能源需求模型研究分析.docx
《能源需求模型研究分析.docx》由会员分享，可在线阅读，更多相关《能源需求模型研究分析.docx（31页珍藏版）》请在冰点文库上搜索。
能源需求模型研究分析
1.2.2能源需求预测模型研究进展
近年来，国内外学者运用不同的能源需求模型和方法对全球、国家、地区及部门尺度的能源系统发展趋势进行了大量的预测，也有不少文献对这些模型和方法进行了综述（SuganthiL,etal,2012;GhalehkhondabiI,etal,2016;DebnathKB,etal,2018;赵春富等,2015）。
不同的学者对能源需求预测模型的分类也有所差异。
其中，SuganthiL等将能源需求预测模型分为以下十二种类型：
时间序列模型、回归模型、计量经济模型、分解模型、单位根检验及协整模型、ARIMA模型、专家模型及ANN模型、灰色预测模型、投入-产出模型、遗传算法/模糊逻辑/模糊神经模型、集成模型——贝叶斯向量自回归模型/支持向量机回归模型/粒子群优化模型、自底向上模型——MARKAL/TIMES/LEAP（SuganthiL,etal,2012）。
GhalehkhondabiI等总结了2000-2015年间能源需求预测的相关文献使用的预测方法，主要集中在ANN模型、模糊逻辑算法、时间序列模型、灰色预测、ARMA/ARIMA/SARIMA模型、回归模型、支持向量机、遗传算法、计量经济模型、系统动力学模型十大类上（GhalehkhondabiI,etal,2016）。
DebnathKB等则根据预测方法使用的种类将能源规划模型分为了单一模型和混合模型两大类，其中，单一模型使用的方法包括统计学方法、计算机智能和数学规划三大类，混合模型则是通过不同的单一模型方法加以组合进行预测（DebnathKB,etal,2018）。
赵国富等基于自上而下、自下而上和混合建模这三种不同的建模角度，对能源预测模型进行了综述（赵春富等,2015）。
本文认为，能源需求模型进行预测时选择的方法，可分为两大类：
趋势外推法和情景分析法。
趋势外推法是基于历史发展趋势，从现状出发，根据人们对过去发展趋势的认识，推测未来可能的状态。
外推的具体方法多采用各种数量经济模型对能源需求进行预测，一般不需要外生变量，比较有代表性的大致有以下几种：
1.2.2.1能源消费弹性系数法
能源消费弹性系数是能源消费增长速度与国内生产总值增长速度的比值，该指标可以宏观地反应该地区国民经济发展与能源消费的统计规律。
能源消费弹性系数越大，代表经济发展对能源需求的依赖程度越大；反之，能源消费弹性系数越小，则代表经济发展对能源需求的依赖程度越小。
在特定的历史发展阶段，能源消费弹性系数有一个大体比较稳定的数值范围。
通过分析总结历史的经济增长与能源消费增长的关系，推测未来的能源弹性系数，并通过对经济发展速度的预测，得到预测期内的能源需求增长速度，求出能源需求量。
该方法的基本前提是假定该地区在未来预测年份的经济发展趋势与过去相比无明显的改变。
如果假设成立，则预测结果比较准确。
在实际预测中，由于近年来经济结构、能源消费结构的调整等因素，一般都需要对能源消费弹性系数做一些修正，再用来预测未来的能源消费量。
对于未来能源消费弹性系数的确定，一般有两种方法，一种是平均增长速度方法，另一种是相关分析方法，在实际预测中根据实际情况选取。
能源消费弹性系数法操作简单，但该方法的缺陷是理论上没有足够的科学依据能够论证选取的弹性系数是合理的。
刘彦民在介绍了我国原油、成品油供需的现状的基础上，对十五期间及之后l0年的供需状况采用弹性系数法进行了预测（刘彦民，2001）。
刘卫东等使用定基能源消费弹性系数替代传统能源消费弹性系数，对其影响因素进行协整分析，结合情景设置预测了2020年中国能源消费总量，解决了能源弹性系数数据不平稳且无规律而不利于定量分析的问题（刘卫东等，2016）。
1.2.2.2时间序列法
