这个基于小波神经网络的中国能源需求预测模型, 核心结论其实非常清楚, 研究人员发现如果把小波变换具备的多分辨率分解能力, 还有神经网络具备的非非线性拟合能力, 这两者结合在一起做深度融合, 那么该模型对中国全国以及分区域的能源消费总量的预测精度, 就是用平均绝对百分比误差来衡量的时候可以稳稳地控制在百分之一点二的水平以内, 这一结果明显要比传统的自回归积分滑动平均模型、反向传播神经, 还有单一长短期记忆网络模型的预测效果好得多, 它能比较有效地捕捉住中国能源需求里面, 那种长期趋势加上周期波动再加上随机扰动的这三层叠加在一起的结构特征, 从而能够为相关的能源规划还有政策制定提供量化依据, 这个依据是拿来就能用的, 不是挂在嘴上说的。
为什么传统方法不够用
中国这个地方的能源需求是被很多个不同的东西给推着的, 这些东西包括宏观经济的周期是什么样、产业结构是怎么变的、气候会不会变化还有能源政策是怎么定的。因为这个原因, 所以这个时间的序列看起来是很不稳定的, 而且还有很多不同尺度的特点在里头。
以前的那些线性的模型是没办法去处理那些非线性的情况的, 单独的神经网络在对那些信号比较小的频域细节上进行提取的时候是不足的, 正是因为这样, 所以在遇到结构性的突变节点比如经济增速换挡或者是极端天气的时候, 预测就会变得不太准确了。
小波变换这个手段, 它就是提供那个“时间-频率”联合定位工具这么一个东西, 然后它就这样给那个模型注入那个多尺度分析能力。
模型核心技术架构
该模型采用了一种三段式的处理流程, 这种流程首先是进行小波分解操作, 其次是针对每一个子带执行建模步骤, 最后再基于前面的结果进行重构预测。
1. 小波分解层: 用DB4这个小波来做基函数, 对原本的那个能源消费序列数据去做分解。这个分解要做4层, 而且是那种极大极小的分解方式。
最后呢, 会得到一个近似分量, 这个分量是用来抓取长期趋势的。除此之外, 还会得到四个细节分量, 这四个细节分量是分别用来对应年际波动、季节周期、短期扰动以及随机噪声这几样东西的。
2. 子带神经网络层的每一个分量都是独立配置的。这种配置是使用改进型的BP网络完成的。这个BP网络的改进点在于引入了Levenberg-Marquardt训练算法, 还有自适应学习率。
对于近似分量, 使用的是3层结构, 具体来说就是16-10-1这3层。对于细节分量, 使用的是2层结构, 具体是8-1这两层。这样的做法是为了让网络的规模能够更好地匹配信号的复杂度。
3. 重构与融合层这个部分, 是把那些各个子带的预测值, 照着那个小波重构的公式进行叠加操作, 然后就得到了最终的能源需求预测序列。与此同时呢, 还引入了一个注意力门控机制, 这个机制会对各个子带的权重进行动态的分配, 以此来让那些关键频段的重要性得到加强, 提高它们的贡献度。
训练数据与验证结果
在训练集的使用方面, 采用的是国家统计局以及中国能源统计年鉴里面从2000年到2024年这一年范围内的全国的一次能源消费量数据, 并且还有分品种的能源消费数据。
同时, 还会利用GDP、工业增加值、气温等这些外生的变量。验证环节采用的是滚动窗口的方法。将2025年作为测试集来使用。关键指标包括以下这些:
在2020年的疫情冲击以及2022年的能源保供事件等结构性突变节点, 模型预测的偏差仍然都控制在3%以内, 其鲁棒性显得尤为突出。
应用场景与政策价值
这个模型现在已经具备了直接为下面这些场景提供服务的能力。这些场景包括省级能源的十四五规划, 还有其中的中长期规划, 以及需求侧的测算工作。它还能用于电力负荷的预测与调度, 碳峰值时点的研判, 以及可再生能源装机匹配度的评估。
政策制定者可以把这个模型的输出结果当作基准情景来使用。他们可以在这个基础上叠加不同的减排路径假设。这样就可以快速生成多种情景下的能源供需平衡表。
局限与迭代方向
目前的模型还没有直接把像新能源渗透率突然跳变这种长周期的结构性变量, 还有电气化进程加速这种长周期的结构性变量包括进去。
在下一步的工作中, 将把物理信息约束这种基于物理信息神经网络的思想引进来, 也就是要把热力学守恒这个规律和电网潮流方程嵌到损失函数里面去, 不仅如此, 还要把预测范围扩展到城市与区域联动以及多尺度预测上来，这样做能够进一步提升模型在深度脱碳这一路径下面进行预测时的外推可靠性。
