基于改進PSO-BPNN的湖南省化石能源供需形勢研究

李湘旗，蘇 婷，胡東濱，文 明，歐亦蘭

(1.國網湖南省電力公司經濟研究院，湖南 長沙 410004；2.中南大學商學院，湖南 長沙 410083；3.長沙商貿旅游職業技術學院，湖南 長沙 410116)

湖南省經濟已由高速增長轉向高質量發展階段，以需求為導向的傳統能源規劃思路已不適應當前經濟轉型的要求。新時代下的能源規劃，需要統籌兼顧供需的動態變化，將化石能源消費改革作為經濟發展的基本發展目標。根據2009—2019年《湖南統計年鑒》，煤炭、石油和天然氣三種化石能源約占省內總能源需求的80%。因此，從化石能源供需方面入手，建立合理、科學的預測模型，可以為其生產、外調等相關政策的制定提供數據基礎。

多數學者依賴于建立LEAP[1]、灰色-馬爾科夫[2-3]、ARIMA[4]等數理統計模型研究能源供需發展。但是能源供需量受到經濟、政策等多方面影響，變化趨勢無規則，而以上模型通常只適用于線性、指數型數據，對于非線性、多峰值數據的預測效果不佳。BP神經網絡(BPNN)具備良好的非線性預測能力，被應用于能源[5]、社會研究[6]等多個領域進行預測分析。然而BPNN存在收斂速率過低，網絡訓練時間過長，初始權值、閾值對預測效果影響仍然很大[7-8]。ESTE等[9]發現BPNN的預測性能與其參數密切相關，因此有學者提出采用遺傳算法[10]、人工魚群算法[11]、蟻群優化算法[12]等方法對BPNN的參數進行優化。與這些優化方法相比，粒子群算法(PSO)具有操作簡單、魯棒性強的優勢，它的搜索具有隱式并行性和全局性，能在實現快速尋優的同時避免權值、閾值陷入局部最優[13]。陳樹等[14]、DENG等[15]均通過實例證明了PSO-BPNN具備較好的學習精度和泛化能力，預測效果和魯棒性相比較其他模型更強。

目前，能源供需數據的樣本量往往較小，而高精度預測通常需要大量數據樣本。滑動窗口可以通過分割原始數據克服數據樣本不足的問題。余宇峰等[16]通過滑動窗口分割數據序列預測未來值，提高了預測靈敏度。 高大鵬等[17]將滑動窗口應用于玻爾茲曼機的小樣本數據訓練中，以此獲取更多的數據樣本和達到更優的算法性能。以往研究均證明滑動窗口對于擴充小樣本數據以提高預測性能十分有效。

鑒于此，本文提出改進的PSO-BPNN模型預測湖南省化石能源供需形勢。首先基于滑動窗口法擴充樣本量，并以滑動窗口的大小作為BPNN模型的輸入層節點數進行預測；其次采用PSO算法優化BPNN模型，預測能源供需形勢；為了驗證模型的可行性與有效性，選取了全國和廣東省能源數據進行預測，同時將本文模型與BPNN、ARIMA和GM(1,1)模型相互對比；最后，基于湖南省化石能源供需形勢的預測結果進行探討并提出建議，以此為推動湖南省化石能源生產、消費革命提供數據支持。

1 基于改進PSO-BPNN的預測模型

1.1 滑動窗口法

滑動窗口是在固定窗口大小的前提下，通過更新時間序列最老、最新值來對下一個時間點進行預測的方法。它可以通過小樣本數據獲取大樣本數據，更適用于樣本量小的能源時間序列數據。本文將滑動窗口與BPNN結合，以BPNN的輸入層節點數作為窗口大小，并將這一長度的時間序列作為輸入數據，應用于數據訓練和數據預測兩個部分，具體操作如下所述。

