基于動態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型

馮 樂，竇魯星

基于動態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò)煤炭需求預(yù)測模型

馮 樂，竇魯星

(中國礦業(yè)大學(xué)資源與地球科學(xué)學(xué)院，江蘇 徐州 221116)

煤炭需求預(yù)測是指導(dǎo)我國煤炭工業(yè)發(fā)展規(guī)劃的重要依據(jù)之一。我國煤炭資源需求影響因素復(fù)雜，準(zhǔn)確地預(yù)測需要考慮經(jīng)濟(jì)、社會等多方面因素。針對獲取數(shù)據(jù)不足等特點(diǎn)，首次在煤炭的預(yù)測中運(yùn)用動態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò)(D－GRNN)的方法，預(yù)測了中國未來近十年內(nèi)的煤炭預(yù)測值，得到了比較合理的預(yù)測值。運(yùn)用預(yù)測數(shù)據(jù)對國家的煤炭宏觀調(diào)控做出了合理評價(jià)。

煤炭需求;預(yù)測;動態(tài)廣義回歸神經(jīng)網(wǎng)絡(luò);宏觀調(diào)控

1 背景

眾所周知，中國能源結(jié)構(gòu)始終是以煤炭為主，作為世界上最大的煤炭需求國。我國煤炭行業(yè)自建國以來，一直未走出“過剩—緩和—再過剩”的“怪圈”［1］，其供需不平衡很大程度是由于我國煤炭需求預(yù)測上偏差較大或是預(yù)測方式的不合理所導(dǎo)致。在接下來的十年時(shí)間，石油供需增大的同時(shí)將繼續(xù)面臨補(bǔ)充不足、價(jià)格持續(xù)攀升等阻礙，而常規(guī)和非常規(guī)天然氣、風(fēng)電、水電等能源的開發(fā)利用尚處于初級階段，不足以作為煤和石油的替代物。與此同時(shí)，我國的煤炭儲量依然豐富，價(jià)格低廉。《BP能源統(tǒng)計(jì)2011》預(yù)計(jì)我國煤炭的儲產(chǎn)比為35年，遠(yuǎn)高于石油(9.9年)和天然氣(29.0 年)［2］。

因此，如何能科學(xué)地對煤炭的需求做出預(yù)測，繼而引導(dǎo)煤炭行業(yè)合理勘探開采，是符合21世紀(jì)科學(xué)發(fā)展的大計(jì)，也是避免能源的不合理開發(fā)利用對國家發(fā)展帶來阻礙的必要手段。近年來，BPNN(Back Propagation Neural Network，簡稱BP神經(jīng)網(wǎng)絡(luò))是一種誤差反向傳播的多層前向人工神經(jīng)網(wǎng)絡(luò)，是應(yīng)用的最為廣泛的一種神經(jīng)網(wǎng)絡(luò)［3，4］，被廣泛應(yīng)用于能源的預(yù)測之中。但是，性能優(yōu)良的BPNN需要確定模型的結(jié)構(gòu)，存在訓(xùn)練耗時(shí)和不能保證全局最優(yōu)等問題［5］。

本文所用的動態(tài)GRNN(General Regression Neural Netwok，廣義回歸神經(jīng)網(wǎng)絡(luò))是一種徑向基神經(jīng)網(wǎng)絡(luò)，同時(shí)采取動態(tài)預(yù)測的手段，具有很強(qiáng)的非線性映射能力，由于它具有高度的容錯(cuò)性，在逼近能力和學(xué)習(xí)速度上優(yōu)勢更強(qiáng)。同時(shí)，GRNN滿足在相關(guān)數(shù)據(jù)缺乏的情況下對數(shù)據(jù)的預(yù)測，彌補(bǔ)了煤炭需求預(yù)測數(shù)據(jù)不足的特點(diǎn)。目前，GRNN的預(yù)測主要集中在工程、交通等領(lǐng)域，而在能源需要預(yù)測中未被很好地應(yīng)用。因此，本文針對我國煤炭需求模型中數(shù)據(jù)具有非線性和歷史數(shù)據(jù)較少以及影響因素眾多等特征，建立應(yīng)用Matlab求解的動態(tài)GRNN模型進(jìn)行模擬與仿真，并對中國未來十年來煤炭需求狀況進(jìn)行預(yù)測，為煤炭行業(yè)提供決策支持。

