基于改进BP神经网络和工业重构理论的用电增长预测方法

李 蒙，郭 鑫，谭显东，袁家海

（华北电力大学 工商管理学院，北京市 102206）

摘要：运用改进BP神经网络方法和工业重构理论，建立了新型工业化与用电增长的关系，提出了附加动量和自适应学习率的改进BP(Back Propagation)神经网络构建工业用电增速的预测模型，通过模型对未来工业用电增长的趋势做出判断。利用Matlab7.0对模型进行设计，并运用模型对工业用电增长趋势进行仿真。与传统的BP神经网络模型进行对比，改进后的预测方法仅经过47次训练就达到了误差要求，而传统的预测模型陷入了局部极小点，很难达到预定误差要求。此外改进预测模型的预测值与实际值拟和程度很好，平均预测精度比传统预测模型高出1%～3%。本文方法不但验证了改进模型比传统模型的优越性和合理性，同时还为更加科学的解释工业增长特征、合理简化工业结构提出了新的方法和思路。该方法对预测和研究未来电力需求发展具有一定的实用价值。

关键词：神经网络；工业结构；发展经济学；用电增长；预测

中图分类号：TM714；TP18      文献标识码：A  文章编号：1672-7207（2007）01-

Predictive method for power growth based on improved BP neural network and rebuilding of new industry structure

LI Meng, GUO Xin, TAN Xian-dong, YUAN Jia-hai

（Business School，North China Electric Power University，Beijing 102206，China）

ABSTRACT: An improved BP Neural Network predictive method based on rebuilding of new industry structure has been proposed in this paper. The method establishes the relation between industrialization and power growth, puts forward the predictive model for power growth of industry with additional momentum and adaptive learning rate, and estimates the future trend of power growth by modeling. Matlab7 is applied as the modeling tool to design the predictive model. The predictive model based on improved method reaches error demand by only 47 training times. But the traditional BP Neural Network model has entered into local minimum. The improved method makes the precision of simulation result improved by 1-3% compared with that of traditional model. The simulation result has tested the rationality and feasibility of predictive method in the paper. Furthermore, it has showed the superiority of improved BP Neural Network. The method in the paper is much valuable to explain the trend of industrial electricity increase and it possesses some practical values for predicting and studying the future trend of electricity demand.

KEY WORDS： Neural Network；Industry structure；Development Economics；Power growth；Forecasting
中国的经济结构与用电结构特征决定了工业用电在全社会用电中占据着极端重要的地位。从1990年到2003年，工业增加值在GDP中的份额一直呈稳定上升态势，平均比例为47%；而工业用电占全社会用电量的平均比例高达74.2%。因此对工业用电的增长特征做出合理的解释，对于理解未来电力需求的发展趋势具有重要的现实意义^[1-3]。

工业用电市场是个复杂的非线性系统，影响工业用电增长的因素很多，如宏观经济环境、细分行业结构、行业发展情况以及用电方式等，如将所有细分行业都与工业用电建立关系，由于各因素之间相互联系相互影响，不但关系复杂，而且很难与预测目标之间建立确定的函数关系，从而使得试图用一个确定的函数来表示工业用电与所有影响因素之间的关系比较困难，所以常规的预测方法运用效果不太理想。

人工神经网络是一种模拟人脑结构、特性和功能的非线性系统^[4-6]，具有自组织、自适应、自学习、容错能力强等特点，同时它还具有很强的输入输出非线性映射能力和易于学习和训练的优点，在处理相互影响、相互制约且具有复杂的交叉效应的变量间关系有着独特的功能。因此运用人工神经网络技术预测工业用电增速是比较科学和合理的。

从划分工业结构角度对工业用电增长进行分析是可以做出比较合理解释的。发展经济学中的新型工业结构分类为更加科学的解释工业增长特征、合理简化工业结构提出了新的方法和思路。因此本文提出基于发展经济学新型工业结构分类的改进BP(Back Propagation)神经网络预测模型对工业用电增长进行分析和预测。

1  改进BP神经网络及其方法

1.1  BP神经网络结构及原理

BP神经网络是一种基于误差反向传播算法（BP算法）的多层前馈神经网络^{[5, 8]}。网络由1个输入层、若干隐含层和1个输出层构成，每一层包含若干神经元，层与层之间神经元通过连接权值及阈值互连，同层的神经元之间没有相互联系。

典型的BP网络是一个三层网络（见图2），网络由n个输入神经元，p个隐含层神经元，m个输出神经元组成，和分别为输入层到隐含层和隐含层到输出层的连接权值。

图1：三层BP网络模型

Fig.1: Structure of the three layers BP Neural Network

1.2  标准BP神经网络学习算法

标准BP神经网络学习算法（以下称标准BP算法）的思想是对网络权值和阈值的修正，使误差函数沿负梯度方向下降^[4-6]。以图2所示三层网络为例：

网络第个输入向量和目标向量分别为、；中间层神经元第个输入向量和输出向量为、；输出层神经元第个输入向量；输出层神经元第个输出向量=；隐含层连接权；输出连接权；隐含层各神经元阈值；输出层各神经元阈值；参数，为训练样本个数。

step11  重新从个样本中随机选择一组输入和目标向量，返回step3，进行新一轮的学习。

1.3  标准BP算法的不足及改进

1.3.1  附加动量法

附加动量法就是在网络调整权值时不仅考虑误差在负梯度方向上的变化，而且还考虑在误差曲面上的变化趋势。该方法是在每次调整权值和阈值时需要考虑前次权重和阈值变化量，并根据误差反向传播算法来计算新的权重和阈值。