时间序列法是指通过观察被研究的对象，寻找其随时间变化的趋势及统计规律，并以适当的数学关系式表达出来，以此预测该对象将来的发展。
时间序列法包括确定性时间序列分析方法和随机性时间序列分析方法。
确定性时间序列分析就是设法消除序列中的随机性波动，拟合确定性趋势，这种方法常用于许多经济时间序列的长期粗略预测。
确定性趋势虽然控制了时间序列的基本样式，但毕竟不是时间序列变动的全貌，因而其预测结果往往不准确。
随机时间序列包括平稳随机时间序列和非平稳随机时间序列。
对于平稳性随机过程的描述可建立多种形式的时序模型，如指数平滑法、趋势线预测法、自回归模型（AR）、移动平均模型（MA）以及自回归平均移动模型（ARMA）等。
当随机过程是非平稳时间序列时，大多数都表现有趋势性特征，要先消除趋势，将随机序列平稳化，再运用平稳随机时间序列的方法去实现。
薛智韵等分析得出我国石油需求序列是有确定趋势的非平稳时间序列，选择最小二乘法分两步建立模型，并对模型预测精度和稳定性作了评价，应用模型对我国2006-2020年的石油需求进行了预测（薛智韵等，2006）。
但如果对非平稳序列作平稳化处理，又会丢失原序列所包含的主要信息（王振龙，2000）。
因而出现了组合时间序列方法，即确定性加随机性时间序列组合模型。
时间序列组合模型用确定性模型描述序列中确定性趋势的变动规律，用随机性模型来刻画序列中随机变动的一般规律，因而用这种模型来预测某些类型的非平衡序列往往能取得令人满意的效果。
卢二坡利用确定性加随机性时间序列组合模型对我国能源需求进行预测，并对模型预测精度和参数稳定性作了评价，结果表明本文采用的组合模型是一种比较有效的预测方法；最后用该模型对我国2004-2020年能源需求进行了预测（卢二坡，2005）。
1.2.2.3灰色预测模型
灰色系统理论是20世纪80年代由我国学者邓聚龙提出的，是一种解决少数据、贫信息的不确定性问题的方法，由于其具有很高的拟和精度，近二十几年来得到了广泛的研究和应用（郑照宁等，2004）。
灰色系统理论是从信息的非完备性出发来研究和处理复杂系统的理论，它不是从系统内部的特殊规律出发去研究系统，而是通过对系统某一层次的观测资料加以数学处理，达到在更高层次上了解系统内部变化趋势、相互关系等机制的理论。
灰色预测法就是将原始离散数据进行生成的有效处理方法，通过累加作用抵消和减弱随机因素的影响，从生成序列寻找系统变化规律．建立其相应的灰色预测模型。
灰色预测模型一般预测一个区间，而不是一个点，预测区间的大小与预测精度成反比，而与预测成功率成正比。
图1.1GM（1,1）模型的预测流程
一个n阶、h个变量的灰色模型记为GM（n,h）模型。
对不同的n和h，GM模型有不同的含义和用途，要求输入不同的数据。
作为预测模型，一般采用GM（n,1）模型，即只考虑一个变量。
n一般在3以下，n越大，虽然内涵可能越丰富，但计算太繁琐，且阶次过高的系统其特征方程的求解也困难，计算量大，精度也不一定高，其结果也不是解析的，所以一般放弃n大于3的模型。
为了计算简单，取n=1，在预测时也是可行的。
GM（1,1）模型是当前应用范围较广并取得了显著成效的一种灰色动态预测模型，被看作是灰色系统中的核心模型。
在进行能源需求预测时，采用GM（1,1）模型的实质是对原始年能源消费时间序列做一次累加生成，使生成序列呈一定规律性，然后建立线性微分方程，求得拟合曲线对系统进行预测。
其预测流程如图1.1所示。
1.2.2.4人工神经网络法
人工神经网络（ArtificialNeuralNetwork,ANN）是一种模拟人体的经络系统活动机理来对客观事物进行科学研究的方法。
1943年，神经科学家和控制论专家WarrenMcCulloch和逻辑学家WalterPitts基于数学和阈值逻辑算法创造了一种神经网络计算模型，称为MP模型。
