馮 雪，張金鎖，鄒紹輝

（1.西安科技大學a.能源學院;b.能源經(jīng)濟與管理研究中心;c.管理學院，西安 710054）

基于多源信息融合的能源需求預測模型研究綜述

馮 雪a,b，張金鎖b,c，鄒紹輝b,c

（1.西安科技大學a.能源學院;b.能源經(jīng)濟與管理研究中心;c.管理學院，西安 710054）

文章以能源需求預測模型技術提升和預測誤差不斷改善為線索，從信息源的角度出發(fā)，梳理了國內外能源需求預測的相關理論與模型特征。能源需求預測模型經(jīng)歷了單一模型、多源模型組合和智能信息融合三個發(fā)展階段，文章對模型發(fā)展階段的特點和存在問題進行評述，對未來非線性、變權重技術以及多源信息融合模型在能源需求預測方面的應用做出進一步展望。

多源信息融合；單一模型；多源模型組合；智能信息融合；能源需求預測

0 引言

準確地預測能源需求趨勢，有利于規(guī)避能源供給風險，降低能源供需缺口，減緩經(jīng)濟周期波動，進而促進經(jīng)濟社會可持續(xù)發(fā)展。我國是一個能源消費大國，國內能源需求變化對全球能源格局的影響日益增強，科學預測能源需求是制定我國相關能源發(fā)展戰(zhàn)略的重要依據(jù)。近十年來，雖然我國不斷重視能源需求預測工作，相關研究也越來越多，但是已有能源需求預測方法普遍存在模型選擇欠缺依據(jù)以及信息源不完備的問題，在此基礎上較大的預測誤差問題難以避免。鑒于此，本文對能源需求預測領域的文獻進行系統(tǒng)分析與述評，對單一預測模型存在的問題進行剖析，在此基礎上提出構建包含多源信息的能源需求預測模型分析框架，以期改善現(xiàn)有能源需求預測模型的預測精度，提高該類模型的應用價值。

1 基于信息單一化的能源需求預測模型

信息單一化是指僅采用單一模型預測能源需求。單一模型是一種純數(shù)學模型的擬合估計方法，根據(jù)能源需求分析方法的基本假設不同，大致可將其分為兩類：第一類是單一自相關時間序列模型，是一種基于能源系統(tǒng)自身對能源需求進行預測的研究方式。該類模型假設影響需求變化的一切因素都已反應在需求變量本身中，這些影響因素一般不會發(fā)生突變，因此可以通過歷史需求的擬合來推測未來需求。趨勢外推模型、ARMA模型和灰色模型就是典型代表。第二類是多因素相關關系預測模型，是基于整個社會經(jīng)濟系統(tǒng)對能源需求進行預測，基本假設是預測值不局限于自身各滯后期對它的影響，還包括其他相關因素的作用甚至是相互作用。該類模型主要包括多元回歸模型、協(xié)整與誤差修正模型、向量自回歸模型、系統(tǒng)動力學模型、人工神經(jīng)網(wǎng)絡模型和情景分析法等[1]。

各單一模型根據(jù)各自的數(shù)學理論都有其不同的適用情況，有其不可替代的優(yōu)勢，但也有相應的不足，不能簡單、絕對地評判哪個模型的優(yōu)劣，對各單一模型的適用范圍及優(yōu)缺點歸納梳理如下頁表1所示。

從單一模型的兩種主要類型——自相關時間序列模型和多因素相關關系模型的比較來看，前者（自相關時間序列模型）是基于能源系統(tǒng)自身對能源需求進行預測的研究方式，基本假設是影響需求變化的一切因素都已反應在需求變量本身中，因此以歷史需求可以推測未來需求。該方法能夠較好地消除序列中的隨機性波動，擬合能源需求確定性趨勢能力較強，但是未反映出能源需求復雜系統(tǒng)中錯綜復雜的關系。后者（多因素相關關系模型）是基于整個社會經(jīng)濟系統(tǒng)對能源需求進行預測，基本假設是預測值不局限于自身各滯后期的影響，還包括其他相關因素的作用甚至是相互作用。相關關系法可以分析出能源需求復雜系統(tǒng)中多種因素與能源需求的因果關系或結構比例關系，但對影響因素的篩選有要求，復雜性也隨之提高?？傮w來說，單一模型雖然總體上來說易于操作，但是缺乏能源需求基本規(guī)律的全面認識，模型的特點決定了信息來源的單一性，因此預測精度還有待改善。

