劉龍 李琳

摘要：提出一種采用小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)能源生產(chǎn)總量的方法，將其預(yù)測(cè)結(jié)果與傳統(tǒng)的BP和RBF網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相比較，實(shí)驗(yàn)表明小波神經(jīng)網(wǎng)絡(luò)具有預(yù)測(cè)過(guò)程簡(jiǎn)捷，精確度高以及預(yù)測(cè)結(jié)果穩(wěn)定等優(yōu)點(diǎn)，克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的局限性和預(yù)測(cè)方法的不足。仿真實(shí)驗(yàn)驗(yàn)證了所提出方法的有效性。

關(guān)鍵詞：小波神經(jīng)網(wǎng)絡(luò)工具箱；BP網(wǎng)絡(luò)；RBF網(wǎng)絡(luò)；預(yù)測(cè)

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2018）25-0197-02

關(guān)鍵詞

能源是人類(lèi)生存發(fā)展的重要物質(zhì)基礎(chǔ)，隨著現(xiàn)代化進(jìn)程加快，我國(guó)能源消耗總量迅速增加，因此，對(duì)未來(lái)能源總量進(jìn)行準(zhǔn)確預(yù)測(cè)具有現(xiàn)實(shí)意義。能源預(yù)測(cè)是通過(guò)現(xiàn)有數(shù)據(jù)，對(duì)未來(lái)包括原煤、原油、天然氣、一次電力及其他能源在內(nèi)的能源需求量進(jìn)行預(yù)測(cè)。預(yù)測(cè)結(jié)果有助于調(diào)整未來(lái)能源結(jié)構(gòu)布局，更好的切合環(huán)保理念與要求，從而實(shí)現(xiàn)經(jīng)濟(jì)的可持續(xù)發(fā)展。常用的能源預(yù)測(cè)方法有趨勢(shì)外推法、灰色預(yù)測(cè)法、回歸分析法等。本文采用了BP網(wǎng)絡(luò)預(yù)測(cè)、RBF網(wǎng)絡(luò)預(yù)測(cè)和小波神經(jīng)網(wǎng)絡(luò)工具箱三種方法進(jìn)行預(yù)測(cè)，通過(guò)對(duì)三種預(yù)測(cè)結(jié)果進(jìn)行比較分析后得出，小波神經(jīng)網(wǎng)絡(luò)工具箱能夠更精確的預(yù)測(cè)。

1 小波神經(jīng)網(wǎng)絡(luò)

小波神經(jīng)網(wǎng)絡(luò)（Wavelet Neural Network，WNN）是小波分析方法和神經(jīng)網(wǎng)絡(luò)有機(jī)結(jié)合的產(chǎn)物，近年來(lái)受到廣泛關(guān)注和應(yīng)用。

上式可以用一個(gè)含一個(gè)隱層的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)，如圖1所示。通過(guò)對(duì)權(quán)值、aj、、bj的調(diào)整逼近函數(shù)，Wij、Wjk為輸入層/隱層、隱層/輸出層之間的連接權(quán)。小波神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示[1]。

2 小波神經(jīng)網(wǎng)絡(luò)工具箱

WNN工具箱[2]實(shí)現(xiàn)的關(guān)鍵是創(chuàng)建傳遞函數(shù)，利用BP網(wǎng)絡(luò)工具箱中tansig、logsig等函數(shù)改造。將tansig或logsig中的功能函數(shù)替換為Morlet小波函數(shù)，即

[y=cos1.75x×exp-x22] （5）

其導(dǎo)數(shù)為

[dydx=-cos1.75x×exp-x22]

[-1.75sin（1.75x）×exp（-x22）] （6）

平移和伸縮功能等效并入權(quán)和閾值調(diào)節(jié)中。

采用神經(jīng)網(wǎng)絡(luò)工具箱提供的訓(xùn)練函數(shù)。這里取訓(xùn)練函數(shù)“trainlm”，該函數(shù)收斂速度快，可以達(dá)到較高精度，輸出層神經(jīng)元激活函數(shù)采用“purelin”。

3 仿真預(yù)測(cè)模型的建立及實(shí)現(xiàn)

