BP神经网络在中国能源安全远景态势预测中的应用
来源:用户上传
作者: 谭蓉娟
【摘要】本文采用了BP神经网络对中国能源安全的远景态势进行了预测,得出中国能源安全态势在中长期都会处于危险状态的结论。考虑到人工神经网络对预测结果解释力的不足,本文将BP网络预测与主观指标预测方法结合起来,从而明确了中国能源安全系统的主要风险来源,为保障中国能源中长期安全提供了依据。
【关键词】中国能源安全 态势 人工神经网络 预测
近年来,中国经济保持了持续高速发展的态势,经济活动中能源的投入量越来越大,能源安全问题也变得越来越不容忽视,已经上升到国家安全的层面。以往学术界对能源安全的研究大多限于从能源本身的角度出发,探讨能源与经济发展的关系。然而,伴随着能源在经济活动中使用量的飞速增长,能源使用引致的环境问题也变得异常突出,学术界对能源使用安全的研究开始兴起。本文对能源安全态势的研究是在把能源、经济、环境作为一个相互影响和相互作用的系统来观察的前提下,对影响能源安全的相关因素予以筛选和分类,以便客观地描述同类因素内部以及非同类因素之间的耦合关系,解释各因素对能源安全的影响过程、结果和调控方式。
一、影响能源安全的因素及预测指标确定
影响能源安全的因素非常复杂,各种因素对能源安全的影响程度也有所不同,主要可以分为以下几类:能源本身的因素、政治因素、经济因素、运输因素、军事因素、可持续发展因素和其他因素。本文主要是从经济、能源本身和可持续发展的角度对其进行研究。因此,我们对能源安全态势预测指标的再次遴选也主要是基于这三大因素。由于我国煤炭储量较为丰富,而石油与天然气能源安全状况不容乐观,因此我们主要针对石油和天然气两种能源资源来确定其相应的能源安全预警指标。为了简便起见,我们用S代表指标,Si表示指标体系中的第i个指标,相关的的指标表示如下所示。
1、石油储采比S1。储采比=年底剩余石油可呆储量/当年石油产量。
2、战略石油储备度S2。战略石油储备度=战略石油储备总量/国内每天石油消费量。
3、石油对外依存度S3。石油对外依存度=石油年净进口量/本国年消费量。
4、石油进口集中度S4。石油进口集中度=本国进口石油最多的前三位国家的石油净进口量之和/本国净进口石油总量。
5、油价波动率S5。油价波动率=相邻两年间某原油的平均价之差/基期同种原油的平均价。
6、石油消费强度S6。它是指单位实际国内生产总值所消耗石油的数量。石油消费强度=一国的年石油消耗总量/该国当年实际国内生产总值。
7、天然气储采比S7。计算方法同石油储采比。
8、环境污染对GDP的消耗度S8。环境污染对GDP的消耗度=环境污染直接经济损失/当年国内GDP。
9、运输通道可靠性评价值S9。在这里,我们根据管道长度、输油量和管道周转量等指标的实际数据以及专家对能源运输的军事保障能力和运输通道的安全性的打分评价值来估测。
10、长期能源进口对GDP的消耗程度S10。长期能源进口对GDP的消耗程度=某年本国用于能源进口的支出金额/当年本国的GDP总量。
11、单位GDP对能源的消费量S11。这一指标是指生产每万元GDP所需要消耗的能源数量,在我国通常以吨标准煤计算。
另外,考虑到我国实际情况以及数据收集的方便程度,各项预测指标均采用年度数据,预测期限均定为一年;安全状态分类与界限值是参照国际上公认的临界值标准加以确定,没有国际公认标准的,根据我国的具体情况加以确定;权重系数采用熵值法加以确定。
二、使用改进的熵值法确定各指标权重
使用改进的熵值法确定各指标权重步骤如下:
第三步,用Zij代替xij按照前面的步骤来确定各指标的权重。
经过改进的熵值法计算得到各指标权重分别如表1所示。
三、基于BP网络的能源安全态势预测研究
1、利用神经网络进行能源安全态势预测的思路。能源系统是一个复杂的系统,利用人工神经网络可以对非线性复杂系统进行科学预测。这里,我们利用多层前向网络中的一种学习算法――BP神经网络对中国能源安全进行预警。利用BP神经网络进行能源安全预警的基本思路是:整理代表性案例并提取能源安全案例的特征→对每个案例给出其整体能源安全状态的评价值→将每个案例的特征指标集作为BP神经网络的输入X=(x1,x2,…,x11),能源安全状态评价的评价值作为输出Y,构造一个输入层有11个变量,输出层有一个变量,中间为隐层的BP神经网络→通过对案例(Xk,Yk)(k=1,2,…,p)的学习过程训练人工神经元网络→利用训练好的神经元网络对新的输入得到新的输出→得到预测值。
