李湘旗，蘇 婷，胡東濱，文 明，歐亦蘭

(1.國網(wǎng)湖南省電力公司經(jīng)濟(jì)研究院，湖南 長沙 410004；2.中南大學(xué)商學(xué)院，湖南 長沙 410083；3.長沙商貿(mào)旅游職業(yè)技術(shù)學(xué)院，湖南 長沙 410116)

湖南省經(jīng)濟(jì)已由高速增長轉(zhuǎn)向高質(zhì)量發(fā)展階段，以需求為導(dǎo)向的傳統(tǒng)能源規(guī)劃思路已不適應(yīng)當(dāng)前經(jīng)濟(jì)轉(zhuǎn)型的要求。新時(shí)代下的能源規(guī)劃，需要統(tǒng)籌兼顧供需的動(dòng)態(tài)變化，將化石能源消費(fèi)改革作為經(jīng)濟(jì)發(fā)展的基本發(fā)展目標(biāo)。根據(jù)2009—2019年《湖南統(tǒng)計(jì)年鑒》，煤炭、石油和天然氣三種化石能源約占省內(nèi)總能源需求的80%。因此，從化石能源供需方面入手，建立合理、科學(xué)的預(yù)測(cè)模型，可以為其生產(chǎn)、外調(diào)等相關(guān)政策的制定提供數(shù)據(jù)基礎(chǔ)。

多數(shù)學(xué)者依賴于建立LEAP[1]、灰色-馬爾科夫[2-3]、ARIMA[4]等數(shù)理統(tǒng)計(jì)模型研究能源供需發(fā)展。但是能源供需量受到經(jīng)濟(jì)、政策等多方面影響，變化趨勢(shì)無規(guī)則，而以上模型通常只適用于線性、指數(shù)型數(shù)據(jù)，對(duì)于非線性、多峰值數(shù)據(jù)的預(yù)測(cè)效果不佳。BP神經(jīng)網(wǎng)絡(luò)(BPNN)具備良好的非線性預(yù)測(cè)能力，被應(yīng)用于能源[5]、社會(huì)研究[6]等多個(gè)領(lǐng)域進(jìn)行預(yù)測(cè)分析。然而BPNN存在收斂速率過低，網(wǎng)絡(luò)訓(xùn)練時(shí)間過長，初始權(quán)值、閾值對(duì)預(yù)測(cè)效果影響仍然很大[7-8]。ESTE等[9]發(fā)現(xiàn)BPNN的預(yù)測(cè)性能與其參數(shù)密切相關(guān)，因此有學(xué)者提出采用遺傳算法[10]、人工魚群算法[11]、蟻群優(yōu)化算法[12]等方法對(duì)BPNN的參數(shù)進(jìn)行優(yōu)化。與這些優(yōu)化方法相比，粒子群算法(PSO)具有操作簡單、魯棒性強(qiáng)的優(yōu)勢(shì)，它的搜索具有隱式并行性和全局性，能在實(shí)現(xiàn)快速尋優(yōu)的同時(shí)避免權(quán)值、閾值陷入局部最優(yōu)[13]。陳樹等[14]、DENG等[15]均通過實(shí)例證明了PSO-BPNN具備較好的學(xué)習(xí)精度和泛化能力，預(yù)測(cè)效果和魯棒性相比較其他模型更強(qiáng)。

目前，能源供需數(shù)據(jù)的樣本量往往較小，而高精度預(yù)測(cè)通常需要大量數(shù)據(jù)樣本?；瑒?dòng)窗口可以通過分割原始數(shù)據(jù)克服數(shù)據(jù)樣本不足的問題。余宇峰等[16]通過滑動(dòng)窗口分割數(shù)據(jù)序列預(yù)測(cè)未來值，提高了預(yù)測(cè)靈敏度。 高大鵬等[17]將滑動(dòng)窗口應(yīng)用于玻爾茲曼機(jī)的小樣本數(shù)據(jù)訓(xùn)練中，以此獲取更多的數(shù)據(jù)樣本和達(dá)到更優(yōu)的算法性能。以往研究均證明滑動(dòng)窗口對(duì)于擴(kuò)充小樣本數(shù)據(jù)以提高預(yù)測(cè)性能十分有效。