2 基于信息多源化的能源需求預測模型

2.1 多源模型組合

Bates和Granger（1969）[2]最早提出多源模型的組合預測理論。該理論認為，有不同可供預測的單一模型，同時也有不同的組合方法，預測精度往往各不相同，沒有一種方法可以達到100%的預測精度，但是組合模型有效地集結了各種數(shù)據(jù)樣本的信息以及不同模型的有用信息，比單一預測模型考慮了更為全面的信息，因而可以有效減少或者抵消單個模型中的一些隨機因素的影響[3]，提高了預測模型的預測精度和可信度。組合模型較單一模型優(yōu)勢有顯著提高，表現(xiàn)為以下三方面：第一，模型優(yōu)勢互補。組合預測方法不是各預測模型簡單地堆砌而是合理組合，每種方法存在不同的適應情況，也都有其自身的優(yōu)缺點，通過對具有互補性的方法進行組合，用其中一個模型分析方法的優(yōu)勢或特點彌補另一個模型的缺陷，從而達到優(yōu)化模型的預測效果；第二，預測精度提升。目前可用的單一模型較多，但針對具體問題和數(shù)據(jù)特征時，正確地選擇預測模型或方法較為困難，這時通常的做法是采用較多的模型來進行比較分析，但也很難找到單一“最佳”模型。組合方法則是把這些模型合理融合，經(jīng)驗表明，通過單一模型的組合運用，得到的預測精度通常比單一模型有所提高；第三，可信度提高。通過對各種預測方法的組合，可以有效地挖掘更多的信息，更加全面、系統(tǒng)地反映事物的本質。多個單一模型組合預測可以涵蓋更多事物的特征，更能體現(xiàn)事物的實際情況，從而提高了預測模型可信度。

多源模型按賦權方式的不同，可以分為兩類，其一是線性組合和非線性組合模型，其二是不變權組合和可變權組合模型，不同類型的組合模型存在不同的局限性。

表1 各單一預測模型適用性及優(yōu)缺點梳理

2.1.1 按線性組合和非線性組合模型

鑒于能源系統(tǒng)的特征，大量文獻證明，線性組合預測法較非線性組合預測而言，解決非線性問題的局限性較大、效果較差。它們預測效果產(chǎn)生差異的原因，主要有以下幾點。

（1）從理論基礎和模型特征來看，采用線性最優(yōu)組合預測方法，對組合預測結果的影響既依賴于其單一模型預測值，又依賴于其相應的權重值，線性組合更多地注重權重分配問題，很難找出對權重系數(shù)的最佳確定方式。對于其權重確定方式而言，采用數(shù)學規(guī)劃問題模型，其求解比較繁瑣，并且根據(jù)不同假設條件采用不同建模機理，這對預測模型提出了更苛刻的要求，進一步限制了組合預測的應用范圍。以ANN為代表的非線性加權方法，按單個樣本誤差和總體誤差滿足給定精度要求，在神經(jīng)網(wǎng)絡訓練過程直接從數(shù)據(jù)中發(fā)現(xiàn)規(guī)則和特征，并由網(wǎng)絡在動態(tài)學習中給出，無需建立模型結構和設定參數(shù)估計過程，從而改善了傳統(tǒng)組合模型中權重系數(shù)不易確定的狀況。相較線性組合模型更為凸顯的優(yōu)勢在于，某一種預測方法對組合預測結果的影響雖然與自身的預測結果和權重有關，但其權重對組合預測結果的影響是非線性的，它既包括輸入與隱單元之間的連接權，還包括輸出與隱單元之間的連接權，在遇到某些難以處理的情況，比如指標間相關度較高、數(shù)據(jù)呈非線性變化、數(shù)據(jù)缺漏不全時仍可得到較滿意的結果。因而更能適應能源預測系統(tǒng)的非線性特點。

