基于BP神經網絡的我國煤炭消費和碳排放量預測＊

張正球，陳 婭

（湖南大學 數學與計量經濟學院，湖南 長沙 410082）

一 引 言

近年來，能源的大量消耗給生態環境帶來了巨大的壓力，特別是由于溫室效應所導致的氣候變暖已嚴重威脅到人類生產和生活的可持續發展。如何正確、有效地應對氣候變化所帶來的一系列問題已成為全球共同面臨的巨大挑戰。目前，我國是世界上最大的煤炭消費國，二氧化碳的排放量也僅次于美國，居世界第二位，如何控制和減少碳排放已成為我國政府亟需解決的問題。我國政府在哥本哈根會議上承諾：到2020年，單位GDP碳排放強度比2005年降低40%～45%，并將其作為約束性指標納入社會和國民經濟發展的中長期規劃。對我國未來的煤炭消費和碳排放量進行科學預測，能夠幫助有關部門制定更合理、更符合中國發展實情的能源政策和環境政策，能夠更好地推動國民經濟又好又快發展。

國內外已有不少學者研究了煤炭消耗與碳排放問題，如Zhang X．P．等［1］研究了我國經濟發展、能源消耗和碳排放的格蘭杰因果關系的存在及其方向；Chang C．C．［2］利用多變量整協的檢驗方法研究了我國碳排放、能源消耗和經濟發展之間的關系［2］；Li F．等［3］利用面板單位根與異構的面板協整關系研究了我國大陸30個省市的經濟發展與能源消耗的關系；張會新等［4］運用三角灰色系統模型預測煤炭消費量，得出了短期內煤炭消費量會隨著GDP增長而逐年增加的結論；張興平等［5］用1980～2005年的數據對我國煤炭消費進行協整分析，認為煤炭消費與國內生產總值（GDP）、結構變化和效率之間存在長期均衡關系；田立新等［6］通過建立一系列微分方程對我國人口、GDP、煤炭消耗以及碳排放進行預測；宋杰鯤等［7］選取了人口、城鎮化率、人均GDP等6個因素為自變量，運用BP神經網絡方法構建我國碳排放預測模型，并對2010～2015年我國碳排放量進行預測。

上述研究都是在探尋煤炭消費（或碳排放量）與人口、GDP等因素之間的關系，本文擬基于煤炭消費和碳排放量的歷年數據，利用BP神經網絡方法建立煤炭消費和碳排放量的趨勢預測模型，并對未來幾年的煤炭消費和碳排放量進行預測。

二 煤炭消費和碳排放量的BP神經網絡預測模型

BP神經網絡應用于預測有三種方式：回歸預測、趨勢預測和組合預測。本文擬采用神經網絡趨勢預測的思路，建立3層BP神經網絡，輸入變量是歷年煤炭消費量和碳排放量，中間為隱含層，通過調整神經元之間的連接權值來使網絡逼近實際值，最后一層為輸出層，輸出煤炭消費量和碳排放量，最后再運用訓練好的網絡進行預測。

（一）輸入輸出變量的確定及樣本預處理

選取1994～2013年的煤炭消費和碳排放量作為總體樣本，其中把前15年的數據作為訓練樣本，后5年的數據作為檢驗樣本。輸入變量為歷年煤炭消費和碳排放量數據，輸出變量為未來年份的煤炭消費和碳排放量數據。我們采用最大－最小規范化的方法對原始數據進行歸一化處理，具體如下：

式中x為原始樣本數據，xmax，xmin分別為原始數據中的最大、最小值；x′為歸一化變換后的數據。歸一化后的數據如表1。

（二）BP神經網絡預測模型的建立

通常采用Sigmoid函數（S型函數）作為BP神經網絡算法中的神經元激活函數，即

本模型的輸出層為單一的煤炭消費量或碳排放量，用BP神經網絡方法進行預測的具體步驟如下：

（1）樣本歸一化處理，使所有數據的值處于（0，1）之間；

（2）確定網絡的初始結構；

（3）設定網絡的訓練函數、學習函數、傳遞函數、訓練步數及訓練精度；

（4）權值和閥值初始化，第一次取值盡可能小；

（5）訓練網絡；

（6）判斷網絡是否快速收斂且達到誤差要求，若沒有，則返回（4）；

（7）由檢驗樣本得到網絡預測值，比較預測值和實際值，看預測誤差是否達到要求，若沒有，則返回（4）；

某水利樞紐正常運行期近壩區域流場數值模擬…………………………………………………王靜靜，王金磊（1.66）

（8）進行目標預測并繪制相應圖表。

表1 煤炭消費和碳排放量歸一化數據

除最大訓練步長和目標誤差兩個參數外，其他參數都采用缺省值。用檢驗樣本檢驗訓練好的網絡，以判斷網絡的泛化性能，若第一次訓練后得到的預測模型不理想，則需要進行多次訓練。

（三）實證分析

（1）煤炭消費量預測分析

依據1994～2013年的煤炭消費量數據，擬建一個三層神經網絡，輸入層為5個節點，依次為歷年煤炭消費量，隱層節點數的選取依據2n＋1的經驗方法，先設定11個節點，輸出層為1個節點，為下一年的煤炭消費量，則網絡的初始結構為5×11×1，再依據訓練情況逐步調整。第一次訓練：訓練函數設為trainlm，學習函數為tansig，傳遞函數為purelin，訓練步數為5000，訓練精度為0．00001，訓練收斂極快。但當把檢驗樣本輸入進行檢驗時效果極差，無法進行預測。進行多次訓練后得到2014年煤炭消費量的預測值。

