基于改进PSO-BPNN的湖南省化石能源供需形势研究

李湘旗，苏 婷，胡东滨，文 明，欧亦兰

(1.国网湖南省电力公司经济研究院，湖南 长沙 410004；2.中南大学商学院，湖南 长沙 410083；3.长沙商贸旅游职业技术学院，湖南 长沙 410116)

湖南省经济已由高速增长转向高质量发展阶段，以需求为导向的传统能源规划思路已不适应当前经济转型的要求。新时代下的能源规划，需要统筹兼顾供需的动态变化，将化石能源消费改革作为经济发展的基本发展目标。根据2009—2019年《湖南统计年鉴》，煤炭、石油和天然气三种化石能源约占省内总能源需求的80%。因此，从化石能源供需方面入手，建立合理、科学的预测模型，可以为其生产、外调等相关政策的制定提供数据基础。

多数学者依赖于建立LEAP[1]、灰色-马尔科夫[2-3]、ARIMA[4]等数理统计模型研究能源供需发展。但是能源供需量受到经济、政策等多方面影响，变化趋势无规则，而以上模型通常只适用于线性、指数型数据，对于非线性、多峰值数据的预测效果不佳。BP神经网络(BPNN)具备良好的非线性预测能力，被应用于能源[5]、社会研究[6]等多个领域进行预测分析。然而BPNN存在收敛速率过低，网络训练时间过长，初始权值、阈值对预测效果影响仍然很大[7-8]。ESTE等[9]发现BPNN的预测性能与其参数密切相关，因此有学者提出采用遗传算法[10]、人工鱼群算法[11]、蚁群优化算法[12]等方法对BPNN的参数进行优化。与这些优化方法相比，粒子群算法(PSO)具有操作简单、鲁棒性强的优势，它的搜索具有隐式并行性和全局性，能在实现快速寻优的同时避免权值、阈值陷入局部最优[13]。陈树等[14]、DENG等[15]均通过实例证明了PSO-BPNN具备较好的学习精度和泛化能力，预测效果和鲁棒性相比较其他模型更强。

目前，能源供需数据的样本量往往较小，而高精度预测通常需要大量数据样本。滑动窗口可以通过分割原始数据克服数据样本不足的问题。余宇峰等[16]通过滑动窗口分割数据序列预测未来值，提高了预测灵敏度。 高大鹏等[17]将滑动窗口应用于玻尔兹曼机的小样本数据训练中，以此获取更多的数据样本和达到更优的算法性能。以往研究均证明滑动窗口对于扩充小样本数据以提高预测性能十分有效。

鉴于此，本文提出改进的PSO-BPNN模型预测湖南省化石能源供需形势。首先基于滑动窗口法扩充样本量，并以滑动窗口的大小作为BPNN模型的输入层节点数进行预测；其次采用PSO算法优化BPNN模型，预测能源供需形势；为了验证模型的可行性与有效性，选取了全国和广东省能源数据进行预测，同时将本文模型与BPNN、ARIMA和GM(1,1)模型相互对比；最后，基于湖南省化石能源供需形势的预测结果进行探讨并提出建议，以此为推动湖南省化石能源生产、消费革命提供数据支持。

1 基于改进PSO-BPNN的预测模型

1.1 滑动窗口法

滑动窗口是在固定窗口大小的前提下，通过更新时间序列最老、最新值来对下一个时间点进行预测的方法。它可以通过小样本数据获取大样本数据，更适用于样本量小的能源时间序列数据。本文将滑动窗口与BPNN结合，以BPNN的输入层节点数作为窗口大小，并将这一长度的时间序列作为输入数据，应用于数据训练和数据预测两个部分，具体操作如下所述。

假设数据序列为X={x(0)，x(1)，……x(n-1)，x(n)}，滑动窗口大小为L。

在训练数据时，通过数据序列{x(0)，x(1)，……x(L)}、{x(1)，x(2)，……x(L+1)} ……{x(n-L-1)，x(n-L)，……x(n-1)}预测x(L+1)，x(L+2)……x(n)的值，并与原始数据进行对比(图1)。

图1 滑动窗口法训练数据

在预测未来m年数据时，将下一个时间点的预测值x(n+1)加入到原始序列中，并剔除最旧的一个数据，以此更新预测序列，直到预测m次为止(图2)。

图2 滑动窗口法预测数据

1.2 BP神经网络原理

BP神经网络(back propagation neural network，BPNN)是一种按误差反向传播训练的多层前馈网络，网络拓扑结构包含输入层、隐藏层和输出层，其基本思想是利用梯度下降法调整输入层节点与隐藏层节点的连接强度、隐藏层节点与输出层节点的连接强度以及阈值，使误差沿梯度方向下降，最后经过反复学习训练，获取与最小误差相对应的网络参数，即权值和阈值。因此，BPNN可以较好地应用于非线性能源数据的预测研究当中，但是BPNN的初始权值和阈值是随机分配的，缺乏理论依据，因此获得的权值和阈值可能并非是最小误差情况下的最优参数。

图3 BPNN结构图

1.3 粒子群算法

(1)

