基于BP神经网络的我国煤炭消费和碳排放量预测＊

张正球，陈 娅

（湖南大学 数学与计量经济学院，湖南 长沙 410082）

一 引 言

近年来，能源的大量消耗给生态环境带来了巨大的压力，特别是由于温室效应所导致的气候变暖已严重威胁到人类生产和生活的可持续发展。如何正确、有效地应对气候变化所带来的一系列问题已成为全球共同面临的巨大挑战。目前，我国是世界上最大的煤炭消费国，二氧化碳的排放量也仅次于美国，居世界第二位，如何控制和减少碳排放已成为我国政府亟需解决的问题。我国政府在哥本哈根会议上承诺：到2020年，单位GDP碳排放强度比2005年降低40%～45%，并将其作为约束性指标纳入社会和国民经济发展的中长期规划。对我国未来的煤炭消费和碳排放量进行科学预测，能够帮助有关部门制定更合理、更符合中国发展实情的能源政策和环境政策，能够更好地推动国民经济又好又快发展。

国内外已有不少学者研究了煤炭消耗与碳排放问题，如Zhang X．P．等［1］研究了我国经济发展、能源消耗和碳排放的格兰杰因果关系的存在及其方向；Chang C．C．［2］利用多变量整协的检验方法研究了我国碳排放、能源消耗和经济发展之间的关系［2］；Li F．等［3］利用面板单位根与异构的面板协整关系研究了我国大陆30个省市的经济发展与能源消耗的关系；张会新等［4］运用三角灰色系统模型预测煤炭消费量，得出了短期内煤炭消费量会随着GDP增长而逐年增加的结论；张兴平等［5］用1980～2005年的数据对我国煤炭消费进行协整分析，认为煤炭消费与国内生产总值（GDP）、结构变化和效率之间存在长期均衡关系；田立新等［6］通过建立一系列微分方程对我国人口、GDP、煤炭消耗以及碳排放进行预测；宋杰鲲等［7］选取了人口、城镇化率、人均GDP等6个因素为自变量，运用BP神经网络方法构建我国碳排放预测模型，并对2010～2015年我国碳排放量进行预测。

上述研究都是在探寻煤炭消费（或碳排放量）与人口、GDP等因素之间的关系，本文拟基于煤炭消费和碳排放量的历年数据，利用BP神经网络方法建立煤炭消费和碳排放量的趋势预测模型，并对未来几年的煤炭消费和碳排放量进行预测。

二 煤炭消费和碳排放量的BP神经网络预测模型

BP神经网络应用于预测有三种方式：回归预测、趋势预测和组合预测。本文拟采用神经网络趋势预测的思路，建立3层BP神经网络，输入变量是历年煤炭消费量和碳排放量，中间为隐含层，通过调整神经元之间的连接权值来使网络逼近实际值，最后一层为输出层，输出煤炭消费量和碳排放量，最后再运用训练好的网络进行预测。

（一）输入输出变量的确定及样本预处理

选取1994～2013年的煤炭消费和碳排放量作为总体样本，其中把前15年的数据作为训练样本，后5年的数据作为检验样本。输入变量为历年煤炭消费和碳排放量数据，输出变量为未来年份的煤炭消费和碳排放量数据。我们采用最大－最小规范化的方法对原始数据进行归一化处理，具体如下：

式中x为原始样本数据，xmax，xmin分别为原始数据中的最大、最小值；x′为归一化变换后的数据。归一化后的数据如表1。

（二）BP神经网络预测模型的建立

通常采用Sigmoid函数（S型函数）作为BP神经网络算法中的神经元激活函数，即

本模型的输出层为单一的煤炭消费量或碳排放量，用BP神经网络方法进行预测的具体步骤如下：

（1）样本归一化处理，使所有数据的值处于（0，1）之间；

（2）确定网络的初始结构；

（3）设定网络的训练函数、学习函数、传递函数、训练步数及训练精度；

（4）权值和阀值初始化，第一次取值尽可能小；

（5）训练网络；

（6）判断网络是否快速收敛且达到误差要求，若没有，则返回（4）；

（7）由检验样本得到网络预测值，比较预测值和实际值，看预测误差是否达到要求，若没有，则返回（4）；

某水利枢纽正常运行期近坝区域流场数值模拟…………………………………………………王静静，王金磊（1.66）

（8）进行目标预测并绘制相应图表。

表1 煤炭消费和碳排放量归一化数据

除最大训练步长和目标误差两个参数外，其他参数都采用缺省值。用检验样本检验训练好的网络，以判断网络的泛化性能，若第一次训练后得到的预测模型不理想，则需要进行多次训练。

（三）实证分析

（1）煤炭消费量预测分析

依据1994～2013年的煤炭消费量数据，拟建一个三层神经网络，输入层为5个节点，依次为历年煤炭消费量，隐层节点数的选取依据2n＋1的经验方法，先设定11个节点，输出层为1个节点，为下一年的煤炭消费量，则网络的初始结构为5×11×1，再依据训练情况逐步调整。第一次训练：训练函数设为trainlm，学习函数为tansig，传递函数为purelin，训练步数为5000，训练精度为0．00001，训练收敛极快。但当把检验样本输入进行检验时效果极差，无法进行预测。进行多次训练后得到2014年煤炭消费量的预测值。

