考慮宏觀政策的能源需求組合預測模型

黃 欣，吳杰康，李紅玲，李逸欣，鄭敏嘉，李 猛，吳偉杰，張伊寧

(1.廣東電網規劃研究中心，廣東 廣州 510000；2．廣東工業大學自動化學院，廣東 廣州 510006)

0 引 言

近些年來，能源需求預測研究已經成為國內外學者的關注熱點。隨著國民經濟的發展，能源瓶頸問題越來越顯著，為了更好處理能源需求與供應平衡問題[1]，對能源需求的預測不僅可以有效避免能源短缺情況，而且對于經濟發展、工業發展起著一定的促進作用。政策作為一個宏觀、復雜的因素，它影響著經濟發展、能源消費結構、產業結構等[1]，并進一步影響著能源需求，對這個綜合性的因素進行研究顯得尤為重要。

大部分國內外學者的能源需求預測研究側重于研究能源需求與經濟增長[2](GDP)、人口[3]、產業結構、城鎮化[4]等因素之間的聯系，影響因素可量化且過于單一，沒有考慮難以直接量化的綜合性因素，往往也忽視了各影響因數之間的相互作用和影響。目前，研究能源需求預測的方法主要有：神經網絡[1-4]、線性回歸法[5]、灰色預測模型[6]GM(1,1)、時間序列法等。采用線性回歸法可以反映各因素之間的線性關系，但是對于非線性數據難以建立模型；灰色預測模型GM(1,1)簡單直接地以歷史數據預測未來數據，是以關鍵因素作為變量的單變量模型，對于多變量的場景預測精準度偏低。考慮到傳統的灰色預測模型存在的缺陷，研究學者不斷改進該模型，進一步提出了基于離散DGM模型[7]、新陳代謝模型[7]等的灰色預測方法。較為常見的時間序列法[8]，預測精準度有所提高，但是其需要大量的歷史數據作為算法的實現基礎，缺乏高效性和便捷性。各類神經網絡的預測模型優缺點并存，預測精準度不一。后期，漸漸地出現了組合預測[9-11]模型，其本質就是將兩種甚至多種算法進行權值組合優化，在算法上和預測精確度上都有所優化和改進。但是，組合模型最大的問題就在于加權平均系數[12]的確定，選擇最優的加權平均系數有待進一步優化研究，并且缺乏考慮宏觀政策這一綜合宏觀影響因素。

對于考慮宏觀政策的能源需求預測，其預測模型的相關研究和算法并不多，主要是考慮微觀指標的能源需求預測，如經濟增長、產業結構、居民生活水平、人口增長等。能源需求預測主要分為兩種預測方法：一種是相關關系預測方法，例如回歸模型[13]、能源消費彈性系數法[14]、部門預測法等[15]；另一種是時間序列分析預測法，例如誤差修正模型[16](error correction model，ECM)、自回歸滑動平均(auto-regressive moving average,ARMA)模型等。基于代理(agent)的智能模擬系統[17]用來模擬仿真宏觀政策在能源需求預測中的影響，很好地處理了宏觀政策的模糊性、復雜性和主觀性，但是由于宏觀政策各方面的力度、方向以及重點不同，系統的仿真環節難以做出人性化的最優決策。

下面，就考慮宏觀政策這一綜合影響因素，針對能源需求預測，提出了灰色關聯度分析與BP神經網絡的組合預測方法。考慮到宏觀政策的廣泛性和模糊性，根據宏觀政策的性質，將宏觀政策分為投資、進出口、節能減排3個主要的方面；采用灰色關聯度分析對每個方面的多個指標進行關聯度計算、排序；最后，篩選出關聯度最大的即影響力最大的3個宏觀政策指標。

1 宏觀政策及其指標

宏觀政策作為一個宏觀、復雜、抽象的影響能源需求的重要因素，將其直接用單一指標表示出來存在一定的困難和不可靠性。對此，根據政策的內容，針對性地劃分為3個方面：投資、進出口、節能減排。對于不同類型的政策，采用不同的數據指標進行表示。

1.1 投資政策及其指標

歷史數據表明，中國對于能源工業方面的投資政策會根據實際經濟發展狀況，加大或減少某方面的投資力度。以廣東省的能源投資為例，可以了解各行業的投資情況。圖1為2003—2016年廣東省能源工業各行業投資數據(數據來源于歷年《廣東統計年鑒》[18]，以下同)。

圖1 2003—2016年廣東省能源工業投資數據

根據圖1中的數據曲線可以看出：石油和天然氣開采業逐年的投資不算穩定，跟當時的開采技術水平以及產地的勘探技術有關；石油加工、煤氣生產以及電力蒸汽等生產和供應的投資則呈現上升的趨勢，尤其是清潔能源(如電力、熱力等)的生產供應投資。