圖1為第一次訓練后的煤炭消費量預測結果圖，圖2為多次訓練后的煤炭消費量預測結果圖。

圖1 第一次訓練后的預測結果圖

圖2 多次訓練后的預測結果圖

網絡檢驗值如表2：

表2 煤炭消費量檢驗表（萬噸標準煤）

從上表看，檢驗樣本的誤差及誤差率較小，具有較好的擬合效果，故依此神經網絡模型可以較好地預測2014年的煤炭消費量。

依據神經網絡趨勢滾動預測的原理，我們將預測得到的2014年的煤炭消費量作為已知量，以1995～2014年的煤炭消費量為樣本數據，再依據上述同樣的方法建立神經網絡模型，經過多次網絡訓練，預測2015年的煤炭消費量。

依此類推可得到2014～2020年的煤炭消費量預測值如表3：

表3 煤炭消費量預測值表（萬噸標準煤）

總體的煤炭消費量趨勢如圖3。

圖3 煤炭消費量趨勢圖

（2）碳排放量預測分析

對于碳排放量的預測，仍然把訓練函數設為trainlm，學習函數為tansig，傳遞函數為purelin，訓練步數為5000，訓練精度為0．00001。多次訓練后得到較為滿意的結果。圖4為多次訓練后的碳排放量預測結果圖。

圖4 多次訓練后的預測結果圖

網絡檢驗值如表4。

從表4可知，檢驗樣本的誤差及誤差率較小，具有較好的擬合效果，故依此神經網絡模型可以較好地預測2014年的碳排放量。

同樣地，依據神經網絡趨勢滾動預測的原理，我們將預測得到的2014年的碳排放量作為已知量，以1995～2014年的碳排放量為樣本數據依據上述同樣的方法建立神經網絡模型，預測2015年的碳排放量，依此類推，可得到2014～2020年的碳排放量預測值及趨勢圖：

表4 碳排放量檢驗表（億噸）

表5 碳排放量預測值表（億噸）

圖5 碳排放量趨勢圖

三 結論和建議

本文基于1994～2013年的煤炭消費量和碳排放量數據，建立BP神經網絡趨勢預測模型，預測了2014～2020年的煤炭消費量和碳排放量。從2015年開始到2020年這6年的預測值均是將之前所得到的預測數據作為樣本數據而進行的，雖然在預測上可能會將誤差擴大，但是在每一年的預測中，所建立的預測模型的誤差及誤差率較小，故此趨勢預測還是能比較準確地描述未來幾年的煤炭消費和碳排放量的變化趨勢。從所表現的趨勢來看，未來幾年的煤炭消費和碳排放量依舊呈遞增的趨勢，且增長率不會出現太大的變動，均在一定范圍內的增長幅度間遞增。［8］根據表2，表4的煤炭消費量檢驗表和碳排放量檢驗表，由所建的神經網絡模型所做的預測的相對誤差均較小，預測模型的預測效果比較好。

通過對我國煤炭消費和碳排放量的預測，可以看出我國節能減排的道路依舊艱辛，為此提出如下政策建議：

1．依靠科技進步和政策引導，提高能源利用效率，大力開發使用新能源。我國的能源儲存結構和經濟結構決定了我國以煤炭為主的能源結構在短期內不大可能改變，應加強科技創新，提高煤炭利用效率，勘探開發新能源，為將來的能源結構轉化提供科技保障，建立穩定、經濟、安全的能源供應體系。同時提高碳的循環利用，減少碳排放。

2．積極借鑒國際先進經驗，完善能源法律法規，建立我國能源安全的預警機制、儲備機制和危機應急機制。完善大氣環境污染檢測體系，加強與世界各國聯系，共同應對全球變暖危機。加大有關部門的執法力度，加大違法行為的懲治力度，共同營造良好的能源環境和大氣環境。

只有更堅定的堅持節能減排，加強國家的宏觀減排調控力度，加強科技創新，加大執法力度、懲治力度，才能有效地減少煤炭消費和碳排放量，才能更好地走可持續發展的道路。

［1］ Zhang X．P，Cheng X．M．Energy consumption，carbon emissions，and economic growth in China［J］．Ecological Economics，2009，68（10）：2706－2712．

［2］ Chang C．C．A multivariate causality test of carbon dioxide emissions，energy consumption and and economic growth in China［J］．Applied Energy，2010，87（11）：3533－3537．

［3］ Li F，Dong S．C，Li X，Liang Q．X，Yang W．Z．Energy consumption－economic growth relationship and carbon dioxide emissions in China［J］．Energy Policy，2011，39（2）：568－574．

［4］ 張會新，白嘉．基于三角灰色系統模型的煤炭消費預測［J］．統計與決策，2011，（23）：38－40．

［5］ 張興平，趙旭，顧蕊．我國煤炭消費與經濟增長關系的多變量協整分析［J］．煤炭學報，2008，33（6）：713－716．

［6］ 田立新，高琳琳．利用微分方程建立煤炭消耗及碳排放量預測模型［J］．能源技術與管理，2012，（2）：161－164．

［7］ 宋杰鯤，張宇．基于BP神經網絡的我國碳排放情景預測［J］．科學技術與工程，2011，11（17）：4108－4111＋4116．

［8］ 鄧明君，羅文兵．國際碳足跡研究前沿演進的可視化［J］．湖南科技大學學報（社會科學版），2013，（3）：94－98．