黃 欣，吳杰康，李紅玲，李逸欣，鄭敏嘉，李 猛，吳偉杰，張伊寧

(1.廣東電網(wǎng)規(guī)劃研究中心，廣東 廣州 510000；2．廣東工業(yè)大學(xué)自動化學(xué)院，廣東 廣州 510006)

0 引 言

近些年來，能源需求預(yù)測研究已經(jīng)成為國內(nèi)外學(xué)者的關(guān)注熱點。隨著國民經(jīng)濟的發(fā)展，能源瓶頸問題越來越顯著，為了更好處理能源需求與供應(yīng)平衡問題[1]，對能源需求的預(yù)測不僅可以有效避免能源短缺情況，而且對于經(jīng)濟發(fā)展、工業(yè)發(fā)展起著一定的促進作用。政策作為一個宏觀、復(fù)雜的因素，它影響著經(jīng)濟發(fā)展、能源消費結(jié)構(gòu)、產(chǎn)業(yè)結(jié)構(gòu)等[1]，并進一步影響著能源需求，對這個綜合性的因素進行研究顯得尤為重要。

大部分國內(nèi)外學(xué)者的能源需求預(yù)測研究側(cè)重于研究能源需求與經(jīng)濟增長[2](GDP)、人口[3]、產(chǎn)業(yè)結(jié)構(gòu)、城鎮(zhèn)化[4]等因素之間的聯(lián)系，影響因素可量化且過于單一，沒有考慮難以直接量化的綜合性因素，往往也忽視了各影響因數(shù)之間的相互作用和影響。目前，研究能源需求預(yù)測的方法主要有：神經(jīng)網(wǎng)絡(luò)[1-4]、線性回歸法[5]、灰色預(yù)測模型[6]GM(1,1)、時間序列法等。采用線性回歸法可以反映各因素之間的線性關(guān)系，但是對于非線性數(shù)據(jù)難以建立模型；灰色預(yù)測模型GM(1,1)簡單直接地以歷史數(shù)據(jù)預(yù)測未來數(shù)據(jù)，是以關(guān)鍵因素作為變量的單變量模型，對于多變量的場景預(yù)測精準(zhǔn)度偏低?？紤]到傳統(tǒng)的灰色預(yù)測模型存在的缺陷，研究學(xué)者不斷改進該模型，進一步提出了基于離散DGM模型[7]、新陳代謝模型[7]等的灰色預(yù)測方法。較為常見的時間序列法[8]，預(yù)測精準(zhǔn)度有所提高，但是其需要大量的歷史數(shù)據(jù)作為算法的實現(xiàn)基礎(chǔ)，缺乏高效性和便捷性。各類神經(jīng)網(wǎng)絡(luò)的預(yù)測模型優(yōu)缺點并存，預(yù)測精準(zhǔn)度不一。后期，漸漸地出現(xiàn)了組合預(yù)測[9-11]模型，其本質(zhì)就是將兩種甚至多種算法進行權(quán)值組合優(yōu)化，在算法上和預(yù)測精確度上都有所優(yōu)化和改進。但是，組合模型最大的問題就在于加權(quán)平均系數(shù)[12]的確定，選擇最優(yōu)的加權(quán)平均系數(shù)有待進一步優(yōu)化研究，并且缺乏考慮宏觀政策這一綜合宏觀影響因素。

對于考慮宏觀政策的能源需求預(yù)測，其預(yù)測模型的相關(guān)研究和算法并不多，主要是考慮微觀指標(biāo)的能源需求預(yù)測，如經(jīng)濟增長、產(chǎn)業(yè)結(jié)構(gòu)、居民生活水平、人口增長等。能源需求預(yù)測主要分為兩種預(yù)測方法：一種是相關(guān)關(guān)系預(yù)測方法，例如回歸模型[13]、能源消費彈性系數(shù)法[14]、部門預(yù)測法等[15]；另一種是時間序列分析預(yù)測法，例如誤差修正模型[16](error correction model，ECM)、自回歸滑動平均(auto-regressive moving average,ARMA)模型等?；诖?agent)的智能模擬系統(tǒng)[17]用來模擬仿真宏觀政策在能源需求預(yù)測中的影響，很好地處理了宏觀政策的模糊性、復(fù)雜性和主觀性，但是由于宏觀政策各方面的力度、方向以及重點不同，系統(tǒng)的仿真環(huán)節(jié)難以做出人性化的最優(yōu)決策。