為體現能源投資方面的全面性，以圖1中的4個數據作為宏觀政策中投資方面影響能源需求的初始指標：石油和天然氣開采業；電力、蒸汽及熱水生產和供應業；石油加工及煉焦業；煤氣生產和供應業。

1.2 進出口政策及其指標

中國作為一個進出口大國，對外貿易政策是中國確保自身發展和經濟利益的準則，即便是在新冠肺炎防控乃至金融危機期間，中國政府都出臺了一系列的助力進出口的政策，并將其落到實處。可見，中國于進出口方面給予很大的重視。廣東作為貿易大省，其貿易政策對能源的影響尤為突出。以廣東省境內進出口數據為例，可以分析該省的進出口情況。圖2為2003—2016年廣東省境內進出口總額數據[18]。

圖2 2003—2016年廣東省境內進出口總額數據

根據圖2中的數據曲線可以看出：對外貿易一直都是廣東省經濟發展的一個重要方面，除了2009年的經濟危機，進出口貿易稍微有所下降，后期經濟恢復和發展后，進出口總額又恢復了持續增長的趨勢。

宏觀政策中進出口方面影響能源需求的初始指標為境內目的地和貨源地進出口總額、出口總額和進口總額。

1.3 節能減排政策及其指標

近些年來中國提倡走節約發展、清潔發展的工業化道路，注重環境保護和限制污染物的排放。2020年作為全面建成小康社會的決勝階段，廣東省正在加快完成“十三五”節能減排目標任務。以廣東省為例，圖3為2003—2016年廣東省節能減排指標數據。

圖3 2003—2016年廣東省節能減排指標數據

根據圖3的兩種不同趨勢的數據曲線可知，由于廣東省廣大市民響應節能減排政策，故城市天然氣用氣人數在不斷增加，減排政策限制二氧化硫的排放量，廢氣排放量逐年減少。

為了更好體現宏觀政策中節能減排方面對能源需求的影響，考慮節能減排政策對能源需求的影響的初始指標為二氧化硫排放量和城市天然氣用氣人口。

2 能源需求的組合預測模型

建立灰色關聯度分析(grey relation analysis，GRA)與BP神經網絡組合(GRA-BP)預測模型，用GRA來分析處理宏觀政策指標，以宏觀政策指標為輸入，構建BP神經網絡系統，預測能源需求量。

2.1 灰色關聯度分析理論

灰色關聯度分析將反映研究對象的一系列數值擬合在一條曲線上，與影響研究對象的各因素所組成的曲線簇進行比較，并分別進行量化，計算出研究對象與各影響因素之間的關聯度，通過比較各關聯度的大小來判斷各影響因素對研究對象的影響程度。簡言之，它是一種在眾多因素中進行影響度排序的多因素分析方法，它能為一個系統發展變化態勢提供量化的度量，適合動態歷程分析[19]。

灰色關聯分析的具體步驟如下：

1)確定分析指標體系，收集分析數據，確定比較數列和參考數列。

影響系統行為的因素組成的數據序列，稱為比較數列，記為

(1)

式中，i=1,2,…,n。

反映系統行為特征的數據序列，稱為參考數列，記為

(2)

2)對參考數列、比較數列進行無量綱化處理。

由于系統中各因素的物理意義不同，導致數據的量綱也不一定相同，不同量綱的數值一般不能直接進行比較。因此，在進行灰色關聯度分析時，一般都要對數據進行無量綱化處理。常用的無量綱化處理有均值化和初值化，分別為：

(3)

(4)

式中：i=0,1,…,n；k=1,2,…,m。

所謂關聯程度，實際上是指曲線之間的擬合程度。因此，可以通過曲線對應點的差值大小來作為衡量關聯程度的尺度。一個參考數列X′0一般有若干個比較數列X′i，各比較數列(X′1,X′2,…,X′n)與參考數列X′0在各個時刻存在對應的關聯系數矩陣，其推導式子為

(5)

式中：Δ0i(k)為各比較數列xi曲線上的每一個點與參考數列x0曲線上的每一個點的絕對差值；Δ0imin(k)、Δ0imax(k)分別為絕對差值的最小值和最大值；ρ為分辨系數，通常在(0,1)內取值，若ρ越小，關聯系數間差異越大，區分能力越強。通常ρ取值為0.5。

4)計算關聯度ri。

對影響系統行為的因素(比較數列)分別計算其各指標與參考數列對應元素的關聯系數的平均值，用以反映各影響因素與參考數列的關聯關系，即關聯度ri，計算式子為

(6)

