基于BP神經網絡的煤炭量消耗預測模型研究

龔立雄，劉世雄，王燦林

(1.重慶理工大學 機械工程學院，重慶 400054；2.華北電力大學 能源動力與機械工程學院， 河北 保定 071003；3.深圳市智博翼企業管理咨詢有限公司，廣東 深圳 518172)

基于BP神經網絡的煤炭量消耗預測模型研究

龔立雄1，劉世雄2，王燦林3

(1.重慶理工大學 機械工程學院，重慶 400054；2.華北電力大學 能源動力與機械工程學院， 河北 保定 071003；3.深圳市智博翼企業管理咨詢有限公司，廣東 深圳 518172)

針對目前煤炭量消耗預測方法的不足，提出了一種基于BP神經網絡的煤炭量消耗預測模型。首先，分析了神經網絡的結構和算法。然后，對影響煤炭量消耗的因素進行總結，根據《中國統計年鑒》數據，提煉出7個煤炭量消耗影響因素作為BP神經網絡的輸入，構建了結構為7-10-1-1形式的雙隱層BP神經網絡煤炭量消耗預測模型。實例研究表明，該模型回歸系數接近1，訓練誤差和測試誤差較低，能準確預測中國煤炭量等能源的消耗。

神經網絡；BP；煤炭量消耗；預測模型

煤炭作為中國能源消耗的主要資源，準確預測煤炭量消耗對于合理利用能源具有重要意義。作為一個發展中國家，煤炭長期以來作為中國主要消耗資源。在未來一段時期內，煤炭在一次能源消耗結構中的主體地位不會改變[1-2]。然而，煤炭資源又是一種不可再生資源，需要科學開發和合理利用。因此，準確預測煤炭量消耗，保持煤炭量供需平衡十分重要。近年來，國內外學者對中國煤炭量消耗預測做了許多工作，主要預測方法有彈性系數法、回歸模型、投入產出法、灰色預測等[3-4]。Tunckaya等[5]使用統計中的自回歸移動平均和回歸平均比較了600兆瓦燃煤發電廠的發電量。柴巖等[6]針對傳統灰色預測模型對離散程度較大的數據預測不理想問題，提出了一種改進GM(1,1)-LSSVM預測模型，并用該模型預測遼寧省1996-2009年煤炭能源消耗總量。蘇維均等[7]采用貝葉斯估計和馬爾科夫算法對傳統回歸移動平均進行改進，通過仿真預測了造紙企業工藝過程能源消耗。龐家幸等[8]采用脫鉤指數評價了甘肅經濟增長和能源消耗的關系，以歷史數據為基礎預測了甘肅2020年能源消耗總量。孫學軍[9]利用統計軟件，構建了煙草生產能耗預測回歸模型，該模型以逐日驗證法對預測模型的精確性進行驗證。但上述煤炭量消耗預測模型因采用方法和基礎數據來源不同，預測精度存在一定誤差。

神經網絡是一種建立在神經學基礎上的抽象數學模型，反映了人類大腦的某些基礎特征，具有一定學習能力，能很好地適應經濟、社會等環境變量的變化，適合復雜系統的建模與預測。本文針對現有預測方法的不足，采用BP(Back Propagation)神經網絡構建了中國煤炭量消耗預測模型，并以中國煤炭量消耗1990-2015年數據為例，利用BP神經網絡進行訓練，準確地預測了我國2016年和2017年煤炭量的消耗，為科學制定能源政策提供了模型參考。

1 BP神經網絡預測模型

1.1 BP神經網絡結構

人工神經網絡研究開始于20世紀40年代。50年代末，Rosenblatt提出了感知器模型，奠定了人工神經網絡研究的基礎[10]。經過多年發展，人工神經網絡的研究逐漸成熟，在模式識別、智能控制等方面得到廣泛應用。BP神經網絡是一種特殊的神經網絡，它采用誤差校正學習算法達到非線性神經元的學習過程，通過誤差的反向傳播來實現目標的無限逼近。BP神經網絡的結構如圖1所示，包括輸入層、輸出層、隱層三個部分，每一層由多個并行運算的神經元組成，其學習過程可分為兩個階段：正向傳播階段和誤差反向傳播階段。

