基于BP神经网络的煤炭量消耗预测模型研究

龚立雄，刘世雄，王灿林

(1.重庆理工大学 机械工程学院，重庆 400054；2.华北电力大学 能源动力与机械工程学院， 河北 保定 071003；3.深圳市智博翼企业管理咨询有限公司，广东 深圳 518172)

基于BP神经网络的煤炭量消耗预测模型研究

龚立雄1，刘世雄2，王灿林3

(1.重庆理工大学 机械工程学院，重庆 400054；2.华北电力大学 能源动力与机械工程学院， 河北 保定 071003；3.深圳市智博翼企业管理咨询有限公司，广东 深圳 518172)

针对目前煤炭量消耗预测方法的不足，提出了一种基于BP神经网络的煤炭量消耗预测模型。首先，分析了神经网络的结构和算法。然后，对影响煤炭量消耗的因素进行总结，根据《中国统计年鉴》数据，提炼出7个煤炭量消耗影响因素作为BP神经网络的输入，构建了结构为7-10-1-1形式的双隐层BP神经网络煤炭量消耗预测模型。实例研究表明，该模型回归系数接近1，训练误差和测试误差较低，能准确预测中国煤炭量等能源的消耗。

神经网络；BP；煤炭量消耗；预测模型

煤炭作为中国能源消耗的主要资源，准确预测煤炭量消耗对于合理利用能源具有重要意义。作为一个发展中国家，煤炭长期以来作为中国主要消耗资源。在未来一段时期内，煤炭在一次能源消耗结构中的主体地位不会改变[1-2]。然而，煤炭资源又是一种不可再生资源，需要科学开发和合理利用。因此，准确预测煤炭量消耗，保持煤炭量供需平衡十分重要。近年来，国内外学者对中国煤炭量消耗预测做了许多工作，主要预测方法有弹性系数法、回归模型、投入产出法、灰色预测等[3-4]。Tunckaya等[5]使用统计中的自回归移动平均和回归平均比较了600兆瓦燃煤发电厂的发电量。柴岩等[6]针对传统灰色预测模型对离散程度较大的数据预测不理想问题，提出了一种改进GM(1,1)-LSSVM预测模型，并用该模型预测辽宁省1996-2009年煤炭能源消耗总量。苏维均等[7]采用贝叶斯估计和马尔科夫算法对传统回归移动平均进行改进，通过仿真预测了造纸企业工艺过程能源消耗。庞家幸等[8]采用脱钩指数评价了甘肃经济增长和能源消耗的关系，以历史数据为基础预测了甘肃2020年能源消耗总量。孙学军[9]利用统计软件，构建了烟草生产能耗预测回归模型，该模型以逐日验证法对预测模型的精确性进行验证。但上述煤炭量消耗预测模型因采用方法和基础数据来源不同，预测精度存在一定误差。

神经网络是一种建立在神经学基础上的抽象数学模型，反映了人类大脑的某些基础特征，具有一定学习能力，能很好地适应经济、社会等环境变量的变化，适合复杂系统的建模与预测。本文针对现有预测方法的不足，采用BP(Back Propagation)神经网络构建了中国煤炭量消耗预测模型，并以中国煤炭量消耗1990-2015年数据为例，利用BP神经网络进行训练，准确地预测了我国2016年和2017年煤炭量的消耗，为科学制定能源政策提供了模型参考。

1 BP神经网络预测模型

1.1 BP神经网络结构

人工神经网络研究开始于20世纪40年代。50年代末，Rosenblatt提出了感知器模型，奠定了人工神经网络研究的基础[10]。经过多年发展，人工神经网络的研究逐渐成熟，在模式识别、智能控制等方面得到广泛应用。BP神经网络是一种特殊的神经网络，它采用误差校正学习算法达到非线性神经元的学习过程，通过误差的反向传播来实现目标的无限逼近。BP神经网络的结构如图1所示，包括输入层、输出层、隐层三个部分，每一层由多个并行运算的神经元组成，其学习过程可分为两个阶段：正向传播阶段和误差反向传播阶段。

图1 BP神经网络结构

1.2 BP神经网络算法

当神经网络结构固定后，BP算法是通过调整神经网络的权重使得输出与期望值之间的误差降低，通过有监督学习的梯度下降调整权重。正向传播过程中，每一层神经元只影响下一层神经元，如果输出层中不能得到期望输出，则进入反向传播阶段，将误差信号沿原通路返回，修改权重，如此反复达到误差要求。学习过程中，误差函数表示为：

(1)

式中，M为输出神经元个数；Tj为输出层节点j的期望输出，j=1，2，…，M；Outj为输出层节点j的实际输出。

BP神经网络训练时，其权重的修订公式如下：

Wji(t)=Wji(t-1)+ΔWji

(2)

(3)

(4)

对于隐含层：

(5)

式中，P为隐层节点个数。将公式(5)代入公式(3)中，则输出层、隐层权重修正公式分别为公式(6)和公式(7)：

(6)

(7)

式中，F′(•)为传递函数导数。当采用Sigmoid函数时，则：

F′(•)=F(•)*(1-F(•))

