù)測(cè)。本文在分析幾種常用單一模型的優(yōu)缺點(diǎn)和適用范圍的基礎(chǔ)上,建立BP神經(jīng)網(wǎng)絡(luò)與灰色G M的優(yōu)化組合模型,對(duì)江蘇省未來(lái)十五年煤炭和石油的需求量進(jìn)行預(yù)測(cè)。結(jié)果表明:①隨著經(jīng)濟(jì)的發(fā)展,未來(lái)江蘇省對(duì)煤炭和石油的需求量逐漸增加,其中煤炭從2008年的19 601.39萬(wàn)t標(biāo)準(zhǔn)煤增加到2020年的25 615.26萬(wàn)t標(biāo)準(zhǔn)煤,年均增長(zhǎng)率為1.81%;石油從2008年的2 628.64萬(wàn)t標(biāo)準(zhǔn)煤增加到2020年的3 532.60萬(wàn)t標(biāo)準(zhǔn)煤,年均增長(zhǎng)率為1.36%;②基于BP網(wǎng)絡(luò)與G M(1,1)的組合模型克服了單一模型的缺點(diǎn),實(shí)現(xiàn)了優(yōu)化組合模型“過(guò)去一段時(shí)間內(nèi)組合預(yù)測(cè)誤差最小”的原則,且預(yù)測(cè)結(jié)果誤差較小,不僅適用于能源的中長(zhǎng)期預(yù)測(cè),還可以推廣到其他領(lǐng)域。

組合模型;需求預(yù)測(cè);BP神經(jīng)網(wǎng)絡(luò);灰色模型

能源需求預(yù)測(cè),是通過(guò)能源供需的歷史和現(xiàn)狀,預(yù)測(cè)未來(lái)的能源需求狀況。能源需求預(yù)測(cè)是制定能源發(fā)展戰(zhàn)略的基礎(chǔ),其預(yù)測(cè)結(jié)果的好壞直接與國(guó)家或地方經(jīng)濟(jì)發(fā)展息息相關(guān),因此,做好能源需求預(yù)測(cè)對(duì)經(jīng)濟(jì)發(fā)展和社會(huì)的穩(wěn)定有著重要意義。國(guó)外主要運(yùn)用時(shí)間序列、混沌動(dòng)力學(xué)理論及BESON模型、DESON模型、PILOT模型等對(duì)能源需求量及能源消費(fèi)與經(jīng)濟(jì)增長(zhǎng)之間的關(guān)系進(jìn)行了預(yù)測(cè)分析[1-4];國(guó)內(nèi)能源需求預(yù)測(cè)大致可分為兩類:一是采用單一模型預(yù)測(cè);二是充分利用各種單一模型的信息,采用組合模型預(yù)測(cè)。單一模型中較常用的是灰色理論預(yù)測(cè)[5]和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)[6,7]。由于能源消費(fèi)系統(tǒng)存在復(fù)雜性及非線性特征,單一模型不能很好的對(duì)其進(jìn)行預(yù)測(cè)。組合預(yù)測(cè)是通過(guò)一定的數(shù)學(xué)運(yùn)算,對(duì)所得到的眾多單一預(yù)測(cè)模型結(jié)果進(jìn)行組合,得到一個(gè)包含各種模型預(yù)測(cè)信息的新預(yù)測(cè)模型。實(shí)證表明:組合模型預(yù)測(cè)精度高于用單一模型預(yù)測(cè)時(shí)的精度。目前常見(jiàn)組合模型有:灰色G M與BP網(wǎng)絡(luò)的組合模型[8,9]、偏最小二乘回歸與G M(1,1)優(yōu)化組合建立組合模型(G M-PLS)[10];非線性回歸與灰色預(yù)測(cè)優(yōu)化組合預(yù)測(cè)模型[11];AHP與G M(1,1)組合模型[12];G M(1,1)與ANN優(yōu)化組合預(yù)測(cè)模型[13]等。本文在分析BP網(wǎng)絡(luò)模型、灰色系統(tǒng)模型及其改進(jìn)模型的優(yōu)缺點(diǎn)和適用范圍的基礎(chǔ)上,首先用歷史數(shù)據(jù)建立G M(1,1)模型、動(dòng)態(tài)等維灰數(shù)遞補(bǔ)G M(1,1)模型、無(wú)偏G M模型、基于滑動(dòng)平均法改進(jìn)的G M(1,1)模型及BP網(wǎng)絡(luò)模型。然后根據(jù)這幾種單一模型的預(yù)測(cè)結(jié)果,建立BP與G M的優(yōu)化組合模型,并對(duì)江蘇省未來(lái)15年煤炭和石油的需求量進(jìn)行預(yù)測(cè),以期為江蘇省制定能源規(guī)劃提供科學(xué)依據(jù)。