2 中國煤炭需求影響因素分析

我國的煤炭需求預(yù)測過程是個(gè)非線性的極其復(fù)雜系統(tǒng)［6］，煤炭的需求受到經(jīng)濟(jì)、社會等眾多因素的影響。同時(shí)，煤炭需求又直接關(guān)系到我國經(jīng)濟(jì)建設(shè)和社會發(fā)展，所以必須根據(jù)其需求行為，歸納和選擇影響煤炭需求的各種因素，并充分考慮這些影響因素自身之間錯(cuò)綜復(fù)雜的關(guān)系，以達(dá)到預(yù)測的合理性與科學(xué)性。結(jié)合相關(guān)資料，分析指標(biāo)之間相關(guān)性，確定了如下影響煤炭需求的主要因素。

煤炭行業(yè)的運(yùn)行是一個(gè)長期性高投入的產(chǎn)業(yè)，其發(fā)展水平直接受制于經(jīng)濟(jì)發(fā)展水平［7］。故采用國內(nèi)生產(chǎn)總值(GDP)和原材料、燃料、動力購進(jìn)價(jià)格指數(shù)兩個(gè)指標(biāo)來表示相關(guān)性;我國是世界上人口最多的國家，人的因素對煤炭需求的影響較之其他國家和地區(qū)有著更為重要的意義，人口總量的多少直接影響著能源總需求量，也直接影響著能源資源的人均占有量和利用方式［8］，故人口總數(shù)和人均生活煤炭需求量也是需要重視的兩個(gè)因素;產(chǎn)業(yè)結(jié)構(gòu)決定能源的需求水平，在中國的能源需求結(jié)構(gòu)中，煤炭幾乎占到了70%，足以說明產(chǎn)業(yè)結(jié)構(gòu)對我國煤炭的影響意義深遠(yuǎn)，而第二產(chǎn)業(yè)的能耗指數(shù)遠(yuǎn)高于第一產(chǎn)業(yè)和第三產(chǎn)業(yè)的能耗指數(shù)，故隨著我國產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，綜合能耗指數(shù)必將受到影響，因此，第二產(chǎn)業(yè)結(jié)構(gòu)的變化也是能源需求重要影響因素之一［9，10］;隨著經(jīng)濟(jì)的發(fā)展，能源的不合理利用帶來的負(fù)面影響也在增大，所以，科學(xué)合理地利用資源，也逐漸成為了主流趨勢，特別是煤炭的潔凈技術(shù)，是科學(xué)合理利用的一大表現(xiàn)，本文擬采用與之有關(guān)的能源加工轉(zhuǎn)換效率這一指標(biāo)來作為替代因素之一;煤炭在能源需求總量的比重以及能源需求彈性系數(shù)，是我國政府調(diào)控和市場調(diào)節(jié)的直接體現(xiàn)，是對煤炭進(jìn)行預(yù)測的一個(gè)不可缺少的指標(biāo)。

除以上因素外，還有其他一些因素也在煤炭需求上起著一定的作用，由于這些數(shù)據(jù)難以量化或者數(shù)據(jù)難以獲取，故本文沒有考慮。

鑒于改革開放30年發(fā)展勢頭迅猛，不宜選取過長的年限，故從《中國統(tǒng)計(jì)年鑒2011》中選取1990—2009年的統(tǒng)計(jì)數(shù)據(jù)(表1，表2)，來對2010—2019年的煤炭需求進(jìn)行預(yù)測。

表1數(shù)據(jù)來源：《中國統(tǒng)計(jì)年鑒2011》

表中各字母分別代表：

A：人均生活煤炭需求量(%)

B：原材料、燃料、動力購進(jìn)價(jià)格指數(shù)(%)

C：煤炭占能源需求總量的比重(%)

D：人口總數(shù)(萬人)

E：能源需求彈性系數(shù)(%)

F：GDP(億元)

G：國內(nèi)生產(chǎn)總值構(gòu)成中第二產(chǎn)業(yè)比重(%)

H：能源加工轉(zhuǎn)換效率(%)

表2數(shù)據(jù)來源：《中國統(tǒng)計(jì)年鑒2011》

表1 1990—2009年煤炭需求量影響因素

表2 1990—2009年煤炭需求總量

3 原理分析

GRNN是非線性回歸分析，不需要事先確定方程形式，而是以概率密度函數(shù)來代替固有方程形式，然后計(jì)算具有最大概率值的回歸值y。進(jìn)行網(wǎng)絡(luò)訓(xùn)練的過程實(shí)際上就是確定光滑因子的過程。其中，光滑因子即是高斯函數(shù)的寬度系數(shù)。具體過程是由4層結(jié)構(gòu)組(圖1)，輸入層神經(jīng)元接受學(xué)習(xí)樣本中輸入向量，直接傳遞給模式層，模式層各神經(jīng)元對應(yīng)不同的樣本，傳遞函數(shù)通常采用高斯函數(shù)：