(8)

(9)

式中，j为神经网络输出层神经元个数，j=1，2，…，M。可知，BP算法是一个误差反向传播的梯度下降算法，通过局部改善，力图使总误差最小。网络前一层的误差信号由后一层传递过来，逐层向前传播，误差反向传播BP算法也由此而名。

2 煤炭量消耗预测模型研究

2.1煤炭量消耗影响因素分析

影响能源消耗需求的因素很多，受到产业结构、经济、环境、政策、生活习惯等多方面因素的影响。煤炭在中国一直是主要的一次能源，在未来一段时间内，煤炭仍将作为主要能源消费。因此，本文重点分析煤炭消耗的影响因素。影响煤炭消耗需求因素主要有价格、技术革命、产业结构等，具体有：

(1) 经济增长。煤炭消耗与经济发展密切相关，受经济增长水平影响很大。国家GDP增加，能源需求随之增加；由于二者具有强相关性，所以煤炭量消耗也会相应增加，但它们并不是简单的因果关系。经济增加是推动煤炭消耗增长的重要因素，可用能源消耗弹性系数和GDP增长率表示[11]。

(2) 能源生产和消耗结构。能源生产和消耗结构反映能源生产、消耗占所有能源消耗的比例关系，中国煤炭量消耗比例较高，据《中国统计年鉴》2016年数据显示，2011-2015年中国煤炭量消耗占能源消耗比重分别为70.2%、68.5%、67.4%、65.6%、64%，平均占比为67.1%，以煤炭为主的能源消耗结构导致能源效率低下，能耗指数较高。

(3) 价格。煤炭量消耗与煤炭价格紧密相关。一般来说，当煤炭价格上涨时，耗煤企业将会增加其他可替代能源的使用量，减少煤炭的消耗。反之，当价格降低时，煤炭消耗会增加。中国煤炭消耗比重占所有能源消耗比重的60%以上，一方面说明中国经济快速增长，能源消费结构单一；另一方面，也说明我国煤炭价格偏低，生产总量过剩。

(4) 能源生产和消耗总量。能源生产总量影响能源价格，煤炭在中国作为主要能耗来源，与能耗生产总量和消耗总量存在着相应关系。煤炭量消耗直接体现着对煤炭量的需求，当能源生产量多时，消费总量也相应增加，则煤炭生产量和消耗量也会相对增加，反之降低，因而能源生产总量影响煤炭需求和消耗。

(5) 其他因素。煤炭量消耗还有很多因素，如投资、人口变化、城市化进程、科技进步、节能措施、经济体制变革、国际能源贸易、生态环境保护、能源加工效率等、国家能源政策等，都会影响煤炭的消耗。

2.2基于BP神经网络的煤炭量消耗预测

由2.1可知，煤炭量消耗受多种因素影响，为了准确预测中国煤炭量消耗情况，本文选取了一些主要因素作为神经网络的输入指标，并要求这些因素可量化，即在《中国统计年鉴》中能够查询到可靠的数据。因此，选取的影响因素有GDP增长率、人均生活消费能源(千克标准煤)、煤炭生产量占能源生产总量比重、能源生产总量(万吨标准煤)、能源加工转换效率、能源生产弹性系数、能源消耗弹性系数。

在这些选取的输入指标中，GDP增长率、能源消耗弹性系数对应着2.1节中的经济增长因素。人均生活消费能源指标反映的是人均生活消费水平，对应着2.1节中的人均能源生产和消耗总量影响因素。煤炭生产量占能源生产总量对应着2.1节中能源生产和消费结构影响因素。能源生产弹性系数是指能源生产总量年平均增长速度和国民经济平均增长速度的比值，对应着2.1节影响因素中的经济增长、能源生产和消耗总量的综合影响。能源加工转换效率是反映能源加工转换装置和生产工艺、管理水平的指标，对应2.1节中煤炭价格、科技进步影响因素。一般地，煤炭加工转换效率升高，则煤炭价格相应降低，煤炭生产和消耗量会随之提高。因此，本文输入指标的选择与影响中国煤炭量消耗的主要因素密切相关，并且数据选自《中国统计年鉴》，来源可靠、可量化，具有一定的科学性。

在构建BP神经网络的过程中，以上7个因素作为BP神经网络的输入层。输出层为煤炭量消耗(万吨标准煤)。即输入层有7个神经元、输出层为1个神经元。

本文数据来源于《中国统计年鉴》2016年的数据[12]。选取1990-2015年的能源消耗量数据作为样本，如表1所示。

根据本文构建的BP神经网络结构，输入层选取GDP增长率(P1)、人均生活消费能源(P2)、煤炭生产量占能源生产总量比重(P3)、能源生产总量(P4)、能源加工转换效率(P5)、能源生产弹性系数(P6)、能源消耗弹性系数(P7)，输出层为煤炭量消耗预测值(Q1)。为提高煤炭量消耗预测的准确性，本文对样本数据进行归一化，归一化采用公式(10)计算。

(10)

