能源總量的BP網絡與粒子群優化預測

劉潔

【摘 要】能源是影響人類生存、發展的最重要的因素之一，它決定著生活水平和經濟發展的快慢，準確預測能源總量具有重要意義。本文提出一種采用BP網絡及粒子群優化對能源總量進行預測的方法。仿真實驗表明，BP神經網絡預測精度與網絡參數初始值有很大關系，將粒子群優化BP模型與傳統的BP網絡預測結果進行比較，證明PSO-BP模型預測比傳統BP網絡的預測結果更加準確。

【關鍵詞】能源總量；BP網絡；粒子群優化；預測精度

0 引言

能源預測是指對各種能源的需求量及其比例關系的未來狀況進行推測，主要有煤炭、石油、天然氣、核電等各種能源的未來需求量預測，各種能源需求量之間的比例關系等。通過預測，可以建立能源消耗與環境保護之間的關系，結合環境保護要求，有針對性地調整能源結構和工業布局，達到經濟與環境的協調與可持續發展。常用的能源預測方法有經驗定額系數法、彈性系數法、趨勢預測法、投入產出法等[1]。本文采用了BP網絡預測法和粒子群優化BP網絡預測方法，并進行比較分析，給出相關結論。

1 BP神經網絡[2]

1986年，Rumelhart等提出了誤差反向傳播神經網絡，簡稱BP網絡（Back Propagation Network），該網絡是一種單向傳播的多層前向網絡。其基本思想是采用梯度下降法。即采用梯度搜索技術，以使網絡的實際輸出值與期望輸出值的誤差均方值為最小[3]。三層BP網絡如圖1所示，網絡分為輸入層、隱層和輸出層。

圖1 三層BP網絡結構示意圖

BP網絡學習算法

BP算法是神經網絡算法的主流，在此基礎上派生出了許多改進算法。圖1所示網絡，設輸入層、隱層和輸出層分別為i、j、m層。

2 粒子群優化算法[4]

粒子群算法最早是1995年由美國社會心理學家James Kennedy和電氣工程師Russel Eberhart共同提出的，其基本思想是受他們早期對許多鳥類的群體行為進行建模與仿真研究結果的啟發。而他們的模型及仿真算法主要利用了生物學家Frank Heppner的模型。

2.1 算法原理

PSO的基本思想：每個優化問題的潛在解都是搜索空間的粒子，所有的粒子都有一個被優化的函數決定的適應值，每個粒子還有一個速度向量決定其飛翔的方向和距離，然后粒子們就追隨當前的最優粒子在解空間中進行搜索。

2.2 粒子群優化算法流程[5]

①粒子種群的初始化（群體規模為m），包括隨機位置和速度；

②評價粒子的適應度；

③對每個粒子，比較其適應值與其經歷過的最好位置pbest，如果更好，則將其作為當前的最好位置pbest；

④對每個粒子，比較其適應值與全局所經歷的最好位置gbest，如果適應值較好，則重新設置gbest的索引號；

⑤根據式（14）和（15）更新粒子速度和位置；

⑥如果沒達到結束條件（通常為足夠好的適應值或達到一個預設最大迭代次數maxG），則返回②。

3 預測模型的建立及應用

在 MATLAB R2009a環境中編寫程序進行測試。實驗數據如表1所示。數據來源：《2015中國統計年鑒》。

預測模型設計：取1996年～2014年數據進行實驗。以原煤、原油、天然氣、（水電、核電、風電）4個因素作為BP神經網絡輸入，以能源生產總量為網絡輸出，如果隱層神經元個數取2n+1，n即為輸入神經元個數，則計算值為9，根據實驗效果實取10，則BP網絡結構為4-10-1。

表1 中國能源生產總量及構成

訓練樣本的選取：取1996～2010年的15個樣本進行訓練，2011～2014年的4組數據作為檢驗樣本。學習速率、動量因子均設置為0.5，訓練誤差精度設置為0.003。先對統計數據進行歸一化處理，再由歸一化處理后的能源統計數據組成學習樣本模式，通過訓練神經網絡就可以把該類問題的特征反映在神經元之間相互連接的權值中，當實際問題特征參數輸入后，神經網絡即可給出預測結果。

本次實驗所用到的能源數據具有不同衡量單位，級差有大有小，趨向也不一定一致，為了增強不同量綱數據的可比性，方便觀察數據預測結果，所以首先需對能源總量數據進行歸一化處理，采用式（16）進行歸一化處理，標準化（Min-Max Normalization），也稱為離差標準化，是對原始數據的線性變換，使結果值映射到[0，1]之間。轉換函數如下：

3.1 基于BP網絡預測模型建立及預測

本次實驗中學習速率η和動量因子α均設置為0.5，輸入層神經元個數為4個，隱層為10個，輸出層神經元個數為1個，網絡結構為：4-10-1。訓練精度設為0.003。BP網絡預測結果如表2所示。

3.2 粒子群優化（PSO-BP）模型及預測

粒子群優化網絡預測能源總量。其中PSO-BP模型實現程序包括3部分：①粒子群算法；②最佳適應度計算；③BP神經網絡訓練及預測。

粒子群優化算法中將粒子維數n=50，種群規模m=20，迭代次數G=200，算法參數qc=0.1，c1=2，c2=2。圖2為適應度函數優化曲線。

表3 PSO-BP模型預測結果

對比表2和表3數據可知，優化后的預測結果平均精度為2.4209%，而未經優化的預測平均精度為6.4418%，可見，粒子群優化預測的結果精度要比傳統BP網絡預測精度高，表明經過優化再預測結果更準確。

4 結論

本文對能源總量進行預測研究，分別采用傳統BP網絡預測法與粒子群優化BP網絡預測方法，對我國近4年的能源數據進行預測。得出的結論是，在同等參數的條件下，雖然PSO優化的BP神經網絡算法比傳統BP網絡算法復雜，但從預測的結果和性能上來看，PSO優化后的結果預測精度有較大的提高，證明了這種方法在能源總量預測中的有效性。

【參考文獻】

[1]鄧鴻鵠.北京市能源消費預測方法比較研究[D].北京林業大學，2013，6.

[2]張德豐.MATLAB神經網絡應用設計[M].2009，1.

[3]劉金琨.智能控制[M].2版.2009，7.

[4]魏秀業，潘宏俠.粒子群優化及智能故障診斷[M].2010，7.

[5]彭程，潘玉民.粒子群優化的RBF瓦斯涌出量預測[J].中國安全生產科學技術，2011，11.