式中：

x—輸入向量;

xi—第i個(gè)神經(jīng)元對應(yīng)的學(xué)習(xí)樣本。

再傳遞給輸出層，神經(jīng)元輸出對應(yīng)估計(jì)結(jié)果的相應(yīng)元素。

圖1 GRNN網(wǎng)絡(luò)結(jié)構(gòu)圖

可以看出，傳統(tǒng)的GRNN只是一種局部遞歸的靜態(tài)網(wǎng)絡(luò)模型，只能對確定的輸入數(shù)據(jù)進(jìn)行預(yù)測，相對于動態(tài)的神經(jīng)網(wǎng)絡(luò)模型，GRNN模型的應(yīng)用范圍受到了較大的限制。在進(jìn)行煤炭需求量預(yù)測過程中，需要對靜態(tài)GRNN進(jìn)行動態(tài)化，即采取滾動預(yù)測的方式，動態(tài)GRNN模型屬于全局的遞歸模型，即前一段時(shí)間的模型預(yù)測輸入值成為后一段時(shí)間的模型輸入值作為訓(xùn)練，后一段時(shí)間的輸出值作為輸入，實(shí)現(xiàn)多步預(yù)測［11］。

動態(tài)預(yù)測輸入可以表達(dá)為：

得到相應(yīng)的網(wǎng)絡(luò)模型輸出為：

式中：

Γ—由GRNN刻畫的非線性映射;

u(p)—模型在p時(shí)刻的輸入;

ny、nu—u、y 的延遲時(shí)間長度。

4 D－GRNN模型建立

由于本文所選的輸入數(shù)據(jù)因素較多，數(shù)量相差大且量綱不同，如果直接引用源數(shù)據(jù)，很可能出現(xiàn)較大范圍內(nèi)的變化，使預(yù)測結(jié)果降低。首先對數(shù)據(jù)進(jìn)行歸一化處理，歸一化常用下面的公式：

本文將采用多步滾動預(yù)測的方式進(jìn)行預(yù)測，選取1990—1999年歸一化后數(shù)據(jù)作為訓(xùn)練輸入，表2中2000—2009年歸一化后得數(shù)據(jù)輸出作為訓(xùn)練輸出，以達(dá)到多步預(yù)測的目的。并隨機(jī)抽取2003、2006、2008年的檢驗(yàn)樣本，檢驗(yàn)合格后，做出對我國近期煤炭需求的預(yù)測。

4.1 光滑因子的確定

一般情況下，訓(xùn)練能力差時(shí)網(wǎng)絡(luò)的預(yù)測能力也差，并且在一定程度上隨著訓(xùn)練能力的提高預(yù)測能力也會提高，但這種趨勢有一個(gè)極限，達(dá)到此極限后，隨著訓(xùn)練能力的提高，預(yù)測能力反而下降，即出現(xiàn)所謂過適性，也稱為過擬合，此時(shí)網(wǎng)絡(luò)學(xué)習(xí)了過多的樣本細(xì)節(jié)而不能反映樣本內(nèi)在的規(guī)律。泛化能力差會造成不適性，過適性和不適性的網(wǎng)絡(luò)都屬于不成熟網(wǎng)絡(luò)，仿真效果較差［12］。

本文光滑因子采用交叉驗(yàn)證方法評估模型的預(yù)測能力，在一定范圍內(nèi)，以某一步長遞增變化，在學(xué)習(xí)樣本中以1個(gè)樣本作為估計(jì)樣本，剩余的樣本采用構(gòu)造的GRNN對估計(jì)樣本仿真，對所有樣本都遍歷1次，得到預(yù)測值與樣本值之間的誤差序列，以序列均方誤差值作為網(wǎng)絡(luò)的評價(jià)指標(biāo)，將最小誤差對應(yīng)的光滑因子作為最終所選值。

4.2 模型的測試與預(yù)測

本次試驗(yàn)用matlab程序來實(shí)現(xiàn)，最佳spread值為0.7，并獲得以下數(shù)據(jù)，輸入數(shù)據(jù)，得到測試結(jié)果見表3。