圖1 BP神經網絡結構

1.2 BP神經網絡算法

當神經網絡結構固定后，BP算法是通過調整神經網絡的權重使得輸出與期望值之間的誤差降低，通過有監督學習的梯度下降調整權重。正向傳播過程中，每一層神經元只影響下一層神經元，如果輸出層中不能得到期望輸出，則進入反向傳播階段，將誤差信號沿原通路返回，修改權重，如此反復達到誤差要求。學習過程中，誤差函數表示為：

(1)

式中，M為輸出神經元個數；Tj為輸出層節點j的期望輸出，j=1，2，…，M；Outj為輸出層節點j的實際輸出。

BP神經網絡訓練時，其權重的修訂公式如下：

Wji(t)=Wji(t-1)+ΔWji

(2)

(3)

(4)

對于隱含層：

(5)

式中，P為隱層節點個數。將公式(5)代入公式(3)中，則輸出層、隱層權重修正公式分別為公式(6)和公式(7)：

(6)

(7)

式中，F′(?)為傳遞函數導數。當采用Sigmoid函數時，則：

F′(?)=F(?)*(1-F(?))

(8)

(9)

式中，j為神經網絡輸出層神經元個數，j=1，2，…，M。可知，BP算法是一個誤差反向傳播的梯度下降算法，通過局部改善，力圖使總誤差最小。網絡前一層的誤差信號由后一層傳遞過來，逐層向前傳播，誤差反向傳播BP算法也由此而名。

2 煤炭量消耗預測模型研究

2.1煤炭量消耗影響因素分析

影響能源消耗需求的因素很多，受到產業結構、經濟、環境、政策、生活習慣等多方面因素的影響。煤炭在中國一直是主要的一次能源，在未來一段時間內，煤炭仍將作為主要能源消費。因此，本文重點分析煤炭消耗的影響因素。影響煤炭消耗需求因素主要有價格、技術革命、產業結構等，具體有：

(1) 經濟增長。煤炭消耗與經濟發展密切相關，受經濟增長水平影響很大。國家GDP增加，能源需求隨之增加；由于二者具有強相關性，所以煤炭量消耗也會相應增加，但它們并不是簡單的因果關系。經濟增加是推動煤炭消耗增長的重要因素，可用能源消耗彈性系數和GDP增長率表示[11]。

(2) 能源生產和消耗結構。能源生產和消耗結構反映能源生產、消耗占所有能源消耗的比例關系，中國煤炭量消耗比例較高，據《中國統計年鑒》2016年數據顯示，2011-2015年中國煤炭量消耗占能源消耗比重分別為70.2%、68.5%、67.4%、65.6%、64%，平均占比為67.1%，以煤炭為主的能源消耗結構導致能源效率低下，能耗指數較高。

(3) 價格。煤炭量消耗與煤炭價格緊密相關。一般來說，當煤炭價格上漲時，耗煤企業將會增加其他可替代能源的使用量，減少煤炭的消耗。反之，當價格降低時，煤炭消耗會增加。中國煤炭消耗比重占所有能源消耗比重的60%以上，一方面說明中國經濟快速增長，能源消費結構單一；另一方面，也說明我國煤炭價格偏低，生產總量過剩。

(4) 能源生產和消耗總量。能源生產總量影響能源價格，煤炭在中國作為主要能耗來源，與能耗生產總量和消耗總量存在著相應關系。煤炭量消耗直接體現著對煤炭量的需求，當能源生產量多時，消費總量也相應增加，則煤炭生產量和消耗量也會相對增加，反之降低，因而能源生產總量影響煤炭需求和消耗。

(5) 其他因素。煤炭量消耗還有很多因素，如投資、人口變化、城市化進程、科技進步、節能措施、經濟體制變革、國際能源貿易、生態環境保護、能源加工效率等、國家能源政策等，都會影響煤炭的消耗。