下面，就考慮宏觀政策這一綜合影響因素，針對能源需求預(yù)測，提出了灰色關(guān)聯(lián)度分析與BP神經(jīng)網(wǎng)絡(luò)的組合預(yù)測方法?？紤]到宏觀政策的廣泛性和模糊性，根據(jù)宏觀政策的性質(zhì)，將宏觀政策分為投資、進出口、節(jié)能減排3個主要的方面；采用灰色關(guān)聯(lián)度分析對每個方面的多個指標(biāo)進行關(guān)聯(lián)度計算、排序；最后，篩選出關(guān)聯(lián)度最大的即影響力最大的3個宏觀政策指標(biāo)。

1 宏觀政策及其指標(biāo)

宏觀政策作為一個宏觀、復(fù)雜、抽象的影響能源需求的重要因素，將其直接用單一指標(biāo)表示出來存在一定的困難和不可靠性。對此，根據(jù)政策的內(nèi)容，針對性地劃分為3個方面：投資、進出口、節(jié)能減排。對于不同類型的政策，采用不同的數(shù)據(jù)指標(biāo)進行表示。

1.1 投資政策及其指標(biāo)

歷史數(shù)據(jù)表明，中國對于能源工業(yè)方面的投資政策會根據(jù)實際經(jīng)濟發(fā)展?fàn)顩r，加大或減少某方面的投資力度。以廣東省的能源投資為例，可以了解各行業(yè)的投資情況。圖1為2003—2016年廣東省能源工業(yè)各行業(yè)投資數(shù)據(jù)(數(shù)據(jù)來源于歷年《廣東統(tǒng)計年鑒》[18]，以下同)。

圖1 2003—2016年廣東省能源工業(yè)投資數(shù)據(jù)

根據(jù)圖1中的數(shù)據(jù)曲線可以看出：石油和天然氣開采業(yè)逐年的投資不算穩(wěn)定，跟當(dāng)時的開采技術(shù)水平以及產(chǎn)地的勘探技術(shù)有關(guān)；石油加工、煤氣生產(chǎn)以及電力蒸汽等生產(chǎn)和供應(yīng)的投資則呈現(xiàn)上升的趨勢，尤其是清潔能源(如電力、熱力等)的生產(chǎn)供應(yīng)投資。

為體現(xiàn)能源投資方面的全面性，以圖1中的4個數(shù)據(jù)作為宏觀政策中投資方面影響能源需求的初始指標(biāo)：石油和天然氣開采業(yè)；電力、蒸汽及熱水生產(chǎn)和供應(yīng)業(yè)；石油加工及煉焦業(yè)；煤氣生產(chǎn)和供應(yīng)業(yè)。

1.2 進出口政策及其指標(biāo)

中國作為一個進出口大國，對外貿(mào)易政策是中國確保自身發(fā)展和經(jīng)濟利益的準(zhǔn)則，即便是在新冠肺炎防控乃至金融危機期間，中國政府都出臺了一系列的助力進出口的政策，并將其落到實處?？梢姡袊谶M出口方面給予很大的重視。廣東作為貿(mào)易大省，其貿(mào)易政策對能源的影響尤為突出。以廣東省境內(nèi)進出口數(shù)據(jù)為例，可以分析該省的進出口情況。圖2為2003—2016年廣東省境內(nèi)進出口總額數(shù)據(jù)[18]。

圖2 2003—2016年廣東省境內(nèi)進出口總額數(shù)據(jù)

根據(jù)圖2中的數(shù)據(jù)曲線可以看出：對外貿(mào)易一直都是廣東省經(jīng)濟發(fā)展的一個重要方面，除了2009年的經(jīng)濟危機，進出口貿(mào)易稍微有所下降，后期經(jīng)濟恢復(fù)和發(fā)展后，進出口總額又恢復(fù)了持續(xù)增長的趨勢。

宏觀政策中進出口方面影響能源需求的初始指標(biāo)為境內(nèi)目的地和貨源地進出口總額、出口總額和進口總額。

1.3 節(jié)能減排政策及其指標(biāo)