（2）從個體樣本失誤對組合預測整體效果的影響來看，采用線性組合加權的最優(yōu)線性組合預測方法，個別樣本的較大誤差會對整個組合預測產(chǎn)生較大的影響。以ANN為代表的非線性加權方法因具有無后效性的特點，即每一層神經(jīng)元的狀態(tài)只會影響下一層神經(jīng)元的狀態(tài)，不會產(chǎn)生累積不良影響，加上神經(jīng)網(wǎng)絡的神經(jīng)元眾多，且由多層組成，即使個別單元產(chǎn)生失誤，其對整體的影響也能起到緩沖作用。這種對小失誤的寬容性，有效減少了組合預測結果對真實值的偏離。

（3）從目標函數(shù)來看，最優(yōu)組合預測方法追求的是在約束條件下總體誤差平方和最小，目標最優(yōu)解唯一，這種要求剛性很大；以ANN為代表的非線性加權方法不僅要求總體誤差平方和最小，還對每個學習單元的擬合誤差也有要求，因而能夠有效保證總體誤差平方和相對最小目標的實現(xiàn)，其目標最優(yōu)解不唯一恰好成為一種優(yōu)良特征，可視擬合精度的要求靈活調節(jié)，從而能更好地滿足預測要求。

總體上來說，在能源需求預測領域，許多學者做了大量的線性和非線性組合預測研究[4-10]，研究結果表明，非線性組合預測方法預測效果總體優(yōu)于線性組合預測方法。以神經(jīng)網(wǎng)絡模型為代表的非線性組合預測方法具有更高的預測精度和實用性、簡便性，是一種解決非線性組合問題的有效工具。

2.1.2 變權組合預測法和可變權組合預測法

不變權組合預測方法是通過最優(yōu)化規(guī)劃模型或其他方法計算出各個單一預測方法在組合預測中的權系數(shù)。權系數(shù)只與預測方法有關，而與時間無關，也就是說同一種單一預測方法在各個時點的權系數(shù)是一樣的。需要強調的是，各種預測方法對于不同的預測時間段表現(xiàn)出不同的預測能力，比如有的方法對瞬態(tài)變化敏感，那么適用于中短期預測；有的方法善于考察長期趨勢，那就表現(xiàn)出優(yōu)越的中長期預測能力。這時，如果將不同時間組合的權系數(shù)設定為常值，就無法各取所長獲得最佳預報結果。然而在預測實踐中，不同的預測方法在不同時刻有不同的預測精度，也就是說同一種單一預測方法在不同時刻的表現(xiàn)并不是完全相同，有可能在某一點預測精度較高，但是另外一點預測精度則較低[11-14]。因此，變權重組合預測更符合實際，具有較高的預測精度和預測穩(wěn)定性，能比較合理地描述系統(tǒng)的客觀現(xiàn)實。

在能源需求預測領域，除了非負可變加權系數(shù)的組合預測模型之外，所有的線性組合模型和神經(jīng)網(wǎng)絡非線性組合模型均屬于不變權組合預測。已有研究證明[15,16]，變權重組合預測效果普遍優(yōu)于不變權組合預測模型。

從整體上來看，多源模型組合方式在能源需求預測領域取得了較好的成果，但同時也面臨挑戰(zhàn)，該預測方式均假設未來的能源消費變化趨勢仍延續(xù)著歷史的規(guī)律，因此努力從歷史數(shù)據(jù)中尋找能源需求的演變規(guī)律。但是，突發(fā)事件作為能源需求情景因素之一，勢必引起能源消費的突變，從而出現(xiàn)“異常點”或轉折性變化。目前多源模型組合方式對“異常點”或轉折性變化的準確擬合和預測顯得無能為力。

2.2 智能信息融合

隨著計算機技術的日趨完善，以及人工智能模型的不斷成熟，結合并利用專家系統(tǒng)在能源需求預測領域開拓出一條新的思路。Dennis L.Meadows(1973)等[17]于1970年代借助計算機技術來模擬和研究能源發(fā)展問題，雖然結論并不可靠，但是這是第一次能源方面相關問題的系統(tǒng)化分析。專家系統(tǒng)是一個用基于知識的程序設計方法建立起來的計算機系統(tǒng)，它擁有某個領域內頂級專家的知識和經(jīng)驗，并存放過去幾年的數(shù)據(jù)和其他各種影響因素，如圖1所示，利用專家的知識和信息是對不可量化的經(jīng)驗進行轉化的一種較好的方法，將預測模型與專家系統(tǒng)的融合，就是一種智能信息融合。

圖1 專家系統(tǒng)