表3 隨機(jī)抽取預(yù)測驗(yàn)證值

用保存的GRNN的訓(xùn)練函數(shù)對2010—2019的需求量進(jìn)行預(yù)測，得到結(jié)果見表4，圖2。

表4 2010—2019年10年煤炭需求預(yù)測值

圖2 我國近10年煤炭需求預(yù)測值/萬t

5 結(jié)論

1)廣義回歸模型(GRNN)用于煤炭需求量的中、短期預(yù)測，具有較高的可信賴度。通過預(yù)測可以看出，我國煤炭的需求量在未來近10年將在上升一段時(shí)間后保持一個(gè)較平穩(wěn)的水平，這與國家對煤炭工業(yè)的宏觀調(diào)控相吻合，即未來煤炭的需求要在“零增長”中尋求更加高效高能的利用。

2)較之BPNN，收斂速度明顯加快，且需要的數(shù)據(jù)更少，實(shí)際操作更加方便。

3)由于影響煤炭需求的因素還有很多，需要進(jìn)一步找出它們之間的相互聯(lián)系以及量化更多的相關(guān)數(shù)據(jù)以達(dá)到更高精度。

綜上所述，D－GRNN在煤炭需求預(yù)測有其優(yōu)勢，其預(yù)測方式可以推廣到更為廣泛的領(lǐng)域，為決策者提供更加科學(xué)、合理的決策支持。

［1］ 艾德春.我國煤炭供需平衡的預(yù)測預(yù)警研究［D］.徐州：中國礦業(yè)大學(xué)，2008.

［2］ 英國石油公司.BP 世界能源統(tǒng)計(jì)2011［EB/OL］，2011，BP 中國網(wǎng)站：http：//www.bp.com/productlanding.do?categoryId=9025442＆contentId=7047113.

［3］ 左 佼.基于灰色神經(jīng)網(wǎng)絡(luò)的我國原煤產(chǎn)量預(yù)測［J］.煤炭技術(shù)，2011，30(10)：5－7.

［4］ 方 瑩.瓦斯預(yù)測中的 BP神經(jīng)網(wǎng)絡(luò)融合技術(shù)［J］.煤炭技術(shù)，2011，30(8)：107－109.

［5］ 廖志偉，葉青華.基于GRNN的多故障自適應(yīng)電力系統(tǒng)故障診斷［J］.華南理工大學(xué)學(xué)報(bào)，2005，33(9)：6－9.

［6］ 孫 涵.基于Matlab支持向量回歸機(jī)的能源需求預(yù)測模型［J］.系統(tǒng)工程理論與實(shí)踐，2011，31(10)：2001－2007.

［7］ 韓智勇，魏一鳴，焦建玲，等.中國能源需求與經(jīng)濟(jì)增長的協(xié)整性與因果關(guān)系分析［J］.系統(tǒng)工程，2004，22(12)：17－21.

［8］ 林伯強(qiáng).中國能源需求的經(jīng)濟(jì)計(jì)量模型［J］.統(tǒng)計(jì)研究，2001(10)：34－39.

［9］ 郭菊娥，柴 建，呂振東.我國能源需求需求影響因素及其影響機(jī)理分析［J］.管理學(xué)報(bào)，2008，9(5)：651－654.

［10］ 劉延靜.我國煤炭行業(yè)供求狀況與發(fā)展趨勢研究［D］.福州：福州大學(xué)，2010.

［11］ 賀湘宇，何清華.基于動態(tài)GRNN模型的挖掘機(jī)液壓系統(tǒng)故障檢測［J］.中國工程機(jī)械學(xué)報(bào)，2010，8(3)：335－339.

［12］ 狄圣杰，李曉敏.GRNN在邊坡穩(wěn)定預(yù)測分析中的應(yīng)用［J］.水利水電科技進(jìn)展，2011，31(3)：80－83.

Forecasting Model of Coal Demand Based on Dynamic D－GRNN

Feng Le，Dou Lu －xing

Forecasting of coal demand is one of the key basis to guide the development plan of China’s coal industry.Economic，social and other factors should been comprehensive considered when predict precisely due to the complexity of coal command in China.On account of the lack of the related data，this paper applies Dynamic GRNN(D －GRNN)to forecast the coal demand in nearly ten years firstly and get the quite reasonable result.Finally，we evaluated the macro－control of coal industry based on the forecasting data.

Coal demand;Forecast;Dynamic GRNN;Macro－control

［TD－9］

A

1672－0652(2012)01－0004－04

2011－11－27

馮 樂(1990—)，男，山西平定人，2009級中國礦業(yè)大學(xué)在讀本科生，主要從事地質(zhì)工程資源勘查的研究(E －mail)shxpdfl@163.com