基于自助法的我国清洁能源需求预测

梁慧琛

(北京欧特科新技术有限公司，北京100085)

基于自助法的我国清洁能源需求预测

梁慧琛

(北京欧特科新技术有限公司，北京100085)

以我国历年能源消费量为基础，利用加速遗传算法建立了生命回旋预测模型(LC)。为了进一步刻画预测模型计算值的不确定性，提高预测模型的准确性，运用自助法对计算误差进行重抽样，建立了基于自助法的能源消费量生命回旋预测模型(LC-B)，并结合相关政策预测2020年我国清洁能源需求总量。研究结果表明，2020年，我国清洁能源需求量将到达4.96亿～8.51亿tce。

清洁能源；需求预测；生命回旋；自助法；加速遗传算法

0 引 言

随着经济社会的高速发展，能源短缺和环境污染已经成为我国实行可持续发展战略过程中必须解决的重大问题[1- 4]。在哥本哈根世界气候变化大会上，我国政府作出了减少碳排放量的承诺，准确预测了清洁能源的需求量，为我国合理制定能源发展战略提供科学依据。许多主要能源具有不可再生性，能源产量峰值观点由此提出。Feng等[5]基于石油峰值模型对我国石油储备进行的预测和分析结果显示，我国的石油开发量在不久后将达到高峰并逐渐减少。而伴随着主要能源生产量的减少，我国势必会控制能源消费量的增长。同时，加之科技进步促使能源利用效率的提高，我国能源消费总量将出现一个峰值。翁文波[6]提出的生命回旋模型(Life Circle Model，LC)用来描述事物的出生、成长、成熟、衰退的发展过程，而我国能源消费量具有类似的发展变化特征，用其进行能源消费量预测具有科学依据。然而，能源消费量受经济、人口、城市化率及产业结构等众多因素影响[7- 8]，其变化是一个高维非线性动态过程，带有很大的不确定性，故以置信区间的形式表示能源消费量的预测值将更为科学、准确。Efron等[9-10]提出的自助法(Bootstrap Method)无需对未知分布进行任何假设，通过对小样本的重抽样来模拟未知总体分布，已成为处理不确定性问题的有效方法[11-13]。基于此，本文建立了基于自助法的能源消费量生命回旋预测模型(Life Circle Model Based On Bootstrap Method，LC-B)，即在LC模型的基础上，利用自助法获取其计算误差的分布情况，进而给出在一定置信度下能源消费量预测值的置信区间，用LC-B模型预测我国2020年能源消费总量，再结合我国提出的节能减排政策，求得相应的清洁能源需求总量。

1 LC-B模型的建立

LC-B模型的建立包括能源消费量LC模型的建立、基于自助法的重抽样样本的生成以及我国能源消费量预测3个部分。

1.1 LC模型

以中国统计年鉴[14]中1985年～2006年的能源消费量为基础建立模型，2007年、2008年数据用于模型检验。能源消费量序列xt=x(t)的变化趋势可表示为

zt=ATne-T+D

(1)

式中，A为系数；n≥0；D为常数；T=(y-y0)/c，y为计算年份，y0为起始年份，系数c>0。

根据王安建[15]对我国能源消费零增长的研究，假定我国在2050年前出现能源消费顶峰，并以此为基础确定各参数的优化区间，利用加速遗传算法[16]求解下式

(2)

式中，Q为优化目标函数；zt为模型计算值；xt为序列实测值。从而可得

zt=7.665 697 4T4.286 159 5e-T+9.448 089 2
T=(y-1984)/12.803 218 1 (y>1984)

(3)

LC模型趋势项z(t)计算值及能源消费实际值对比见图1。从图1可以看出，LC模型的趋势z(t)发展由慢变快，达到峰值后逐渐衰减。我国能源消费量也经历了一个缓慢增长期，从2000年到现在，能源消费量正处于快速攀升阶段。随着主要能源开发量的减少以及科技水平促使能源利用效率的提高，我国的能源消费量将进入顶峰并逐渐缓慢下降。