已有智能信息融合模型在能源需求預測領域中的研究主要應用于電力負荷預測方面。在中長期電力負荷預測方面，倪軍，楊明志等[18]對各個模型逐一進行評估決策，最終表明專家系統(tǒng)技術在城網(wǎng)中長期負荷預測的方法是可行的。王德金[19]研究了國內外常用的負荷預測算法和相應的適用情況，采用熵權法解決組合預測權重，為使負荷預測更加智能化，該研究開發(fā)了一套基于GIS地理信息系統(tǒng)的負荷預測模塊，設計了專家推薦模型，融合專家推薦值來不斷調整不滿意的預測結果。在中短期電力負荷預測方面，大多數(shù)學者[20-23]利用神經(jīng)網(wǎng)絡的非線性逼近能力預測負荷曲線，然后通過專家系統(tǒng)根據(jù)天氣因素或特殊事件對負荷曲線進行修正，以此提高負荷預測精度。電力負荷預測中智能信息融合的缺陷是只有神經(jīng)網(wǎng)絡模型的基礎預測。

中科院余樂安博士首次將智能信息融合的理念應用于油價預測中，基本思想是：首先利用文本挖掘技術搜索影響油價波動的各種因素，然后通過粗集預處理和神經(jīng)網(wǎng)絡學習獲得的相應規(guī)則形成專家系統(tǒng)的知識庫，形成推理和解釋機制，最后通過用戶界面獲取相應的預測信息，即提供各種數(shù)據(jù)頻率（天數(shù)據(jù)、周數(shù)據(jù)、月度和年度數(shù)據(jù)）的油價預測結果。在此過程中，石油價格序列中非線性信息通過非線性模型預測，線性信息通過線性模型預測，不規(guī)則事件通過專家系統(tǒng)來處理，最后將不同的信息融合在一起形成最終預測結果[24]。

總之，兩類基于信息多源化的預測模型，第一類是以模型信息為核心，通過多源模型組合的不斷創(chuàng)新以最大限度捕捉能源需求系統(tǒng)的信息，已取得了較大的預測進展以及較好的預測精度，第二類是以專家信息源為核心，通過專家系統(tǒng)，融合不規(guī)則事件的影響，突破并克服了第一類模型的局限性，捕捉到多源模型無法擬合的“突變點”，使預測系統(tǒng)更加智能化。

3 研究展望

從文獻歸納和梳理中可以看出，能源需求預測方法逐漸向規(guī)范性、可行性及智能化轉變，盡管國內外學者對能源需求預測問題進行了有益的探索和研究，但在能源需求預測模型中可從以下兩方面改進：

（1）構建基于非線性變權重的能源需求組合預測模型

目前在能源需求預測領域，非線性組合預測模型普遍優(yōu)于線性組合預測模型。而已有非線性組合模型中，神經(jīng)網(wǎng)絡模型既有效地利用了神經(jīng)網(wǎng)絡的非線性映射能力，又克服了通常對不同預測方法適用性強調不足的缺陷。因此，關于非線性不變權的神經(jīng)網(wǎng)絡組合模型得到了廣泛的應用，但是神經(jīng)網(wǎng)絡非線性可變權組合預測仍是空白?？勺儥嘟M合預測方法尤其是非線性可變權方法比較復雜，因此研究成果并不多見，未來有進一步研究空間，這也是本文能源需求預測考慮的重要研究方法。

（2）構建基于多源信息融合的能源需求預測模型

在分析智能信息融合的基礎上，進一步拓展信息源，構建基于多源信息融合的能源需求預測模型（MIF組合預測模型）。設想的思路是：首先將非線性變權重的組合模型預測結果視為第一個信息源，然后通過專家經(jīng)驗判斷的方式，量化各種突發(fā)事件或政策調整的影響，診斷異常點對預測結果的影響，將影響結果視為第二個信息源，最后將多個預測機構的預測數(shù)據(jù)作為第三個信息源。在此多源信息基礎上通過變權非線性融合技術賦予這三個信息源不同的權重，從而得到最終的預測結果。該思路實質上也是一種智能信息融合系統(tǒng)，當然，模型的實用性和可行性既要考慮到研究對象的數(shù)據(jù)特征，也要考慮到模型求解的具體技術方法。

[1]徐國強,胡清友.統(tǒng)計預測與決策[Z].上海:上海財經(jīng)大學出版社,1998.