1 預(yù)測(cè)模型的建立和分析

1.1 灰色G M(1,1)模型

利用灰色G M(1,1)模型建模,首先需將規(guī)律性不慎明顯的離散序列{X0(i)}i=1,2,…,n,用累加生成變換近似按指數(shù)規(guī)律變化生成序列然后利用生成序列構(gòu)造灰色常微分方程

上式中的dP[X]是灰導(dǎo)數(shù),P[X]是灰數(shù),分別表示第i點(diǎn)的灰度和灰導(dǎo)數(shù)值,則(2)式可變形成

于是由(1)、(2)、(3)式可推導(dǎo)出

G M(1,1)模型具有所需樣本數(shù)量少、計(jì)算簡(jiǎn)單、可檢驗(yàn)等優(yōu)點(diǎn),較適用于短期預(yù)測(cè)。用于長(zhǎng)期預(yù)測(cè)時(shí),僅最近幾個(gè)數(shù)據(jù)有一定的實(shí)際意義和預(yù)測(cè)精度,而其較遠(yuǎn)的數(shù)據(jù)只能反映趨勢(shì)或作為規(guī)劃值。

在利用G M(1,1)模型進(jìn)行預(yù)時(shí),也發(fā)現(xiàn)其存在的一些問(wèn)題,如:預(yù)測(cè)誤差受|a|較大的影響;數(shù)據(jù)離散程度越大,預(yù)測(cè)精度越差;應(yīng)用于長(zhǎng)期預(yù)測(cè)時(shí),會(huì)出現(xiàn)增長(zhǎng)率過(guò)快等問(wèn)題。

1.2 動(dòng)態(tài)等維灰數(shù)遞補(bǔ)G M(1,1)模型

動(dòng)態(tài)等維灰數(shù)遞補(bǔ)模型是以G M(1,1)模型為基礎(chǔ),建立G M(1,1)模型群。其原理為:①用已知數(shù)據(jù)序列建立G M(1,1)模型并預(yù)測(cè)出一組值;②將這個(gè)預(yù)測(cè)值補(bǔ)充到已知數(shù)列中,去掉最老的一個(gè)數(shù)據(jù),使構(gòu)成發(fā)展系列與原系列等維;③利用新生成的數(shù)列再建立一個(gè)G M(1,1)模型,預(yù)測(cè)下一個(gè)值,將預(yù)測(cè)值再補(bǔ)充到數(shù)據(jù)序列之后,再去掉該數(shù)列的第一個(gè)值。據(jù)此逐步預(yù)測(cè),依次遞補(bǔ),直到預(yù)測(cè)年限為止,主要步驟如下:

(1)根據(jù)原始數(shù)列建立G M(1,1)模型,并對(duì)其精度進(jìn)行檢驗(yàn);

(2)利用G M(1,1)模型預(yù)測(cè)最近的一個(gè)數(shù)據(jù)x(0)(n+1);

(3)將x(0)(n+1)作為新的信息加到原數(shù)列中,同時(shí)去掉第一個(gè)數(shù)據(jù)x(0)(1),構(gòu)成新的數(shù)列:

上式中數(shù)列長(zhǎng)度不變,即保持?jǐn)?shù)列等維;

(4)利用新數(shù)列式(9)重新建立G M(1,1)模型,對(duì)模型參數(shù)進(jìn)行修正,對(duì)精度進(jìn)行檢驗(yàn),轉(zhuǎn)步驟2。重復(fù)此過(guò)程,直到完成預(yù)測(cè)目的為止。

