网刊加载中。。。

引言当前新型能源在世界能源消耗所占比重逐渐上升，应加快发展新型能源，降低煤电比重，保护生态环境。随着经济持续快速发展，能源消费量也在不断增加，制定科学合理的能源战略至关重要。近年来，基于能源互联网对能源消费、能源生产、能源结构的研究颇多。常见的预测模型有一次（线性）预测模型、双组分模型、马尔可夫预测、BP神经网络模型等。赵志成[1]等采用不同的ARIMA模型对能源消费与能源生产分别进行预测，再利用马尔科夫链预测能源消费结构，从3个方面多角度对中国能源战略规划进行实证研究。陈振环[2]等利用自回归分布滞后模型对刺激中国能源消费增长的主要因素以及节能减排政策的经济效应进行分析。李默松[3]通过使用马尔可夫模型修正后的灰色预测模型GM（1，1）与逻辑斯蒂预测的组合模型，以电力能源为分析对象，对能源消费总量进行预测。圣文顺[4]等提出一种基于遗传算法的优化BP神经网络模型，并对企业销售状况做出预测。Ceylan[5]等利用BP神经网络模型分析国内生产总值、人口、车辆年平均增长速度等因素对交通能源消费的影响。Assareh[6]等通过人工神经网络和粒子群优化组合形式预测了世界绿色能源的消费趋势。本文通过建立灰色预测模型GM（1，1）分别对我国能源消费总量、煤炭、石油、天然气、一次电力及其他能源消费量进行分析，并预测未来10年能源消费量情况，拟通过各能源消费量比例分析我国未来能源结构变化情况。还通过MLP多层感知器神经网络模型分析影响我国能源消费量的各个影响因素，并确定各影响因素的重要程度。综合两个模型的结果，分析未来能源消费趋势变化，为我国制定能源战略提供前瞻性建议。1数据选取与模型构建1.1灰色预测模型GM（1，1）灰色预测法主要是利用初步处理后的数据，生成有较强规律性的数据序列，建立相应的微分方程，从而预测和分析事物未来发展变化趋势。灰色预测模型GM（1，1）是灰色系统理论中最为常用的一种模型。GM（1，1）模型是由处理后的原始数列基础上生成新的累加序列，进一步通过累加序列建立微分方程构建而得。GM（1，1）模型不依赖于大量数据，只需少量数据就可以进行较为精确的预测。能充分利用每一组数据，通过建立微分方程充分反应数据实质。1.1.1数据的检验与处理文中数据来源《中国统计年鉴2020》与《2020年国民经济和社会发展统计公报》。取2001~2020年的能源消费数据作为基础数据，如表1所示。10.3969/j.issn.1004-7948.2021.08.005.T001表12001~2020年中国能源消费情况能源消费情况年份2001200220032004200520062007200820092010能源总量155 547169 577197 083230 281261 369286 467311 442320 611336 126360 648煤炭总量105 772116 160138 352161 657189 231207 402225 795229 237240 666249 568石油总量32 97635 61139 61445 82646 52450 13252 94553 54255 12562 753天然气总量3 7333 9004 5335 2966 2737 7359 34310 90111 76414 426一次电力及其他13 06613 90514 58417 50119 34121 19923 35826 93128 57133 901能源消费情况年份2011201220132014201520162017201820192020能源总量387 043402 138416 913428 334434 112441 491455 826471 925487 000497 714煤炭总量271 704275 465280 999281 844276 964274 608276 231278 436280 999282 685石油总量65 02368 36371 29274 10279 87782 55986 15189 19492 04395 080天然气总量17 80419 30322 09623 98725 17926 93131 45235 86639 44742 287一次电力及其他32 51239 00742 52548 40252 09457 39461 99268 42974 51176 820万吨标准煤为提高模型的精度，选取煤炭、石油、天然气、一次电力及其他能源的消费总量进行预测，而不是对其百分比进行预测。预测完成后再对各能源的占比情况进行分析，为保证建模方法的可行性，需要对已知数列进行检验处理，计算参考序列的级比为：λk=x0k-1x0k，k=2，3，…n（1）如果所有级比λ(k)都落在可容覆盖范围Θ=(e-2n+1,e2n+1)内，则序列x0可进行预测，否则对序列进行平移变换，使级比落入可容覆盖内，数据处理如表2所示。