2、用主成分分析法确定网络期望输出值。我们利用SPSS的因子分析法作为间接的主成分分析方法。对标准化数据进行因子分析。当我们提取5个特征值,累计方差贡献率已达到90%以上,可以求出各个主成分的表达式,最后计算各个主成分1995―2009年的得分并计算各年的综合得分,如表2所示。
我们把能源安全状态分为非常安全、安全、临界状态、危险和非常危险五个区间,因此我们在这里也划分五个对应的能源安全状态得分区间,分别为[-∞,-2.4],[-2.4,0],[0,1],[1,2.4]和[2.4,+∞],则各个安全状态得分区间所对应的网络期望输出值分别为[00001],[00010],[00100],[01000]和[10000]。
3、BP神经网络结构和参数的确定。通过利用MATLAB7.0进行实验,我们最终确定该网络具有8个隐层神经元最为合适,在0.05的学习步长下网络收敛速度最快而且最为平稳,传递函数和训练函数分别采用TANSIG和LOGSIG,期望误差为0.001,最大学习步数为100,选择单层隐层网络。我们已经将能源安全状态分为非常危险、危险、临界状态、安全、非常安全,分别对应。因此,该网络的输出结果应该有五个指标,即输出层的节点数为5。
4、计算结果与结论。通过MATLAB程序运行我们可以看到,BP网络在41步后达到了预先设定的目标精度要求,并且通过对训练样本和测试样本在仿真结果与期望输出值相对比可以发现,两者基本不存在误差,这说明我们所建立的能源安全的BP神经网络态势预测系统的性能是比较可靠的。我们利用这一网络对2015年和2020年中国能源安全形势进行预测,结论为危险状态。
需要注意的是, BP神经网络能源安全态势预测系统虽然是一种客观的比较理想的非线性预测系统,但是它的解释力却不是很强,不能准确地提供不安全因素来源的有关信息,即不能辨别能源安全系统中的哪一个子系统或者哪一项具体指标出现了问题。因此我们必须通过与主观预测方法,即指标预测方法结合起来,从而增强能源安全态势预测系统的解释能力。
5、对能源安全态势预测系统的再分析。指标预测方法是一种主观评分方法。我们可以将原始指标数值映射为分数值,然后计算出各个指标的加权分数。这种方法与BP神经网络预测方法有机结合起来,既充分发挥了BP神经网络预测的科学性和客观性,又保留了指标预测方法较强的解释能力。
通过指标预测法的调整可以得到2015年和2020年预警指标的映射分数值,如表3所示。
可见,到2015年和2020年,最主要的是石油能源安全状态不容乐观,系统中石油储采比、石油进口的对外依存度等指标居高不下,而天然气储采比指标甚至还大幅上升,这表明我国能源安全存在着相当高的风险,我国能源安全形势依然严峻。
首先,石油储采比指标持续处于高位表明了在可以预见的远景中,我国经济发展对石油的需求会维持高速增长,而国内石油已探明可采储量不会出现大幅增加,甚至可能出现一定程度的下降。而石油进口依存度的不断上升说明了在中长期之内,进口石油的可获得性与来源地仍然将对我国能源安全状况产生明显的影响。
其次,随着我国国内对天然气能源消费需求的大幅增加,在未来二十年中,我国将加大对天然气资源的开采和利用,因此我国国内天然气能源的消耗速度将迅速加快。这种情况提醒我们应该积极寻求国外资源,通过进口LNG等方式来满足国内天然气消费需求。
最后,环境污染对GDP消耗指标、石油消费强度和GDP单耗指标的下降说明在经济快速发展、能源大量使用的过程中提高能源利用效率和加强对环境的保护可以引致能源安全指标风险的降低。因此,在中长期的发展过程中,我们必须通过大力发展节能技术、加强环境污染监管与处罚等措施来保证我国经济、能源和环境的综合平衡,达到可持续发展的目的。
【参考文献】
[1] 陈首丽、马立平:国家经济安全监测指标体系[J].山西统计,2002(4).
[2] 迟春洁、黎永亮:能源安全影响因素及测度指标体系的初步研究[J].哈尔滨工业大学学报(社会科学版),2004(7).
[3] 飞思科技产品研发中心:神经网络理论与MATLAB7实现[M].北京:电子工业出版社,2006.
[4] 王礼茂:资源安全的影响因素与评估指标[J].自然资源学报,2002(7).
(责任编辑:李文斐)
转载注明来源:https://www.xzbu.com/2/view-441153.htm