在用普通G M(1,1)進(jìn)行長(zhǎng)期預(yù)測(cè)時(shí),預(yù)測(cè)值的灰區(qū)間過(guò)大,精度隨時(shí)間的延伸也逐漸降低,其主要原因是在模型應(yīng)用過(guò)程中灰參數(shù)是靜態(tài)的、固定的,忽視了其具動(dòng)態(tài)變化特征[14]。從灰平面上看,真正具有實(shí)際意義的、精度較高的預(yù)測(cè)值,僅僅是最近的一兩個(gè)數(shù)據(jù),其他數(shù)據(jù)僅反映一種趨勢(shì)[14]。因此,用動(dòng)態(tài)等維灰數(shù)遞補(bǔ)模型可以解決普通G M(1,1)灰色區(qū)間過(guò)大的問(wèn)題。動(dòng)態(tài)等維灰數(shù)遞補(bǔ)G M(1,1)模型除具備基本灰色預(yù)測(cè)模型的優(yōu)點(diǎn)外,還能使所建模型具有數(shù)據(jù)動(dòng)態(tài)更新的能力,使預(yù)測(cè)更趨于合理。但同時(shí)也具有G M(1,1)模型的缺點(diǎn),即要求負(fù)荷嚴(yán)格按指數(shù)型增長(zhǎng),才能夠進(jìn)一步提高預(yù)測(cè)的精度[15]。

1.3 基于滑動(dòng)平均法改進(jìn)的G M(1,1)模型

鑒于G M(1,1)所存在灰度過(guò)大的問(wèn)題,本研究采用滑動(dòng)平均法對(duì)原始數(shù)據(jù)進(jìn)行處理,消減原始數(shù)據(jù)中極端值的影響,從而強(qiáng)化原始數(shù)據(jù)的變化趨勢(shì),盡可能將原始數(shù)據(jù)改造成遞增變化的系列,從而構(gòu)建G M(1,1)模型[16]。這樣既增加了當(dāng)年歷史數(shù)據(jù)的權(quán)重,又避免了數(shù)值間的過(guò)度波動(dòng),使預(yù)測(cè)精度更為準(zhǔn)確。數(shù)據(jù)處理過(guò)程如下:

設(shè)原始數(shù)列為x(0)t,t=1,2,3,…,n

用滑動(dòng)平均公式對(duì)原始序列進(jìn)行處理得到一組新的序列x′(0)t,且

根據(jù)所得到新序列算出G M(1,1)模型中的參數(shù)a和u,建立灰色預(yù)測(cè)模型方程,由此所得到的即是基于滑動(dòng)平均法改進(jìn)后的G M(1,1)模型。

1.4 無(wú)偏G M(1,1)模型

應(yīng)用灰色預(yù)測(cè)模型進(jìn)行預(yù)測(cè)的前提是原始數(shù)據(jù)必須滿足指數(shù)規(guī)律,并且數(shù)據(jù)序列變化速度不能太快,是一種有偏差的指數(shù)模型。鑒于此,無(wú)偏灰色模型是對(duì)傳統(tǒng)灰色模型中的a和u兩個(gè)參數(shù)進(jìn)行修正。與G M(1,1)模型相比,無(wú)偏G M(1,1)模型本身不存在固有偏差,因而消除了G M(1,1)模型對(duì)原始數(shù)據(jù)系列增長(zhǎng)速度不能過(guò)快,預(yù)測(cè)長(zhǎng)度不能過(guò)長(zhǎng)的限制,應(yīng)用范圍有了很大擴(kuò)展。

1.5 BP神經(jīng)網(wǎng)絡(luò)模型

神經(jīng)網(wǎng)絡(luò)模型是基于誤差反向傳播的一種方法,由輸入層、輸出層和一個(gè)或若干個(gè)隱層構(gòu)成,而每一層包含若干神經(jīng)元,層與層之間的神經(jīng)元通過(guò)權(quán)重W及閾值θ來(lái)相互連接,常見(jiàn)為三層BP網(wǎng)絡(luò)[17]。BP網(wǎng)絡(luò)模型學(xué)習(xí)過(guò)程由正向和反向傳播組成,正向傳播輸入樣本的輸入信息,反向傳播傳遞誤差及調(diào)整信息。在正向傳播時(shí),輸入信息在神經(jīng)元中均由S型激勵(lì)函數(shù)激活后輸出,S型激勵(lì)函數(shù)為

BP網(wǎng)絡(luò)的輸入節(jié)點(diǎn)一般沒(méi)有閾值,也沒(méi)有激勵(lì)函數(shù),對(duì)輸入節(jié)點(diǎn)的輸入就直接等于輸入節(jié)點(diǎn)的輸出。隱含層和輸出層節(jié)點(diǎn)的閾值按權(quán)值處理。它們所采用的神經(jīng)元模型為:

式中,yk為網(wǎng)絡(luò)期望輸出;ck為網(wǎng)絡(luò)實(shí)際輸出;m為學(xué)習(xí)樣本個(gè)數(shù)。

網(wǎng)絡(luò)的學(xué)習(xí)就是利用梯度搜索技術(shù)調(diào)整wij和wjk,使式(9)E趨于最小。其思想是[9]:根據(jù)BP網(wǎng)絡(luò)可以記憶復(fù)雜的非線性輸入輸出映射關(guān)系的特性,選擇適當(dāng)?shù)臉颖炯瘉?lái)對(duì)其進(jìn)行訓(xùn)練。

BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型用于中、短期預(yù)測(cè),可信度高。有關(guān)理論已經(jīng)證明了任何一個(gè)非線性映射都可以用一個(gè)三層前向網(wǎng)絡(luò)來(lái)很好的逼近。但實(shí)際計(jì)算中,BP神經(jīng)網(wǎng)絡(luò)也存在收斂速度慢、局部極小值及隱層神經(jīng)元個(gè)數(shù)和連接權(quán)選取困難等缺點(diǎn)。

1.6 BP網(wǎng)絡(luò)與G M(1,1)組合預(yù)測(cè)模型

對(duì)同一問(wèn)題采用不同的預(yù)測(cè)方法,提供不同的有用信息,其使用范圍和預(yù)測(cè)精度也往往不同。本研究中,所構(gòu)建的組合預(yù)測(cè)模型能綜合利用各種單項(xiàng)預(yù)測(cè)方法所提供的信息,克服單一模型的局限性,能更有效地提高預(yù)測(cè)精度。BP-G M優(yōu)化組合目的是充分利用與能源相關(guān)的信息(包括人口、G DP等),借助單一模型的預(yù)測(cè)信息,并發(fā)揮單一模型在能源需求預(yù)測(cè)中的優(yōu)勢(shì),使所建模型更適合于能源的中長(zhǎng)期預(yù)測(cè)。它比單個(gè)預(yù)測(cè)模型考慮問(wèn)題更系統(tǒng)、更全面、更科學(xué),能有效地減少單一模型預(yù)測(cè)過(guò)程中一些環(huán)境因素的影響。因此,鑒于上述對(duì)BP網(wǎng)絡(luò)、G M(1,1)及其各種改進(jìn)模型優(yōu)缺點(diǎn)與適用范圍的分析的基礎(chǔ)上,構(gòu)建了BP網(wǎng)絡(luò)與G M的優(yōu)化組合預(yù)測(cè)模型,建模基本思路如下:

①采用歷史數(shù)據(jù)分別建立G M(1,1)模型、動(dòng)態(tài)等維灰數(shù)遞補(bǔ)G M(1,1)模型、基于滑動(dòng)平均法處理的G M模型和無(wú)偏G M模型,預(yù)測(cè)出4組數(shù)據(jù);②將預(yù)測(cè)得到的4組灰色預(yù)測(cè)結(jié)果作為BP網(wǎng)絡(luò)的輸入向量,以原始序列作為BP網(wǎng)絡(luò)的輸出向量,建立G M與BP的優(yōu)化組合模型并進(jìn)行預(yù)測(cè)(其拓?fù)浣Y(jié)構(gòu)見(jiàn)圖1)。

圖1 組合預(yù)測(cè)模型拓?fù)浣Y(jié)構(gòu)Fig.1 T opological structure of combination forecasting model of gray neural network

輸入層和輸出層神經(jīng)元的數(shù)目分別根據(jù)輸入和輸出的變量個(gè)數(shù)確定。本文中,建立具有4層神經(jīng)網(wǎng)絡(luò),2個(gè)隱含層的BP網(wǎng)絡(luò)模型。建模時(shí)考慮江蘇省人口、G DP及原煤或原油的消費(fèi)量3個(gè)主要影響能源需求的因子作為輸入層的輸入,輸出層為江蘇省能源需求量,因此,輸入層節(jié)點(diǎn)數(shù)m=3,輸出層節(jié)點(diǎn)數(shù)n=1。隱層神經(jīng)元的節(jié)點(diǎn)數(shù)按經(jīng)驗(yàn)公式計(jì)算[18]:

式中,s為隱層神經(jīng)元節(jié)點(diǎn)個(gè)數(shù),m、n分別為輸入層和輸出層的節(jié)點(diǎn)數(shù)。

由此,經(jīng)過(guò)四舍五入確定s=7。訓(xùn)練的最大次數(shù)設(shè)為7 126次,經(jīng)過(guò)多次訓(xùn)練迭代網(wǎng)絡(luò)收斂,網(wǎng)絡(luò)收斂誤差平方和指標(biāo)取為0.004達(dá)到最優(yōu),確定最終模型,其輸出即為煤炭或石油的預(yù)測(cè)值。

2 實(shí)例分析

2.1 模型精度檢驗(yàn)及誤差分析

圖2 基于煤炭消費(fèi)量預(yù)測(cè)的各種模型誤差對(duì)比Fig.2 Error compassion of forecasting models based on coal consumption

表1 煤炭與石油消費(fèi)量預(yù)測(cè)誤差對(duì)比(2003-2006)Tab.1 Comparison of forecasting errors of coal and oil consumption(2003-2006)

表2 不同組合模型誤差對(duì)比 萬(wàn)噸標(biāo)準(zhǔn)煤Tab.2 Errors of different combination models104tons of SCE

圖3 基于石油消費(fèi)量預(yù)測(cè)的各種模型誤差對(duì)比Fig.3 Error compassion of forecasting models based in oil consumption

本研究以江蘇省1995-2002年的煤炭和石油消費(fèi)量作為歷史數(shù)據(jù),借助能源消費(fèi)主要相關(guān)因子如人口和G DP等歷史數(shù)據(jù)分別建立單項(xiàng)模型和組合預(yù)測(cè)模型,并對(duì)擬合結(jié)果進(jìn)行分析,各種模型預(yù)測(cè)相對(duì)誤差見(jiàn)圖2、圖3。同時(shí),為了驗(yàn)證所建模型的有效性,將所構(gòu)建的模型對(duì)江蘇省2003-2006年煤炭和石油的消費(fèi)量進(jìn)行了預(yù)測(cè),預(yù)測(cè)值與實(shí)際值之間相對(duì)誤差見(jiàn)表1。上述模型的建立、編程及預(yù)測(cè)等工作均使用Matlab7.1軟件完成。

由表1,圖2,圖3可知,比較五種預(yù)測(cè)模型的相對(duì)誤差,發(fā)現(xiàn)G M(1,1)模型及其各種改進(jìn)的單項(xiàng)模型預(yù)測(cè)誤差較大,個(gè)別時(shí)點(diǎn)波不穩(wěn)定,而由BP網(wǎng)絡(luò)模型與4種灰色模型組合而成的BP-G M(1,1)的優(yōu)化組合模型,綜合了各種單一模型的優(yōu)點(diǎn),其預(yù)測(cè)精度顯著提高,預(yù)測(cè)結(jié)果更加接近實(shí)際消費(fèi)情況,適宜能源需求的中長(zhǎng)期預(yù)測(cè)。

此外,分別采用目前運(yùn)用較為廣泛的幾組組合模型對(duì)江蘇省2006年石油的消費(fèi)量進(jìn)行了預(yù)測(cè)(其中包括G MPLS模型、G M(1,1)與ANN優(yōu)化組合及AHP與G M(1,1)組合模型等)并與當(dāng)年石油的實(shí)際消費(fèi)量進(jìn)行了比較,結(jié)果表明BP-G M(1,1)的優(yōu)化組合模型的預(yù)測(cè)誤差較小、精度較高,預(yù)測(cè)結(jié)果更加接近實(shí)際消費(fèi)量(見(jiàn)表2)。

2.2 數(shù)值預(yù)測(cè)

根據(jù)上述預(yù)測(cè)過(guò)程,我們采用江蘇省1995-2006年煤炭和石油的歷史數(shù)據(jù)對(duì)江蘇未來(lái)15年煤炭與石油的需求量,分別得到4組預(yù)測(cè)值。然后根據(jù)1995-2006年的人口、G DP的歷史數(shù)據(jù),利用動(dòng)態(tài)等維灰數(shù)遞補(bǔ)G M(1,1)模型對(duì)江蘇省未來(lái)15年人口與G DP進(jìn)行了預(yù)測(cè),得到2組預(yù)測(cè)值。

最后,將這6組預(yù)測(cè)值作為BP的輸入樣本,對(duì)BP進(jìn)行網(wǎng)絡(luò)訓(xùn)練,BP的輸出即為江蘇省未來(lái)15年內(nèi)煤炭和石油的需求量(見(jiàn)表3)。