鑒于此，本文提出改進(jìn)的PSO-BPNN模型預(yù)測(cè)湖南省化石能源供需形勢(shì)。首先基于滑動(dòng)窗口法擴(kuò)充樣本量，并以滑動(dòng)窗口的大小作為BPNN模型的輸入層節(jié)點(diǎn)數(shù)進(jìn)行預(yù)測(cè)；其次采用PSO算法優(yōu)化BPNN模型，預(yù)測(cè)能源供需形勢(shì)；為了驗(yàn)證模型的可行性與有效性，選取了全國和廣東省能源數(shù)據(jù)進(jìn)行預(yù)測(cè)，同時(shí)將本文模型與BPNN、ARIMA和GM(1,1)模型相互對(duì)比；最后，基于湖南省化石能源供需形勢(shì)的預(yù)測(cè)結(jié)果進(jìn)行探討并提出建議，以此為推動(dòng)湖南省化石能源生產(chǎn)、消費(fèi)革命提供數(shù)據(jù)支持。

1 基于改進(jìn)PSO-BPNN的預(yù)測(cè)模型

1.1 滑動(dòng)窗口法

滑動(dòng)窗口是在固定窗口大小的前提下，通過更新時(shí)間序列最老、最新值來對(duì)下一個(gè)時(shí)間點(diǎn)進(jìn)行預(yù)測(cè)的方法。它可以通過小樣本數(shù)據(jù)獲取大樣本數(shù)據(jù)，更適用于樣本量小的能源時(shí)間序列數(shù)據(jù)。本文將滑動(dòng)窗口與BPNN結(jié)合，以BPNN的輸入層節(jié)點(diǎn)數(shù)作為窗口大小，并將這一長度的時(shí)間序列作為輸入數(shù)據(jù)，應(yīng)用于數(shù)據(jù)訓(xùn)練和數(shù)據(jù)預(yù)測(cè)兩個(gè)部分，具體操作如下所述。

假設(shè)數(shù)據(jù)序列為X={x(0)，x(1)，……x(n-1)，x(n)}，滑動(dòng)窗口大小為L。

在訓(xùn)練數(shù)據(jù)時(shí)，通過數(shù)據(jù)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)}預(yù)測(cè)x(L+1)，x(L+2)……x(n)的值，并與原始數(shù)據(jù)進(jìn)行對(duì)比(圖1)。

圖1 滑動(dòng)窗口法訓(xùn)練數(shù)據(jù)

在預(yù)測(cè)未來m年數(shù)據(jù)時(shí)，將下一個(gè)時(shí)間點(diǎn)的預(yù)測(cè)值x(n+1)加入到原始序列中，并剔除最舊的一個(gè)數(shù)據(jù)，以此更新預(yù)測(cè)序列，直到預(yù)測(cè)m次為止(圖2)。

圖2 滑動(dòng)窗口法預(yù)測(cè)數(shù)據(jù)

1.2 BP神經(jīng)網(wǎng)絡(luò)原理

BP神經(jīng)網(wǎng)絡(luò)(back propagation neural network，BPNN)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)，網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)包含輸入層、隱藏層和輸出層，其基本思想是利用梯度下降法調(diào)整輸入層節(jié)點(diǎn)與隱藏層節(jié)點(diǎn)的連接強(qiáng)度、隱藏層節(jié)點(diǎn)與輸出層節(jié)點(diǎn)的連接強(qiáng)度以及閾值，使誤差沿梯度方向下降，最后經(jīng)過反復(fù)學(xué)習(xí)訓(xùn)練，獲取與最小誤差相對(duì)應(yīng)的網(wǎng)絡(luò)參數(shù)，即權(quán)值和閾值。因此，BPNN可以較好地應(yīng)用于非線性能源數(shù)據(jù)的預(yù)測(cè)研究當(dāng)中，但是BPNN的初始權(quán)值和閾值是隨機(jī)分配的，缺乏理論依據(jù)，因此獲得的權(quán)值和閾值可能并非是最小誤差情況下的最優(yōu)參數(shù)。

圖3 BPNN結(jié)構(gòu)圖

1.3 粒子群算法

(1)