假設數據序列為X={x(0)，x(1)，……x(n-1)，x(n)}，滑動窗口大小為L。

在訓練數據時，通過數據序列{x(0)，x(1)，……x(L)}、{x(1)，x(2)，……x(L+1)} ……{x(n-L-1)，x(n-L)，……x(n-1)}預測x(L+1)，x(L+2)……x(n)的值，并與原始數據進行對比(圖1)。

圖1 滑動窗口法訓練數據

在預測未來m年數據時，將下一個時間點的預測值x(n+1)加入到原始序列中，并剔除最舊的一個數據，以此更新預測序列，直到預測m次為止(圖2)。

圖2 滑動窗口法預測數據

1.2 BP神經網絡原理

BP神經網絡(back propagation neural network，BPNN)是一種按誤差反向傳播訓練的多層前饋網絡，網絡拓撲結構包含輸入層、隱藏層和輸出層，其基本思想是利用梯度下降法調整輸入層節點與隱藏層節點的連接強度、隱藏層節點與輸出層節點的連接強度以及閾值，使誤差沿梯度方向下降，最后經過反復學習訓練，獲取與最小誤差相對應的網絡參數，即權值和閾值。因此，BPNN可以較好地應用于非線性能源數據的預測研究當中，但是BPNN的初始權值和閾值是隨機分配的，缺乏理論依據，因此獲得的權值和閾值可能并非是最小誤差情況下的最優參數。

圖3 BPNN結構圖

1.3 粒子群算法

(1)

(2)

1.4 預測模型建立步驟

2) 根據輸入層節點數設置滑動窗口大小L，將原始的一維數據序列分割為(n-L)×L維矩陣。

3) 初始化。初始化每個粒子的初始位置和速度，確定當前個體極值和全局最優值。

4) 設置適應度函數。將絕對誤差指標作為適應度函數，以評價每個粒子的優劣程度。

5) 更新最優值。計算每個粒子的適應值，當適應值優于前一次迭代的個體極值時，則使用此適應值進行替換，同樣的方法也用于全局最優值的更新。

6) 更新速度和位置。按式(1)和式(2)更新每個粒子的位置和速度，并將新粒子加入到粒子群當中，計算其適應值。

7) 檢查終止條件。當達到最大迭代次數或滿足最小誤差精度時，停止迭代，保存當前最優解并執行步驟7，否則返回步驟4。

8) BPNN訓練。將PSO計算得到的最優適應值作為BPNN的權值和閾值，并進行訓練，最終得到預測值。

2 湖南省化石能源供需形勢預測

2.1 數據準備

本文選取1995—2018年湖南省化石能源礦產品煤炭、原油、天然氣的供需數據(表1)。其中空缺值采用拉格朗日插值法填補；對原始數據取對數和歸一化增加平穩性，提高模型收斂速度。由于湖南省自2004年才正式輸入天然氣，因此只選取2004—2018年天然氣消費數據。此外，湖南省內無油無氣，原油和天然氣的產量均為0。

表1 1995—2018年湖南省主要化石能源礦產品供需量

2.2 模型建立

為了保證評價模型的預測性能，采用平均絕對百分比誤差(MAPE)和均方根誤差(RMSE)作為評價指標，指標值越小則模型擬合效果越好。

將數據分為訓練集和測試集，多次訓練調整輸入層節點數的大小，之后確定各個神經網絡參數。以煤炭生產量數據為例，當神經網絡結構為7-9-1，即滑動窗口大小為7，隱藏層節點為9時，模型的預測效果最佳。此時，調整其他參數，當神經網絡的最大迭代次數為1 000、學習率為0.1、訓練目標為10-5，粒子群的迭代次數為5、個體位置和速度的取值范圍為[-1,1]、c1和c2取值為2、種群規模為25時，模型的預測效果最好，MAPE值為3.49%。

2.3 模型可行性檢驗

為了驗證模型可行性，選取了全國和廣東省化石能源供需數據進行預測。結果顯示，全國和廣東省的MAPE值分別為2.01%和4.92%(湖南省為3.20%)，意味著本文模型同樣適用于其他地區的能源數據預測研究。