由表3可以看出,江蘇省未來(lái)10年煤炭和石油消費(fèi)量呈緩慢上升的趨勢(shì),其中煤炭的消費(fèi)量將由2008年的19 601.39萬(wàn)t標(biāo)準(zhǔn)煤上升到2020年的25 615.26萬(wàn)t標(biāo)準(zhǔn)煤,以年均1.82%的增長(zhǎng)速度增長(zhǎng);石油由2008年的2 628.64萬(wàn)t標(biāo)準(zhǔn)煤上升至2020年的3 585.67萬(wàn)t標(biāo)準(zhǔn)煤,年均增長(zhǎng)率為1.36%。因此,江蘇省未來(lái)15年內(nèi)能源需求增長(zhǎng)速度對(duì)一個(gè)能源依存度高的進(jìn)口大省來(lái)說(shuō)將面臨著一場(chǎng)嚴(yán)峻的挑戰(zhàn),同時(shí),為實(shí)現(xiàn)江蘇節(jié)能減排的目標(biāo)、改變傳統(tǒng)能源在能源消費(fèi)結(jié)構(gòu)中的比例及能源可持續(xù)發(fā)展仍需要進(jìn)一步努力和研究。

表3 未來(lái)15年江蘇煤炭、石油需求量(萬(wàn)噸標(biāo)準(zhǔn)煤)Tab.3 Demand of the coal and oil in Jiangsu Province in the next fifteen years 104tons of SCE

3 結(jié)論與展望

本文中通過(guò)一定的方法將灰色系統(tǒng)理論的四種G M模型與BP網(wǎng)絡(luò)模型相整合,建立BP-G M(1,1)模型的優(yōu)化組合模型。模型充分利用了BP網(wǎng)絡(luò)較強(qiáng)的非線性映射能力和G M及各種改進(jìn)模型建模所需信息少、方法簡(jiǎn)單等優(yōu)點(diǎn),克服了相關(guān)數(shù)據(jù)不足的缺陷,既避免人為因素的影響,又綜合了更多相關(guān)因素,提高了預(yù)測(cè)精度,這種將G M及其多種改進(jìn)模型與BP網(wǎng)絡(luò)的組合,在能源消費(fèi)系統(tǒng)預(yù)測(cè)中是一種新的嘗試。其利用神經(jīng)網(wǎng)絡(luò)的函數(shù)逼近特性,實(shí)現(xiàn)了預(yù)測(cè)值與觀察值的最佳擬合。

綜上所述,所建組合模型的預(yù)測(cè)誤差較小,預(yù)測(cè)結(jié)果更接近于實(shí)際情況,實(shí)現(xiàn)了優(yōu)化組合模型“過(guò)去一段時(shí)間內(nèi)組合預(yù)測(cè)誤差最小”的原則,模型精度更高,這表明:基于灰色理論的多種改進(jìn)模型與神經(jīng)網(wǎng)絡(luò)的組合模型,不僅能較好的運(yùn)用于能源的中長(zhǎng)期預(yù)測(cè),還可以推廣到其他領(lǐng)域,為決策者提供科學(xué)的、有價(jià)值的參考依據(jù)。

(編輯:王愛(ài)萍)

Reference)

[1]Weigend A S.Time Series Analysis and Prediction Using Gated Experts with Application to Energy Demand Forecasts[J].Applied Articial Intelligence,1996,10(6):583-624.

[2]Gevorgian V,Kaiser M.Fuel Distribution and Consumption Simulation in the Republic of Armenia[J].Simulation,1998,71(3):154-167.

[3]John Asafu-Adjaye.The Relationship between Energy Consumption,Energy Price Ad Economic Growth:Time Series Evidence from Asian Developing Countries[J].Energy Economics,2000,22(6):615-625.

[4]Soytas U,Sari R.Energy Consumption and G DP:Causality Relationship in G-7 Countries and EmergingMarkets[J].Energy Economics,2003,25(1):33-37.

[5]鄧聚龍.灰色預(yù)測(cè)與決策[M].武漢:華中理工大學(xué)出版社,1992.[Deng Julong.Gray Forecast and Decision-making[M].Wuhan:Press of Huazhong University of Science and Technology,1992.]