近些年來中國提倡走節(jié)約發(fā)展、清潔發(fā)展的工業(yè)化道路，注重環(huán)境保護和限制污染物的排放。2020年作為全面建成小康社會的決勝階段，廣東省正在加快完成“十三五”節(jié)能減排目標(biāo)任務(wù)。以廣東省為例，圖3為2003—2016年廣東省節(jié)能減排指標(biāo)數(shù)據(jù)。

圖3 2003—2016年廣東省節(jié)能減排指標(biāo)數(shù)據(jù)

根據(jù)圖3的兩種不同趨勢的數(shù)據(jù)曲線可知，由于廣東省廣大市民響應(yīng)節(jié)能減排政策，故城市天然氣用氣人數(shù)在不斷增加，減排政策限制二氧化硫的排放量，廢氣排放量逐年減少。

為了更好體現(xiàn)宏觀政策中節(jié)能減排方面對能源需求的影響，考慮節(jié)能減排政策對能源需求的影響的初始指標(biāo)為二氧化硫排放量和城市天然氣用氣人口。

2 能源需求的組合預(yù)測模型

建立灰色關(guān)聯(lián)度分析(grey relation analysis，GRA)與BP神經(jīng)網(wǎng)絡(luò)組合(GRA-BP)預(yù)測模型，用GRA來分析處理宏觀政策指標(biāo)，以宏觀政策指標(biāo)為輸入，構(gòu)建BP神經(jīng)網(wǎng)絡(luò)系統(tǒng)，預(yù)測能源需求量。

2.1 灰色關(guān)聯(lián)度分析理論

灰色關(guān)聯(lián)度分析將反映研究對象的一系列數(shù)值擬合在一條曲線上，與影響研究對象的各因素所組成的曲線簇進行比較，并分別進行量化，計算出研究對象與各影響因素之間的關(guān)聯(lián)度，通過比較各關(guān)聯(lián)度的大小來判斷各影響因素對研究對象的影響程度。簡言之，它是一種在眾多因素中進行影響度排序的多因素分析方法，它能為一個系統(tǒng)發(fā)展變化態(tài)勢提供量化的度量，適合動態(tài)歷程分析[19]。

灰色關(guān)聯(lián)分析的具體步驟如下：

1)確定分析指標(biāo)體系，收集分析數(shù)據(jù)，確定比較數(shù)列和參考數(shù)列。

影響系統(tǒng)行為的因素組成的數(shù)據(jù)序列，稱為比較數(shù)列，記為

(1)

式中，i=1,2,…,n。

反映系統(tǒng)行為特征的數(shù)據(jù)序列，稱為參考數(shù)列，記為

(2)

2)對參考數(shù)列、比較數(shù)列進行無量綱化處理。

由于系統(tǒng)中各因素的物理意義不同，導(dǎo)致數(shù)據(jù)的量綱也不一定相同，不同量綱的數(shù)值一般不能直接進行比較。因此，在進行灰色關(guān)聯(lián)度分析時，一般都要對數(shù)據(jù)進行無量綱化處理。常用的無量綱化處理有均值化和初值化，分別為：

(3)

(4)

式中：i=0,1,…,n；k=1,2,…,m。

所謂關(guān)聯(lián)程度，實際上是指曲線之間的擬合程度。因此，可以通過曲線對應(yīng)點的差值大小來作為衡量關(guān)聯(lián)程度的尺度。一個參考數(shù)列X′0一般有若干個比較數(shù)列X′i，各比較數(shù)列(X′1,X′2,…,X′n)與參考數(shù)列X′0在各個時刻存在對應(yīng)的關(guān)聯(lián)系數(shù)矩陣，其推導(dǎo)式子為

(5)

式中：Δ0i(k)為各比較數(shù)列xi曲線上的每一個點與參考數(shù)列x0曲線上的每一個點的絕對差值；Δ0imin(k)、Δ0imax(k)分別為絕對差值的最小值和最大值；ρ為分辨系數(shù)，通常在(0,1)內(nèi)取值，若ρ越小，關(guān)聯(lián)系數(shù)間差異越大，區(qū)分能力越強。通常ρ取值為0.5。

4)計算關(guān)聯(lián)度ri。

對影響系統(tǒng)行為的因素(比較數(shù)列)分別計算其各指標(biāo)與參考數(shù)列對應(yīng)元素的關(guān)聯(lián)系數(shù)的平均值，用以反映各影響因素與參考數(shù)列的關(guān)聯(lián)關(guān)系，即關(guān)聯(lián)度ri，計算式子為