他们通过MP模型提出了神经元的形式化数学描述和网络结构方法，证明了单个神经元能执行逻辑功能，从而开创了人工神经网络研究的时代。
经过数十年的发展，至20世纪80年代，随着人工智能兴起，人工神经网络逐渐成为研究热点。
近年来随着人工神经网络研究的不断深入，在模式识别、智能机器人、自动控制、预测估计、生物、医学、经济等领域已经得到了很好的应用，解决了大量实际问题。
人工神经网络是一个具有高度非线性的超大规模连续时间动力系统，由大量的处理单元（神经元，即构成神经系统结构和功能的基本单位）互相连接而形成的复杂网络结构。
它是在现代神经科学研究成果的基础上提出的，反映了人脑功能的基本特征，但并非人脑的真是描写，而是对人脑组织结构和运行机制的某种抽象、简化和模拟。
人工神经网络模型是以数学模型模拟神经元活动，是基于模仿大脑神经网络结构和功能而建立的一种信息处理系统。
人工神经网络具有自学习、自适应、联想储存等功能，并具有很强的非线性函数逼近能力及高速寻找最优解的能力（朱大奇等，2005）。
（a）相互结合型结构（b）层状结构
图1.2人工神经网络的结构类型
把大量的神经元通过一定的拓扑结构连接起来，就形成了神经网络。
神经元之间的连接方式有相互结合性和层状结构两大类（吴简彤等，1998），如图1.2所示。
相互结合型神经网络系统是一种非线性系统，存在反馈环，在神经元的学习过程中，会进行误差反馈。
层状结构神经网络是一种并行处理系统，信号依特定的方向传播。
人工神经网络运行的一项重要内容就是按照一定的规则进行学习。
学习能力是神经网络功能有效性的标志之一。
神经网络的学习过程一般是，首先设定初始权值（如果无先验的知识，初始权值可设定为随机值），接着输入样本数据进行学习，参照评价标准进行评判，如果达到要求，就停止学习，否则就按照给定的学习规则调整权值，继续进行学习，直至达到要求为止。
神经网络的各种学习规则都是以Hebb规则为基础的，包括误差传播式学习、联想学习、竞争性学习等。
当前已有数十种神经网络模型，不同类型的人工神经网络模型，其拓扑结构、传递函数和学习规则存在区别。
例如，按照拓扑结构的不同，可分为反馈神经网络模型和前向神经网络模型，目前应用较多的神经网络模型是BP（BackPropagation）网络，即是一种误差前向传播神经网络。
YetisSaziMurat利用BP人工神经网络分析了GNP、人口、车辆的年平均增长速度等社会经济因素对交通用能的影响（YetisSaziMurat，2006）。
冯述虎等利用BP神经网络建立了时序-神经网络模型，利用该模型对能源产量进行了预测（冯述虎等，2003）。
与趋势外推法不同的是，情景分析法认为未来并不只是简单地沿袭过去的发展模式，而是在正确描述现状的条件下，根据未来可能发生的变化，固定未来的不同情景目标，模拟实现未来目标需要从现在到未来采取什么路径，为决策者制定战略提供科学依据。
在设置多种可能会发生的情景时，可能参考历史发展情况、未来社会经济发展的目标规划。
以下几种模型和方法多采用情景分析法进行能源预测：
1.2.2.5投入产出模型
投入产出分析是由美国经济学家沃西里·列昂惕夫（WassilyLeontief）于20世纪30年代首次提出的，是用以研究和分析国民经济各部门产品生产与消耗之间的数量依存关系的一种方法，也广泛用于能源系统领域（沃西里·列昂惕夫，1982）。
投入产出模型是基于棋盘式的投入产出表，建立相应的线性代数方程体系，从而构成一个模拟现实的国民经济结构和社会产品再生产过程的经济数学模型。
投入产出表是由投入表与产出表交叉而成的，前者反映各种产品的价值，包括物质消耗、劳动报酬和剩余产品；后者反映各种产品的分配使用情况，其基本框架结构如表1.1所示。
表1.1投入产出表的基本结构
产出
投入
中间使用
最终使用
总产出
1，2，3，…，n
最终消费
资本形成总额
净出口
中间投入
1，2，3，…，n
第Ⅰ象限
第Ⅱ象限
增加值
劳动报酬
固定资产折旧