在BP神经网络中，隐层节点的数目和层数选择对网络性能有着重要影响，一般来说，网络隐层的层数越多，所对应映射关系越复杂，适应度就会越高，输出精度也会越高，但代价是神经网络训练的速度会变得很慢。与传统的BP神经网络单隐层结构不同的是，本文在实验研究中选择BP神经网络的结构为双隐层结构，综合考虑训练误差、时间等因素。即在第一个隐层包含10个神经元，第二个隐层包含1个神经元；选择的训练函数为“traindx”(动量和自适应梯度下降法)函数；训练误差设置为0.0001，允许最大训练次数为10000次，以及学习速率设置为0.05。因此，本文构建的BP神经网络结构为：7-10-1-1，如图2所示。

表1 2016年《中国统计年鉴》能源消耗数据

图2双隐层BP神经网络结构设置

以1990-2013年的24组数据作为BP神经网络训练样本，2014年、2015年的数据作为测试样本。采用BP神经网络构建煤炭量消耗预测模型，以MSE(Mean Squared Error)作为误差性能，误差训练曲线如图3所示。

从图3可以看出，BP神经网络煤炭量消耗预测模型进过1536次训练达到收敛。图4是其回归分析过程。

图3 误差训练曲线

由图4可以看到，煤炭量消耗预测模型匹配性非常好，回归系数为0.99985，接近1，影响因素和煤炭量消耗存在强相关。表明该预测模型具有良好的性能，可用于预测中国煤炭量消耗。

以2014年、2015年的数据为测试数据，表2列出了2014年、2015年煤炭量消耗预测值和实际消耗值，从表中可看出，相对误差分别为1.02%和1.61%，误差较小，在可接受范围内，从实例中验证了本文构建的BP神经网络煤炭量消耗预测模型可用来预测中国能源消耗，具有较高的预测精度。

同理，根据本文所构建的神经网络煤炭量消耗预测模型来预测中国2016年和2017年的煤炭量消耗，结果分别为消耗271230和267990万吨标准煤。从2013-2015年煤炭量消耗实际值和2016年、2017年两年的煤炭量消耗预测值，可以看出，中国的煤炭量消耗需求逐年减少，也充分证明了中国能源消费正在从以传统的煤炭消耗向其他清洁、可持续能源转型。

图4 回归分析过程

年份煤炭量消耗预测值(万吨标准煤)煤炭量实际消耗值(万吨标准煤)相对误差(%)20142821702793291.02%20152796202752001.61%

3 结论

BP神经网络在解决复杂系统问题时表现出一定的优越性，本文根据煤炭量消耗需求实际情况和影响因素，构建了7-10-1-1结构的BP神经网络煤炭量消耗预测模型，并以《中国统计年鉴》2016年数据作为样本进行分析和验证，Matlab实验结果表明，基于BP神经网络的煤炭量消耗预测模型为研究中国能源需求和能源消耗提供了一种新的工具，有利于科学制定能源政策，统筹能源利用和开发，保证能源供需平衡，具有广阔的前景。

[1] 孔繁晔.煤炭清洁利用改革中的博弈分析[J]. 经济问题， 2017(1):96-102．

[2] 袁亮.煤炭精准开采科学构想[J]. 煤炭学报， 2017， 42(1):1-7．

[3] 刘卫东， 仲伟周， 石清.2020年中国能源消费总量预测——基于定基能源消费弹性系数法[J]. 资源科学， 2016， 38(4):658-664．

[4] 胡鞍钢， 郑云峰， 高宇宁.中国高耗能行业真实全要素生产率研究(1995—2010)——基于投入产出的视角[J]. 中国工业经济， 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] 柴岩， 刘翔宇.改进的GM(1，1)-LSSVM模型及其在能源消耗预测中的应用[J]. 统计与决策， 2014(17):84-87．

[7] 苏维均， 杨飞， 崔世杰，等.造纸企业工艺过程能源消耗预测仿真[J]. 计算机仿真， 2016， 33(8):438-442．

[8] 庞家幸， 陈兴鹏， 王惠榆.甘肃省能源消耗与经济增长的关系研究及能源消耗预测[J]. 干旱区资源与环境， 2014， 28(2):31-36．

[9] 孙学军.基于烟草生产的能源消耗预测模型研究[J]. 安全与环境学报， 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神经网络的中国煤炭资源需求预测模型研究[D]. 太原: 山西财经大学， 2008．

[12] 中华人民共和国国家统计局. 中国统计年鉴2016[R]. 北京：中华人民共和国国家统计局，2016.

(责任编辑：熊文涛)

F206

A

2095-4824(2017)06-0073-05

2017-09-02

教育部人文社会科学研究项目(15YJCZH049)；重庆市基础科学与前沿技术研究项目

(cstc2016jcyjA0385，cstc2017jcyjAX0343)；重庆市教委人文社会科学与研究项目(15SKG133)

龚立雄(1978- )，男，湖北仙桃人，重庆理工大学机械工程学院副教授，博士。

刘世雄(1991- )，男，河北石家庄人，华北电力大学(保定)能源与动力工程学院硕士研究生。

王灿林(1979- )，男，湖北监利人，深圳市智博翼企业管理咨询有限公司工程师。