5)關聯度排序。

將所求的關聯度進行大小排序，關聯度越大，其影響程度就越大，說明系統行為越受其影響。

2.2 BP神經網絡

BP神經網絡(back propagation neural network)是由Rumelhart和McClelland等學者提出的一種算法，是一個輸入順向傳播和誤差逆向傳播循環進行，通過改變權值使誤差達到一定范圍的多層前饋網絡。典型的BP神經網絡一般由3層組成：輸入層(input layer)、隱含層(hide layer)和輸出層(output layer)。輸入層主要作為接收信號的端口；隱含層作為中間存儲信號，可以有多個隱含層；輸出層是對輸入層接收的信號進行處理；各層之間均是完全連接的。3層BP神經網絡的結構拓撲圖如圖4所示。

圖4 BP神經網絡結構拓撲圖

假定神經網絡的輸入層有n個單元，隱含層有h個單元，輸出層有m個單元，則輸入矩陣為x=(x1,x2,…,xn)T；隱含層輸出矩陣為y=(y1,y2,…,yh)T；輸出層輸出矩陣為z=(z1,z2,…,zm)T。假設輸入層到隱含層的權值為ωij，隱含層到輸出層之間的權值為ωjk，隱含層到輸出層之間的傳遞函數為f，輸出層的傳遞函數為g。于是可得：

1)隱含層第j個單元輸出

(7)

式中：ω0j=θ；x0=-1。

2)輸出層第k個單元輸出

(8)

BP算法主要包括兩部分內容：數據的正向傳輸和誤差的反向傳遞。其實數據的正向傳輸是網絡輸出加變相誤差計算的過程。若網絡輸出與期望輸出存在較大誤差，則需進入反向傳遞過程。在反向傳遞中，從輸出到輸入的方向調節各連接處的閾值和權值。正向傳輸的過程為：輸入信號(數據)由輸入層進入，經過隱含層，再經由輸出層數據處理，得到網絡輸出。根據網絡輸出與期望輸出的誤差值來決定是否進入反向傳遞過程。反向傳遞的過程為：首先，根據誤差逆向傳播的特性，在調節各層間權值時應該遵守逆向原則，即先調整隱含層到輸出層的權值ωjk；然后，再調整輸入層到隱含層的權值ωij，使網絡輸出值與實際值的誤差值減小，轉而進入正向傳播。網絡反復進行迭代處理，使得兩者的誤差減小到設定的值，以便網絡輸出能夠盡可能地接近甚至達到期望輸出的水準。BP神經網絡算法的執行步驟如圖5所示。

圖5 BP神經網絡算法流程

3 實例分析

3.1 原始數據

考慮到廣東省宏觀政策的針對性和方向性，按前面所述將其劃分為投資、進出口、節能減排3個主要方面，將這3個方面共9個指標作為宏觀政策的初始指標。

根據《廣東統計年鑒》(2003—2016年)。數據整理了廣東省2003—2016年能源投資、進出口、節能減排3個方面的各指標數據，如表1所示。在投資方面，政府對于電力、蒸汽生產供應的投資從2003年的252.75億元持續增長到2016年的1036.36億元，投資金額翻了4倍左右，這種迅猛的增長也是政府響應節能環保政策的結果。石油、天然氣開采方面的投資從2003年的20.56億元，于2004年驟降到0.75億元，而又在2014年達到高峰的135.52億元。這方面的投資跟諸多因素有關，例如石油存儲地的發現、海底天然氣的可開采性、開采技術的研究等。相對于開采能源方面的投資波動性，無論是產品能源(電力、煤氣、蒸汽等)的生產還是石油的加工焦煉，政府給予的投資總趨勢是增長性的。

表1 2003—2016年廣東省宏觀政策相關數據

大自然中現存的能源有限，應加大對能源的充分利用力度。廣東省作為貿易大省的，進出口總額從2003年的約2892億美元持續增長到2011年的超10 067億美元。不到10年的時間，投資翻了近4倍。社會發展的進程中，政府乃至人民大眾都希望環境與發展友好相處，人們綠色環保、節能減排的意識開始覺醒，城市天然氣使用人口才會從2003年18萬人左右到2016年2043多萬人，平均每年增長100多萬人。二氧化硫排放量從2003年107.52萬噸大幅度降到2016年的35.369萬噸。

國民經濟的發展與社會的進步都會促使能源的消耗增加。表2是2003—2016年廣東省一次能源總消耗量，從2003年的約10 462.09萬噸標準煤，持續增長到2016年的超28 179.17萬噸標準煤。十幾年的時間，能源消耗量翻了近3倍。

表2 2003—2016年廣東省一次能源消耗數據[18]

