崔鑫

【摘 要】準(zhǔn)確預(yù)測能源生產(chǎn)總值，對(duì)社會(huì)經(jīng)濟(jì)健康、穩(wěn)定發(fā)展具有重要理論與現(xiàn)實(shí)意義。本文對(duì)1978～2014 年我國能源生產(chǎn)總量數(shù)據(jù)進(jìn)行預(yù)測研究，利用RBF和BP神經(jīng)網(wǎng)絡(luò)工具箱預(yù)測、對(duì)比預(yù)測精度。實(shí)驗(yàn)表明，RBF神經(jīng)網(wǎng)絡(luò)工具箱優(yōu)于BP神經(jīng)網(wǎng)絡(luò)工具箱的預(yù)測精度。

【關(guān)鍵詞】能源生產(chǎn)總量；RBF網(wǎng)絡(luò)；BP神經(jīng)網(wǎng)絡(luò)；工具箱；預(yù)測

中圖分類號(hào)： TP183 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2018）13-0050-003

DOI：10.19694/j.cnki.issn2095-2457.2018.13.022

【Abstract】It is of great theoretical and practical significance to accurately predict the total energy production value and to the healthy and stable development of social economy. In this paper， the data of China's total energy production from 1978 to 2014 are predicted and studied， and the accuracy of prediction and comparison of prediction and prediction of RBF and BP neural network toolbox is used. The experimental results show that the RBF neural network toolbox is superior to the prediction precision of BP neural network.

【Key words】Total energy production； RBF network； BP neural network； Toolbox； Prediction

0 引言

能源生產(chǎn)總量是指在一定時(shí)期內(nèi)全國一次能源生產(chǎn)量的總和，包括原煤、電能、核能等，是全國能源生產(chǎn)水平、規(guī)模、構(gòu)成和發(fā)展速度的總量指標(biāo)。能源預(yù)測無論從人類生存的可持續(xù)發(fā)展還是從保護(hù)人類賴以生存的地球生態(tài)環(huán)境，以及開發(fā)新能源發(fā)展趨勢都具有重要意義。

能源總量的預(yù)測分析與研究，對(duì)能源規(guī)劃及相關(guān)政策的制定、能源戰(zhàn)略、社會(huì)經(jīng)濟(jì)健康、持續(xù)、穩(wěn)定發(fā)展具有現(xiàn)實(shí)意義。能源預(yù)測方法主要有情景分析法、能源消費(fèi)彈性系數(shù)法、投入產(chǎn)出法和部門分析法、時(shí)間序列法、小波分析法等，但這些方法基本屬于線性預(yù)測方法，對(duì)非線性對(duì)象適應(yīng)能力較差。而神經(jīng)網(wǎng)絡(luò)對(duì)非線性問題有獨(dú)到的處理能力，因此，本文采用BP和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測研究。

1 BP神經(jīng)網(wǎng)絡(luò)及工具箱

1986年，Rumelhart等提出了誤差反向傳播神經(jīng)網(wǎng)絡(luò)，簡稱 BP網(wǎng)絡(luò)（Back Propagation Network）。BP算法是一種誤差反向傳播的算法，其基本思想是梯度下降法，使誤差均方值為最小。BP神經(jīng)網(wǎng)絡(luò)工具箱結(jié)構(gòu)如圖1所示[1]，包括輸入層、隱層和輸出層。其中，隱層神經(jīng)元傳遞函數(shù)為tansig輸出層神經(jīng)元傳遞函數(shù)為purlin。隱層的非線性傳遞函數(shù)神經(jīng)元可以學(xué)習(xí)輸入/輸出之間的線性和非線性關(guān)系，也可采用sigmoid函數(shù)。

2 RBF神經(jīng)網(wǎng)絡(luò)及工具箱

徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是由J.Mookdy和C.Darken于20世紀(jì)80年代末提出的一種神經(jīng)網(wǎng)絡(luò)，它是具有單隱層的3層前饋網(wǎng)絡(luò)。RBF網(wǎng)絡(luò)模擬人腦中局部調(diào)整、相互覆蓋接收域結(jié)構(gòu)，RBF網(wǎng)絡(luò)能以任意精度逼近任意函數(shù)。其隱層采用徑向基函數(shù)作為激勵(lì)函數(shù)，通常為高斯函數(shù)，隱層每個(gè)神經(jīng)元與輸入層相連的權(quán)值向量wli和輸入向量Xq（表示第q個(gè)輸入向量）之間的距離乘以閾值作為本身的輸入。如圖2所示。

