基于神經網絡和仿生算法的區域經濟能源消耗結構優化

吳睿輝，任 艷

(1.廣州南洋理工職業學院 經濟管理學院, 廣州 510900)2.新疆財經大學 信息管理學院, 烏魯木齊 830012 )

目前，關于區域經濟、區域能源消耗與區域生態環境相互影響的研究，主要采用面板計量和層次分析模型等方法進行定量分析，或者借助于多種統計方法與回歸理論進行數據處理，都獲得了較好的能源消耗結構分析結果。但是，在研究過程中，主要是對歷史數據進行分析，總結能源消耗、經濟、環境三者發展的平衡情況，對失衡的情況進行預警及對策分析。本文將神經網絡算法和仿生算法用于對未來數據的預測分析，根據歷史數據預測一個區域未來的能源消耗總量，并在總量的基礎上進行能源結構優化配比，以便能夠為后續的政策決策制定合理的能源消耗結構優化方案。

1 區域經濟與能源消耗結構模型

1.1 區域能源消費總量分析

決定區域能源消費的影響因素較多，主要有經濟指標、第二產業結構、能源利用效率和主要能源的消費量4類。其中，衡量區域經濟發展最重要的指標是GDP，第二產業對能源的消耗量最大。能源結構方面，現階段可用能源種類多，大致分為煤炭、石油、天然氣以及非石化類能源這4類[1]，通過年鑒統計，煤炭是消耗量最大的能源。因此，要對區域的能源消耗總量進行預測，必然要獲取該區域的歷史GDP數據、第二產業量、能源利用率等。

1.2 能源消費結構優化

在進行能源結構優化時，應充分考慮經濟、環境等因素。以二氧化碳排放量F(x)最小為目標，建立能源結構優化模型為：

(式1)

x1、x2、x3、x4分別表示4類能源消耗量；α1、α2、α3、α4為4類能源與二氧化碳排放量之間的相關系數，根據EViews[2]，可求得α1=2.7742、α2=1.4286、α3=1.6453、α4=0。

2 基于神經網絡和仿生算法的能源消耗結構分析

2.1 BP神經網絡結構模型

設輸入樣本為Xk=(x1,x2,...,xn)，k=1,2,...,m，其中的m和n分別代表樣本總量和單個樣本的特征總數。一般而言，輸入層神經元個數和特征總數相等，若進行了樣本特征篩選和凈化后，輸入層神經元個數一般小于特征總數。第k個樣本經過模型后得到的輸出為Yk=(y1,y2,...,yn)，n為輸出層神經元個數。

輸入樣本經過權重到達隱含層第一層的值為：

(式2)

S1j值經過特征轉換函數后可得：

(式3)

選取Gaussian函數作為神經網絡特征轉換函數。其中，σ為大于0的實數，cj為第j個隱含層中心值，將第一隱含層作為輸入，經過權重到達第二隱含層的值為:

(式4)

經過轉換函數求解得到：

(式5)

經過所有隱含層的輸出，經過權重Vjt得到的結果為：

(式6)

上式經過Gaussian函數[3]求解，得到整個模型的輸出結果：

(式7)

第k個樣本的誤差結果為：

(式8)

所有樣本的誤差為：

(式9)

上式經過一階求導得：

ΔVjt=-?Ek/?Vjt

(式10)

求解得：

(式11)

2.2 人工魚群算法

在人工魚群算法的神經網絡結構優化過程中，將煤炭、石油、天然氣和非石化能源集合作為一只人工魚，隨機生成N只人工魚構成魚群，將魚群活動情況思想運用于能源比例的優化求解，計算N組能源比例集合生成的神經網絡的訓練誤差，選擇誤差最小的一組作為人工魚群的食物濃度最大值fmax，當魚群中的魚找到食物后可以不斷調整其位置，以食物為中心，完成位置更新。采用這種方法，可以有效求解在限制條件下滿足最小f(x)的能源比例，用ΔXi(t+1)表示第i條數據列表記錄t+1時刻相比t時刻的位置變化，Xi(t)表示第i條魚的空間位置，f(Xi)表示該處的食物濃度，則有：

ΔXi(t+1)=Rand()*Step*[Xi(t+1)-Xi(t)]

(式12)

其中，Rand()為隨機數據，Step表示魚群位置更新操作。那么，t+1時刻，第i條魚的位置為：

Xi(t+1)=Xi(t)+ΔXi(t+1)

