灰色神经网络组合模型在能源需求中的应用

能源是社会发展的基石，随着经济的发展，能源需求也不断增加，为此较高精度的对能源需求进行预测具有十分重要的意义。本文基于GM(1, 1)预测模型和BP神经网络模型，以与能源消耗总量相关的居民消费水平指数，能源生产总量，能源工业投资，国内生产总值，可供消费的能源总量，年末总人口为6个影响指标，建立串联式灰色神经网络模型对全国能源需求总量进行预测。选取2000~2011年全国能源消费总量实际数据为建模数据，以2012~2016年的实际数据为检验数据，对比分析GM(1, 1)、和灰色神经网络的预测精度。其结果表明，灰色神经网络模型预测精度最高，预测误差均方差为0.5840，小于单一的GM(1, 1)预测误差的均方差。

能源是人类生存和发展的重要物质基础，也是当今国际政治、经济、军事关注的焦点，能源需求预测是合理制定能源规划的基础[1]。据2017年《BP世界能源统计年鉴》数据显示，中国2016年一次能源消费总量占全球一次能源消费总量的23%。

在2016年中， 中国一次能源消费量已达30.53亿吨， 同比增长5.6%， 2005~2015年均复合增长率为5.3%。

能源问题成为制约经济和社会发展的主要因素， 能源短缺将会给国民经济的发展带来巨大损失， 因此能源在国民经济发展中具有十分重要的地位。

为此， 做好未来能源战略， 高精度的对能源预测为能源规划和政策的制定提供理论依据，对2020年全面建成小康社会有着重要的现实意义。

最近几年，能源短缺问题在国内外学者中引起了广泛关注，对能源需求的预测也受到各位国内外学者的大量研究。能源需求预测的方法主要包括：线性时间序列法，非线性时间序列，灰色预测，人工神经网络，遗传算法等。其中，文献[2]采用灰色预测，BP神经网络以及三次指数平滑法进行组合优化，对我国能源进行预测；文献[3]建立基于GM-GRNN能源需求预测模型，确定网络的输入与输出，对影响能源需求的相关数据进行仿真分析；文献[4]针对传统的人工智能预测BP神经网络自身局限以及在中长期预测中需要数据量大、泛化能力不足的缺点，提出了利用粒子群算法优化BP神经网络学习算法；文献[5]从能源消费总量、产业结构、重点行业等方面对红河州能源消费现状进行分析；文献[6]提出了BP神经网络的非线性组合预测模型，并通过混沌遗传算法优化神经网络，从而提高了预测精度。回顾以上文献可知，能源需求预测现已取得了很大的突破，从单一的预测模型到组合预测模型，但在预测能源时忽略了与能源有关的指标对能源需求的影响，此外模型的预测精度也该进一步提高。

组合预测的基本思想是综合不同模型的优点，从而提高预测精度和预测效果。本文在基于历史数据的基础上，以与能源消耗总量的相关性指标，建立串联式灰色神经网络模型，对全国能源需求总量进行预测，并进行预测精度检验，从而获得能源预测的实用方法。