基于多源信息融合的能源需求預(yù)測模型研究綜述

馮 雪，張金鎖，鄒紹輝

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

基于多源信息融合的能源需求預(yù)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(xué)a.能源學(xué)院;b.能源經(jīng)濟與管理研究中心;c.管理學(xué)院，西安 710054）

文章以能源需求預(yù)測模型技術(shù)提升和預(yù)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(nèi)外能源需求預(yù)測的相關(guān)理論與模型特征。能源需求預(yù)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(quán)重技術(shù)以及多源信息融合模型在能源需求預(yù)測方面的應(yīng)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(yù)測

0 引言

準(zhǔn)確地預(yù)測能源需求趨勢，有利于規(guī)避能源供給風(fēng)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(nèi)能源需求變化對全球能源格局的影響日益增強，科學(xué)預(yù)測能源需求是制定我國相關(guān)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(yù)測工作，相關(guān)研究也越來越多，但是已有能源需求預(yù)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(chǔ)上較大的預(yù)測誤差問題難以避免。鑒于此，本文對能源需求預(yù)測領(lǐng)域的文獻進行系統(tǒng)分析與述評，對單一預(yù)測模型存在的問題進行剖析，在此基礎(chǔ)上提出構(gòu)建包含多源信息的能源需求預(yù)測模型分析框架，以期改善現(xiàn)有能源需求預(yù)測模型的預(yù)測精度，提高該類模型的應(yīng)用價值。

1 基于信息單一化的能源需求預(yù)測模型

信息單一化是指僅采用單一模型預(yù)測能源需求。單一模型是一種純數(shù)學(xué)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(shè)不同，大致可將其分為兩類：第一類是單一自相關(guān)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(yù)測的研究方式。該類模型假設(shè)影響需求變化的一切因素都已反應(yīng)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(guān)關(guān)系預(yù)測模型，是基于整個社會經(jīng)濟系統(tǒng)對能源需求進行預(yù)測，基本假設(shè)是預(yù)測值不局限于自身各滯后期對它的影響，還包括其他相關(guān)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(xué)模型、人工神經(jīng)網(wǎng)絡(luò)模型和情景分析法等[1]。

各單一模型根據(jù)各自的數(shù)學(xué)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(yīng)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(guān)時間序列模型和多因素相關(guān)關(guān)系模型的比較來看，前者（自相關(guān)時間序列模型）是基于能源系統(tǒng)自身對能源需求進行預(yù)測的研究方式，基本假設(shè)是影響需求變化的一切因素都已反應(yīng)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(fù)雜系統(tǒng)中錯綜復(fù)雜的關(guān)系。后者（多因素相關(guān)關(guān)系模型）是基于整個社會經(jīng)濟系統(tǒng)對能源需求進行預(yù)測，基本假設(shè)是預(yù)測值不局限于自身各滯后期的影響，還包括其他相關(guān)因素的作用甚至是相互作用。相關(guān)關(guān)系法可以分析出能源需求復(fù)雜系統(tǒng)中多種因素與能源需求的因果關(guān)系或結(jié)構(gòu)比例關(guān)系，但對影響因素的篩選有要求，復(fù)雜性也隨之提高。總體來說，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(yù)測精度還有待改善。

2 基于信息多源化的能源需求預(yù)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(yù)測理論。該理論認為，有不同可供預(yù)測的單一模型，同時也有不同的組合方法，預(yù)測精度往往各不相同，沒有一種方法可以達到100%的預(yù)測精度，但是組合模型有效地集結(jié)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(yù)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(yù)測模型的預(yù)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(yù)測方法不是各預(yù)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(yīng)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(yù)測效果；第二，預(yù)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(yù)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(yù)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(yù)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(zhì)。多個單一模型組合預(yù)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(yù)測模型可信度。

多源模型按賦權(quán)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(quán)組合和可變權(quán)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(yù)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(yù)測法較非線性組合預(yù)測而言，解決非線性問題的局限性較大、效果較差。它們預(yù)測效果產(chǎn)生差異的原因，主要有以下幾點。

（1）從理論基礎(chǔ)和模型特征來看，采用線性最優(yōu)組合預(yù)測方法，對組合預(yù)測結(jié)果的影響既依賴于其單一模型預(yù)測值，又依賴于其相應(yīng)的權(quán)重值，線性組合更多地注重權(quán)重分配問題，很難找出對權(quán)重系數(shù)的最佳確定方式。對于其權(quán)重確定方式而言，采用數(shù)學(xué)規(guī)劃問題模型，其求解比較繁瑣，并且根據(jù)不同假設(shè)條件采用不同建模機理，這對預(yù)測模型提出了更苛刻的要求，進一步限制了組合預(yù)測的應(yīng)用范圍。以ANN為代表的非線性加權(quán)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(luò)訓(xùn)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(luò)在動態(tài)學(xué)習(xí)中給出，無需建立模型結(jié)構(gòu)和設(shè)定參數(shù)估計過程，從而改善了傳統(tǒng)組合模型中權(quán)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(yù)測方法對組合預(yù)測結(jié)果的影響雖然與自身的預(yù)測結(jié)果和權(quán)重有關(guān)，但其權(quán)重對組合預(yù)測結(jié)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(quán)，還包括輸出與隱單元之間的連接權(quán)，在遇到某些難以處理的情況，比如指標(biāo)間相關(guān)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(jié)果。因而更能適應(yīng)能源預(yù)測系統(tǒng)的非線性特點。