3.2 宏觀政策指標的灰色關聯度分析

根據灰色關聯度分析理論，將宏觀政策中所劃分的3個方面分別進行灰色關聯度分析，將9個指標數據作為灰色關聯度分析的比較序列，能源消費量數據作為參考序列。根據灰色關聯分析具體步驟，通過仿真計算出各指標的關聯度，投資、進出口和節能減排3個方面的關聯度計算結果如表3至表5所示。

表3 廣東省投資方面指標的關聯度計算結果

表4 廣東省進出口方面指標的關聯度計算結果

表5 廣東省節能減排方面指標的關聯度計算結果

根據表3至表5所計算出的各方面關聯度進行關聯度排序，篩選出其中最大的指標作為主要指標，分別為：電力、蒸汽、熱水生產和供應業投資(記為A)、境內目的地和貨源地進口總額(記為B)和城市天然氣用氣人口(記為C)。

3.3 能源需求預測

為了驗證該組合模型的有效性和可靠性，采用3.2節中的指標篩選結果，用電力、蒸汽、熱水生產和供應業投資，境內目的地和貨源地進口總額和城市天然氣用氣人口3個指標作為BP神經網絡輸入層輸入信號(數據)，能源需求總量作為神經網絡的輸出信號。

采用Matlab的BP神經網絡工具箱進行仿真。用newff構建一個3層的BP神經網絡，根據輸入指標和輸出指標，確定輸入層節點數為3，隱含層節點數為8，輸出層節點數為1，隱含層的傳遞函數采用tansig函數，輸出層的傳遞函數采用purelin函數，網絡訓練學習函數采用traingdx函數，神經網絡訓練的目標誤差設置為0.001，學習率設置為0.035，最大迭代次數設置為2000。

以2003—2016年廣東省的數據作為網絡訓練數據，將2010—2019年廣東省宏觀政策3個方面的相關指標數據導入訓練好的神經網絡；再用于能源需求預測網絡系統中，經過網絡仿真處理，將網絡預測輸出的結果與實際能源需求量進行曲線擬合對比，擬合圖如圖6所示。導出的網絡輸出和預測誤差百分比結果如表6所示。

表6 廣東省2010—2019年能源需求量預測結果

圖6 BP神經網絡輸出擬合曲線

從圖6可以看出，實際能源消耗曲線與預測能源消耗曲線在個別年份(例如2014年、2015年)貼合度略微有些許偏差，但是實際能源消耗曲線與預測能源消耗曲線在整體的趨勢上具有一致的變化特性，兩者之間貼合得比較密切，初步可以看出預測效果比較好。

根據表6所示的2010—2019年廣東省能源需求量網絡預測結果可以看出，實際能源需求值與預測能源需求值之間相差不大，最大的誤差也在400萬噸以內，最小的誤差也就只有幾萬噸。誤差大小無法直觀地表現出預測的優劣。預測誤差百分比就是一個比較顯著的作為反映預測效果的指標。從表6中可以看出，實際值與預測值之間的誤差百分比最大也僅僅是1.1%，最小可以達到0.005 4%。可見，根據所用的2010—2019年能源需求量數據進行網絡仿真預測，其預測誤差百分比均控制在±1%以內。

綜合表6中的實際值與預測值的比較及圖6的擬合曲線，充分驗證了GRA-BP組合預測模型的有效性和可靠性。

4 結 語

影響能源需求的因素眾多，學者們熱衷于對這方面進行研究[20-22]，但近些年來的研究常常忽略了宏觀政策這一極具綜合性、復雜性的重要因素。上面著重考慮宏觀政策對能源需求的影響，在融合灰色關聯度分析法和BP神經網絡(GRA-BP)的基礎上，提出了考慮宏觀政策影響的能源需求組合預測方法，主要得出的結論如下：

1)采用灰色關聯度分析(GRA)法對宏觀政策指標進行分析和篩選，確定了衡量宏觀政策對能源需求影響的3個主要指標：電力、蒸汽、熱水生產和供應業投資(記為A)、境內目的地和貨源地進口總額(記為B)和城市天然氣用氣人口(記為C)。

2)衡量宏觀政策的3個主要指標A、B、C的關聯度分別為：0.8961、0.6189、0.6794。關聯度均在0.6以上，其與能源需求的聯系最為緊密。對于指標A，投資額越多，能源需求也就越大，反之亦然；對于指標B，進口總額增加，這部分對能源需求有所減少；對于指標C，人口增加，能源需求也就相應增加。

3)以廣東省2003—2016年的相關數據作為網絡訓練數據，對2010—2019年能源需求進行仿真與分析，結果表明所提GRA-BP組合預測模型既考慮了宏觀政策因素，又有效地提高了預測精度，該組合預測方法具有可行性和實用性。