陳衛(wèi)東 朱紅杰

(天津大學(xué)管理與經(jīng)濟(jì)學(xué)部，天津300072)

能源是一個(gè)國(guó)家經(jīng)濟(jì)增長(zhǎng)和社會(huì)發(fā)展的重要物質(zhì)基礎(chǔ)?？煽康哪茉葱枨箢A(yù)測(cè)作為重要的決策工具可以為我國(guó)能源發(fā)展及政策制定提供有效的依據(jù)［1］。自70年代以來(lái)，國(guó)內(nèi)外學(xué)者在能源需求的預(yù)測(cè)方面進(jìn)行了大量的研究，所采用的方法和模型大致可以分為五類(lèi):經(jīng)濟(jì)計(jì)量方法、灰色理論預(yù)測(cè)、自底向上模型(MARKAL、TIMES、LEAP)、人工智能算法、組合模型等，而人工智能算法和組合模型在最近幾年的應(yīng)用得到擴(kuò)展［2］。伴隨著新的技術(shù)和方法的引入，能源需求預(yù)測(cè)的精度也不斷得到改善［2－4］。相比較而言，人工智能算法在國(guó)內(nèi)能源需求預(yù)測(cè)領(lǐng)域的應(yīng)用非常有限。王玨和鮑勤建立了基于小波神經(jīng)網(wǎng)絡(luò)的能源需求模型，其預(yù)測(cè)精度高于多元回歸模型［5］。陶陽(yáng)威等人利用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行中國(guó)能源需求預(yù)測(cè)，獲得了較理想的預(yù)測(cè)結(jié)果［6］。付加鋒等人將灰色預(yù)測(cè)和人工神經(jīng)網(wǎng)絡(luò)結(jié)合建立了能源消費(fèi)的組合預(yù)測(cè)模型［7］。周揚(yáng)等人建立了BP神經(jīng)網(wǎng)絡(luò)與灰色GM的優(yōu)化組合模型，實(shí)現(xiàn)了優(yōu)化組合模型“過(guò)去一段時(shí)間內(nèi)組合預(yù)測(cè)誤差最小”的原則［8］。付娟等人建立了基于遺傳算法的清潔能源Logistic中長(zhǎng)期預(yù)測(cè)模型，他們利用此模型預(yù)測(cè)的2020年清潔能源需求量與中國(guó)能源規(guī)劃目標(biāo)相符［9］。孫涵等人在能源需求估計(jì)方法上進(jìn)行了有益的探索，其建立的基于支持向量回歸機(jī)的能源需求預(yù)測(cè)模型對(duì)我國(guó)能源需求顯示了較高的預(yù)測(cè)精度［10］。以上文獻(xiàn)也證實(shí)了人工智能算法在解決能源系統(tǒng)非線性及高維模式識(shí)別問(wèn)題是有效的。鑒于目前智能算法在國(guó)內(nèi)能源需求預(yù)測(cè)領(lǐng)域的應(yīng)用實(shí)踐較少，本文引入粒子群優(yōu)化算法以探尋更加可靠的能源需求預(yù)測(cè)方法。粒子群優(yōu)化算法實(shí)現(xiàn)簡(jiǎn)潔、設(shè)置參數(shù)少、收斂速度快、算法高度并行，在求解大量非線性、不可微和多峰值的復(fù)雜優(yōu)化問(wèn)題上具有一定的優(yōu)勢(shì)［11］。考慮到能源系統(tǒng)的復(fù)雜性和非線性特性，將粒子群優(yōu)化算法應(yīng)用到我國(guó)能源需求預(yù)測(cè)上將是一個(gè)很好的嘗試。

本文基于粒子群優(yōu)化算法，采用線性和指數(shù)兩種函數(shù)形式，以經(jīng)濟(jì)增長(zhǎng)(GDP)、總?cè)丝?、產(chǎn)業(yè)結(jié)構(gòu)、城市化率、能源消費(fèi)結(jié)構(gòu)以及技術(shù)進(jìn)步等作為獨(dú)立變量，建立基于影響因素的能源需求預(yù)測(cè)模型，并對(duì)2011－2015年的我國(guó)能源消費(fèi)量進(jìn)行估計(jì)。