生产税
营业盈余
第Ⅲ象限
总投入
在此基础上建立的投入产出模型，可用来进行经济分析、政策模拟、计划论证和经济预测。
静态投入产出模型不考虑时间因素，只反映一个确定时期内的经济数量关系；而动态模型除仍保留静态模型中的基本数量关系外，还要求从发展变化的角度考察社会经济活动。
后者在理论基础上存在争论，模型运算过程困难，其建立方法和理论仍处在不断探索之中。
投入产出模型是典型的仿真模型，不具备择优功能，因而人们多用线性规划、多目标规划等优化方法，或者情景分析法与之结合使用。
HarryC．Willting等运用投入产出模型研究了荷兰1969-1989年间的能源强度变化趋势（HarryC．Willting等，1998）。
VicentAlcantara等运用一个投入产出结构化分解分析模型对欧盟国家的能源强度进行了比较（AlcantaraVicent，2004）。
罗向龙等利用投入产出模型对某大型石化企业进行了生产结构系统分析，通过给定各产品的指标来预测各种原料和能源的需求量（罗向龙等，2003）。
梁巧梅等基于投入产出模型的基本原理，围绕影响能源需求和能源强度变化的各种社会经济因素，结合情景分析，定量地分析了社会经济发展因素对能源需求和能源强度的影响（梁巧梅等，2004）。
1.2.2.6部门分析法
该方法是根据实际情况把国民经济按部门划分，利用能源消费量与经济发展速度之间的关系，使用单位产值能源消费量来综合反映各部门能源消费量的技术水平和管理水平。
该方法把国民经济现状作为分析和计算的出发点，应用基年的产值水平及能源消费量等参数，在假定了各部门的产值增长速度与单位产值能耗变化率后，就可预测出各部门能源消费需求量、总能源需求量和增长趋势。
其使用公式如下：
（1.1）
其中，E为该地区的能源消费总量，Ei为部门i的能源消费量，Gi为部门i的产值，Qi为该部门单位产值能耗量，G为该地区总产值，mi为部门i的产值在总产值中的比例。
部门分析法可以详细考虑部门结构变化、管理和技术水平变化、产品结构变化、人口增长、人民消费水平提高、消费结构变化以及各种政策等因素对于部门能源消费量的影响，并作出定量估计。
法国IEPE（theInstituteofEnergyPolicyandEconomics）20世纪80年代开发的MEDEE是基于部门分析法建立的能源技术经济模型。
它建立在对一定时期内社会经济、人口、技术的一系列假设的基础上，通过对能源需求变化的仿真来预测各部门的能源需求。
模型把能源系统划分为工业、交通运输、居民消费、服务业和农业5个部分，在世界上100多个国家和地区得到了应用。
BrunoLapillonne等应用MEDEE模型预测了美国1985--2000年的能源需求（BrunoLapillonne等，1980）。
傅月泉等应用MEDEE模型对江西省中长期能源需求进行预测，反复对情景变量的设置及经济发展、产业结构等宏观经济指标进行调整后，得出了比较可行的预测结果（傅月泉等，1994）。
1.2.2.7系统动力学模型
系统动力学（SystemDynamics,SD）是由美国麻省理工学院的福瑞斯特（Jay.WFoerrster）教授于1956年创立的。
早期主要应用在工业企业管理，之后，其应用几乎遍及各类系统，深入到各个领域。
反馈控制理论是系统动力学的主要理论基础，系统动力学在对系统的认识方面特别强调系统的反馈结构。
系统动力学的主要目的是为实际问题改进或设计策略，并可以在计算机上借助仿真技术来进行社会经济的政策模拟实验。
系统动力学着重于描述系统的结构，是一个结构仿真模型，强调系统发展过程中的行为和发展趋势。
模型具有高阶数、多回路和非线性的特点。
社会系统内各要素之间的关系呈现阶次高、多重反馈和非线性的特点，系统动力学可以将复杂的组合关系表达出来，逼真地再现系统的结构、作用方式和行为，只要结构合埋，变量多少仅受计算机容量的限制。