图1 LC模型趋势项z(t)计算值及能源消费实际值对比

然而，LC模型趋势项z(t)反映的是能源消费量的总体趋势，实际的能源消费量将在此趋势的基础上波动，可用二阶自回归模型AR(2)来描述，即

rt=1.794 927 6rt-1-0.910 945 6rt-2+μt

(4)

式中，rt、rt-1、rt-2分别为LC模型在t年、(t-1)年、(t-2)年的波动项；μt为白噪声序列。

图2 LC模型波动项r(t)的实际值和计算值对比

年份实际值/亿tceLC模型计算值/亿tce误差/%19878.6638.631-0.03219889.3009.3000.00019899.6939.9310.23819909.87010.0790.209199110.37810.066-0.312199210.91710.851-0.066199311.59911.398-0.201199412.27412.183-0.091199513.11812.832-0.286199613.89513.804-0.091199713.78014.5120.732199813.22113.6900.469199913.38312.897-0.486200013.85513.811-0.044200114.32014.6380.318200215.18015.1800.000200317.49916.448-1.051200420.32319.985-0.338200522.46823.1080.640200624.62724.562-0.065200726.55826.6650.107200829.10028.546-0.554

1.2 基于自助法的重抽样样本的生成

(5)

(6)

1.3 能源消费量预测

(7)

(8)

根据累积概率的数学期望公式[17]，可得预测t年能源消费量在置信水平α下的置信区间为

(9)

2 我国能源消费总量预测

从表2中可知，重抽样B=999、9999、99 999次时的置信区间及均值相接近，说明LC-B模型计算结果较为稳定。取B=99 999次时的计算结果为2020年我国能源消费量的最终预测值，即为47.298亿～47.639亿tce。

表2 能源消费量预测值置信区间

3 我国清洁能源需求总量预测

化石能源的碳排放量可以用下式进行估算[18]

E=β1Qc+β2Qf+β3Qg

(10)

式中，Qc、Qf、Qg分别为煤炭、石油、天然气的消费量；β1、β2、β3分别为煤炭、石油、天然气的碳排放系数，以各个机构所确定的值为依据，取其平均值用于计算。

利用式(10)计算得2005年我国碳排放量为14.27亿t。根据我国提出到2020年单位GDP二氧化碳排放量比2005年减少40%～45%的减排目标，以2005年、2020年我国GDP总量分别为18.32万亿、60.95万亿元(假定2010年～2015年GDP年增长8.0%，2016年～2020年GDP年增长7.0%，按2005年价格计算)为基础，得到2020年我国碳排放量为26.12亿～28.49亿t。根据我国1978年～2008年的能源结构变化趋势，同时结合我国《可再生能源中长期发展规划》、《能源发展“十一五”规划》及姜克隽等[19]的研究成果，设定2020年我国石油、天然气消费量占能源消费总量的20%、6%，再据式(10)可计算得出在不同减排目标下清洁能源的需求总量，计算结果见表3。从表3可知，2020年我国清洁能源需求量将达到4.96亿～8.51亿tce。文献[19]预测2020年我国能源消费量为48.17亿tce，与本文计算得的47.30亿～47.64亿tce结果接近，且本文提出的2020年我国清洁能源消费量占能源消费总量的比例也与我国规划目标15%及现状10%相接近。因此，本文的清洁能源需求量预测结果具有一定的可靠性。

表3 2020年我国清洁能源需求量

4 结 论

根据我国能源消费量特征及能源峰值观点，利用加速遗传算法建立了生命回旋预测模型，针对能源消费量的不确定性，建立了基于自助法的生命回旋预测模型(LC-B)，给出了2020年我国能源消费总量的预测区间，相比于以往单个实数值的预测结果更为合理。2020年，我国能源消费总量在置信水平为5%下的置信区间为[47.2978，47.6387]。LC-B物理概念清晰，计算简便，预测精度高，在各类能源预测中具有推广应用价值。