(2)

1.4 预测模型建立步骤

2) 根据输入层节点数设置滑动窗口大小L，将原始的一维数据序列分割为(n-L)×L维矩阵。

3) 初始化。初始化每个粒子的初始位置和速度，确定当前个体极值和全局最优值。

4) 设置适应度函数。将绝对误差指标作为适应度函数，以评价每个粒子的优劣程度。

5) 更新最优值。计算每个粒子的适应值，当适应值优于前一次迭代的个体极值时，则使用此适应值进行替换，同样的方法也用于全局最优值的更新。

6) 更新速度和位置。按式(1)和式(2)更新每个粒子的位置和速度，并将新粒子加入到粒子群当中，计算其适应值。

7) 检查终止条件。当达到最大迭代次数或满足最小误差精度时，停止迭代，保存当前最优解并执行步骤7，否则返回步骤4。

8) BPNN训练。将PSO计算得到的最优适应值作为BPNN的权值和阈值，并进行训练，最终得到预测值。

2 湖南省化石能源供需形势预测

2.1 数据准备

本文选取1995—2018年湖南省化石能源矿产品煤炭、原油、天然气的供需数据(表1)。其中空缺值采用拉格朗日插值法填补；对原始数据取对数和归一化增加平稳性，提高模型收敛速度。由于湖南省自2004年才正式输入天然气，因此只选取2004—2018年天然气消费数据。此外，湖南省内无油无气，原油和天然气的产量均为0。

表1 1995—2018年湖南省主要化石能源矿产品供需量

2.2 模型建立

为了保证评价模型的预测性能，采用平均绝对百分比误差(MAPE)和均方根误差(RMSE)作为评价指标，指标值越小则模型拟合效果越好。

将数据分为训练集和测试集，多次训练调整输入层节点数的大小，之后确定各个神经网络参数。以煤炭生产量数据为例，当神经网络结构为7-9-1，即滑动窗口大小为7，隐藏层节点为9时，模型的预测效果最佳。此时，调整其他参数，当神经网络的最大迭代次数为1 000、学习率为0.1、训练目标为10-5，粒子群的迭代次数为5、个体位置和速度的取值范围为[-1,1]、c1和c2取值为2、种群规模为25时，模型的预测效果最好，MAPE值为3.49%。

2.3 模型可行性检验

为了验证模型可行性，选取了全国和广东省化石能源供需数据进行预测。结果显示，全国和广东省的MAPE值分别为2.01%和4.92%(湖南省为3.20%)，意味着本文模型同样适用于其他地区的能源数据预测研究。

表2 模型可行性检验结果

2.4 与其他模型对比

为了验证模型的有效性，建立BPNN模型(输入数据集、神经网络结构等参数设置均一致)、ARIMA模型和GM(1,1)模型对比。结果如图4～图7所示，综合来看PSO-BPNN的预测效果更强。

图4 煤炭消费量预测

图5 原油消费量预测

图6 天然气消费量预测

图7 煤炭生产量预测

表3为各模型预测结果的评价指标。与BPNN模型相比，PSO优化了其权值和阈值，避免其陷入局部最优，因而拟合能力更好。与ARIMA模型相比，基于滑动窗口法的PSO-BPNN对小样本数据的预测效果更佳。与灰色预测法相比，PSO-BPNN可以通过反向训练不断修正误差，对非线性数据的处理能力更强。

表3 各个模型的预测结果

2.5 未来值预测结果

记录PSO-BPNN模型预测效果最好时的权值、阈值，通过滑动窗口更替新旧值，再次训练可得未来能源供需量(表4)。2019—2025年，煤炭平均需求量稳定在12 000万t左右，原油约1 000万t，天然气约43亿m3。截至2019年末，湖南省内无石油、天然气累计探明地质储量，两者产量为0；煤炭查明资源储量超过34亿t，然而由于生态环境保护、关井压产等政策，煤炭产量远远低于所需量，预测2019—2025年煤炭平均产量为2 400万t，因此造成煤炭供需局面失衡。

表4 湖南省主要化石能源矿产品供需预测表

将供需数据预测结果相减，得到2019—2025年供需缺口数据(图8)，三种化石能源产品的缺口增长较为平缓，但缺口量仍旧不低。预测煤炭在2025年达到最高缺口量，约12 324万t；原油在2019年和2023年缺口量最高，为1 099万t；天然气在2025年缺口量达到峰值，约47亿m3。从省内化石能源保障率的角度来看，煤炭的省内保障率约80%，原油和天然气的均为100%，供需失衡情况较为严重。

图8 湖南省未来化石能源供需缺口预测

3 湖南省化石能源供需形势讨论

由于“十二五”期间湖南省落实节能降耗、防治大气污染等政策，煤炭、原油消费开始减速换挡，这与本文预测结果相符。将三种能源单位转换为万吨标准煤，发现湖南省煤炭、石油消耗占比逐渐降低，天然气呈逐渐上升的趋势，这意味着化石能源消费结构正逐渐向清洁化方向发展。