表2 模型可行性檢驗結果

2.4 與其他模型對比

為了驗證模型的有效性，建立BPNN模型(輸入數據集、神經網絡結構等參數設置均一致)、ARIMA模型和GM(1,1)模型對比。結果如圖4～圖7所示，綜合來看PSO-BPNN的預測效果更強。

圖4 煤炭消費量預測

圖5 原油消費量預測

圖6 天然氣消費量預測

圖7 煤炭生產量預測

表3為各模型預測結果的評價指標。與BPNN模型相比，PSO優化了其權值和閾值，避免其陷入局部最優，因而擬合能力更好。與ARIMA模型相比，基于滑動窗口法的PSO-BPNN對小樣本數據的預測效果更佳。與灰色預測法相比，PSO-BPNN可以通過反向訓練不斷修正誤差，對非線性數據的處理能力更強。

表3 各個模型的預測結果

2.5 未來值預測結果

記錄PSO-BPNN模型預測效果最好時的權值、閾值，通過滑動窗口更替新舊值，再次訓練可得未來能源供需量(表4)。2019—2025年，煤炭平均需求量穩定在12 000萬t左右，原油約1 000萬t，天然氣約43億m3。截至2019年末，湖南省內無石油、天然氣累計探明地質儲量，兩者產量為0；煤炭查明資源儲量超過34億t，然而由于生態環境保護、關井壓產等政策，煤炭產量遠遠低于所需量，預測2019—2025年煤炭平均產量為2 400萬t，因此造成煤炭供需局面失衡。

表4 湖南省主要化石能源礦產品供需預測表

將供需數據預測結果相減，得到2019—2025年供需缺口數據(圖8)，三種化石能源產品的缺口增長較為平緩，但缺口量仍舊不低。預測煤炭在2025年達到最高缺口量，約12 324萬t；原油在2019年和2023年缺口量最高，為1 099萬t；天然氣在2025年缺口量達到峰值，約47億m3。從省內化石能源保障率的角度來看，煤炭的省內保障率約80%，原油和天然氣的均為100%，供需失衡情況較為嚴重。

圖8 湖南省未來化石能源供需缺口預測

3 湖南省化石能源供需形勢討論

由于“十二五”期間湖南省落實節能降耗、防治大氣污染等政策，煤炭、原油消費開始減速換擋，這與本文預測結果相符。將三種能源單位轉換為萬噸標準煤，發現湖南省煤炭、石油消耗占比逐漸降低，天然氣呈逐漸上升的趨勢，這意味著化石能源消費結構正逐漸向清潔化方向發展。

表5 湖南省化石能源產品消費結構發展趨勢

1) 煤炭供需形勢討論。煤炭是湖南省的主要消耗能源，1995—2018年每年消耗占比均超過75%，但由于湖南省煤炭資源不足，人均水平較低，因此每年開采量遠不能滿足需求，供需形勢不容樂觀。“十三五”期間，根據湖南省《煤炭十三五發展規劃》，全省開始強化煤炭開產制約條件，每年自我供給量被嚴格控制在2 000萬～3 000萬t，供需缺口進一步擴大。盡管湖南省開始探索工業產業結構轉型發展，但目前處于工業化中期向后期的轉型過程，煤炭仍是剛性需求。根據預測結果，湖南省煤炭消耗占比持續走低，需求卻呈緩慢上升趨勢，每年仍需要外調/進口約10 000萬t煤。由此可預見，短期內依賴“外煤入湘”的局面還很難消除，在科學產能的政策下湖南省煤炭供給形勢將更為嚴峻。