系统动力学方法一般只给出几种可供选择的解，不提供最优解。
系统动力学解决问题的主要步骤大体可分为五步，首先要用系统动力学的理论、原理和方法对研究对象进行系统分析；其次进行系统的结构分析，划分系统层次与子块，确定总体的与局部的反馈机制；第三步建立数学的、规范的模型；第四步以系统动力学理论为指导借助模型进行模拟与政策分析，可进一步剖析系统得到更多的信息，发观新的问题然后反过来再修改模型；第五步检验评估模型。
系统动力学把研究对象看作具有复杂反馈结构、随时间变化的动态系统，通过系统分析绘制出表示系统结构和动态的系统流程图，然后把个变量之间的关系定量化，建立系统的结构方程式，以便运用计算机进行仿真试验，最后预测系统未来发展变化。
国内也有不少学者应用这一方法进行能源系统的仿真与预测（秦钟等，2008；李连德，2009；吕涛等，2015）。
由于该方法分析过程复杂，工作量大，且对于分析人员能力要求较高，所以不适用于短期预测，而对于远期预测，具有明显的优势。
1.2.2.8回归分析法
在利用回归分析进行能源预测时，多采用一元线性回归或多元线性回归。
对于较为简单的一元线性回归，多用直线方程对两个变量进行拟合，确定参数的方法多为最小二乘法。
但由于只考虑一个自变量对于因变量的影响，预测结果比较片面，在实际预测中往往考虑多个自变量，进行多元线性回归分析。
例如，进行能源预测时，考虑到能源消费与人口增长，经济发展关系密切，以能源消费量（Yt）为被解释变量，以人口（Xt1）及国内生产总值（Xt2）为解释变量，建立二元回归模型（卢奇等，2003）：
，t=1，2，…，t（1.2）
设上述模型满足以下假定条件：
假定1随即误差项是非自相关的，即
，
（1.3）
假定2解释变量与误差项相互独立，即
（1.4）
假定3解释变量之间线性无关。
假定4解释变量是非随机的。
在上述假定条件下，采用普通最小二乘（OLS）估计法估计参数值，即
，代入过去若干年的能源消费量、人口、国内生产总值数据，建立能源消费量的多元回归模型，再进行t检验和F检验，检验模型可否用于预测。
回归分析多与情景设置相结合，根据结合情景设置中未来GDP和人口的发展情况进行能源需求预测；也可以按照拟合的方程直接进行趋势外推来预测。
由于许多随机因素影响经济系统，致使被解释变量和解释变量之间可能是失衡的，并不总是处于均衡点，而是会有所偏离，因此必须对模型进行修正。
为了解决可能由非平稳变量引起的伪回归的影响，可应用协整和误差修正模型加以改善。
林伯强应用协整理论和误差修正模型分析了中国能源需求的决定因素，发现能源总消费、GDP、能源价格、经济结构对能源需求具有显著影响，同时对未来我国能源的需求进行了预测（林伯强，2001）。
FrancoM等应用协整理论对变量进行了协整分析和平稳性检验，建立了误差修正模型，并用该方法对Venezuelan电力系统2004-2024年的电力需求进行了预测（FrancoM等，2007）。
根据上述内容，将以上八种较具代表性的单一能源需求预测模型的优缺点及适用范围总结如下：
表1.2单一能源需求预测模型的优缺点及适用范围
模型
适用范围
优点
缺点
能源消费弹性系数法
适用于能源消费弹性系数未发生跳跃性变化的中短期预测
需要数据少，运算简便
现实情况中能源消费弹性系数历史数据往往并不具有平稳性，使实际应用遇到了困难
续表1.2
模型
适用范围
优点
缺点
时间序列法
适用于趋势未发生重大改变的时间序列进行短期预测
能较好拟合时间序列的确定性趋势和随机扰动项，运算简便快速
无法考虑预测数据与其影响因素之间的关系，只能预测其按照历史趋势发展的情况，对起伏较大的序列进行预测时往往精度较差
灰色预测模型
适用于发展隐含指数型变化规律的平稳序列，理论上适用于中长期预测，但精度难以保证
所需样本量少，不需要计算统计特征，不需要考虑影响因素，运算简便，短期预测精度高
数据离散程度/灰度越大，波动性越大，预测精度越差