表5 湖南省化石能源产品消费结构发展趋势

1) 煤炭供需形势讨论。煤炭是湖南省的主要消耗能源，1995—2018年每年消耗占比均超过75%，但由于湖南省煤炭资源不足，人均水平较低，因此每年开采量远不能满足需求，供需形势不容乐观。“十三五”期间，根据湖南省《煤炭十三五发展规划》，全省开始强化煤炭开产制约条件，每年自我供给量被严格控制在2 000万～3 000万t，供需缺口进一步扩大。尽管湖南省开始探索工业产业结构转型发展，但目前处于工业化中期向后期的转型过程，煤炭仍是刚性需求。根据预测结果，湖南省煤炭消耗占比持续走低，需求却呈缓慢上升趋势，每年仍需要外调/进口约10 000万t煤。由此可预见，短期内依赖“外煤入湘”的局面还很难消除，在科学产能的政策下湖南省煤炭供给形势将更为严峻。

2) 原油供需形势分析。湖南省无原油产量，所有油品资源均从省外调入，原油的省内保障率为100%。1995—2018年，湖南省原油消耗增速稳定，平均增速约为5%，由于油品资源主要由中石化、中石油及社会经营单位供应，因此供应量比较稳定，供需形势较好。随着国家高度重视清洁能源的发展和能源消费结构的优化，湖南省严格控制原油消耗量，根据本文预测结果，2019—2025年省内原油需求增速放缓，平均需求量约1 000万t，原油消耗占比稳定在11%～13%，尽管如此，湖南省对原油消耗的依赖程度仍然不减，原油需求呈增长趋势，原油缺口也将不断扩大，因而湖南省需保持更高的原油供应和运输能力。但是湖南省地处中部地区，与我国主要石油产区距离较远，导致目前仍处于缺油且受外部市场供需关系影响大的局面。

3) 天然气供需形势探讨。目前湖南省不具备天然气供应能力，需求处于受限状态。湖南省高度重视天然气核心产业的发展，提出以资源为基础，以市场为导向，大力发展天然气产业。为了匹配湖南省天然气市场的快速扩张，湖南省政府于2000年初起，稳步推进天然气输送系统发展，形成覆盖全省的天然气管网布局，同时加大投入开采天然气成本，提高2020年“外气入湘”及自我供应能力。因此，在2004—2019年，天然气供需问题并不突出。但随着全省天然气基础设施建设日益完善和能源消费结构转型成功，天然气需求将呈爆发式增长，本文预测，直至2025年天然气需求量最高为47亿m3，消耗占比约4.5%，尽管短期内供需形势并不严峻，但从长远发展的角度来看，长期内天然气供需矛盾会难以解决。

4 结论与对策建议

4.1 结论

为推动湖南省化石能源消费革命提供数据和理论基础，本文建立了改进的PSO-BPNN模型预测湖南省化石能源矿产品供需形势。鉴于样本量小的能源供需数据，采用滑动窗口法扩充样本量；鉴于非线性、多峰值的能源供需数据，采用BPNN模型进行预测研究，同时利用PSO对其参数进行优化。为了验证模型可行性，基于全国和广东省的数据进行预测，结果显示该模型同样可以应用于其他地区能源供需预测中，具有一定的现实意义；为了验证模型有效性，与BPNN、ARIMA和GM(1,1)模型对比，结果显示本文模型预测性能更强。最后，对湖南省化石能源供需形势进行了分析，发现全省煤炭、原油和天然气均面临着过度依赖外部借调的问题，短期内可开发能源量匮乏、供需局面失衡等症状将持续存在；但未来随着天然气等清洁能源的投入使用，全省化石能源结构将向绿色化、清洁化方向发展。

4.2 对策建议

1) 深化供给侧结构性改革。本文预测湖南省未来每年煤炭产量约2 400万t，而煤炭作为高污染、高需求能源应当减少发展对其的依赖程度，因此需进一步促进煤炭供给侧结构性改革、优化全省煤矿存量资源配置，加快推进去产能、减量减负。由于天然气需求将持续增长，因此夯实省内能源供应基础，加强化石能源入湘尤其是“外气入湘”通道建设，是保障能源安全供应的必要手段。

2) 推动清洁能源发展，优化能源消费结构。本文预测天然气消费在三种化石能源产品中的占比将逐渐升高，这是发展所趋，因而湖南省需加强推动清洁能源发展，扩大天然气利用，壮大清洁能源产业。科学引导能源增长模式转变，坚持节能降耗的能源环保政策，加大对重点耗能行业产品的结构调整力度，以此降低传统化石能源消费强度，保证能源消费结构更趋合理。

3) 加强化石能源创新技术研发。钢铁、化工等重化工业是湖南省传统行业，然而全省资源稀缺，亟需寻求新的突破点以支撑经济转型。能源创新技术研发是突破口，湖南省需加大对化石能源创新技术的投资金额，运用新兴技术改进传统工艺，在清洁煤等重大节能技术上实现突破。重点关注高耗能产业，推广应用先进成熟技术，推动企业成为技术创新、研发投入和成果转化的主体。