[6]方衛(wèi)華.人工神經(jīng)網(wǎng)絡(luò)模型用于水電能源科學(xué)的問(wèn)題探討[J].水電能源科學(xué),2004,22(3):71-73.[Fang Weihua.Application of Artificial Neural Network Model to Hydroelectric Energy[J].Hydroelectric Energy,2004,22(3):71-73.]

[7]吳建生,周優(yōu)軍,金龍.神經(jīng)網(wǎng)絡(luò)及其研究進(jìn)展[J].廣西師范學(xué)院學(xué)報(bào):自然科學(xué)版,2005,22(1):92-97.[Wu Jiansheng,Zhou Y oujun JinLong.The Neural Network and Its Research Development[J].Journal of Guangxi Teachers College,2005,22(1):92-97.]

[8]李亮,孫廷容,黃強(qiáng),等.灰色G M(1,1)和神經(jīng)網(wǎng)絡(luò)組合的能源預(yù)測(cè)模型[J].能源研究與利用,2005,(1):110-113.[Li Liang,Sun Tingrong,Huang Qiang,et al.Combined Energy Forecasting Model of Gray G M(1,1)and Neural Networks[J].Energy Research&Utilization,2005,(1):110-113.]

[9]付加鋒,蔡國(guó)田,張雷,等.基于G M和BP網(wǎng)絡(luò)的我國(guó)能源消費(fèi)量組合預(yù)測(cè)模型[J].水電能源科學(xué),2006,24(2):1-4.[Fu Jiafeng,Cai Guotian,ZhangLei,et al.Combination Forecasting Model of China Energy Consumption Based on Gray Model and Back-Propagation Network[J].Water Resources and Power,2006,24(2):1-4.]

[10]張小梅,張數(shù)深,張蕓,等.基于G M-PLS組合模型預(yù)測(cè)一次能源消費(fèi)[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào),2006,(25):287-289.[Zhang Xiaomei,Zhang Shushen,Zhang Yun,et al.Combining Grey Model with Partial Least Squares Regression[J].Journal of Liaoning Technical University,2006,(25):287-289.]

[11]盧奇,顧培亮,邱世明.組合預(yù)測(cè)模型在我國(guó)能源消費(fèi)系統(tǒng)中的建構(gòu)及應(yīng)用[J].系統(tǒng)工程理論與實(shí)踐,2003,23(3):24-30.[Lu Qi,Gu Peiliang,Qiu Shiming.The Construction and Application of Combination ForecastingModel in Chinese Energy Consumption System[J].Systems Engineering-theory&Practice,2003,23(3):24-30.]

[12]邢棉.能源發(fā)展趨勢(shì)的非線性優(yōu)化組合預(yù)測(cè)模型研究[J].華北電力大學(xué)學(xué)報(bào),2002,29(3):64-67.[Xing Mian.Researches on Forecasting Model of Energy Development Tendency based on Nonlinear Combined Optimization[J].Journal of North China Electric Power University,2002,29(3):64-67.]

[13]張翎.用統(tǒng)計(jì)分析方法預(yù)測(cè)能源需求量[J].數(shù)理統(tǒng)計(jì)與管理,2001,20(6):27-30.[Zhang Ling.Energy Demand Forecast by Using Statistical Analysis[J].Application of Statistics and Management,2001,20(6):27-30.]

[14]李雁,岑慧賢.等維灰數(shù)遞補(bǔ)動(dòng)態(tài)模型在生活垃圾產(chǎn)生量預(yù)測(cè)中的應(yīng)用[J].環(huán)境污染與防治,2001,23(1):42-43.[Li Yan,Chen Huixian.Prediction of Rubbish Output with Dynamic Grey Model G M(I,1)[J].Environmental Pollution&Control,2001,23(1):42-43.]

[15]張其敏,蔣曉蓉.城市燃?xì)庳?fù)荷灰色組合預(yù)測(cè)模型研究[J].潔凈煤技術(shù),2008,(2):63-65.[Zhang Qimin,Jiang Xaorong.Research of Gray Combined Forecasting Model for T own Gas Load[J].Clean Coal Technology,2008,(2):63-65.]

[16]王玉平,蔡立紅.滑動(dòng)平均法改進(jìn)型灰色預(yù)測(cè)模型在德山開(kāi)發(fā)區(qū)電力負(fù)荷預(yù)測(cè)中的應(yīng)用[J].電力科學(xué)技術(shù)學(xué)報(bào),2007,22(2):76-79.[Wang Yuping,Cai Lihong.Application of Grey Prediction Model Modified by Slip Average Method in Predicting Electric Power Demand of Deshan Development Area[J].Journal of Electric Power Science and Technology,2007,22(2):76-79.]