人工神经网络法
适用于大样本非线性数据的中短期预测
具有自学习、自适应、储存记忆、优化计算等能力，对处理非线性、非结构性数据的预测具有优势
要求样本量较多，学习过程往往需要成千上万次的迭代；隐含层神经元的个数和连接权值的选取往往缺乏理论指导，推广能力有限
投入产出模型
适用于经济活动的中长期预测
强调的是经济系统各部门、各变量间的相互作用，体现出国民经济各部门生产与分配使用/消耗之间的平衡关系
所需数据量较大；模型设计在假设、编制和优化上存在局限
部门分析法
适用于自下往上的中长期预测
能体现出各部门内不同因素对于部门能源消费量的影响
部门划分存在一定争议，粗略划分可能忽略了内部差异，详细划分又需要大量数据做支撑，运算繁琐
系统动力学模型
适用于复杂系统隐藏规律的挖掘及其中长期动态预测
能反映多个因素对能源系统的影响，能建立它们之间非线性、动态的关系
需要的数据量大，运算复杂
回归分析法
适用于与一个或多个自变量存在关系的因变量进行中长期预测
能够研究预测对象与其影响因素的关系；参数估计技术成熟，操作简便
对于影响因素的选择往往具有主观性；线性回归预测往往精度较低，非线性回归预测计算量大、过程复杂
由于能源系统的非线性和不确定性，近年来，国内外不少学者开始采用一些新兴的非线性方法对能源需求进行预测。
常见的方法主要有：
混沌时间序列方法、遗传算法、小波分析等。
傅瑛等利用混沌时间序列的方法对江苏能源消费量进行了预测，并且把预测结果与指数平滑法作了对比，表明混沌时间序列方法得到的预测值围绕实际值上下波动、绝对偏差较小，比指数平滑法的误差要好（傅瑛等，2001年）。
但该研究是利用1991~2003年数据建立的模型再去预测1991~2003年的能源需求，也就是同期模拟，并不能看出混沌时间序列的未来预测能力。
事实上，由于混沌时间序列假设研究对象是混沌系统而混沌系统具有初始条件敏感特征，所以混沌时间序列方法认为长期预测是不可能的。
HalimCeylan利用遗产算法能源需求模型（GAEDM）对土耳其未来20~50年的能源需求进行预测，预测结果表明，GAEDM预测结果精度较高，与政府能源与自然资源规划研究中心的预测结果相比，其预测误差最小（HalimCeylan，2005年）。
但是遗传算法本身的参数还缺乏定量的标准，目前采用的都是经验数值，而且不同的编码、不同的遗传技术都会影响到遗传参数的选取，因而会影响到算法的通用性。
顾洁利用小波分析对电力系统短期符合进行了预测，实证表明运用小波进行预测提高了预测精度（顾洁，2003）。
王珏等通过分析影响我国能源需求的主要因素，建立了基于小波神经网络的需求预测模型。
采用定性与定量相结合的方式，分析了影响我国能源需求的主要因素，通过将人口总数、GDP、产业结构变化以及能源消费量的一阶滞后作为输入变量，建立基于小波神经网络的我国能源需求非线性预测模型。
结果表明，该非线性预测模型与多元回归模型相比更加合理，具有更高的预测精度（王珏等，2009）。
除此之外，为克服单一方法对信息利用不充分所产生的缺点和不足，国内外学者根据不同模型和方法之间的逻辑关系，将不同的模型组合使用，使之具有更好的合理性和更高的科学性。
例如，瑞典斯德哥尔摩环境研究所（STOCKHOLMEnvironmentInstitute，SEI）开发的静态能源经济环境模型——LEAP模型结合了部门分析法和实物型投入产出法，需要收集各种技术数据、财务数据和环境排放数据，通过数学模型来预测各部门的能源需求、能源成本及对应的环境收益。
RanjanKumarBose等应用LEAP模型和环境数据库分析了影响印度德里交通部门能源消费模式和排放标准的因素，并预测能源需求和交通工具的尾气排放量。
迟春洁等根据未来20多年里中国社会经济发展趋势，结合中国的发展现状，利用情景分析法设计了三种方案四种情景，通过LEAP模型计算得到了不同方案下各时期的能源需求量以及温室气体排
升级会员 