（2）從個體樣本失誤對組合預(yù)測整體效果的影響來看，采用線性組合加權(quán)的最優(yōu)線性組合預(yù)測方法，個別樣本的較大誤差會對整個組合預(yù)測產(chǎn)生較大的影響。以ANN為代表的非線性加權(quán)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(luò)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(yù)測結(jié)果對真實值的偏離。

（3）從目標(biāo)函數(shù)來看，最優(yōu)組合預(yù)測方法追求的是在約束條件下總體誤差平方和最小，目標(biāo)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(quán)方法不僅要求總體誤差平方和最小，還對每個學(xué)習(xí)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(biāo)的實現(xiàn)，其目標(biāo)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(diào)節(jié)，從而能更好地滿足預(yù)測要求。

總體上來說，在能源需求預(yù)測領(lǐng)域，許多學(xué)者做了大量的線性和非線性組合預(yù)測研究[4-10]，研究結(jié)果表明，非線性組合預(yù)測方法預(yù)測效果總體優(yōu)于線性組合預(yù)測方法。以神經(jīng)網(wǎng)絡(luò)模型為代表的非線性組合預(yù)測方法具有更高的預(yù)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(quán)組合預(yù)測法和可變權(quán)組合預(yù)測法

不變權(quán)組合預(yù)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(yù)測方法在組合預(yù)測中的權(quán)系數(shù)。權(quán)系數(shù)只與預(yù)測方法有關(guān)，而與時間無關(guān)，也就是說同一種單一預(yù)測方法在各個時點的權(quán)系數(shù)是一樣的。需要強調(diào)的是，各種預(yù)測方法對于不同的預(yù)測時間段表現(xiàn)出不同的預(yù)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(yù)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(yù)測能力。這時，如果將不同時間組合的權(quán)系數(shù)設(shè)定為常值，就無法各取所長獲得最佳預(yù)報結(jié)果。然而在預(yù)測實踐中，不同的預(yù)測方法在不同時刻有不同的預(yù)測精度，也就是說同一種單一預(yù)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(yù)測精度較高，但是另外一點預(yù)測精度則較低[11-14]。因此，變權(quán)重組合預(yù)測更符合實際，具有較高的預(yù)測精度和預(yù)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(yù)測領(lǐng)域，除了非負可變加權(quán)系數(shù)的組合預(yù)測模型之外，所有的線性組合模型和神經(jīng)網(wǎng)絡(luò)非線性組合模型均屬于不變權(quán)組合預(yù)測。已有研究證明[15,16]，變權(quán)重組合預(yù)測效果普遍優(yōu)于不變權(quán)組合預(yù)測模型。

從整體上來看，多源模型組合方式在能源需求預(yù)測領(lǐng)域取得了較好的成果，但同時也面臨挑戰(zhàn)，該預(yù)測方式均假設(shè)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(zhuǎn)折性變化。目前多源模型組合方式對“異常點”或轉(zhuǎn)折性變化的準(zhǔn)確擬合和預(yù)測顯得無能為力。

2.2 智能信息融合

隨著計算機技術(shù)的日趨完善，以及人工智能模型的不斷成熟，結(jié)合并利用專家系統(tǒng)在能源需求預(yù)測領(lǐng)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(shù)來模擬和研究能源發(fā)展問題，雖然結(jié)論并不可靠，但是這是第一次能源方面相關(guān)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(shè)計方法建立起來的計算機系統(tǒng)，它擁有某個領(lǐng)域內(nèi)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(zhuǎn)化的一種較好的方法，將預(yù)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(yù)測領(lǐng)域中的研究主要應(yīng)用于電力負荷預(yù)測方面。在中長期電力負荷預(yù)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(shù)在城網(wǎng)中長期負荷預(yù)測的方法是可行的。王德金[19]研究了國內(nèi)外常用的負荷預(yù)測算法和相應(yīng)的適用情況，采用熵權(quán)法解決組合預(yù)測權(quán)重，為使負荷預(yù)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(yù)測模塊，設(shè)計了專家推薦模型，融合專家推薦值來不斷調(diào)整不滿意的預(yù)測結(jié)果。在中短期電力負荷預(yù)測方面，大多數(shù)學(xué)者[20-23]利用神經(jīng)網(wǎng)絡(luò)的非線性逼近能力預(yù)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(yù)測精度。電力負荷預(yù)測中智能信息融合的缺陷是只有神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)預(yù)測。

