基于小波神经网络工具箱的能源总量预测

刘龙 李琳

摘要：提出一种采用小波神经网络预测能源生产总量的方法，将其预测结果与传统的BP和RBF网络预测结果相比较，实验表明小波神经网络具有预测过程简捷，精确度高以及预测结果稳定等优点，克服了传统神经网络的局限性和预测方法的不足。仿真实验验证了所提出方法的有效性。

关键词：小波神经网络工具箱；BP网络；RBF网络；预测

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2018）25-0197-02

关键词

能源是人类生存发展的重要物质基础，随着现代化进程加快，我国能源消耗总量迅速增加，因此，对未来能源总量进行准确预测具有现实意义。能源预测是通过现有数据，对未来包括原煤、原油、天然气、一次电力及其他能源在内的能源需求量进行预测。预测结果有助于调整未来能源结构布局，更好的切合环保理念与要求，从而实现经济的可持续发展。常用的能源预测方法有趋势外推法、灰色预测法、回归分析法等。本文采用了BP网络预测、RBF网络预测和小波神经网络工具箱三种方法进行预测，通过对三种预测结果进行比较分析后得出，小波神经网络工具箱能够更精确的预测。

1 小波神经网络

小波神经网络（Wavelet Neural Network，WNN）是小波分析方法和神经网络有机结合的产物，近年来受到广泛关注和应用。

上式可以用一个含一个隐层的神经网络实现，如图1所示。通过对权值、aj、、bj的调整逼近函数，Wij、Wjk为输入层/隐层、隐层/输出层之间的连接权。小波神经网络结构如图1所示[1]。

2 小波神经网络工具箱

WNN工具箱[2]实现的关键是创建传递函数，利用BP网络工具箱中tansig、logsig等函数改造。将tansig或logsig中的功能函数替换为Morlet小波函数，即

[y=cos1.75x×exp-x22] （5）

其導数为

[dydx=-cos1.75x×exp-x22]

[-1.75sin（1.75x）×exp（-x22）] （6）

平移和伸缩功能等效并入权和阈值调节中。

采用神经网络工具箱提供的训练函数。这里取训练函数“trainlm”，该函数收敛速度快，可以达到较高精度，输出层神经元激活函数采用“purelin”。

3 仿真预测模型的建立及实现

在MATLAB R2009a中编写程序进行回归预测实验。实验数据来源于《2015中国统计年鉴》，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。取 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，把能源生产总量作为神经网络的输出[3]。

小波神经网络预测模型结构设计：输入层神经元个数为4个，隐层取为15个，输出层神经元个数为1个，即小波网络结构：4-15-1。训练误差精度为0.00001，迭代次数为14次达到精度要求，如图2所示。图3是预测实验的实际值和预测值对比。

预测值、实际值以及预测精度见表2所示。BP网络实验采用与WNN同样的结构：4-15-1，精度设置仍取0.00001，训练5次达到精度要求，预测精度如表2所示。RBF神经网络实验，其隐层结构自行选取，对RBF工具箱，只有一个可控参数spread，经实验，该变量取1100比较合适，但RBF神经网络对本文数据很难适应，精度较差，RBF预测结果见表2。其中，WNN和BP网络预测实验时每次结果不同，这是由于参数初始值为随机数，实验时取相对较好的值，RBF神经网络预测结果是可以重复的。

根据表2数据可得：WNN预测平均精度为2.3388%，BP网络预测平均精度为3.3480%，RBF网络预测平均精度为5.6814%，显然小波神经网络工具箱预测平均精度要比传统BP 、RBF网络工具箱预测精度高，表明了小波神经网络工具箱在预测应用中的优越性。

4 结 论

本文采用小波网络工具箱对能源生产总量进行预测，利用回归预测法对8年数据进行预测。将小波网络工具箱预测结果与传统BP、RBF神经网络预测结果相比较，可明显看出小波网络工具箱能够提高预测精度。仿真结果验证了小波网络工具箱在能源预测方面的有效性。

参考文献：

[1] 侯泽宇，卢文喜，陈社明.基于小波神经网络方法的降水量预测研究[J].节水灌溉，2013（3）.

[2] 潘玉民，邓永红，张全柱.小波神经网络模型的确定性预测及应用[J].计算机应用，2013，33（4）：1001-1005.

[3] 刘洁.能源总量的BP网络与粒子群优化预测[J].科技视界，2016（7）.

【通联编辑：唐一东】