(式13)

設當前第i條魚所處的空間坐標為Xi，根據魚群隨意活動到達的一個空間坐標Xj的表示方法為：

Xj=Xi+Visual*Rand()

(式14)

在魚群活動范圍內，根據隨機分配的位置Xj，若魚群還未找到食物點，則根據式15所示繼續尋找食物。

(式15)

第i條魚當前所處位置為Xi，根據該條魚Visual范圍內的f(x)的最大值，判定食物所處位置是否處于魚Visual內，若當前位置Xo處于魚的可視范圍，則有：

(式16)

第i條魚當前所處位置為Xi，根據Visual范圍內的f(x)的最大值，判定當前魚所的Visual范圍是否存在多個食物點，若當前位置Xmax可見多個食物點，則魚的位置更新方式為：

(式17)

判斷當前食物濃度f(x)，若f(x)≥fmax，則更新fmax，否則繼續更新位置，當達到設定的迭代次數或者滿足設定的最小誤差閾值時，算法停止，返回fmax所對應的魚，即最優的能源消費比例。

3 實例仿真

為了驗證神經網絡和仿生算法對區域經濟能源結構優化的影響，以京津冀地區為研究對象，采用神經網絡和人工魚群算法對京津冀能源消耗結構進行優化。

表1整理了2002—2016年度京津冀三地的GDP(N1)、煤炭消費總量(N2)、第二產業值(N3)、能源利用率(N4)統計數據。

表1 統計結果

3.1 京津冀能源消費總量預測

將N1、N2、N3和N4作為主要影響因素，區域經濟能源消耗總量作為目標函數，通過算法來預測2017年度之后的京津冀能源消耗總量。本文采用神經網絡算法進行預測2017—2020年度能源消耗總量，將12組N1、N2、N3和N4作為輸入，能源消耗總量作為輸出，預測結果如表2所示。

表2 預測2017—2020年度煤炭消費量

從表2可以看出，從2017起，京津冀能源消耗總量緩慢提升，到2020年度，預計會消耗能源總量55087萬噸/標準煤。

下面用剩余的3組樣本對能源消耗神經網絡模型進行測試，再根據中國統計年鑒和京津冀三地統計年鑒獲得實際值，最后求解不同規模結構下的均方誤差。結果如表3所示。

從表3可以看出，三組樣本的預測均方誤差均較小。當隱藏層神經元數量變化時，均方誤差有較小變化，而均方誤差并不總是隨著隱藏層神經元數量的增加而減小。當隱藏層神經元數量為10時，三組樣本預測的均方誤差最小；當神經元數量為15時，預測誤差增加。因此，適合京津冀能源消費總量預測的隱藏層最佳數神經元個數為10。

表3 不同網絡規模的預測均方誤差

3.2 能源消費結構優化

優化目標：(1)盡量調整能源利用率高的能源比例，優先使用天然氣和非石化能源，但根據天然氣對京津冀的供應量和國家倡導的非石化能源的占比，天然氣供應量最大為3300萬噸/標準煤，非石化能源至少要占到總能源的16%，正負不超過±1%；(2)能源消費總量固定，根據預測值，2020京津冀能源消耗總量將達到55087萬噸，控制±5%的誤差，煤炭消費區間為[52332,57841]；(3)根據國家發改委政策及《京津冀煤炭平衡表(2012)》，煤炭占所有能源比例不能超過60%[4]，再根據實際能源持有量，煤炭的比例仍不會低于50%。

根據優化目標，建立優化函數和限制條件。如式18和式19所示。

minF(x)=2.7742x1+1.4286x2+1.6453x3

(式18)

(式19)

運用Matlab進行仿真，計算得到：x1=28872，x2=13444，x3=3275，x4=9011，total=54602，其結構分布采用餅狀表示(見圖1)。

按照圖1的比例標準，分別根據北京、天津和河北三地目前的能源結構比例進行調整，以滿足該比例要求，在滿足總量要求和總體結構分布的結構下，適當調整三個區域各自的能源分布結構。

4 結語

將神經網絡和仿生算法運用于區域經濟能源消耗結構優化，結合經濟GDP、產業結構及能源利用率等因素，預測將來需要消耗的能源總量，并根據碳排放量要求優化能源消耗結構，以達到經濟、環境和能源消耗的均衡發展。