(6)

5)關(guān)聯(lián)度排序。

將所求的關(guān)聯(lián)度進行大小排序，關(guān)聯(lián)度越大，其影響程度就越大，說明系統(tǒng)行為越受其影響。

2.2 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network)是由Rumelhart和McClelland等學(xué)者提出的一種算法，是一個輸入順向傳播和誤差逆向傳播循環(huán)進行，通過改變權(quán)值使誤差達到一定范圍的多層前饋網(wǎng)絡(luò)。典型的BP神經(jīng)網(wǎng)絡(luò)一般由3層組成：輸入層(input layer)、隱含層(hide layer)和輸出層(output layer)。輸入層主要作為接收信號的端口；隱含層作為中間存儲信號，可以有多個隱含層；輸出層是對輸入層接收的信號進行處理；各層之間均是完全連接的。3層BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)拓撲圖如圖4所示。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)拓撲圖

假定神經(jīng)網(wǎng)絡(luò)的輸入層有n個單元，隱含層有h個單元，輸出層有m個單元，則輸入矩陣為x=(x1,x2,…,xn)T；隱含層輸出矩陣為y=(y1,y2,…,yh)T；輸出層輸出矩陣為z=(z1,z2,…,zm)T。假設(shè)輸入層到隱含層的權(quán)值為ωij，隱含層到輸出層之間的權(quán)值為ωjk，隱含層到輸出層之間的傳遞函數(shù)為f，輸出層的傳遞函數(shù)為g。于是可得：

1)隱含層第j個單元輸出

(7)

式中：ω0j=θ；x0=-1。

2)輸出層第k個單元輸出

(8)

BP算法主要包括兩部分內(nèi)容：數(shù)據(jù)的正向傳輸和誤差的反向傳遞。其實數(shù)據(jù)的正向傳輸是網(wǎng)絡(luò)輸出加變相誤差計算的過程。若網(wǎng)絡(luò)輸出與期望輸出存在較大誤差，則需進入反向傳遞過程。在反向傳遞中，從輸出到輸入的方向調(diào)節(jié)各連接處的閾值和權(quán)值。正向傳輸?shù)倪^程為：輸入信號(數(shù)據(jù))由輸入層進入，經(jīng)過隱含層，再經(jīng)由輸出層數(shù)據(jù)處理，得到網(wǎng)絡(luò)輸出。根據(jù)網(wǎng)絡(luò)輸出與期望輸出的誤差值來決定是否進入反向傳遞過程。反向傳遞的過程為：首先，根據(jù)誤差逆向傳播的特性，在調(diào)節(jié)各層間權(quán)值時應(yīng)該遵守逆向原則，即先調(diào)整隱含層到輸出層的權(quán)值ωjk；然后，再調(diào)整輸入層到隱含層的權(quán)值ωij，使網(wǎng)絡(luò)輸出值與實際值的誤差值減小，轉(zhuǎn)而進入正向傳播。網(wǎng)絡(luò)反復(fù)進行迭代處理，使得兩者的誤差減小到設(shè)定的值，以便網(wǎng)絡(luò)輸出能夠盡可能地接近甚至達到期望輸出的水準(zhǔn)。BP神經(jīng)網(wǎng)絡(luò)算法的執(zhí)行步驟如圖5所示。

圖5 BP神經(jīng)網(wǎng)絡(luò)算法流程

3 實例分析

3.1 原始數(shù)據(jù)

考慮到廣東省宏觀政策的針對性和方向性，按前面所述將其劃分為投資、進出口、節(jié)能減排3個主要方面，將這3個方面共9個指標(biāo)作為宏觀政策的初始指標(biāo)。