附加动量法实质上相当于加入了阻尼项，降低了网络对于误差曲面局部细节的敏感性，减小了学习过程的振荡趋势，有效地抑制了网络陷于局部极小点，从而改善了收敛性。

1.3.2  自适应学习速率法

自适应学习速率法使学习速率随着误差曲面的梯度而变化，能加快收敛，其算法思想是：检查权值、阈值的修正是否真正降低了误差，如果确实如此，则说明所取的学习速率值小了，可以对其增加一个量；若相反，则产生了过调，应减小学习速率的值。具体调整公式为：

2  工业重构理论

根据发展经济学家钱纳里对工业化早期、中期与后期代表产业的分类，我们对工业部门进行了三类产业分类。其中:第一类工业均为与人民生活关联度较大的行业,包括食品加工与制造业、饮料行业、烟草行业、纺织业、木材加工与家具制造、服装及其他纤维品制造业等；第二类工业主要为重化工业，包括石油加工及炼焦、化学工业、化学纤维、橡胶、黑色金属、有色金属、金属制品业等行业；第三类工业包括医药行业、普通机械制造、专用设备制造、交通设备制造、电器机械、电子通信、仪器仪表及文化办公机械和其他制造业。根据该分类，1990-2003年间三类工业占全部工业的份额见图1。可见我国一类工业份额在1990-2003年期间从32%逐步降低到了26%，只在93、94年有短暂的回升；而二类工业（主要是重化工业）比重也呈缓慢下降趋势，从1990年的45%降至了2003年的33%，只在1992年有短暂的回升；而三类工业的比重则从1990年的23%稳步升高到了2003年的41%。2003年二类、三类工业的份额占到了全部工业增加值的74%，这说明我国已进入工业化的早中期向中后期过渡的发展阶段,即当前我国正处于工业化的深化发展阶段。

图2 1990-2003年三类工业产值比重变化情况

经济界普遍认为中国工业化的自发发展过程是从90年代城市经济改革开始的。因此分析上世纪90年代以来我国工业电力消费数据，对于正确判断未来工业用电的增长趋势具有现实意义。

3  基于工业重构理论的改进BP神经网络预测模型

电力与经济发展紧密相关，工业用电与工业增加值关系最为密切；此外，由于经济增长具有惯性，使得电能消耗也具有惯性，表现为下年度的用电量与本年度的用电量有一定的相关性。为了更准确地分析下年度工业用电与本年度工业用电之间的相关性，本文把本年度工业用电按照新型工业结构分类分为一类工业用电、二类工业用电和三类工业用电，因此本模型的输入变量为本年度工业增加值增速、一类工业用电增速、二类工业用电增速和三类工业用电增速。输出变量为下年度的工业用电增速。

现有神经网络理论已经证明，三层前馈神经网络能够以任意精度逼近任意非线性关系，所以本文采用4p1的三层改进BP神经网络构建全社会用电量预测模型。其中4为输入层神经元个数，p为隐含层神经元个数，1为输出层神经元个数。对于隐含层神经元个数p，目前还没有成熟的理论确定其值，但可以根据Komogorol定理^[10]设置为2N+1(其中N为输入神经元个数，本文为5)，然后再通过多次仿真试验，最后确定一个最佳的值。网络隐含层和输出层的激励函数都采用Sigmoid函数：。

4  实例分析

运用Matlab7.0对本模型进行设计和实现，并对1991～2005年的工业用电增速进行仿真，仿真结果表明预测方法对工业用电趋势进行预测的合理性和可行性，同时验证了改进模型比传统模型的优越性。

4.1  样本数据及网络训练

在分类汇总三类工业用电数据的基础上，对三类工业的用电增速和工业增加值增速进行计算，作为预测模型的输入变量，如表1中所示：

表1  1991－2005年三类工业用电增速及工业产值增速

Tab.1 Growths of industrial production value and power consumption of three kinds industry in 1991－2005

运用上述的预测模型对表1中1991～2005年15年的样本数据进行训练，首先设置网络隐含层神经元数目为11，允许最大总误差为0.00001，最大训练次数为10000，经过多次试验，最终确定隐含层数目为9时，网络性能最佳，其训练误差曲线如图3所示，经过47次训练就达到了误差要求，此时网络的总误差为0.000009536。

图4是在相同仿真条件下，利用标准BP神经网络建立预测模型时的训练误差曲线，从该图可见当训练到一定程度时网络的总误差就不再减小，陷入了局部极小点，无法达到预定的误差要求。

