基于動態廣義回歸神經網絡煤炭需求預測模型

馮 樂，竇魯星

基于動態廣義回歸神經網絡煤炭需求預測模型

馮 樂，竇魯星

(中國礦業大學資源與地球科學學院，江蘇 徐州 221116)

煤炭需求預測是指導我國煤炭工業發展規劃的重要依據之一。我國煤炭資源需求影響因素復雜，準確地預測需要考慮經濟、社會等多方面因素。針對獲取數據不足等特點，首次在煤炭的預測中運用動態廣義回歸神經網絡(D－GRNN)的方法，預測了中國未來近十年內的煤炭預測值，得到了比較合理的預測值。運用預測數據對國家的煤炭宏觀調控做出了合理評價。

煤炭需求;預測;動態廣義回歸神經網絡;宏觀調控

1 背景

眾所周知，中國能源結構始終是以煤炭為主，作為世界上最大的煤炭需求國。我國煤炭行業自建國以來，一直未走出“過剩—緩和—再過剩”的“怪圈”［1］，其供需不平衡很大程度是由于我國煤炭需求預測上偏差較大或是預測方式的不合理所導致。在接下來的十年時間，石油供需增大的同時將繼續面臨補充不足、價格持續攀升等阻礙，而常規和非常規天然氣、風電、水電等能源的開發利用尚處于初級階段，不足以作為煤和石油的替代物。與此同時，我國的煤炭儲量依然豐富，價格低廉。《BP能源統計2011》預計我國煤炭的儲產比為35年，遠高于石油(9.9年)和天然氣(29.0 年)［2］。

因此，如何能科學地對煤炭的需求做出預測，繼而引導煤炭行業合理勘探開采，是符合21世紀科學發展的大計，也是避免能源的不合理開發利用對國家發展帶來阻礙的必要手段。近年來，BPNN(Back Propagation Neural Network，簡稱BP神經網絡)是一種誤差反向傳播的多層前向人工神經網絡，是應用的最為廣泛的一種神經網絡［3，4］，被廣泛應用于能源的預測之中。但是，性能優良的BPNN需要確定模型的結構，存在訓練耗時和不能保證全局最優等問題［5］。

本文所用的動態GRNN(General Regression Neural Netwok，廣義回歸神經網絡)是一種徑向基神經網絡，同時采取動態預測的手段，具有很強的非線性映射能力，由于它具有高度的容錯性，在逼近能力和學習速度上優勢更強。同時，GRNN滿足在相關數據缺乏的情況下對數據的預測，彌補了煤炭需求預測數據不足的特點。目前，GRNN的預測主要集中在工程、交通等領域，而在能源需要預測中未被很好地應用。因此，本文針對我國煤炭需求模型中數據具有非線性和歷史數據較少以及影響因素眾多等特征，建立應用Matlab求解的動態GRNN模型進行模擬與仿真，并對中國未來十年來煤炭需求狀況進行預測，為煤炭行業提供決策支持。

2 中國煤炭需求影響因素分析

我國的煤炭需求預測過程是個非線性的極其復雜系統［6］，煤炭的需求受到經濟、社會等眾多因素的影響。同時，煤炭需求又直接關系到我國經濟建設和社會發展，所以必須根據其需求行為，歸納和選擇影響煤炭需求的各種因素，并充分考慮這些影響因素自身之間錯綜復雜的關系，以達到預測的合理性與科學性。結合相關資料，分析指標之間相關性，確定了如下影響煤炭需求的主要因素。

煤炭行業的運行是一個長期性高投入的產業，其發展水平直接受制于經濟發展水平［7］。故采用國內生產總值(GDP)和原材料、燃料、動力購進價格指數兩個指標來表示相關性;我國是世界上人口最多的國家，人的因素對煤炭需求的影響較之其他國家和地區有著更為重要的意義，人口總量的多少直接影響著能源總需求量，也直接影響著能源資源的人均占有量和利用方式［8］，故人口總數和人均生活煤炭需求量也是需要重視的兩個因素;產業結構決定能源的需求水平，在中國的能源需求結構中，煤炭幾乎占到了70%，足以說明產業結構對我國煤炭的影響意義深遠，而第二產業的能耗指數遠高于第一產業和第三產業的能耗指數，故隨著我國產業結構的調整，綜合能耗指數必將受到影響，因此，第二產業結構的變化也是能源需求重要影響因素之一［9，10］;隨著經濟的發展，能源的不合理利用帶來的負面影響也在增大，所以，科學合理地利用資源，也逐漸成為了主流趨勢，特別是煤炭的潔凈技術，是科學合理利用的一大表現，本文擬采用與之有關的能源加工轉換效率這一指標來作為替代因素之一;煤炭在能源需求總量的比重以及能源需求彈性系數，是我國政府調控和市場調節的直接體現，是對煤炭進行預測的一個不可缺少的指標。