(2)

1.4 預(yù)測(cè)模型建立步驟

2) 根據(jù)輸入層節(jié)點(diǎn)數(shù)設(shè)置滑動(dòng)窗口大小L，將原始的一維數(shù)據(jù)序列分割為(n-L)×L維矩陣。

3) 初始化。初始化每個(gè)粒子的初始位置和速度，確定當(dāng)前個(gè)體極值和全局最優(yōu)值。

4) 設(shè)置適應(yīng)度函數(shù)。將絕對(duì)誤差指標(biāo)作為適應(yīng)度函數(shù)，以評(píng)價(jià)每個(gè)粒子的優(yōu)劣程度。

5) 更新最優(yōu)值。計(jì)算每個(gè)粒子的適應(yīng)值，當(dāng)適應(yīng)值優(yōu)于前一次迭代的個(gè)體極值時(shí)，則使用此適應(yīng)值進(jìn)行替換，同樣的方法也用于全局最優(yōu)值的更新。

6) 更新速度和位置。按式(1)和式(2)更新每個(gè)粒子的位置和速度，并將新粒子加入到粒子群當(dāng)中，計(jì)算其適應(yīng)值。

7) 檢查終止條件。當(dāng)達(dá)到最大迭代次數(shù)或滿足最小誤差精度時(shí)，停止迭代，保存當(dāng)前最優(yōu)解并執(zhí)行步驟7，否則返回步驟4。

8) BPNN訓(xùn)練。將PSO計(jì)算得到的最優(yōu)適應(yīng)值作為BPNN的權(quán)值和閾值，并進(jìn)行訓(xùn)練，最終得到預(yù)測(cè)值。

2 湖南省化石能源供需形勢(shì)預(yù)測(cè)

2.1 數(shù)據(jù)準(zhǔn)備

本文選取1995—2018年湖南省化石能源礦產(chǎn)品煤炭、原油、天然氣的供需數(shù)據(jù)(表1)。其中空缺值采用拉格朗日插值法填補(bǔ)；對(duì)原始數(shù)據(jù)取對(duì)數(shù)和歸一化增加平穩(wěn)性，提高模型收斂速度。由于湖南省自2004年才正式輸入天然氣，因此只選取2004—2018年天然氣消費(fèi)數(shù)據(jù)。此外，湖南省內(nèi)無油無氣，原油和天然氣的產(chǎn)量均為0。

表1 1995—2018年湖南省主要化石能源礦產(chǎn)品供需量

2.2 模型建立

為了保證評(píng)價(jià)模型的預(yù)測(cè)性能，采用平均絕對(duì)百分比誤差(MAPE)和均方根誤差(RMSE)作為評(píng)價(jià)指標(biāo)，指標(biāo)值越小則模型擬合效果越好。

將數(shù)據(jù)分為訓(xùn)練集和測(cè)試集，多次訓(xùn)練調(diào)整輸入層節(jié)點(diǎn)數(shù)的大小，之后確定各個(gè)神經(jīng)網(wǎng)絡(luò)參數(shù)。以煤炭生產(chǎn)量數(shù)據(jù)為例，當(dāng)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為7-9-1，即滑動(dòng)窗口大小為7，隱藏層節(jié)點(diǎn)為9時(shí)，模型的預(yù)測(cè)效果最佳。此時(shí)，調(diào)整其他參數(shù)，當(dāng)神經(jīng)網(wǎng)絡(luò)的最大迭代次數(shù)為1 000、學(xué)習(xí)率為0.1、訓(xùn)練目標(biāo)為10-5，粒子群的迭代次數(shù)為5、個(gè)體位置和速度的取值范圍為[-1,1]、c1和c2取值為2、種群規(guī)模為25時(shí)，模型的預(yù)測(cè)效果最好，MAPE值為3.49%。

2.3 模型可行性檢驗(yàn)

為了驗(yàn)證模型可行性，選取了全國和廣東省化石能源供需數(shù)據(jù)進(jìn)行預(yù)測(cè)。結(jié)果顯示，全國和廣東省的MAPE值分別為2.01%和4.92%(湖南省為3.20%)，意味著本文模型同樣適用于其他地區(qū)的能源數(shù)據(jù)預(yù)測(cè)研究。