3 仿真預(yù)測模型的設(shè)計(jì)

在MATLAB R2009版本中編寫程序進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來源于《2016中國統(tǒng)計(jì)年鑒》[2]，如表1所示。預(yù)測模型建立：取1978年～2014年的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，共有28組數(shù)據(jù)。1978～2006 年的 20 個(gè)數(shù)據(jù)樣本進(jìn)行訓(xùn)練，2007～2014年的 8 組數(shù)據(jù)作為本次實(shí)驗(yàn)的檢驗(yàn)樣本。以原煤、原油、天然氣、一次電力及其他能源4個(gè)因素作為神經(jīng)網(wǎng)絡(luò)的輸入，能源生產(chǎn)總量作為神經(jīng)網(wǎng)絡(luò)的輸出。

3.1 BP神經(jīng)網(wǎng)絡(luò)仿真模型

本次實(shí)驗(yàn)中BP網(wǎng)絡(luò)結(jié)構(gòu)根據(jù)前述設(shè)置為4-15-1.訓(xùn)練精度設(shè)置0.00001，循環(huán)步數(shù)設(shè)為5000。創(chuàng)建BP網(wǎng)絡(luò)并訓(xùn)練，數(shù)據(jù)歸一化后主要程序語句：

net=newff（minmax（pn），[no，1]，{'tansig'，'purelin'}，'trai

nlm'）；

net.trainParam.epochs=EPOCHS；

net.trainParam.goal =GOAL；

net=train（net，pn，tn）；grid

y=sim（net，pn）；

網(wǎng)絡(luò)輸出再經(jīng)過反歸一化獲得預(yù)測值。圖3是誤差訓(xùn)練曲線，圖4是實(shí)際值和預(yù)測值的對(duì)比。

預(yù)測結(jié)果的詳細(xì)數(shù)據(jù)信息見表2所示。

3.2 RBF神經(jīng)網(wǎng)絡(luò)工具箱預(yù)測

RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)：輸入層神經(jīng)元個(gè)數(shù)為4，輸出層神經(jīng)元個(gè)數(shù)為1，隱層神經(jīng)元個(gè)數(shù)是網(wǎng)絡(luò)自適應(yīng)調(diào)節(jié)。RBF神經(jīng)網(wǎng)絡(luò)的控制參數(shù)只有一個(gè)：spread。主要程序：

spread= 25；

net=newrbe（pn，tn，spread）；

數(shù)據(jù)樣本同BP網(wǎng)絡(luò)。影響RBF的因素有擴(kuò)展因子和檢測數(shù)據(jù)，經(jīng)過反復(fù)實(shí)驗(yàn)，spread 取25比較合適。RBF網(wǎng)絡(luò)預(yù)測結(jié)果如圖5所示，詳細(xì)數(shù)據(jù)見表 2所示。

對(duì)比表2中BP網(wǎng)絡(luò)、RBF網(wǎng)絡(luò)預(yù)測模型數(shù)據(jù)可得：BP網(wǎng)絡(luò)預(yù)測平均精度為2.6321%，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測平均精度為0.1750%。說明RBF網(wǎng)絡(luò)工具箱預(yù)測

的結(jié)果要比傳統(tǒng)BP 預(yù)測精度高很多。體現(xiàn)了RBF網(wǎng)絡(luò)工具箱在能源預(yù)測方面具有一定的優(yōu)越性。

4 結(jié)論

本文對(duì)能源生產(chǎn)總值進(jìn)行預(yù)測研究，分別采用RBF網(wǎng)絡(luò)與BP網(wǎng)絡(luò)預(yù)測模型預(yù)測，得出實(shí)驗(yàn)數(shù)據(jù)表明，在相同的條件，RBF神經(jīng)網(wǎng)絡(luò)算法比BP神經(jīng)網(wǎng)絡(luò)精度高，預(yù)測時(shí)間較短，能夠逼近任何非線性函數(shù)，其最大優(yōu)點(diǎn)控制參數(shù)少，由于局部化特征訓(xùn)練速度快，性能好。

【參考文獻(xiàn)】

[1]張德豐.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計(jì)[M].北京：機(jī)械工業(yè)出版社，2012，03.

[2]中華人民共和國國家統(tǒng)計(jì)局.《中國統(tǒng)計(jì)年鑒-2017》[M].2017年9月.