1 能源需求預(yù)測(cè)模型的建立

1.1 粒子群算法簡(jiǎn)介

粒子群算法(PSO)是基于種群的智能優(yōu)化算法，最早由Kennedy和Eberhart在1995年提出［12］。它具有搜索速度快、效率高的優(yōu)點(diǎn)，在參數(shù)優(yōu)化領(lǐng)域得到廣泛應(yīng)用。然而該算法也同時(shí)存在極易陷入局部最優(yōu)而出現(xiàn)早熟收斂的缺點(diǎn)，為此許多學(xué)者對(duì)基本的PSO算法進(jìn)行了改進(jìn)，在一定程度上提高了該算法的性能［13－15］。

PSO算法首先初始化一群隨機(jī)粒子，每個(gè)粒子有速度和位置兩個(gè)參數(shù)。在每次迭代中，粒子通過(guò)跟蹤個(gè)體最優(yōu)解和群體最優(yōu)解兩個(gè)極值來(lái)更新自己。粒子的優(yōu)劣由被優(yōu)化的適應(yīng)值函數(shù)來(lái)衡量。為了避免出現(xiàn)局部最優(yōu)解，本文借鑒前人的研究采用改進(jìn)的粒子群算法［15］，其進(jìn)化過(guò)程如下:

其中，t為當(dāng)前進(jìn)化的代數(shù);w為慣性權(quán)重;c1和c2為學(xué)習(xí)因子，通常設(shè)置為2;r1和r2為［0，1］區(qū)間內(nèi)均勻分布的隨機(jī)數(shù);pi為第個(gè)粒子經(jīng)過(guò)的最優(yōu)位置;pg為整個(gè)種群經(jīng)過(guò)的最優(yōu)位置。在更新過(guò)程中，粒子速度的每一維都被限定在［vmin，vmax］內(nèi)，以防止運(yùn)動(dòng)速度過(guò)大而錯(cuò)過(guò)最優(yōu)解。隨著每次迭代，所有粒子向最優(yōu)位置靠近。當(dāng)達(dá)到最大迭代步數(shù)或其他預(yù)設(shè)條件時(shí)，算法停止進(jìn)化，輸出最優(yōu)解。

1.2 能源需求預(yù)測(cè)模型

能源系統(tǒng)是一個(gè)復(fù)雜的非線性系統(tǒng)，能源需求受經(jīng)濟(jì)、人口、社會(huì)、技術(shù)等多重因素影響。但是每個(gè)因素對(duì)能源需求的影響程度不同。結(jié)合國(guó)內(nèi)相關(guān)的研究成果［10，16－20］，考慮因素的可操作性和數(shù)據(jù)可得性，本文選取了6個(gè)因素作為能源需求預(yù)測(cè)的輸入變量，分別為經(jīng)濟(jì)增長(zhǎng)(2000年的不變價(jià)GDP)、總?cè)丝?、產(chǎn)業(yè)結(jié)構(gòu)(第二產(chǎn)業(yè)占GDP的比重)、城市比率(城鎮(zhèn)人口占總?cè)丝诘谋戎?、能源消費(fèi)結(jié)構(gòu)(煤碳消費(fèi)占總的能源消費(fèi)的比重)以及技術(shù)進(jìn)步(國(guó)內(nèi)生產(chǎn)總值與能源消費(fèi)量的比值)。這些因素幾乎可以解釋大部分的能源消費(fèi)增長(zhǎng)，從而保證了所建模型的合理性和可靠性。在目前的研究中，非線性模型對(duì)于能源需求預(yù)測(cè)顯示了較高的精度［10］。但是為了獲得更準(zhǔn)確的預(yù)測(cè)模型，本文嘗試通過(guò)線性和非線性兩種函數(shù)形式建模以探索能源需求量與各變量之間的行為關(guān)系?；谇叭说难芯浚嘀鼐€性和指數(shù)方程形式被選擇來(lái)建立基于影響因素的能源需求預(yù)測(cè)模型，其表達(dá)式如下:

多重線性方程形式:

指數(shù)方程形式:

其中，Y 為能源消費(fèi)量;Xi(i=1，2，...，6)分別為經(jīng)濟(jì)增長(zhǎng)、總?cè)丝?、產(chǎn)業(yè)結(jié)構(gòu)、城市化率、能源消費(fèi)結(jié)構(gòu)及技術(shù)進(jìn)步;αi、βij和 k0為模型的參數(shù)。

粒子群算法以適應(yīng)度函數(shù)為參考，在不斷迭代過(guò)程中優(yōu)化預(yù)測(cè)模型，尋找較優(yōu)或最優(yōu)的參數(shù)估計(jì)。本文通過(guò)使觀察值和估計(jì)值之間的平均絕對(duì)誤差最小化建立如下適應(yīng)度函數(shù):