图3：改进BP神经网络训练误差曲线

Fig.3 The training error curve of improved BP Neural Network

图4：标准BP神经网络训练误差曲线 

Fig.4 The training error curve of standard BP Neural Network

4.2  训练结果检验

分别用上述训练好的标准BP网络和改进BP网络对表1中全部数据进行检验，检验结果如表2所示，从该表可以看出与标准BP神经网络的用电增速预测模型相比，基于改进BP神经网络的用电增速预测模型所得的结果具有更小的误差。图5、图6分别显示了用两种模型检验所得的实际值、预测值及误差曲线，从这两幅图也可以看出基于改进BP神经网络的用电增速预测模型所得的预测值与实际值拟合很好，具有更好的预测效果。

表2  两种模型预测结果对比

Tab.2 Comparison of forecasting results of two models

图5：基于改进BP神经网络预测模型的预测结果 

Fig.5 Forecasting results of the model based on improved BP Neural Network

图6：基于标准BP神经网络预测模型的预测结果 

Fig.6 Forecasting results of the model based on standard BP Neural Network

5.3  2006年工业用电增速预测

用表2中2005年的一类工业用电增速、二类工业用电增速、三类工业用电增速和工业增加值增长作为改进BP神经网络预测模型的输入，得到2006年工业用电增长的预测值为14.1%。根据工业用电增长与全社会用电增长的关系判断，则2006年全社会用电增长应保持在13.5%~14%的水平。

5  结 论

a. 工业用电市场是个复杂的非线性系统，影响工业用电增长的因素很多，如将所有细分行业和经济指标都与工业用电建立关系，不但模型复杂，而且很难与预测目标建立确定的函数关系，所以常规的预测方法运用效果不太理想。发展经济学中工业重构理论对工业分类的重构为预测工业用电趋势、解释工业用电特征提供了新的思路和方法，基于新型工业结构的建模思想具有其合理性和可行性。

b. 改进后的BP神经网络比传统方法更好的体现和实现了建模思想，仿真结果表明预测模型与实际值拟合得很好，预测精度比传统模型高出了1-3个百分点，且具有较好的收敛性。基于改进BP神经网络和工业重构理论的预测方法可以对用电增长趋势做出更加精确的判断，具有一定的优越性。

参考文献

[1] 袁家海.电力与经济发展关系研究[D].华北电力大学工商管理学院，2006.

YUAN Jia-hai. Research on power economic relationship: (D), North China Electric Power University Business School, 2006.

[2] 钱纳里.工业化和经济增长的比较研究[M].北京：上海人民出版社，2004.

[3] 李路，周渝慧.随机规划在配网事故重构中的应用[J].电力系统及其自动化学报，2006，24(2)：20-23.

LI Lu, ZHOU Yuhui. Application of random programming in distribution reconfiguration(J), A publication of the chinese society of universities for electric power system and automation, 2006, 24(2):20-23

[4] 牛东晓，曹树华，赵磊，等.电力负荷预测技术及其应用[M].北京：中国电力出版社，1998.

[5] 叶世伟，史忠植.神经网络原理[M].北京：机械工业出版社，2004.

[6] 戴葵.神经网络设计[M].北京：机械工业版社，2002.

[7] 飞思科技产品研发中心.神经网络理论与MATLAB7实现[M].北京：电子工业出版社，2005.

[8] 王正武，张瑞平，刘松.BP网络的一种改进学习方法[J].数学理论与应用.2005.25(1)：31-34.

WANG Zhengwu,ZHANG Ruiping,LIU Song. Improved BP Neural Network Learning Algorithm(J), Mathematical Theory and Applications. 2005,25(1):31-34

[9] Parlos A G. An Accelerated learning alogorithm for multiplayer perception networks(J), IEEE Trans on Neural Networks.1994,5(3):86-88

[10] 许中华，杨伟丰，蒋伟进等.BP神经网络学习算法的改进[J].计算机工程与科学.2004, 26(12): 62

XU Zhong-hua, YANG Wei-feng, JIANG Wei-jin et al. Improvement and Application of the Learning Algorithm of BP Neural Networks(J), Computer Engineering &Science. 2004,26(12):62

[11] 盛万兴.一类智能控制的认知框架及其实现[J].中国电机工程学报，2001，21(1)：48-51.

SHENG Wanxing. A recognition frame of intelligent control and realization(J), Proceedings of the CSEE, 2001,21(1):48-51

[12] 胡兆光，方燕平.智能工程与负荷预测[J].电网技术，1999，23(5)：15-18.

HU Zhaoguang, FANG Yanping. Intelligent engineering and load forecast(J), Power System Technology, 1999,23(5):15-18

[13] 胡兆光，方燕平.智能工程及其在电力发展战略研究中的应用[J].中国电机工程学报，2000，20(3)：45-49.

HU Zhaoguang, FANG Yanping. Intelligent engineering and its application to power development strategy study(J), Proceedings of the CSEE, 2000,20(3):45-49

[14] 国家电力公司战略规划部.电力统计工作指南[M].北京：中国统计出版社，2002.

作者简介：李蒙（1980-），男，天津人，博士研究生，从事电力技术经济研究

论文联系人：李蒙，男，博士研究生；电话：010-63416754；E-mail:  meng-lee@126.com