能耗预测预警的背景及意义解析

1)能耗预测背景

国务院关于印发“十二五”节能减排综合性工作方案的通知《“十二五”节能减排综合性工作方案》(国发〔2011〕26号)第五节“加强节能减排管理”第(十五)条指出:建立能源消费总量预测预警机制,跟踪监测各地区能源消费总量和高耗能行业用电量等指标,对能源消费总量增长过快的地区及时预警调控。

2)国内外能源预测研究进展

1973年能源危机后,人们开始认识到能源问题的重要性。世界各国对能源的现状和未来发展趋势普遍关注,产生了一系列用来研究中长期能源需求的模型和方法,主要有投入产出、MEDEE、LEAP、能源弹性系数、时间序列等。

投入产出模型是美国经济学家列昂捷夫首先提出的,研究国民经济各部门产品生产与消耗之间的数量关系,需要编制棋盘式的投入产出表,建立相应的线性代数方程,构成模拟国民经济结构和产品生产过程的经济数学模型。静态投入产出模型只分析本时期生产和消耗部门间平衡关系和最终产品的去向;而动态投入产出模型则较具体地分析积累和扩大再生产的关系。投入产出法常常与情景分析法、线性规划、动态规划等优化技术和计量经济学方法相结合。Harry C.Willting等运用投入产出模型研究了荷兰1969—1989年的能源强度变化趋势。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。

MEDEE模型基于部门分析法,是法国IEPE(Institute of Energy Policy and Economics)于20世纪80年代开发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、服务业和农业五个部分,在世界上100多个国家和地区得到了应用。Bruno Lapillonne等应用MEDEE模型预测了美国1985—2000年的能源需求。傅月泉等1994年应用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。(www.xing528.com)

LEAP模型结合了部门分析法和实物型投入产出法,是瑞典斯德哥尔摩环境研究所(Stockholm Environment Institute,SEI)开发的静态能源经济环境模型。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。Ranjan Kumar Bose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。迟春洁等于2004年根据未来20多年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放量。

能源弹性系数法建立在数理统计的基础之上,根据已经掌握的今后一段时期规划确定GDP年均增长率,选用历史阶段能源弹性系数的变化规律值,预测今后一段时期能源的需求量,计算简单,容易理解。它常见于政府部门的中长期能源预测。许多能源模型如LEAP模型中都用到了弹性系数法预测未来能源需求。刘彦民对“十五”期间及之后10年中石油供需状况采用弹性系数法进行了预测,对石油成品油的竞争能力进行了评价。陈军才利用能源弹性系数法、时间序列法和部门分析法等多种方法对广东省2010年的能源需求进行了预测。

时间序列模型包括确定性、随机性分析法。单纯确定性分析法预测精度不高,鲜有应用。随机性分析法又分平稳随机和非平稳随机两类。平稳随机过程的描述可建立多种形式的时序模型,如自回归(autoregressive,AR)模型、移动平均(moving average,MA)模型等。若随机过程是非平稳时间序列,需要将随机序列平稳化,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做了评价,应用模型对我国2006—2020年的石油需求进行了预测。当前,时间序列组合模型也得到了较多应用,即用确定性模型描述序列中确定性趋势的变动规律,用随机性模型来描述序列中随机变动的一般规律,往往能取得令人满意的效果。卢二坡利用确定性加随机性的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做了评价,并用该模型对我国2004—2020年的能源需求进行了预测。

鉴于能源系统的复杂非线性和不确定性,近年来众多学者开始研究能源系统的非线性系统特征和不确定性,引进非线性方法对能源需求进行预测。常用的方法有混沌时间序列方法、人工神经网络方法、遗传算法、灰色理论等,这些方法可以弥补线性方法在预测复杂能源需求时的不足。傅瑛等利用混沌时间序列模型对江苏能源消费量进行了预测,并把预测结果与指数平滑法做了对比,表明混沌时间序列方法得到的预测值同实际值上下波动、绝对偏差较小,比指数平滑法的误差要小。但他们是利用1991—2003年数据建立的模型再去预测1991—2003年的能源需求,没有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长期预测被认为是不可能的。Halim Ceylan利用遗传算法能源需求模型(genetic algorithm energy demand model,GAEDM)对土耳其未来20～50年能源需求进行预测。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预测结果相比,预测误差最小。但是遗传算法本身的参数还缺乏定量的标准,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遗传参数的选取,因而会影响算法的通用性。Albert W.L.Yao利用改进的灰色预测方法,对高雄第一科技大学日用电量进行预测,平均预测误差只有4.88%,比过去常用方法的预测精度提高了1.2个百分点。文中分析了灰色预测方法的长期预测能力并指出,基于灰色预测模型的智能预测方法精度的提高,对于高能耗单位节约运行成本具有重要的意义。Javeed Nizami S.S.构建了两层前向反馈神经网络模型,利用天气、全球太阳辐射和人口数的历史数据,预测了沙特阿拉伯东部地区电力需求量,检验结果表明构建的模型预测精度较高,是有效的。Benjamin F.Hobbs指出人工神经网络方法能够降低电力、天然气等能源日需求量的预测误差,平均绝对值相对误差比以前方法的平均误差降低了1.9个百分点。Yetis Sazi Murat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。Coskun Hamzacebi指出人工神经网络能够同时预测多个变量的未来值和构建数据之间非线性关系,利用此方法对土耳其2020年的电力需求量进行分部门预测,并把预测结果与官方预测结果进行了对比,发现其有很高的预测精度。张婷利用灰色神经网络组合模型对我国能源需求进行预测,验证了能源消费与经济增长之间的协整关系,利用1978—2000年的能源需求总量时间序列构建三个灰色微分方程,对1978—2005年的数据进行建模和检验,结果表明预测平均相对误差为1.19%,比传统的灰色人工神经网络模型预测结果精确。