基于神經網絡工具箱的能源預測

崔鑫

【摘 要】準確預測能源生產總值，對社會經濟健康、穩定發展具有重要理論與現實意義。本文對1978～2014 年我國能源生產總量數據進行預測研究，利用RBF和BP神經網絡工具箱預測、對比預測精度。實驗表明，RBF神經網絡工具箱優于BP神經網絡工具箱的預測精度。

【關鍵詞】能源生產總量；RBF網絡；BP神經網絡；工具箱；預測

中圖分類號： TP183 文獻標識碼： A 文章編號： 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

能源生產總量是指在一定時期內全國一次能源生產量的總和，包括原煤、電能、核能等，是全國能源生產水平、規模、構成和發展速度的總量指標。能源預測無論從人類生存的可持續發展還是從保護人類賴以生存的地球生態環境，以及開發新能源發展趨勢都具有重要意義。

能源總量的預測分析與研究，對能源規劃及相關政策的制定、能源戰略、社會經濟健康、持續、穩定發展具有現實意義。能源預測方法主要有情景分析法、能源消費彈性系數法、投入產出法和部門分析法、時間序列法、小波分析法等，但這些方法基本屬于線性預測方法，對非線性對象適應能力較差。而神經網絡對非線性問題有獨到的處理能力，因此，本文采用BP和RBF神經網絡進行預測研究。

1 BP神經網絡及工具箱

1986年，Rumelhart等提出了誤差反向傳播神經網絡，簡稱 BP網絡（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神經網絡工具箱結構如圖1所示[1]，包括輸入層、隱層和輸出層。其中，隱層神經元傳遞函數為tansig輸出層神經元傳遞函數為purlin。隱層的非線性傳遞函數神經元可以學習輸入/輸出之間的線性和非線性關系，也可采用sigmoid函數。

2 RBF神經網絡及工具箱

徑向基函數（Radial Basis Function，RBF）神經網絡是由J.Mookdy和C.Darken于20世紀80年代末提出的一種神經網絡，它是具有單隱層的3層前饋網絡。RBF網絡模擬人腦中局部調整、相互覆蓋接收域結構，RBF網絡能以任意精度逼近任意函數。其隱層采用徑向基函數作為激勵函數，通常為高斯函數，隱層每個神經元與輸入層相連的權值向量wli和輸入向量Xq（表示第q個輸入向量）之間的距離乘以閾值作為本身的輸入。如圖2所示。

3 仿真預測模型的設計

在MATLAB R2009版本中編寫程序進行實驗。實驗數據來源于《2016中國統計年鑒》[2]，如表1所示。預測模型建立：取1978年～2014年的數據進行實驗，共有28組數據。1978～2006 年的 20 個數據樣本進行訓練，2007～2014年的 8 組數據作為本次實驗的檢驗樣本。以原煤、原油、天然氣、一次電力及其他能源4個因素作為神經網絡的輸入，能源生產總量作為神經網絡的輸出。

3.1 BP神經網絡仿真模型

本次實驗中BP網絡結構根據前述設置為4-15-1.訓練精度設置0.00001，循環步數設為5000。創建BP網絡并訓練，數據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）；

網絡輸出再經過反歸一化獲得預測值。圖3是誤差訓練曲線，圖4是實際值和預測值的對比。

預測結果的詳細數據信息見表2所示。

3.2 RBF神經網絡工具箱預測

RBF神經網絡結構：輸入層神經元個數為4，輸出層神經元個數為1，隱層神經元個數是網絡自適應調節。RBF神經網絡的控制參數只有一個：spread。主要程序：

spread= 25；

net=newrbe（pn，tn，spread）；

數據樣本同BP網絡。影響RBF的因素有擴展因子和檢測數據，經過反復實驗，spread 取25比較合適。RBF網絡預測結果如圖5所示，詳細數據見表 2所示。

對比表2中BP網絡、RBF網絡預測模型數據可得：BP網絡預測平均精度為2.6321%，RBF神經網絡預測平均精度為0.1750%。說明RBF網絡工具箱預測

的結果要比傳統BP 預測精度高很多。體現了RBF網絡工具箱在能源預測方面具有一定的優越性。

4 結論

本文對能源生產總值進行預測研究，分別采用RBF網絡與BP網絡預測模型預測，得出實驗數據表明，在相同的條件，RBF神經網絡算法比BP神經網絡精度高，預測時間較短，能夠逼近任何非線性函數，其最大優點控制參數少，由于局部化特征訓練速度快，性能好。

【參考文獻】

[1]張德豐.MATLAB神經網絡應用設計[M].北京：機械工業出版社，2012，03.

[2]中華人民共和國國家統計局.《中國統計年鑒-2017》[M].2017年9月.