在MATLAB R2009a中編寫(xiě)程序進(jìn)行回歸預(yù)測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)數(shù)據(jù)來(lái)源于《2015中國(guó)統(tǒng)計(jì)年鑒》，如表1所示。預(yù)測(cè)模型建立：取1978年～2014年的數(shù)據(jù)進(jìn)行實(shí)驗(yàn)，共有28組數(shù)據(jù)。取 1978～2006 年的 20 個(gè)數(shù)據(jù)樣本進(jìn)行訓(xùn)練，2007～2014年的 8 組數(shù)據(jù)作為本次實(shí)驗(yàn)的檢驗(yàn)樣本。以原煤、原油、天然氣、一次電力及其他能源4個(gè)因素作為神經(jīng)網(wǎng)絡(luò)的輸入，把能源生產(chǎn)總量作為神經(jīng)網(wǎng)絡(luò)的輸出[3]。

小波神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型結(jié)構(gòu)設(shè)計(jì)：輸入層神經(jīng)元個(gè)數(shù)為4個(gè)，隱層取為15個(gè)，輸出層神經(jīng)元個(gè)數(shù)為1個(gè)，即小波網(wǎng)絡(luò)結(jié)構(gòu)：4-15-1。訓(xùn)練誤差精度為0.00001，迭代次數(shù)為14次達(dá)到精度要求，如圖2所示。圖3是預(yù)測(cè)實(shí)驗(yàn)的實(shí)際值和預(yù)測(cè)值對(duì)比。

預(yù)測(cè)值、實(shí)際值以及預(yù)測(cè)精度見(jiàn)表2所示。BP網(wǎng)絡(luò)實(shí)驗(yàn)采用與WNN同樣的結(jié)構(gòu)：4-15-1，精度設(shè)置仍取0.00001，訓(xùn)練5次達(dá)到精度要求，預(yù)測(cè)精度如表2所示。RBF神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)，其隱層結(jié)構(gòu)自行選取，對(duì)RBF工具箱，只有一個(gè)可控參數(shù)spread，經(jīng)實(shí)驗(yàn)，該變量取1100比較合適，但RBF神經(jīng)網(wǎng)絡(luò)對(duì)本文數(shù)據(jù)很難適應(yīng)，精度較差，RBF預(yù)測(cè)結(jié)果見(jiàn)表2。其中，WNN和BP網(wǎng)絡(luò)預(yù)測(cè)實(shí)驗(yàn)時(shí)每次結(jié)果不同，這是由于參數(shù)初始值為隨機(jī)數(shù)，實(shí)驗(yàn)時(shí)取相對(duì)較好的值，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果是可以重復(fù)的。

根據(jù)表2數(shù)據(jù)可得：WNN預(yù)測(cè)平均精度為2.3388%，BP網(wǎng)絡(luò)預(yù)測(cè)平均精度為3.3480%，RBF網(wǎng)絡(luò)預(yù)測(cè)平均精度為5.6814%，顯然小波神經(jīng)網(wǎng)絡(luò)工具箱預(yù)測(cè)平均精度要比傳統(tǒng)BP 、RBF網(wǎng)絡(luò)工具箱預(yù)測(cè)精度高，表明了小波神經(jīng)網(wǎng)絡(luò)工具箱在預(yù)測(cè)應(yīng)用中的優(yōu)越性。

4 結(jié) 論

本文采用小波網(wǎng)絡(luò)工具箱對(duì)能源生產(chǎn)總量進(jìn)行預(yù)測(cè)，利用回歸預(yù)測(cè)法對(duì)8年數(shù)據(jù)進(jìn)行預(yù)測(cè)。將小波網(wǎng)絡(luò)工具箱預(yù)測(cè)結(jié)果與傳統(tǒng)BP、RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相比較，可明顯看出小波網(wǎng)絡(luò)工具箱能夠提高預(yù)測(cè)精度。仿真結(jié)果驗(yàn)證了小波網(wǎng)絡(luò)工具箱在能源預(yù)測(cè)方面的有效性。

參考文獻(xiàn)：

[1] 侯澤宇，盧文喜，陳社明.基于小波神經(jīng)網(wǎng)絡(luò)方法的降水量預(yù)測(cè)研究[J].節(jié)水灌溉，2013（3）.

[2] 潘玉民，鄧永紅，張全柱.小波神經(jīng)網(wǎng)絡(luò)模型的確定性預(yù)測(cè)及應(yīng)用[J].計(jì)算機(jī)應(yīng)用，2013，33（4）：1001-1005.

[3] 劉潔.能源總量的BP網(wǎng)絡(luò)與粒子群優(yōu)化預(yù)測(cè)[J].科技視界，2016（7）.

【通聯(lián)編輯：唐一東】