[2]Bates J M,Granger C W.The Combination of Forecasts[J].Journal of OperationalResearchSociety,1969,20(4).

[3]汪同三,張濤.組合預測:理論,方法及應用[M].北京：社會科學文獻出版社,2008.

[4]盧奇,顧培亮,邱世明.組合預測模型在我國能源消費系統(tǒng)中的建構及應用[J].系統(tǒng)工程理論與實踐,2003,(3).

[5]張玉春,郭寧,任劍翔.基于組合模型的甘肅省能源需求預測研究[J].生產(chǎn)力研究,2013,(11).

[6]秦晉棟.基于熵權灰色組合預測模型的區(qū)域能源需求預測研究[J].價值工程,2012,31(4).

[7]侯運炳,張文,張浩等.煤炭需求最優(yōu)組合預測[J].煤炭工程,2008,(11).

[8]趙國浩,郭淑芬,申屠菁等.基于變權組合預測模型探討中國煤炭需求[J].資源與生態(tài)學報:（英文版）,2011,2(2).

[9]Donaldson R G,Kamstra M.Forecast Combining With Neural Networks [J].JournalofForecasting,1996,15(1).

[10]周揚,吳文祥,胡瑩等.基于組合模型的能源需求預測[J].中國人口.資源與環(huán)境,2010,20(4).

[11]陳華友,劉春林.基于IOWA算子的組合預測方法[J].預測,2003,22 (6).

[12]陳華友,程蕾,張倩.基于相關系數(shù)的IOWA算子最優(yōu)組合預測模型[C].第四屆中國不確定系統(tǒng)年會論文集,2006.

[13]胡彥,李秀美,陳華友.基于IOWA算子的稅收組合預測模型[J].統(tǒng)計與決策,2009,(10).

[14]周禮剛,陳華友,丁子千等.基于Theil不等系數(shù)的IOWGA算子組合預測模型[J].安徽大學學報(自然科學版),2010,(1).

[15]周揚,吳文祥,胡瑩等.基于組合模型的能源需求預測[J].中國人口.資源與環(huán)境,2010,20(4).

[16]張麗峰.中國能源供求預測模型及發(fā)展對策研究[D].北京：首都經(jīng)濟貿易大學學報,2006.

[17]Meadows D L,Meadows D H,Zahn E et al.Die Grenzen des Wachs?tums:Bericht des Club of Rome zur Lage der Menschheit[M]. DeutscheVerlags-AnstaltStuttgart,1972.

[18]倪軍,楊明志,楊期余.專家系統(tǒng)技術應用于城網(wǎng)負荷預測[J].供用電, 1994,(5).

[19]王德金.基于熵權法的電力中長期負荷組合預測[D].北京：華北電力大學，2007.

[20]于希寧,牛成林,李建強.基于決策樹和專家系統(tǒng)的短期電力負荷預測系統(tǒng)[J].華北電力大學學報,2005,32(5).

[21]夏道止,王錫凡,周琳等.基于RBF神經(jīng)網(wǎng)絡和專家系統(tǒng)的短期負荷預測方法[J].西安交通大學學報,2001,35(4).

[22]招海丹,余得偉.電力負荷短期預測的模糊專家系統(tǒng)修正方法[J].廣東電力,2001,14(1).

[23]Kim K,Park J,Hwang K et al.Implementation of Hybrid Short-term Load Forecasting System Using Artificial Neural Networks and Fuzzy ExpertSystems[J].PowerSystems,IEEETransactionson,1995,10(3).

[24]余樂安,汪壽陽,黎建強.外匯匯率與國際原油價格波動預測—TEI@ I方法論[M].長沙：湖南大學出版社,2006.

（責任編輯/亦 民）

F206

A

1002-6487（2016）23-0029-04

國家自然科學基金資助項目（71273206；71273207）；陜西省軟科學計劃重點項目（2012KR2-01）；陜西省教育廳科研計劃項目（2010JK185）

馮 雪（1986—），女，陜西西安人，博士研究生，研究方向：能源經(jīng)濟與管理。

張金鎖（1962—），男，陜西西安人，教授，博士生導師，研究方向：資源環(huán)境政策、管理系統(tǒng)工程。