图1为第一次训练后的煤炭消费量预测结果图，图2为多次训练后的煤炭消费量预测结果图。

图1 第一次训练后的预测结果图

图2 多次训练后的预测结果图

网络检验值如表2：

表2 煤炭消费量检验表（万吨标准煤）

从上表看，检验样本的误差及误差率较小，具有较好的拟合效果，故依此神经网络模型可以较好地预测2014年的煤炭消费量。

依据神经网络趋势滚动预测的原理，我们将预测得到的2014年的煤炭消费量作为已知量，以1995～2014年的煤炭消费量为样本数据，再依据上述同样的方法建立神经网络模型，经过多次网络训练，预测2015年的煤炭消费量。

依此类推可得到2014～2020年的煤炭消费量预测值如表3：

表3 煤炭消费量预测值表（万吨标准煤）

总体的煤炭消费量趋势如图3。

图3 煤炭消费量趋势图

（2）碳排放量预测分析

对于碳排放量的预测，仍然把训练函数设为trainlm，学习函数为tansig，传递函数为purelin，训练步数为5000，训练精度为0．00001。多次训练后得到较为满意的结果。图4为多次训练后的碳排放量预测结果图。

图4 多次训练后的预测结果图

网络检验值如表4。

从表4可知，检验样本的误差及误差率较小，具有较好的拟合效果，故依此神经网络模型可以较好地预测2014年的碳排放量。

同样地，依据神经网络趋势滚动预测的原理，我们将预测得到的2014年的碳排放量作为已知量，以1995～2014年的碳排放量为样本数据依据上述同样的方法建立神经网络模型，预测2015年的碳排放量，依此类推，可得到2014～2020年的碳排放量预测值及趋势图：

表4 碳排放量检验表（亿吨）

表5 碳排放量预测值表（亿吨）

图5 碳排放量趋势图

三 结论和建议

本文基于1994～2013年的煤炭消费量和碳排放量数据，建立BP神经网络趋势预测模型，预测了2014～2020年的煤炭消费量和碳排放量。从2015年开始到2020年这6年的预测值均是将之前所得到的预测数据作为样本数据而进行的，虽然在预测上可能会将误差扩大，但是在每一年的预测中，所建立的预测模型的误差及误差率较小，故此趋势预测还是能比较准确地描述未来几年的煤炭消费和碳排放量的变化趋势。从所表现的趋势来看，未来几年的煤炭消费和碳排放量依旧呈递增的趋势，且增长率不会出现太大的变动，均在一定范围内的增长幅度间递增。［8］根据表2，表4的煤炭消费量检验表和碳排放量检验表，由所建的神经网络模型所做的预测的相对误差均较小，预测模型的预测效果比较好。

通过对我国煤炭消费和碳排放量的预测，可以看出我国节能减排的道路依旧艰辛，为此提出如下政策建议：

1．依靠科技进步和政策引导，提高能源利用效率，大力开发使用新能源。我国的能源储存结构和经济结构决定了我国以煤炭为主的能源结构在短期内不大可能改变，应加强科技创新，提高煤炭利用效率，勘探开发新能源，为将来的能源结构转化提供科技保障，建立稳定、经济、安全的能源供应体系。同时提高碳的循环利用，减少碳排放。

2．积极借鉴国际先进经验，完善能源法律法规，建立我国能源安全的预警机制、储备机制和危机应急机制。完善大气环境污染检测体系，加强与世界各国联系，共同应对全球变暖危机。加大有关部门的执法力度，加大违法行为的惩治力度，共同营造良好的能源环境和大气环境。

只有更坚定的坚持节能减排，加强国家的宏观减排调控力度，加强科技创新，加大执法力度、惩治力度，才能有效地减少煤炭消费和碳排放量，才能更好地走可持续发展的道路。

［1］ Zhang X．P，Cheng X．M．Energy consumption，carbon emissions，and economic growth in China［J］．Ecological Economics，2009，68（10）：2706－2712．

［2］ Chang C．C．A multivariate causality test of carbon dioxide emissions，energy consumption and and economic growth in China［J］．Applied Energy，2010，87（11）：3533－3537．

［3］ Li F，Dong S．C，Li X，Liang Q．X，Yang W．Z．Energy consumption－economic growth relationship and carbon dioxide emissions in China［J］．Energy Policy，2011，39（2）：568－574．

［4］ 张会新，白嘉．基于三角灰色系统模型的煤炭消费预测［J］．统计与决策，2011，（23）：38－40．

［5］ 张兴平，赵旭，顾蕊．我国煤炭消费与经济增长关系的多变量协整分析［J］．煤炭学报，2008，33（6）：713－716．

［6］ 田立新，高琳琳．利用微分方程建立煤炭消耗及碳排放量预测模型［J］．能源技术与管理，2012，（2）：161－164．

［7］ 宋杰鲲，张宇．基于BP神经网络的我国碳排放情景预测［J］．科学技术与工程，2011，11（17）：4108－4111＋4116．

［8］ 邓明君，罗文兵．国际碳足迹研究前沿演进的可视化［J］．湖南科技大学学报（社会科学版），2013，（3）：94－98．