由已知可容覆盖范围为0.909~1.100，故上述5组序列处理后级比均落在可容覆盖内，可进行下一步预测。10.3969/j.issn.1004-7948.2021.08.005.T002表2对序列级比范围及处理序列原级比范围常数c变换后级比范围能源总量0.86~0.99168 7950.92~0.99煤炭总量0.84~1.02121 2340.91~1.01石油总量0.86~0.9924 2570.91~0.99天然气总量0.81~0.96149 7430.98~1.00一次电力及其他0.82~1.0456 7360.93~1.021.1.2灰色预测模型GM（1，1）构建灰色预测模型GM（1，1）构建流程如下：（1）生成累加生成序列[7，8]。定义X(0)为原始序列：X0=x10,x20,⋅⋅⋅xn0 （2）一次累加生成序列(1-AGOX)：X(1)=x1(1),x2(1),⋅⋅⋅xn(1)X(1)=AGOX(0) （3）式中：Xk1=∑k=1kxk0，k=1，2，…n。（2）生成均值生成序列。设连续相邻的均值生成序列为Z(1)：Z1=z21,z31,⋅⋅⋅zn1 （4）式中：Zk1=zk-11+zk12，k=2，3，…n。（3）建立微分方程。微分方程式如下：xk0+azk0=b，k=2，3，…n（5）相应的白化微分方程为：dx(1)dt+axt(2)=bu=a,bTY=x2(0),x3(0),⋅⋅⋅xn(0)T （6）B=-Z21 1-Z31 1 ⋮ ⋮-Zn1 1=-x11+x21/2 1-x21+x31/2 1 ⋮ ⋮-xn-11+xn1/2 1 （7）由最小二乘法，求使得J(u)=(Y-Bu)T(Y-Bu)达到最小值u的估计值为：û=â,b̂T=BTB-1BTY （8）求解白化微分方程：x̂k+11=x20-b̂âe-âk+b̂â，k=0，1，…n-1，…（9）（4）残差检验。计算相对残差，公式如下：εk=xk0-x̂k0xk0，k=1，2，…，n（10）如果对所有的|εk|＜0.10，则认为预测结果具有较高精度；否则，若对所有的|εk|＜0.20，则认为预测结果达到一般精度的要求。1.2MLP神经网络多层感知器(MLP)也叫人工神经网络(ANN)，MLP神经网络包含输入层、输出层和多个隐藏层，是一种基于BP算法训练的多层前馈神经网络。在众多神经网络架构中，MLP神经网络结构简单、易于实现，且具有良好的容错性、鲁棒性以及极强的非线性映射能力，多层感知器神经网络原理如图1所示[9]。通过MLP神经网络分析影响我国能源消费增长的若干因素、影响程度以及它们之间的联系。多层感知器神经网络中第一层为输入层，最后一层为输出层，中间都是隐藏层，层与层之间全连接。也就是说，第i层的任意一个神经元一定与第i+1层任意一个神经元相连。10.3969/j.issn.1004-7948.2021.08.005.F001图1多层感知器神经网络原理1.2.1数据集的选取MLP神经网络模型是数据驱动的数学模型，因此数据集的选择直接影响预测效果[10]。综合考虑敏感性、重要性、可获取性、综合性的原则，选取以下9个影响因素[11]近20年（即2001~2020年）的数据作为MLP神经网络的数据集。（1）经济发展水平：一个国家的经济增长影响和制约着能源的消耗，取国内生产总值（GDP）表示经济发展水平。（2）能源消费结构：指总的能源消费中不同能源品种所占比例。据《中国统计年鉴》，煤炭消费量大约占所有一次能源的70%，故取煤炭消费量占所有一次能源的比例代表能源消费结构[12]。（3）技术进步与科技创新：对能耗影响十分明显，技术水平提高直接改善能源效率，用单位GDP能耗表示。（4）城市化水平：不同城市化程度的能耗相差甚远，取城市化率表示（城市化率=城市人口/总人口数量）。（5）总人口数量：总人口数量的多少也关系到能耗的大小。（6）工业化水平：工业化是城市长期的驱动力，对能源消费产生影响，取工业化率表示（工业化率=工业增加值/GDP）。（7）居民消费水平：人们消费水平提高导致能源消费量提高。（8）产业结构：产业结构优化，可以限制一些高能耗企业，进而减少能源消费量，取第二产业增加值与国内生产总值之比表示。（9）国际贸易：取原油进口量粗略表示。1.2.2MLP神经网络构建文中使用STATISTICA统计分析软件构建多层感知器神经网络。对于人工神经网络，隐藏层层数和神经元数目的选择直接影响模型的性能。隐藏层层数和神经元数目过少将导致网络不具备必要的学习能力和信息处理能力；过多将导致网络结构过于复杂，进而出现网络学习率低，以及过拟合问题，影响网络的泛化性。