表2 模型可行性檢驗(yàn)結(jié)果

2.4 與其他模型對(duì)比

為了驗(yàn)證模型的有效性，建立BPNN模型(輸入數(shù)據(jù)集、神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)等參數(shù)設(shè)置均一致)、ARIMA模型和GM(1,1)模型對(duì)比。結(jié)果如圖4～圖7所示，綜合來看PSO-BPNN的預(yù)測(cè)效果更強(qiáng)。

圖4 煤炭消費(fèi)量預(yù)測(cè)

圖5 原油消費(fèi)量預(yù)測(cè)

圖6 天然氣消費(fèi)量預(yù)測(cè)

圖7 煤炭生產(chǎn)量預(yù)測(cè)

表3為各模型預(yù)測(cè)結(jié)果的評(píng)價(jià)指標(biāo)。與BPNN模型相比，PSO優(yōu)化了其權(quán)值和閾值，避免其陷入局部最優(yōu)，因而擬合能力更好。與ARIMA模型相比，基于滑動(dòng)窗口法的PSO-BPNN對(duì)小樣本數(shù)據(jù)的預(yù)測(cè)效果更佳。與灰色預(yù)測(cè)法相比，PSO-BPNN可以通過反向訓(xùn)練不斷修正誤差，對(duì)非線性數(shù)據(jù)的處理能力更強(qiáng)。

表3 各個(gè)模型的預(yù)測(cè)結(jié)果

2.5 未來值預(yù)測(cè)結(jié)果

記錄PSO-BPNN模型預(yù)測(cè)效果最好時(shí)的權(quán)值、閾值，通過滑動(dòng)窗口更替新舊值，再次訓(xùn)練可得未來能源供需量(表4)。2019—2025年，煤炭平均需求量穩(wěn)定在12 000萬t左右，原油約1 000萬t，天然氣約43億m3。截至2019年末，湖南省內(nèi)無石油、天然氣累計(jì)探明地質(zhì)儲(chǔ)量，兩者產(chǎn)量為0；煤炭查明資源儲(chǔ)量超過34億t，然而由于生態(tài)環(huán)境保護(hù)、關(guān)井壓產(chǎn)等政策，煤炭產(chǎn)量遠(yuǎn)遠(yuǎn)低于所需量，預(yù)測(cè)2019—2025年煤炭平均產(chǎn)量為2 400萬t，因此造成煤炭供需局面失衡。

表4 湖南省主要化石能源礦產(chǎn)品供需預(yù)測(cè)表

將供需數(shù)據(jù)預(yù)測(cè)結(jié)果相減，得到2019—2025年供需缺口數(shù)據(jù)(圖8)，三種化石能源產(chǎn)品的缺口增長較為平緩，但缺口量仍舊不低。預(yù)測(cè)煤炭在2025年達(dá)到最高缺口量，約12 324萬t；原油在2019年和2023年缺口量最高，為1 099萬t；天然氣在2025年缺口量達(dá)到峰值，約47億m3。從省內(nèi)化石能源保障率的角度來看，煤炭的省內(nèi)保障率約80%，原油和天然氣的均為100%，供需失衡情況較為嚴(yán)重。

圖8 湖南省未來化石能源供需缺口預(yù)測(cè)

3 湖南省化石能源供需形勢(shì)討論

由于“十二五”期間湖南省落實(shí)節(jié)能降耗、防治大氣污染等政策，煤炭、原油消費(fèi)開始減速換擋，這與本文預(yù)測(cè)結(jié)果相符。將三種能源單位轉(zhuǎn)換為萬噸標(biāo)準(zhǔn)煤，發(fā)現(xiàn)湖南省煤炭、石油消耗占比逐漸降低，天然氣呈逐漸上升的趨勢(shì)，這意味著化石能源消費(fèi)結(jié)構(gòu)正逐漸向清潔化方向發(fā)展。

表5 湖南省化石能源產(chǎn)品消費(fèi)結(jié)構(gòu)發(fā)展趨勢(shì)