其中，f為粒子的適應(yīng)度;YAct為能源消費(fèi)量的實(shí)際值;YEst為能源消費(fèi)量的估計(jì)值;N為樣本數(shù)量。

2 能源需求預(yù)測(cè)與分析

2.1 數(shù)據(jù)說(shuō)明

本文所選用的數(shù)據(jù)根據(jù)2011年的《中國(guó)統(tǒng)計(jì)年鑒》和《中國(guó)能源統(tǒng)計(jì)年鑒》收集或計(jì)算而得。數(shù)據(jù)被劃分為兩部分:1980－2005年和2006－2010年，分別作為訓(xùn)練樣本和測(cè)試樣本。由于各指標(biāo)的量綱不同，數(shù)據(jù)在數(shù)量上具有較大差異。如果直接用原始數(shù)據(jù)計(jì)算，則會(huì)導(dǎo)致參數(shù)在較大范圍內(nèi)變動(dòng)，從而降低預(yù)測(cè)的準(zhǔn)確性。鑒于此，本文將各指標(biāo)數(shù)據(jù)按下式進(jìn)行標(biāo)準(zhǔn)化處理，歸一化到［0，1］區(qū)間。

2.2 模型參數(shù)估計(jì)結(jié)果

本文基于Matlab 2012a編程，將標(biāo)準(zhǔn)化的1980－2005年的各影響因素和能源消費(fèi)量數(shù)據(jù)作為模型的輸入，設(shè)置粒子群算法的各參數(shù)取值為:最大迭代次數(shù)T=1000，粒子群大小n=200，學(xué)習(xí)因子c1=c2=2，慣性權(quán)重wmax=0.9，wmin=0.2。經(jīng)過(guò)模擬試驗(yàn)，取得了滿意的能源需求預(yù)測(cè)模型的參數(shù)估計(jì)結(jié)果，如下:

在擬合階段，上述兩個(gè)模型的平均相對(duì)誤差分別為0.76%和0.57%，擬合效果比較理想。為了進(jìn)一步驗(yàn)證所建模型的有效性，基于檢測(cè)樣本將該模型對(duì)2006－2010年的我國(guó)能源消費(fèi)量進(jìn)行估計(jì)，得到2006－2010年的能源消費(fèi)量預(yù)測(cè)值。如表1所示。可以看出，線性模型的能源消費(fèi)量預(yù)測(cè)值比實(shí)際值要小，而指數(shù)模型的預(yù)測(cè)值傾向大于實(shí)際值，但兩者的能源消費(fèi)量預(yù)測(cè)值都接近真實(shí)情況，平均相對(duì)誤差較小，分別為0.78%和0.624%，同樣顯示了較高的預(yù)測(cè)能力。能源需求量的擬合值(1980－2005)和預(yù)測(cè)值(2006－2010)與真實(shí)值的比較見(jiàn)圖1。從預(yù)測(cè)效果來(lái)看，雖然線性模型的預(yù)測(cè)誤差略大于非線性模型，但是其估計(jì)精度相對(duì)較高，甚至大于已有研究所建立的非線性能源需求預(yù)測(cè)模型。這與能源系統(tǒng)的非線性特性有些不符，一個(gè)可能的解釋就是大部分影響因素在總的變化趨勢(shì)上沒(méi)有發(fā)生劇烈波動(dòng)，它們與能源消費(fèi)量呈現(xiàn)出近似的線性行為關(guān)系，而且可預(yù)見(jiàn)這種關(guān)系在短期和中期基本保持穩(wěn)定。因此，該線性模型對(duì)于短中期的能源需求預(yù)測(cè)也是可靠的。

表1 能源消費(fèi)量實(shí)際值和預(yù)測(cè)值對(duì)比(104tce)Tab.1 Comparison between actual and predicted values for energy consumption(104tce)

圖1 能源消費(fèi)量實(shí)際值和預(yù)測(cè)值的比較(1980－2010)Fig.1 Comparison between actual and predicted values for energy consumption(1980－2010)