取前面提到的9个影响因素为输入变量，能源消费总量为输出变量，将数据分成2个（或3个）子集：一个训练样本、一个测试样本和一个验证样本。这些样本用于训练网络、验证（测试）网络在训练期间的性能，以及进行最终验证测试，以确定网络预测“新”数据的准确性，这些数据既不用于训练模型，也不用于测试训练时的性能。由于搜集到的数据有限，采用随机取样的方式，取训练样本量（指定要在培训示例中使用的有效案例的百分比）为70%，测试样本量和验证样本大小分别取30%和0。取样种子数为1 000，采取随机子抽样方式，并且子抽样训练样本量、测试样本量及验证样大小分别为70%、30%和0。选择子样本数为2，二次取样种子仍为1 000。最小隐藏单元数为4，最大隐藏单元数为8，培训网络数为50，保留网络数为5（回归误差最小、分类率最高）。2结果和讨论2.1基于灰色预测模型的能源消费预测2.1.1数据拟合分析将表1数据经过级比转换后带入到建立的模型中，得到2001~2020年我国能源消费总量及各能源消费量的预测情况。总能源消费拟合曲线如图2所示，各能源消费拟合曲线如图3所示。图2、图3表明曲线的整体拟合情况较好，预测结果较为准确。根据预测数据和原始数据的残差计算出逐年预测值的相对误差，根据其平均值分析模型的精度。得到平均相对误差如表3所示。所有的平均相对误差|εk|0.10，所以构建的灰色预测模型GM（1，1）精度为优，可以进行下一步预测。10.3969/j.issn.1004-7948.2021.08.005.F002图22001~2020年总能源消费拟合曲线图32001~2020年各能源消费拟合曲线10.3969/j.issn.1004-7948.2021.08.005.F3a1（a）煤炭消费预测拟合曲线10.3969/j.issn.1004-7948.2021.08.005.F3a2（b）石油消费预测拟合曲线10.3969/j.issn.1004-7948.2021.08.005.F3a3（c）天然气消费预测拟合曲线10.3969/j.issn.1004-7948.2021.08.005.F3a4（d）一次电力及其他能源消费预测拟合曲线10.3969/j.issn.1004-7948.2021.08.005.T003表3预测GM（1，1）灰色预测模型相对误差项目平均相对误差能源总量4.62煤炭7.06石油1.84天然气0.94一次电力及其他1.98%2.1.2未来10年能源消费量预测利用上述模型对我国未来10年（即2021~2030年）能源消费情况预测。为使预测结果更加精确，采用灰色预测模型中的新陈代谢算法，其预测原理是使用灰色GM（1，1）模型对原始数列进行预测，得到一个新的预测数据，将新的数据补充到原始数列末尾，同时去掉原始数列中的第一个数据，从而以新形成的数列为基础进行下一步预测。基于此，分别对能源总量、煤炭、石油、天然气及一次电力及其他能源未来10年消费情况预测。图4是根据灰色模型GM（1，1）得到我国未来10年能源消费情况。从图4(a)可看出，未来10年我国能源消费总量持续稳步上升。从图4(b)看出，能源总量从2021年的551 377.81 万吨标准煤上升至2030年的728 254.12 万吨标准煤，年增长3.14%。图42021~2030年能源消费预测曲线及年均增长率10.3969/j.issn.1004-7948.2021.08.005.F4a1（a）能源消费预测曲线10.3969/j.issn.1004-7948.2021.08.005.F4a2（b）各种能源年平均增长率从各项能源消费变化趋势看，一次电力及其他能源、天然气的消费量增长趋势较为迅猛，年均增长6.41%和5.72%。而随着我国低碳经济的发展，煤炭消费增长则趋于缓慢，年均增长1.31%。从各项能源消费占比看，虽然煤炭仍是我国未来能源消费结构中的主体，占比50.1%，但其他能源消费总量的占比从2020年的41.1%增长到2030年的49.9%，保持增长趋势。分析未来10年我国能源发展增速以及能源结构的变化，可以看出：（1）未来10年中国经济将仍以较高速度持续增长，能源消费也将继续保持上升。（2）一次电力及其他能源消费量增长迅速。一次电力及其他能源包括核电、水电、风电以及太阳能发电等能源。其能源消费量中的占比从2001年的7.29%到2019年的15.3%，再到预测得到2029年的18.33%。占比不断提高，反映我国大力发展新型能源，逐渐用风能、水能、太阳能的清洁能源代替传统能源，实现可持续发展。2.2基于MLP神经网络模型的指标预测根据STATISTICA软件的运行结果，保留5组神经网络如表4所示。