1) 煤炭供需形勢(shì)討論。煤炭是湖南省的主要消耗能源，1995—2018年每年消耗占比均超過75%，但由于湖南省煤炭資源不足，人均水平較低，因此每年開采量遠(yuǎn)不能滿足需求，供需形勢(shì)不容樂觀?！笆濉逼陂g，根據(jù)湖南省《煤炭十三五發(fā)展規(guī)劃》，全省開始強(qiáng)化煤炭開產(chǎn)制約條件，每年自我供給量被嚴(yán)格控制在2 000萬～3 000萬t，供需缺口進(jìn)一步擴(kuò)大。盡管湖南省開始探索工業(yè)產(chǎn)業(yè)結(jié)構(gòu)轉(zhuǎn)型發(fā)展，但目前處于工業(yè)化中期向后期的轉(zhuǎn)型過程，煤炭仍是剛性需求。根據(jù)預(yù)測(cè)結(jié)果，湖南省煤炭消耗占比持續(xù)走低，需求卻呈緩慢上升趨勢(shì)，每年仍需要外調(diào)/進(jìn)口約10 000萬t煤。由此可預(yù)見，短期內(nèi)依賴“外煤入湘”的局面還很難消除，在科學(xué)產(chǎn)能的政策下湖南省煤炭供給形勢(shì)將更為嚴(yán)峻。

2) 原油供需形勢(shì)分析。湖南省無原油產(chǎn)量，所有油品資源均從省外調(diào)入，原油的省內(nèi)保障率為100%。1995—2018年，湖南省原油消耗增速穩(wěn)定，平均增速約為5%，由于油品資源主要由中石化、中石油及社會(huì)經(jīng)營單位供應(yīng)，因此供應(yīng)量比較穩(wěn)定，供需形勢(shì)較好。隨著國家高度重視清潔能源的發(fā)展和能源消費(fèi)結(jié)構(gòu)的優(yōu)化，湖南省嚴(yán)格控制原油消耗量，根據(jù)本文預(yù)測(cè)結(jié)果，2019—2025年省內(nèi)原油需求增速放緩，平均需求量約1 000萬t，原油消耗占比穩(wěn)定在11%～13%，盡管如此，湖南省對(duì)原油消耗的依賴程度仍然不減，原油需求呈增長趨勢(shì)，原油缺口也將不斷擴(kuò)大，因而湖南省需保持更高的原油供應(yīng)和運(yùn)輸能力。但是湖南省地處中部地區(qū)，與我國主要石油產(chǎn)區(qū)距離較遠(yuǎn)，導(dǎo)致目前仍處于缺油且受外部市場供需關(guān)系影響大的局面。

3) 天然氣供需形勢(shì)探討。目前湖南省不具備天然氣供應(yīng)能力，需求處于受限狀態(tài)。湖南省高度重視天然氣核心產(chǎn)業(yè)的發(fā)展，提出以資源為基礎(chǔ)，以市場為導(dǎo)向，大力發(fā)展天然氣產(chǎn)業(yè)。為了匹配湖南省天然氣市場的快速擴(kuò)張，湖南省政府于2000年初起，穩(wěn)步推進(jìn)天然氣輸送系統(tǒng)發(fā)展，形成覆蓋全省的天然氣管網(wǎng)布局，同時(shí)加大投入開采天然氣成本，提高2020年“外氣入湘”及自我供應(yīng)能力。因此，在2004—2019年，天然氣供需問題并不突出。但隨著全省天然氣基礎(chǔ)設(shè)施建設(shè)日益完善和能源消費(fèi)結(jié)構(gòu)轉(zhuǎn)型成功，天然氣需求將呈爆發(fā)式增長，本文預(yù)測(cè)，直至2025年天然氣需求量最高為47億m3，消耗占比約4.5%，盡管短期內(nèi)供需形勢(shì)并不嚴(yán)峻，但從長遠(yuǎn)發(fā)展的角度來看，長期內(nèi)天然氣供需矛盾會(huì)難以解決。