中科院余樂安博士首次將智能信息融合的理念應(yīng)用于油價預(yù)測中，基本思想是：首先利用文本挖掘技術(shù)搜索影響油價波動的各種因素，然后通過粗集預(yù)處理和神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)獲得的相應(yīng)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(yīng)的預(yù)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(yù)測結(jié)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(yù)測，線性信息通過線性模型預(yù)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(yù)測結(jié)果[24]。

總之，兩類基于信息多源化的預(yù)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(yù)測進展以及較好的預(yù)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(yù)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(yù)測方法逐漸向規(guī)范性、可行性及智能化轉(zhuǎn)變，盡管國內(nèi)外學(xué)者對能源需求預(yù)測問題進行了有益的探索和研究，但在能源需求預(yù)測模型中可從以下兩方面改進：

（1）構(gòu)建基于非線性變權(quán)重的能源需求組合預(yù)測模型

目前在能源需求預(yù)測領(lǐng)域，非線性組合預(yù)測模型普遍優(yōu)于線性組合預(yù)測模型。而已有非線性組合模型中，神經(jīng)網(wǎng)絡(luò)模型既有效地利用了神經(jīng)網(wǎng)絡(luò)的非線性映射能力，又克服了通常對不同預(yù)測方法適用性強調(diào)不足的缺陷。因此，關(guān)于非線性不變權(quán)的神經(jīng)網(wǎng)絡(luò)組合模型得到了廣泛的應(yīng)用，但是神經(jīng)網(wǎng)絡(luò)非線性可變權(quán)組合預(yù)測仍是空白。可變權(quán)組合預(yù)測方法尤其是非線性可變權(quán)方法比較復(fù)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(yù)測考慮的重要研究方法。

（2）構(gòu)建基于多源信息融合的能源需求預(yù)測模型

在分析智能信息融合的基礎(chǔ)上，進一步拓展信息源，構(gòu)建基于多源信息融合的能源需求預(yù)測模型（MIF組合預(yù)測模型）。設(shè)想的思路是：首先將非線性變權(quán)重的組合模型預(yù)測結(jié)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(diào)整的影響，診斷異常點對預(yù)測結(jié)果的影響，將影響結(jié)果視為第二個信息源，最后將多個預(yù)測機構(gòu)的預(yù)測數(shù)據(jù)作為第三個信息源。在此多源信息基礎(chǔ)上通過變權(quán)非線性融合技術(shù)賦予這三個信息源不同的權(quán)重，從而得到最終的預(yù)測結(jié)果。該思路實質(zhì)上也是一種智能信息融合系統(tǒng)，當(dāng)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(shù)方法。

[1]徐國強,胡清友.統(tǒng)計預(yù)測與決策[Z].上海:上海財經(jīng)大學(xué)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(yù)測:理論,方法及應(yīng)用[M].北京：社會科學(xué)文獻出版社,2008.

[4]盧奇,顧培亮,邱世明.組合預(yù)測模型在我國能源消費系統(tǒng)中的建構(gòu)及應(yīng)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(yù)測研究[J].生產(chǎn)力研究,2013,(11).

[6]秦晉棟.基于熵權(quán)灰色組合預(yù)測模型的區(qū)域能源需求預(yù)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(yù)測[J].煤炭工程,2008,(11).

[8]趙國浩,郭淑芬,申屠菁等.基于變權(quán)組合預(yù)測模型探討中國煤炭需求[J].資源與生態(tài)學(xué)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(yù)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(yù)測方法[J].預(yù)測,2003,22 (6).

[12]陳華友,程蕾,張倩.基于相關(guān)系數(shù)的IOWA算子最優(yōu)組合預(yù)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(yù)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(yù)測模型[J].安徽大學(xué)學(xué)報(自然科學(xué)版),2010,(1).

[15]周揚,吳文祥,胡瑩等.基于組合模型的能源需求預(yù)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(yù)測模型及發(fā)展對策研究[D].北京：首都經(jīng)濟貿(mào)易大學(xué)學(xué)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(shù)應(yīng)用于城網(wǎng)負荷預(yù)測[J].供用電, 1994,(5).

[19]王德金.基于熵權(quán)法的電力中長期負荷組合預(yù)測[D].北京：華北電力大學(xué)，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(yù)測系統(tǒng)[J].華北電力大學(xué)學(xué)報,2005,32(5).

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

[22]招海丹,余得偉.電力負荷短期預(yù)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(yù)測—TEI@ I方法論[M].長沙：湖南大學(xué)出版社,2006.

（責(zé)任編輯/亦 民）

F206

A

1002-6487（2016）23-0029-04

國家自然科學(xué)基金資助項目（71273206；71273207）；陜西省軟科學(xué)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(dǎo)師，研究方向：資源環(huán)境政策、管理系統(tǒng)工程。