根據(jù)《廣東統(tǒng)計年鑒》(2003—2016年)。數(shù)據(jù)整理了廣東省2003—2016年能源投資、進出口、節(jié)能減排3個方面的各指標(biāo)數(shù)據(jù)，如表1所示。在投資方面，政府對于電力、蒸汽生產(chǎn)供應(yīng)的投資從2003年的252.75億元持續(xù)增長到2016年的1036.36億元，投資金額翻了4倍左右，這種迅猛的增長也是政府響應(yīng)節(jié)能環(huán)保政策的結(jié)果。石油、天然氣開采方面的投資從2003年的20.56億元，于2004年驟降到0.75億元，而又在2014年達到高峰的135.52億元。這方面的投資跟諸多因素有關(guān)，例如石油存儲地的發(fā)現(xiàn)、海底天然氣的可開采性、開采技術(shù)的研究等。相對于開采能源方面的投資波動性，無論是產(chǎn)品能源(電力、煤氣、蒸汽等)的生產(chǎn)還是石油的加工焦煉，政府給予的投資總趨勢是增長性的。

表1 2003—2016年廣東省宏觀政策相關(guān)數(shù)據(jù)

大自然中現(xiàn)存的能源有限，應(yīng)加大對能源的充分利用力度。廣東省作為貿(mào)易大省的，進出口總額從2003年的約2892億美元持續(xù)增長到2011年的超10 067億美元。不到10年的時間，投資翻了近4倍。社會發(fā)展的進程中，政府乃至人民大眾都希望環(huán)境與發(fā)展友好相處，人們綠色環(huán)保、節(jié)能減排的意識開始覺醒，城市天然氣使用人口才會從2003年18萬人左右到2016年2043多萬人，平均每年增長100多萬人。二氧化硫排放量從2003年107.52萬噸大幅度降到2016年的35.369萬噸。

國民經(jīng)濟的發(fā)展與社會的進步都會促使能源的消耗增加。表2是2003—2016年廣東省一次能源總消耗量，從2003年的約10 462.09萬噸標(biāo)準(zhǔn)煤，持續(xù)增長到2016年的超28 179.17萬噸標(biāo)準(zhǔn)煤。十幾年的時間，能源消耗量翻了近3倍。

表2 2003—2016年廣東省一次能源消耗數(shù)據(jù)[18]

3.2 宏觀政策指標(biāo)的灰色關(guān)聯(lián)度分析

根據(jù)灰色關(guān)聯(lián)度分析理論，將宏觀政策中所劃分的3個方面分別進行灰色關(guān)聯(lián)度分析，將9個指標(biāo)數(shù)據(jù)作為灰色關(guān)聯(lián)度分析的比較序列，能源消費量數(shù)據(jù)作為參考序列。根據(jù)灰色關(guān)聯(lián)分析具體步驟，通過仿真計算出各指標(biāo)的關(guān)聯(lián)度，投資、進出口和節(jié)能減排3個方面的關(guān)聯(lián)度計算結(jié)果如表3至表5所示。

表3 廣東省投資方面指標(biāo)的關(guān)聯(lián)度計算結(jié)果

表4 廣東省進出口方面指標(biāo)的關(guān)聯(lián)度計算結(jié)果

表5 廣東省節(jié)能減排方面指標(biāo)的關(guān)聯(lián)度計算結(jié)果

根據(jù)表3至表5所計算出的各方面關(guān)聯(lián)度進行關(guān)聯(lián)度排序，篩選出其中最大的指標(biāo)作為主要指標(biāo)，分別為：電力、蒸汽、熱水生產(chǎn)和供應(yīng)業(yè)投資(記為A)、境內(nèi)目的地和貨源地進口總額(記為B)和城市天然氣用氣人口(記為C)。

3.3 能源需求預(yù)測

為了驗證該組合模型的有效性和可靠性，采用3.2節(jié)中的指標(biāo)篩選結(jié)果，用電力、蒸汽、熱水生產(chǎn)和供應(yīng)業(yè)投資，境內(nèi)目的地和貨源地進口總額和城市天然氣用氣人口3個指標(biāo)作為BP神經(jīng)網(wǎng)絡(luò)輸入層輸入信號(數(shù)據(jù))，能源需求總量作為神經(jīng)網(wǎng)絡(luò)的輸出信號。

采用Matlab的BP神經(jīng)網(wǎng)絡(luò)工具箱進行仿真。用newff構(gòu)建一個3層的BP神經(jīng)網(wǎng)絡(luò)，根據(jù)輸入指標(biāo)和輸出指標(biāo)，確定輸入層節(jié)點數(shù)為3，隱含層節(jié)點數(shù)為8，輸出層節(jié)點數(shù)為1，隱含層的傳遞函數(shù)采用tansig函數(shù)，輸出層的傳遞函數(shù)采用purelin函數(shù)，網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)函數(shù)采用traingdx函數(shù)，神經(jīng)網(wǎng)絡(luò)訓(xùn)練的目標(biāo)誤差設(shè)置為0.001，學(xué)習(xí)率設(shè)置為0.035，最大迭代次數(shù)設(shè)置為2000。