10.3969/j.issn.1004-7948.2021.08.005.T004表4保留神经网络序号网络名称训练性能测试性能训练误差测试误差训练算法1MLP 9-7-10.998 495 4870.999 894 49419 233 106.315 274 210BFGS 102MLP 9-4-10.998 602 580.999 693 66228 450 982.611 806 511BFGS 83MLP 9-4-10.998 878 6680.999 816 02314 777 216.615 669 607BFGS 114MLP 9-4-10.999 266 2410.999 805 3819 133 982.4314 792 430BFGS 115MLP 9-6-10.997 690 2440.999 688 02537 187 200.116 662 122BFGS 7综合考虑，最终选取MLP 9-4-1训练算法为BFGS11的神经网络。利用该神经网络，分析各影响因素的重要程度及它们之间的联系。考虑全局敏感性分析，得到全局敏感性分析柱状图如图5所示。由图5可知，影响我国能源消费量程度最大的为总人口数，其次为城市化率，以及单位GDP消耗，而其他几个影响因素对能源消费量的影响较小。10.3969/j.issn.1004-7948.2021.08.005.F005图5全局敏感性分析由MLP神经网络得到影响能源消费量的9个因素重要程度。影响能源消费量变化最显著的3个因素分别为总人口、城市化率以及单位GDP能耗。能源消费总量与总人口、城市化率以及单位GDP能耗的关系如图6所示。图6各指标与能源消费量关系10.3969/j.issn.1004-7948.2021.08.005.F6a1（a）总人口与能源消费量关系10.3969/j.issn.1004-7948.2021.08.005.F6a2（b）城市化率与能源消费量关系10.3969/j.issn.1004-7948.2021.08.005.F6a3（c）单位GDP能耗与能源消费量关系由图6(a)可知，人口数与能源消费总量呈正相关，我国人口基数庞大，直接导致我国基础能耗巨大。图6(b)反映出城市化率与能源消费呈正相关。伴随着中国城市化进程加快，城乡差距也不断加大。城市与乡村的能源消费不尽相同，城市人口密集、产业集中、能源需求量巨大，而乡村人口稀疏，产业相对分散，且一定程度上使用绿色能源。因此，城市化率的提高也很大程度上影响着能源消费量。图6(c)体现单位GDP能耗与能源消费量呈负相关。单位GDP能耗表示科技进步与科技创新，全球正进入新一轮能源转型时代，清洁低碳是衡量未来各国发展潜力的决定性指标。科学技术的进步与创新推动着我国的可持续发展，与能源消费量息息相关。3结语为综合分析我国未来能源发展趋势，文中首先使用灰色预测模型GM（1，1）分析我国各能源消费量情况，并对未来10年我国各能源消费量进行预测。根据能源总量、煤、石油、天然气以及一次电力及其他能源消费量情况，分析我国未来能源结构变化。构建MLP多层感知器神经网络，将影响能源消费的9个影响因素近20年数据作为输入，能源消费作为输出，根据全局敏感性分析得出影响因素的重要程度并分析原因。综合两个模型的预测结果，最后针对能源发展趋势变化给出展望：（1）加快城乡一体化建设。将城市与乡村视为一个整体，统筹规划、综合研究。城市对接乡村，增加对乡村的经济投入，加强基础设施建设，提高农村劳动者的素质，使乡村从根本上得到持久发展。推进城乡在政策上平等，产业上互补，调整城乡的能源结构，促进城乡可持续发展。（2）优化清洁能源发展进程，从规模为先转向优化发展。我国可再生能源经过多年发展已有一定规模，在已有的规模下应加快技术革新以达到优化能源结构的目的。水电方面加快抽水蓄能电站建设，风电项目应加速发展分散式风电，推动重心向中东南部转移，太阳能发电方面应加强分布式利用。此外，还应大力开发制氢技术，用氢能逐渐取代碳氢化合物能源，降低碳排放，争取2030年前达到碳排放的峰值，预计2060年前实现碳中和。（3）优化产业结构。政府合理引导，出台产业政策、激励政策、提高税收优惠等政策推动绿色产业蓬勃发展。最大程度发挥市场配置资源的基础性作用，减少高能耗、高污染、高风险企业，实现资源优化配置。（4）加强能源技术与新型技术的深度融合。通过新一代5G、区块链、云计算、大数据及人工智能等新型技术，在能源开发生产到使用终端全过程以及各个环节进行融合，达到能源的智慧化开发和利用，最终目的是构建绿色、节能的生态型智慧地球。（5）发展循环经济，走可持续发展道路。以减量化、再利用、资源化为原则，通过加强管理、科技创新等措施，实现资源的循环利用，废物的高效回收，降低经济发展的社会成本。从而达到产业之间资源优化配置。推进我国经济健康绿色，可持续地发展。