除以上因素外，還有其他一些因素也在煤炭需求上起著一定的作用，由于這些數據難以量化或者數據難以獲取，故本文沒有考慮。

鑒于改革開放30年發展勢頭迅猛，不宜選取過長的年限，故從《中國統計年鑒2011》中選取1990—2009年的統計數據(表1，表2)，來對2010—2019年的煤炭需求進行預測。

表1數據來源：《中國統計年鑒2011》

表中各字母分別代表：

A：人均生活煤炭需求量(%)

B：原材料、燃料、動力購進價格指數(%)

C：煤炭占能源需求總量的比重(%)

D：人口總數(萬人)

E：能源需求彈性系數(%)

F：GDP(億元)

G：國內生產總值構成中第二產業比重(%)

H：能源加工轉換效率(%)

表2數據來源：《中國統計年鑒2011》

表1 1990—2009年煤炭需求量影響因素

表2 1990—2009年煤炭需求總量

3 原理分析

GRNN是非線性回歸分析，不需要事先確定方程形式，而是以概率密度函數來代替固有方程形式，然后計算具有最大概率值的回歸值y。進行網絡訓練的過程實際上就是確定光滑因子的過程。其中，光滑因子即是高斯函數的寬度系數。具體過程是由4層結構組(圖1)，輸入層神經元接受學習樣本中輸入向量，直接傳遞給模式層，模式層各神經元對應不同的樣本，傳遞函數通常采用高斯函數：

式中：

x—輸入向量;

xi—第i個神經元對應的學習樣本。

再傳遞給輸出層，神經元輸出對應估計結果的相應元素。

圖1 GRNN網絡結構圖

可以看出，傳統的GRNN只是一種局部遞歸的靜態網絡模型，只能對確定的輸入數據進行預測，相對于動態的神經網絡模型，GRNN模型的應用范圍受到了較大的限制。在進行煤炭需求量預測過程中，需要對靜態GRNN進行動態化，即采取滾動預測的方式，動態GRNN模型屬于全局的遞歸模型，即前一段時間的模型預測輸入值成為后一段時間的模型輸入值作為訓練，后一段時間的輸出值作為輸入，實現多步預測［11］。

動態預測輸入可以表達為：

得到相應的網絡模型輸出為：

式中：

Γ—由GRNN刻畫的非線性映射;

u(p)—模型在p時刻的輸入;

ny、nu—u、y 的延遲時間長度。

4 D－GRNN模型建立

由于本文所選的輸入數據因素較多，數量相差大且量綱不同，如果直接引用源數據，很可能出現較大范圍內的變化，使預測結果降低。首先對數據進行歸一化處理，歸一化常用下面的公式：

本文將采用多步滾動預測的方式進行預測，選取1990—1999年歸一化后數據作為訓練輸入，表2中2000—2009年歸一化后得數據輸出作為訓練輸出，以達到多步預測的目的。并隨機抽取2003、2006、2008年的檢驗樣本，檢驗合格后，做出對我國近期煤炭需求的預測。

4.1 光滑因子的確定

一般情況下，訓練能力差時網絡的預測能力也差，并且在一定程度上隨著訓練能力的提高預測能力也會提高，但這種趨勢有一個極限，達到此極限后，隨著訓練能力的提高，預測能力反而下降，即出現所謂過適性，也稱為過擬合，此時網絡學習了過多的樣本細節而不能反映樣本內在的規律。泛化能力差會造成不適性，過適性和不適性的網絡都屬于不成熟網絡，仿真效果較差［12］。