[1] 江凯, 杨美英. 全球新能源发展模式及对我国的启示[J]. 水电能源科学, 2010, 28(1)： 151- 154, 53．

[2] 郑鑫, 杨静, 王利生. 我国化石能源燃烧产生的CO2排放量预测[J]. 水电能源科学, 2009, 27(5)： 224- 227．

[3] 国家发展和改革委员会能源研究所课题组. 中国2050年低碳发展之路： 能源需求暨碳排放情景分析[M]. 北京： 科学出版社, 2009．

[4] 付加锋, 蔡国田, 张雷. 基于GM和BP网络的我国能源消费量组合预测模型[J]. 水电能源科学, 2006, 24(2)： 1- 4．

[5] FENG L, LI J, PANG X. China’s oil reserve forecast and analysis based on peak oil models[J]. Energy Policy, 2008, 36(11)： 4149- 4153．

[6] 翁文波. 预测论基础[M]. 北京： 石油工业出版社, 1984．

[7] LIU Y. Exploring the relationship between urbanization and energy consumption in China using ARDL (autoregressive distributed lag) and FDM (factor decomposition model)[J]. Energy, 2009, 34(11)： 1846- 1854．

[8] FENG T, SUN L, ZHANG Y. The relationship between energy consumption structure, economic structure and energy intensity in China[J]. Energy Policy, 2009, 37(12): 5475- 5483．

[9] EFRON B, TIBSHIRANI R J. An introduction to the Bootstrap[M]. New York: Chapman & Hall, 1993．

[10] CHERNICK M R. Bootstrap methods: a guide for practitioners and researchers[M]. Hoboken: John Wiley & Sons, Inc., 2008．

[11] 郝善勇, 刘玉树. 基于样本数据重抽样的时序数据预报方法[J]. 北京理工大学学报, 2000, 20(5)： 581- 584．

[12] 戴邵武, 高华明, 肖支才. 基于自助法的小样本数据分析方法研究[J]. 海军航空工程学院学报, 2009, 24(1)： 27- 30．

[13] 刘文忠. 自助法统计推断的基本原理及应用[J]. 山西农业大学学报, 2004, 24(2)： 164- 168．

[14] 中华人民共和国统计局. 中国统计年鉴： 2009[M]. 北京： 中国统计出版社, 2009．

[15] 王安建. 描绘中国能源战略的未来图景[N]. 科学时报, 2009-10-27(A4)．

[16] 金菊良, 魏一鸣. 复杂系统广义智能评价方法与应用[M]. 北京： 科学出版社, 2008．

[17] 金光炎. 水文水资源随机分析[M]. 北京： 中国科学技术出版社, 1993．

[18] 孟昭利. 企业能源审计方法[M]. 北京： 清华大学出版社, 2002．

[19] 姜克隽, 胡秀莲, 庄幸, 等. 中国2050年低碳情景和低碳发展之路[J]. 中外能源, 2009, 14(6)： 1- 7．

PredictionofCleanEnergyDemandinChinaBasedonBootstrapMethod

LIANG Huichen

(OTEC Engineering Co., Ltd., Beijing 100085, China)

Based on the energy consumption in China in past years, the Life Cycle model (LC) is established by using Accelerated Genetic Algorithm. In order to further characterize the uncertainty of calculated value of the model and improve the accuracy of model, the Bootstrap method is used to re-sample the calculation deviation, and then the energy consumption Life Circle model based on Bootstrap method (LC-B) is established. Combined with relevant policy, China’s demand for clean energy in 2020 is forecasted. The results show that the demand for clean energy in China will reach 4.96 billion -8.51 billion tce in 2020．

clean energy; demand forecasting; life cycle; Bootstrap method; Accelerating Genetic Algorithm

F224；F206

A

0559- 9342(2017)09- 0097- 04

2017- 05- 09

梁慧琛(1986—)，女，广东江门人，工程师，硕士，主要从事水利水电工程技术咨询、设计工作．

(责任编辑杨 健)