2.2基于BP神經網絡的煤炭量消耗預測

由2.1可知，煤炭量消耗受多種因素影響，為了準確預測中國煤炭量消耗情況，本文選取了一些主要因素作為神經網絡的輸入指標，并要求這些因素可量化，即在《中國統計年鑒》中能夠查詢到可靠的數據。因此，選取的影響因素有GDP增長率、人均生活消費能源(千克標準煤)、煤炭生產量占能源生產總量比重、能源生產總量(萬噸標準煤)、能源加工轉換效率、能源生產彈性系數、能源消耗彈性系數。

在這些選取的輸入指標中，GDP增長率、能源消耗彈性系數對應著2.1節中的經濟增長因素。人均生活消費能源指標反映的是人均生活消費水平，對應著2.1節中的人均能源生產和消耗總量影響因素。煤炭生產量占能源生產總量對應著2.1節中能源生產和消費結構影響因素。能源生產彈性系數是指能源生產總量年平均增長速度和國民經濟平均增長速度的比值，對應著2.1節影響因素中的經濟增長、能源生產和消耗總量的綜合影響。能源加工轉換效率是反映能源加工轉換裝置和生產工藝、管理水平的指標，對應2.1節中煤炭價格、科技進步影響因素。一般地，煤炭加工轉換效率升高，則煤炭價格相應降低，煤炭生產和消耗量會隨之提高。因此，本文輸入指標的選擇與影響中國煤炭量消耗的主要因素密切相關，并且數據選自《中國統計年鑒》，來源可靠、可量化，具有一定的科學性。

在構建BP神經網絡的過程中，以上7個因素作為BP神經網絡的輸入層。輸出層為煤炭量消耗(萬噸標準煤)。即輸入層有7個神經元、輸出層為1個神經元。

本文數據來源于《中國統計年鑒》2016年的數據[12]。選取1990-2015年的能源消耗量數據作為樣本，如表1所示。

根據本文構建的BP神經網絡結構，輸入層選取GDP增長率(P1)、人均生活消費能源(P2)、煤炭生產量占能源生產總量比重(P3)、能源生產總量(P4)、能源加工轉換效率(P5)、能源生產彈性系數(P6)、能源消耗彈性系數(P7)，輸出層為煤炭量消耗預測值(Q1)。為提高煤炭量消耗預測的準確性，本文對樣本數據進行歸一化，歸一化采用公式(10)計算。

(10)

在BP神經網絡中，隱層節點的數目和層數選擇對網絡性能有著重要影響，一般來說，網絡隱層的層數越多，所對應映射關系越復雜，適應度就會越高，輸出精度也會越高，但代價是神經網絡訓練的速度會變得很慢。與傳統的BP神經網絡單隱層結構不同的是，本文在實驗研究中選擇BP神經網絡的結構為雙隱層結構，綜合考慮訓練誤差、時間等因素。即在第一個隱層包含10個神經元，第二個隱層包含1個神經元；選擇的訓練函數為“traindx”(動量和自適應梯度下降法)函數；訓練誤差設置為0.0001，允許最大訓練次數為10000次，以及學習速率設置為0.05。因此，本文構建的BP神經網絡結構為：7-10-1-1，如圖2所示。

表1 2016年《中國統計年鑒》能源消耗數據

圖2雙隱層BP神經網絡結構設置

以1990-2013年的24組數據作為BP神經網絡訓練樣本，2014年、2015年的數據作為測試樣本。采用BP神經網絡構建煤炭量消耗預測模型，以MSE(Mean Squared Error)作為誤差性能，誤差訓練曲線如圖3所示。

從圖3可以看出，BP神經網絡煤炭量消耗預測模型進過1536次訓練達到收斂。圖4是其回歸分析過程。

圖3 誤差訓練曲線

由圖4可以看到，煤炭量消耗預測模型匹配性非常好，回歸系數為0.99985，接近1，影響因素和煤炭量消耗存在強相關。表明該預測模型具有良好的性能，可用于預測中國煤炭量消耗。

以2014年、2015年的數據為測試數據，表2列出了2014年、2015年煤炭量消耗預測值和實際消耗值，從表中可看出，相對誤差分別為1.02%和1.61%，誤差較小，在可接受范圍內，從實例中驗證了本文構建的BP神經網絡煤炭量消耗預測模型可用來預測中國能源消耗，具有較高的預測精度。