以2003—2016年廣東省的數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，將2010—2019年廣東省宏觀政策3個方面的相關(guān)指標(biāo)數(shù)據(jù)導(dǎo)入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)；再用于能源需求預(yù)測網(wǎng)絡(luò)系統(tǒng)中，經(jīng)過網(wǎng)絡(luò)仿真處理，將網(wǎng)絡(luò)預(yù)測輸出的結(jié)果與實際能源需求量進行曲線擬合對比，擬合圖如圖6所示。導(dǎo)出的網(wǎng)絡(luò)輸出和預(yù)測誤差百分比結(jié)果如表6所示。

表6 廣東省2010—2019年能源需求量預(yù)測結(jié)果

圖6 BP神經(jīng)網(wǎng)絡(luò)輸出擬合曲線

從圖6可以看出，實際能源消耗曲線與預(yù)測能源消耗曲線在個別年份(例如2014年、2015年)貼合度略微有些許偏差，但是實際能源消耗曲線與預(yù)測能源消耗曲線在整體的趨勢上具有一致的變化特性，兩者之間貼合得比較密切，初步可以看出預(yù)測效果比較好。

根據(jù)表6所示的2010—2019年廣東省能源需求量網(wǎng)絡(luò)預(yù)測結(jié)果可以看出，實際能源需求值與預(yù)測能源需求值之間相差不大，最大的誤差也在400萬噸以內(nèi)，最小的誤差也就只有幾萬噸。誤差大小無法直觀地表現(xiàn)出預(yù)測的優(yōu)劣。預(yù)測誤差百分比就是一個比較顯著的作為反映預(yù)測效果的指標(biāo)。從表6中可以看出，實際值與預(yù)測值之間的誤差百分比最大也僅僅是1.1%，最小可以達到0.005 4%?？梢?，根據(jù)所用的2010—2019年能源需求量數(shù)據(jù)進行網(wǎng)絡(luò)仿真預(yù)測，其預(yù)測誤差百分比均控制在±1%以內(nèi)。

綜合表6中的實際值與預(yù)測值的比較及圖6的擬合曲線，充分驗證了GRA-BP組合預(yù)測模型的有效性和可靠性。

4 結(jié) 語

影響能源需求的因素眾多，學(xué)者們熱衷于對這方面進行研究[20-22]，但近些年來的研究常常忽略了宏觀政策這一極具綜合性、復(fù)雜性的重要因素。上面著重考慮宏觀政策對能源需求的影響，在融合灰色關(guān)聯(lián)度分析法和BP神經(jīng)網(wǎng)絡(luò)(GRA-BP)的基礎(chǔ)上，提出了考慮宏觀政策影響的能源需求組合預(yù)測方法，主要得出的結(jié)論如下：

1)采用灰色關(guān)聯(lián)度分析(GRA)法對宏觀政策指標(biāo)進行分析和篩選，確定了衡量宏觀政策對能源需求影響的3個主要指標(biāo)：電力、蒸汽、熱水生產(chǎn)和供應(yīng)業(yè)投資(記為A)、境內(nèi)目的地和貨源地進口總額(記為B)和城市天然氣用氣人口(記為C)。

2)衡量宏觀政策的3個主要指標(biāo)A、B、C的關(guān)聯(lián)度分別為：0.8961、0.6189、0.6794。關(guān)聯(lián)度均在0.6以上，其與能源需求的聯(lián)系最為緊密。對于指標(biāo)A，投資額越多，能源需求也就越大，反之亦然；對于指標(biāo)B，進口總額增加，這部分對能源需求有所減少；對于指標(biāo)C，人口增加，能源需求也就相應(yīng)增加。

3)以廣東省2003—2016年的相關(guān)數(shù)據(jù)作為網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)，對2010—2019年能源需求進行仿真與分析，結(jié)果表明所提GRA-BP組合預(yù)測模型既考慮了宏觀政策因素，又有效地提高了預(yù)測精度，該組合預(yù)測方法具有可行性和實用性。