201303-0039-05doi基于粒子群优化算法中国能源需求预测摘要能源需求预测是能源规划和政策制定的基础。经济增长、总人口、产业结构、城市化率、能源消费结构以及技术进步等因素都会影响能源需求。采用粒子群优化算法，通过两种函数形式（线性和指数）建立了基于影响因素的能源需求预测模型。以1980-2005年的各指标数据作为训练样本进行模型的参数估计，并使用2006-2010年的相关数据作为检测样本来验证所建模型的有效性。模拟结果显示，指数模型的预测能力略优于线性模型，但两者的能源消费量预测值都接近真实值，估计误差较小：拟合部分的平均相对误差分别为0.76%和0.57%,检测部分的平均相对误差分别为0.78%和0.624%o这说明粒子群优化算法在解决我国能源系统非线性及高维识别问题上具有一定的有效性。最后，通过分析各影响因素的变化趋势，对中国2011-2015年的能源需求进行了预测。在拟定各因素的增长率下，我国能源消费量从2011年的343665万t标煤上升到2015年的432169.5万t标煤，年均增长率为5.9%o.此结果表明，十二五期间我国能源需求形势依然严峻。关键词粒子群算法；能源需求；预测TK01文献标识码A1002-210410.3969/j.issn.1002-2104.2013.03.006---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---能源是一个国家经济增长和社会发展的重要物质基础。可靠的能源需求预测作为重要的决策工具可以为我国能源发展及政策制定提供有效的依据［11.0自70年代以来，国内外学者在能源需求的预测方面进行了大量的研究，所采用的方法和模型大致可以分为五类：经济计量方法、灰色理论预测、自底向上模型（MARKAL、.LEAP）.人工智能算法、组合模型等，而人工智能算法和组合模型在最近几年的应用得到扩展［2］.。伴随着新的技术和方法的引入，能源需求预测的精度也不断得到改善［2-4］.o相比较而言，人工智能算法在国内能源需求预测领域的应用非常有限。王珏和鲍勤建立了基于小波神经网络的能源需求模型，其预测精度高于多元回归模型［5］.。陶阳威等人利用改进的BP神经网络进行中国能源需求预测，获得了较理想的预测结果［6］.。付加锋等人将灰色预测和人工神经网络结合建立了能源消费的组合预测模型［7］.。周扬等人建立了BP神经网络与灰色GM的优化组合模型，实现了优化组合模型“过去一段时间内组合预测误差最小”的原则［8］.。付娟等人建立了基于遗传算法的清洁能源Logistic中长期预测模型，他们利用此模型预测的2020年清洁能源需求量与中国能源规划目标相符［9］.。孙涵等人在能源需求估计方法上进行了有益的探索，其建立的基于支持向量回归机的能源需求预测模型对我国能源需求显示了较高的预测精度[10].O以上文献也证实了人工智能算法在解决能源系统非线性及高维模式识别问题---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---是有效的。鉴于目前智能算法在国内能源需求预测领域的应用实践较少，本文引入粒子群优化算法以探寻更加可靠的能源需求预测方法。粒子群优化算法实现简洁、设置参数少、收敛速度快、算法高度并行，在求解大量非线性、不可微和多峰值的复杂优化问题上具有一定的优势[11],o考虑到能源系统的复杂性和非线性特性，将粒子群优化算法应用到我国能源需求预测上将是一个很好的尝试。本文基于粒子群优化算法，采用线性和指数两种函数形式，以经济增长（GDP）、总人口、产业结构、城市化率、能源消费结构以及技术进步等作为独立变量，建立基于影响因素的能源需求预测模型，并对2011-2015年的我国能源消费量进行估计。---本文来源于网络，仅供参考，勿照抄，如有侵权请联系删除---