從模型的系數(shù)大小來(lái)看，經(jīng)濟(jì)增長(zhǎng)對(duì)能源需求的正向拉動(dòng)作用最大，經(jīng)濟(jì)增長(zhǎng)速度即使有輕微的提高也會(huì)帶來(lái)能源消費(fèi)的較大增加?？?cè)丝诤统鞘谢蕦?duì)能源需求的影響也很顯著，并且其影響程度幾乎相當(dāng)。產(chǎn)業(yè)結(jié)構(gòu)和能源消費(fèi)結(jié)構(gòu)對(duì)能源需求雖有正的影響，但是作用比較微小。而技術(shù)進(jìn)步對(duì)能源需求的負(fù)向作用是非常顯著的，單從影響程度上比較，其僅次于經(jīng)濟(jì)增長(zhǎng)。說(shuō)明實(shí)施合理的能效政策是我國(guó)抑制和減少能源消費(fèi)的重要途徑。

2.3 能源需求預(yù)測(cè)

在有效的確定各影響因素的變化趨勢(shì)下，本文所建模型可以用于長(zhǎng)期和短期能源預(yù)測(cè)。鑒于各影響因素在發(fā)展變化上具有較大不確定性，本文在此只對(duì)2011－2015年的能源需求量進(jìn)行估計(jì)?！笆濉币?guī)劃鎖定經(jīng)濟(jì)增長(zhǎng)目標(biāo)為7%，但考慮到當(dāng)前的經(jīng)濟(jì)發(fā)展形勢(shì)，本文設(shè)定GDP在未來(lái)五年的增長(zhǎng)率為8.5%。我國(guó)總?cè)丝谠?006－2010年期間的平均增長(zhǎng)率為0.5%，發(fā)展速度非常緩慢，因此本文設(shè)為0.48%。第二產(chǎn)業(yè)占GDP的比重從2006年的47.96%下降到了2010年的46.75%，年均下降率為0.64%。本文設(shè)定“十二五”期間的產(chǎn)業(yè)結(jié)構(gòu)下降速度為0.8%，以2010年城市化率49.95%為基礎(chǔ)，假定“十二五”期間城市化進(jìn)程以年均2.5%的速度推進(jìn)。從20世紀(jì)初，中國(guó)煤炭的消費(fèi)比例一直在70%左右擺動(dòng)，2010年更是達(dá)到了68%的最低水平。但是考慮到中國(guó)未來(lái)的能源消費(fèi)結(jié)構(gòu)在短期內(nèi)不會(huì)發(fā)生劇烈的變化，本文預(yù)期“十二五”能源消費(fèi)比重將適度下降，其平均下降率被設(shè)定為1.2%。國(guó)家在“十一五”期間采取了強(qiáng)有力的措施推動(dòng)節(jié)能降耗，促進(jìn)單位能源產(chǎn)生的GDP以年均4.7%的速率增長(zhǎng)。無(wú)疑，節(jié)能降耗的空間已經(jīng)被縮小。因此，本文調(diào)整其增長(zhǎng)率為3.5%。

綜上所述，本文假定各影響因素的變化趨勢(shì)為:8.5%的GDP增長(zhǎng)率，0.48%的總?cè)丝谠鲩L(zhǎng)率，0.64%的產(chǎn)業(yè)結(jié)構(gòu)下降率，2.5%的城市化增長(zhǎng)率，1.2%的能源消費(fèi)結(jié)構(gòu)下降率，以及3.5%的技術(shù)進(jìn)步增長(zhǎng)率，以2010年為基準(zhǔn)，借助所構(gòu)建模型獲得2011－2012的能源需求預(yù)測(cè)結(jié)果。如表2所示。我們可以發(fā)現(xiàn)，線性模型能源需求量的預(yù)測(cè)值要小于指數(shù)模型的預(yù)測(cè)值，但是兩者的相對(duì)誤差不是很大。前文實(shí)證顯示，線性模型的預(yù)測(cè)值比實(shí)際值偏小，而指數(shù)模型的預(yù)測(cè)值偏大。因此，本文將兩者的平均值作為能源需求的估計(jì)值以獲得更可靠的預(yù)測(cè)。預(yù)測(cè)結(jié)果表明，我國(guó)“十二五”期間經(jīng)濟(jì)和社會(huì)的發(fā)展依然面臨巨大的能源需求壓力，能源消費(fèi)總量將從2011年的343 668.5萬(wàn)t標(biāo)準(zhǔn)煤上升到2015年的432 169.5萬(wàn)t標(biāo)準(zhǔn)煤，年均增長(zhǎng)率為5.9%，幾乎與2006－2010年的5.87%的增長(zhǎng)率持平。

表2 能源消費(fèi)量預(yù)測(cè)(2011－2015年)Tab.2 Predict for energy consumption(2011 －2015)104tce