4 結(jié)論與對(duì)策建議

4.1 結(jié)論

為推動(dòng)湖南省化石能源消費(fèi)革命提供數(shù)據(jù)和理論基礎(chǔ)，本文建立了改進(jìn)的PSO-BPNN模型預(yù)測(cè)湖南省化石能源礦產(chǎn)品供需形勢(shì)。鑒于樣本量小的能源供需數(shù)據(jù)，采用滑動(dòng)窗口法擴(kuò)充樣本量；鑒于非線性、多峰值的能源供需數(shù)據(jù)，采用BPNN模型進(jìn)行預(yù)測(cè)研究，同時(shí)利用PSO對(duì)其參數(shù)進(jìn)行優(yōu)化。為了驗(yàn)證模型可行性，基于全國和廣東省的數(shù)據(jù)進(jìn)行預(yù)測(cè)，結(jié)果顯示該模型同樣可以應(yīng)用于其他地區(qū)能源供需預(yù)測(cè)中，具有一定的現(xiàn)實(shí)意義；為了驗(yàn)證模型有效性，與BPNN、ARIMA和GM(1,1)模型對(duì)比，結(jié)果顯示本文模型預(yù)測(cè)性能更強(qiáng)。最后，對(duì)湖南省化石能源供需形勢(shì)進(jìn)行了分析，發(fā)現(xiàn)全省煤炭、原油和天然氣均面臨著過度依賴外部借調(diào)的問題，短期內(nèi)可開發(fā)能源量匱乏、供需局面失衡等癥狀將持續(xù)存在；但未來隨著天然氣等清潔能源的投入使用，全省化石能源結(jié)構(gòu)將向綠色化、清潔化方向發(fā)展。

4.2 對(duì)策建議

1) 深化供給側(cè)結(jié)構(gòu)性改革。本文預(yù)測(cè)湖南省未來每年煤炭產(chǎn)量約2 400萬t，而煤炭作為高污染、高需求能源應(yīng)當(dāng)減少發(fā)展對(duì)其的依賴程度，因此需進(jìn)一步促進(jìn)煤炭供給側(cè)結(jié)構(gòu)性改革、優(yōu)化全省煤礦存量資源配置，加快推進(jìn)去產(chǎn)能、減量減負(fù)。由于天然氣需求將持續(xù)增長，因此夯實(shí)省內(nèi)能源供應(yīng)基礎(chǔ)，加強(qiáng)化石能源入湘尤其是“外氣入湘”通道建設(shè)，是保障能源安全供應(yīng)的必要手段。

2) 推動(dòng)清潔能源發(fā)展，優(yōu)化能源消費(fèi)結(jié)構(gòu)。本文預(yù)測(cè)天然氣消費(fèi)在三種化石能源產(chǎn)品中的占比將逐漸升高，這是發(fā)展所趨，因而湖南省需加強(qiáng)推動(dòng)清潔能源發(fā)展，擴(kuò)大天然氣利用，壯大清潔能源產(chǎn)業(yè)?？茖W(xué)引導(dǎo)能源增長模式轉(zhuǎn)變，堅(jiān)持節(jié)能降耗的能源環(huán)保政策，加大對(duì)重點(diǎn)耗能行業(yè)產(chǎn)品的結(jié)構(gòu)調(diào)整力度，以此降低傳統(tǒng)化石能源消費(fèi)強(qiáng)度，保證能源消費(fèi)結(jié)構(gòu)更趨合理。

3) 加強(qiáng)化石能源創(chuàng)新技術(shù)研發(fā)。鋼鐵、化工等重化工業(yè)是湖南省傳統(tǒng)行業(yè)，然而全省資源稀缺，亟需尋求新的突破點(diǎn)以支撐經(jīng)濟(jì)轉(zhuǎn)型。能源創(chuàng)新技術(shù)研發(fā)是突破口，湖南省需加大對(duì)化石能源創(chuàng)新技術(shù)的投資金額，運(yùn)用新興技術(shù)改進(jìn)傳統(tǒng)工藝，在清潔煤等重大節(jié)能技術(shù)上實(shí)現(xiàn)突破。重點(diǎn)關(guān)注高耗能產(chǎn)業(yè)，推廣應(yīng)用先進(jìn)成熟技術(shù)，推動(dòng)企業(yè)成為技術(shù)創(chuàng)新、研發(fā)投入和成果轉(zhuǎn)化的主體。