基于神经网络工具箱的能源预测

崔鑫

【摘 要】准确预测能源生产总值，对社会经济健康、稳定发展具有重要理论与现实意义。本文对1978～2014 年我国能源生产总量数据进行预测研究，利用RBF和BP神经网络工具箱预测、对比预测精度。实验表明，RBF神经网络工具箱优于BP神经网络工具箱的预测精度。

【关键词】能源生产总量；RBF网络；BP神经网络；工具箱；预测

中图分类号： TP183 文献标识码： A 文章编号： 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

能源生產总量是指在一定时期内全国一次能源生产量的总和，包括原煤、电能、核能等，是全国能源生产水平、规模、构成和发展速度的总量指标。能源预测无论从人类生存的可持续发展还是从保护人类赖以生存的地球生态环境，以及开发新能源发展趋势都具有重要意义。

能源总量的预测分析与研究，对能源规划及相关政策的制定、能源战略、社会经济健康、持续、稳定发展具有现实意义。能源预测方法主要有情景分析法、能源消费弹性系数法、投入产出法和部门分析法、时间序列法、小波分析法等，但这些方法基本属于线性预测方法，对非线性对象适应能力较差。而神经网络对非线性问题有独到的处理能力，因此，本文采用BP和RBF神经网络进行预测研究。

1 BP神经网络及工具箱

1986年，Rumelhart等提出了误差反向传播神经网络，简称 BP网络（Back Propagation Network）。BP算法是一种误差反向传播的算法，其基本思想是梯度下降法，使误差均方值为最小。BP神经网络工具箱结构如图1所示[1]，包括输入层、隐层和输出层。其中，隐层神经元传递函数为tansig输出层神经元传递函数为purlin。隐层的非线性传递函数神经元可以学习输入/输出之间的线性和非线性关系，也可采用sigmoid函数。

2 RBF神经网络及工具箱

径向基函数（Radial Basis Function，RBF）神经网络是由J.Mookdy和C.Darken于20世纪80年代末提出的一种神经网络，它是具有单隐层的3层前馈网络。RBF网络模拟人脑中局部调整、相互覆盖接收域结构，RBF网络能以任意精度逼近任意函数。其隐层采用径向基函数作为激励函数，通常为高斯函数，隐层每个神经元与输入层相连的权值向量wli和输入向量Xq（表示第q个输入向量）之间的距离乘以阈值作为本身的输入。如图2所示。

3 仿真预测模型的设计

在MATLAB R2009版本中编写程序进行实验。实验数据来源于《2016中国统计年鉴》[2]，如表1所示。预测模型建立：取1978年～2014年的数据进行实验，共有28组数据。1978～2006 年的 20 个数据样本进行训练，2007～2014年的 8 组数据作为本次实验的检验样本。以原煤、原油、天然气、一次电力及其他能源4个因素作为神经网络的输入，能源生产总量作为神经网络的输出。

3.1 BP神经网络仿真模型

本次实验中BP网络结构根据前述设置为4-15-1.训练精度设置0.00001，循环步数设为5000。创建BP网络并训练，数据归一化后主要程序语句：

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）；

网络输出再经过反归一化获得预测值。图3是误差训练曲线，图4是实际值和预测值的对比。

预测结果的详细数据信息见表2所示。

3.2 RBF神经网络工具箱预测

RBF神经网络结构：输入层神经元个数为4，输出层神经元个数为1，隐层神经元个数是网络自适应调节。RBF神经网络的控制参数只有一个：spread。主要程序：

spread= 25；

net=newrbe（pn，tn，spread）；

数据样本同BP网络。影响RBF的因素有扩展因子和检测数据，经过反复实验，spread 取25比较合适。RBF网络预测结果如图5所示，详细数据见表 2所示。

对比表2中BP网络、RBF网络预测模型数据可得：BP网络预测平均精度为2.6321%，RBF神经网络预测平均精度为0.1750%。说明RBF网络工具箱预测

的结果要比传统BP 预测精度高很多。体现了RBF网络工具箱在能源预测方面具有一定的优越性。

4 结论

本文对能源生产总值进行预测研究，分别采用RBF网络与BP网络预测模型预测，得出实验数据表明，在相同的条件，RBF神经网络算法比BP神经网络精度高，预测时间较短，能够逼近任何非线性函数，其最大优点控制参数少，由于局部化特征训练速度快，性能好。

【参考文献】

[1]张德丰.MATLAB神经网络应用设计[M].北京：机械工业出版社，2012，03.

[2]中华人民共和国国家统计局.《中国统计年鉴-2017》[M].2017年9月.