[17]韓超,車永才,王繼波.改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測(cè)模型[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào):自然科學(xué)版,s1,2005,24:290-292.[Han Chao,CheY ongcai,Wang Jibo.CoalRequirement Forecasting Model of Improved BP Neural Network[J].Journal of Liaoning Technical University:Natural Scieme,s1,2005,24:290-292.]

[18]王磊,姚恒申.時(shí)間序列和神經(jīng)網(wǎng)絡(luò)的組合預(yù)測(cè)及其應(yīng)用[J].統(tǒng)計(jì)與決策,2005,(6):17-18.[Wang Lei,Yao Hengshen.The Combined Model Based on the Time Series and Neural Network and its Application[J].Statistics and Decision,2005,(6):17-18.]

[19]朱永彬,王錚,龐麗,等.基于經(jīng)濟(jì)模擬的中國(guó)能源消費(fèi)與碳循環(huán)排放高峰預(yù)測(cè)[J].地理學(xué)報(bào),2009,64(8):935-944.[Zhu Y ongbing,Wang Zheng,Pang Li,et al.Simulation on China’s Economy and Prediction on Energy Consumption and Carbon Emission under Growth Path.Acta Geographica Sinica.2009,64(8):935-944.]

[20]呂振東,郭菊娥,席酉民.中國(guó)能源CES生產(chǎn)函數(shù)的計(jì)量估算及選擇[J].中國(guó)·人口資源與環(huán)境,2009,19(4):156-160.[Lu Zhengdong,Guo Jue,Xi Y oumin.Econometric Estimate and Selection on China Energy CES Production Function.China Population,Resources and Environment,2009,19(4):156-160.]

[21]Jebaraj S,Iniyan S.A Review of Energy Models[J].Renewable and Sustainable Energy Reviews,2006,10(4):281-311.

[22]張雷,劉慧.中國(guó)國(guó)家資源環(huán)境安全問(wèn)題初探[J].2002,12(1):41-46.[Zhang Lei,Liu Hui.An Issue on the National Security of Natural Resources and Environment for China.China Population,Resources and Environment,2002,12(1):41-46.]

[23]金碚.資源與環(huán)境約束下的中國(guó)工業(yè)發(fā)展[J].中國(guó)工業(yè)經(jīng)濟(jì),2005,(4):5-14.[Jin Pei.China’s Industrial Development under the Binding of Resource and Environment.China Industry Economy,2005,(4):5-14.]

AbstractEnergy is the basis of human’s survival and development,and it is also the focus in the international political,military and diplomatic fields.Energy demand forecast is the basis for establishing energy program.At present,there are many energy demand forecasting models.In general,they can be divided into two forecasting models:one is the single forecasting model and the other is the combined model.Based on the analysis of advantages and disadvantages of some common single models and the applicable scale,one optimized combination forecast model which is composed of BP neural network and gray model is set up.At last,we apply this method to predict the demandfor coal and oil of Jiangsu Province from 2007 to 2021.The article drewfollowing conclusions:On the one hand,with the development of economy of Jiangsu Province,the demand of coal and oil will gradually increase.Coal increasesfrom 196.013 9 tons in 2008 to 256.152 6 tons 2020,and oil increases from 26.286 4 tons in 2008 to 35.326 0 tons in 2020,with an annual increase of about 1.81%and 1.36%respectively.On the other hand,the combined model can overcome the shortcomings of single model,and realize the principle that the combined errors are the smallest over a period.Meanwhile,the combined model can not only be used to the mid-long termforecastingof energy,but also to extend to other areas due to its accurate forecasted results.

Key wordscombined model;demand forecast;artificial neural network;gray model

Energy Demand Forecasting Based on Combined Model

ZHOU Yang WU Wen-Xiang HU Ying LIU Xiu-Xiang
(Institute of Geographical Sciences and Natural Resources Research,Beijing 100101,China)

TK01

A

1002-2104(2010)04-0063-06

10.3969/j.issn.1002-2104.2010.04.011

2009-07-27

周揚(yáng),碩士生,主要研究方向?yàn)槟茉葱枨箢A(yù)測(cè)及可再生能源潛力評(píng)估。

＊國(guó)家科技支撐計(jì)劃課題(No.2006BAD20B06)資助。