同理，根據本文所構建的神經網絡煤炭量消耗預測模型來預測中國2016年和2017年的煤炭量消耗，結果分別為消耗271230和267990萬噸標準煤。從2013-2015年煤炭量消耗實際值和2016年、2017年兩年的煤炭量消耗預測值，可以看出，中國的煤炭量消耗需求逐年減少，也充分證明了中國能源消費正在從以傳統的煤炭消耗向其他清潔、可持續能源轉型。

圖4 回歸分析過程

年份煤炭量消耗預測值(萬噸標準煤)煤炭量實際消耗值(萬噸標準煤)相對誤差(%)20142821702793291.02%20152796202752001.61%

3 結論

BP神經網絡在解決復雜系統問題時表現出一定的優越性，本文根據煤炭量消耗需求實際情況和影響因素，構建了7-10-1-1結構的BP神經網絡煤炭量消耗預測模型，并以《中國統計年鑒》2016年數據作為樣本進行分析和驗證，Matlab實驗結果表明，基于BP神經網絡的煤炭量消耗預測模型為研究中國能源需求和能源消耗提供了一種新的工具，有利于科學制定能源政策，統籌能源利用和開發，保證能源供需平衡，具有廣闊的前景。

[1] 孔繁曄.煤炭清潔利用改革中的博弈分析[J]. 經濟問題， 2017(1):96-102．

[2] 袁亮.煤炭精準開采科學構想[J]. 煤炭學報， 2017， 42(1):1-7．

[3] 劉衛東， 仲偉周， 石清.2020年中國能源消費總量預測——基于定基能源消費彈性系數法[J]. 資源科學， 2016， 38(4):658-664．

[4] 胡鞍鋼， 鄭云峰， 高宇寧.中國高耗能行業真實全要素生產率研究(1995—2010)——基于投入產出的視角[J]. 中國工業經濟， 2015(5):44-56．

[5] Tunckaya Y， Koklukaya E.Comparative prediction analysis of 600MWe coal-fired power plant production rate using statistical and neural-based models[J]. Journal of the Energy Institute， 2015， 88(1):11-18．

[6] 柴巖， 劉翔宇.改進的GM(1，1)-LSSVM模型及其在能源消耗預測中的應用[J]. 統計與決策， 2014(17):84-87．

[7] 蘇維均， 楊飛， 崔世杰，等.造紙企業工藝過程能源消耗預測仿真[J]. 計算機仿真， 2016， 33(8):438-442．

[8] 龐家幸， 陳興鵬， 王惠榆.甘肅省能源消耗與經濟增長的關系研究及能源消耗預測[J]. 干旱區資源與環境， 2014， 28(2):31-36．

[9] 孫學軍.基于煙草生產的能源消耗預測模型研究[J]. 安全與環境學報， 2016(6):366-370．

[10] Hopfield J J. Neural networks and physical systems with emergent collective computational abilities[M]//Spin Glass Theory and Beyond: An Introduction to the Replica Method and Its Applications. 1987: 411-415.

[11] 胡雪棉.基于BP神經網絡的中國煤炭資源需求預測模型研究[D]. 太原: 山西財經大學， 2008．

[12] 中華人民共和國國家統計局. 中國統計年鑒2016[R]. 北京：中華人民共和國國家統計局，2016.

(責任編輯：熊文濤)

F206

A

2095-4824(2017)06-0073-05

2017-09-02

教育部人文社會科學研究項目(15YJCZH049)；重慶市基礎科學與前沿技術研究項目

(cstc2016jcyjA0385，cstc2017jcyjAX0343)；重慶市教委人文社會科學與研究項目(15SKG133)

龔立雄(1978- )，男，湖北仙桃人，重慶理工大學機械工程學院副教授，博士。

劉世雄(1991- )，男，河北石家莊人，華北電力大學(保定)能源與動力工程學院碩士研究生。

王燦林(1979- )，男，湖北監利人，深圳市智博翼企業管理咨詢有限公司工程師。