2) 原油供需形勢分析。湖南省無原油產量，所有油品資源均從省外調入，原油的省內保障率為100%。1995—2018年，湖南省原油消耗增速穩定，平均增速約為5%，由于油品資源主要由中石化、中石油及社會經營單位供應，因此供應量比較穩定，供需形勢較好。隨著國家高度重視清潔能源的發展和能源消費結構的優化，湖南省嚴格控制原油消耗量，根據本文預測結果，2019—2025年省內原油需求增速放緩，平均需求量約1 000萬t，原油消耗占比穩定在11%～13%，盡管如此，湖南省對原油消耗的依賴程度仍然不減，原油需求呈增長趨勢，原油缺口也將不斷擴大，因而湖南省需保持更高的原油供應和運輸能力。但是湖南省地處中部地區，與我國主要石油產區距離較遠，導致目前仍處于缺油且受外部市場供需關系影響大的局面。

3) 天然氣供需形勢探討。目前湖南省不具備天然氣供應能力，需求處于受限狀態。湖南省高度重視天然氣核心產業的發展，提出以資源為基礎，以市場為導向，大力發展天然氣產業。為了匹配湖南省天然氣市場的快速擴張，湖南省政府于2000年初起，穩步推進天然氣輸送系統發展，形成覆蓋全省的天然氣管網布局，同時加大投入開采天然氣成本，提高2020年“外氣入湘”及自我供應能力。因此，在2004—2019年，天然氣供需問題并不突出。但隨著全省天然氣基礎設施建設日益完善和能源消費結構轉型成功，天然氣需求將呈爆發式增長，本文預測，直至2025年天然氣需求量最高為47億m3，消耗占比約4.5%，盡管短期內供需形勢并不嚴峻，但從長遠發展的角度來看，長期內天然氣供需矛盾會難以解決。

4 結論與對策建議

4.1 結論

為推動湖南省化石能源消費革命提供數據和理論基礎，本文建立了改進的PSO-BPNN模型預測湖南省化石能源礦產品供需形勢。鑒于樣本量小的能源供需數據，采用滑動窗口法擴充樣本量；鑒于非線性、多峰值的能源供需數據，采用BPNN模型進行預測研究，同時利用PSO對其參數進行優化。為了驗證模型可行性，基于全國和廣東省的數據進行預測，結果顯示該模型同樣可以應用于其他地區能源供需預測中，具有一定的現實意義；為了驗證模型有效性，與BPNN、ARIMA和GM(1,1)模型對比，結果顯示本文模型預測性能更強。最后，對湖南省化石能源供需形勢進行了分析，發現全省煤炭、原油和天然氣均面臨著過度依賴外部借調的問題，短期內可開發能源量匱乏、供需局面失衡等癥狀將持續存在；但未來隨著天然氣等清潔能源的投入使用，全省化石能源結構將向綠色化、清潔化方向發展。

4.2 對策建議

1) 深化供給側結構性改革。本文預測湖南省未來每年煤炭產量約2 400萬t，而煤炭作為高污染、高需求能源應當減少發展對其的依賴程度，因此需進一步促進煤炭供給側結構性改革、優化全省煤礦存量資源配置，加快推進去產能、減量減負。由于天然氣需求將持續增長，因此夯實省內能源供應基礎，加強化石能源入湘尤其是“外氣入湘”通道建設，是保障能源安全供應的必要手段。

2) 推動清潔能源發展，優化能源消費結構。本文預測天然氣消費在三種化石能源產品中的占比將逐漸升高，這是發展所趨，因而湖南省需加強推動清潔能源發展，擴大天然氣利用，壯大清潔能源產業。科學引導能源增長模式轉變，堅持節能降耗的能源環保政策，加大對重點耗能行業產品的結構調整力度，以此降低傳統化石能源消費強度，保證能源消費結構更趨合理。

3) 加強化石能源創新技術研發。鋼鐵、化工等重化工業是湖南省傳統行業，然而全省資源稀缺，亟需尋求新的突破點以支撐經濟轉型。能源創新技術研發是突破口，湖南省需加大對化石能源創新技術的投資金額，運用新興技術改進傳統工藝，在清潔煤等重大節能技術上實現突破。重點關注高耗能產業，推廣應用先進成熟技術，推動企業成為技術創新、研發投入和成果轉化的主體。