本文光滑因子采用交叉驗證方法評估模型的預測能力，在一定范圍內，以某一步長遞增變化，在學習樣本中以1個樣本作為估計樣本，剩余的樣本采用構造的GRNN對估計樣本仿真，對所有樣本都遍歷1次，得到預測值與樣本值之間的誤差序列，以序列均方誤差值作為網絡的評價指標，將最小誤差對應的光滑因子作為最終所選值。

4.2 模型的測試與預測

本次試驗用matlab程序來實現，最佳spread值為0.7，并獲得以下數據，輸入數據，得到測試結果見表3。

表3 隨機抽取預測驗證值

用保存的GRNN的訓練函數對2010—2019的需求量進行預測，得到結果見表4，圖2。

表4 2010—2019年10年煤炭需求預測值

圖2 我國近10年煤炭需求預測值/萬t

5 結論

1)廣義回歸模型(GRNN)用于煤炭需求量的中、短期預測，具有較高的可信賴度。通過預測可以看出，我國煤炭的需求量在未來近10年將在上升一段時間后保持一個較平穩的水平，這與國家對煤炭工業的宏觀調控相吻合，即未來煤炭的需求要在“零增長”中尋求更加高效高能的利用。

2)較之BPNN，收斂速度明顯加快，且需要的數據更少，實際操作更加方便。

3)由于影響煤炭需求的因素還有很多，需要進一步找出它們之間的相互聯系以及量化更多的相關數據以達到更高精度。

綜上所述，D－GRNN在煤炭需求預測有其優勢，其預測方式可以推廣到更為廣泛的領域，為決策者提供更加科學、合理的決策支持。

［1］ 艾德春.我國煤炭供需平衡的預測預警研究［D］.徐州：中國礦業大學，2008.

［2］ 英國石油公司.BP 世界能源統計2011［EB/OL］，2011，BP 中國網站：http：//www.bp.com/productlanding.do?categoryId=9025442＆contentId=7047113.

［3］ 左 佼.基于灰色神經網絡的我國原煤產量預測［J］.煤炭技術，2011，30(10)：5－7.

［4］ 方 瑩.瓦斯預測中的 BP神經網絡融合技術［J］.煤炭技術，2011，30(8)：107－109.

［5］ 廖志偉，葉青華.基于GRNN的多故障自適應電力系統故障診斷［J］.華南理工大學學報，2005，33(9)：6－9.

［6］ 孫 涵.基于Matlab支持向量回歸機的能源需求預測模型［J］.系統工程理論與實踐，2011，31(10)：2001－2007.

［7］ 韓智勇，魏一鳴，焦建玲，等.中國能源需求與經濟增長的協整性與因果關系分析［J］.系統工程，2004，22(12)：17－21.

［8］ 林伯強.中國能源需求的經濟計量模型［J］.統計研究，2001(10)：34－39.

［9］ 郭菊娥，柴 建，呂振東.我國能源需求需求影響因素及其影響機理分析［J］.管理學報，2008，9(5)：651－654.

［10］ 劉延靜.我國煤炭行業供求狀況與發展趨勢研究［D］.福州：福州大學，2010.

［11］ 賀湘宇，何清華.基于動態GRNN模型的挖掘機液壓系統故障檢測［J］.中國工程機械學報，2010，8(3)：335－339.

［12］ 狄圣杰，李曉敏.GRNN在邊坡穩定預測分析中的應用［J］.水利水電科技進展，2011，31(3)：80－83.

Forecasting Model of Coal Demand Based on Dynamic D－GRNN

Feng Le，Dou Lu －xing

Forecasting of coal demand is one of the key basis to guide the development plan of China’s coal industry.Economic，social and other factors should been comprehensive considered when predict precisely due to the complexity of coal command in China.On account of the lack of the related data，this paper applies Dynamic GRNN(D －GRNN)to forecast the coal demand in nearly ten years firstly and get the quite reasonable result.Finally，we evaluated the macro－control of coal industry based on the forecasting data.

Coal demand;Forecast;Dynamic GRNN;Macro－control

［TD－9］

A

1672－0652(2012)01－0004－04

2011－11－27

馮 樂(1990—)，男，山西平定人，2009級中國礦業大學在讀本科生，主要從事地質工程資源勘查的研究(E －mail)shxpdfl@163.com