通過(guò)以上分析可知，經(jīng)濟(jì)增長(zhǎng)、人口增長(zhǎng)和城市化率是影響未來(lái)能源需求的主要因素，但在我國(guó)“十二五”人口增長(zhǎng)和城市化預(yù)期減緩的情況下，經(jīng)濟(jì)增長(zhǎng)仍是拉動(dòng)能源需求增長(zhǎng)的最主要力量。與以往不同，“十二五”規(guī)劃首次提出合理控制能源消費(fèi)總量目標(biāo)，而能源局初步擬定的能耗量控制范圍是40－42億t標(biāo)煤。從目前的預(yù)測(cè)看，要完成這一調(diào)控指標(biāo)難度很大，一個(gè)有效的能源消費(fèi)總量控制的合理機(jī)制迫切需要被建立。

3 結(jié)論

本文基于粒子群優(yōu)化算法，采用線性和指數(shù)兩種函數(shù)形式，建立了基于影響因素的能源需求預(yù)測(cè)模型。以1980－2005年的各指標(biāo)數(shù)據(jù)作為訓(xùn)練樣本，進(jìn)行預(yù)測(cè)模型的參數(shù)估計(jì)，并采用2006－2010年的檢測(cè)樣本驗(yàn)證模型的有效性。模擬結(jié)果顯示兩個(gè)模型的誤差都很小，預(yù)測(cè)能力較高。說(shuō)明所選影響因素和所建模型對(duì)能源需求的增長(zhǎng)具有較高的解釋力。

從預(yù)測(cè)模型來(lái)看，經(jīng)濟(jì)增長(zhǎng)、人口增長(zhǎng)以及城市化率是拉動(dòng)能源需求的主要因素，產(chǎn)業(yè)結(jié)構(gòu)和能源消費(fèi)結(jié)構(gòu)則顯示了比較微弱的正向拉動(dòng)作用，而技術(shù)進(jìn)步對(duì)能源需求具有非常顯著的抑制作用。通過(guò)分析各影響因素的歷史趨勢(shì)和未來(lái)變化，本文合理擬定了各因素的平均增長(zhǎng)率，在此基礎(chǔ)上預(yù)測(cè)能源需求總量在十二五期間仍將以年均5.9%的速率保持高速的增長(zhǎng)，并在2015年突破40億t標(biāo)準(zhǔn)煤，達(dá)到43億t，這無(wú)疑可歸因于中國(guó)高速發(fā)展的經(jīng)濟(jì)?？紤]到維持經(jīng)濟(jì)的高速增長(zhǎng)仍是我國(guó)當(dāng)下的主要任務(wù)，再加上城市化進(jìn)程的不斷推進(jìn)，中國(guó)能源消費(fèi)總量仍將經(jīng)歷一段剛性的高增長(zhǎng)階段［21］。但是我們也應(yīng)重視技術(shù)進(jìn)步對(duì)能源需求的抑制作用，繼續(xù)實(shí)施積極的節(jié)能降耗措施，提高高耗能行業(yè)的能源使用效率，降低經(jīng)濟(jì)增長(zhǎng)的單位能耗，改善我國(guó)能源效率利用低下的局面，從而最大限度地減少對(duì)能源的依賴(lài)。

(編輯:田 紅)

References)

［1］王安建，王高尚.能源與國(guó)家經(jīng)濟(jì)發(fā)展［M］.北京:地質(zhì)出版社，2008.［Wang Anjian，Wang Gaoshang.Energy and State Economy Development［M］.Beijing:English Press，2008.］

［2］Suganthi L，Samuel A A.Energy Models for Demand Forecasting:A Review［J］.Renewable and Sustainable Energy Reviews，2012，(16):1223－1240.

［3］Azadeh A，Arab R，Behfard S.An Adaptive Intelligent Algorithm for Forecasting Long Term Gasoline Demand Estimation:the Cases of USA，Canada，Japan，Kuwait And Iran［J］.Expert Systems with Applications，2010，(37):7427－7437.

［4］Azadeh A，Ghaderi S F，Tarverdian S，et al.Integration of Artificial Neural Networks and Genetic Algorithm to Predict Electrical Energy Consumption in Energy Intensive Sector［J］.Applied Mathematics and Computation，2007，186(2):1731－1741.

［5］王玨，鮑勤.基于小波神經(jīng)網(wǎng)絡(luò)的中國(guó)能源需求預(yù)測(cè)模型［J］.系統(tǒng)科學(xué)與數(shù)學(xué)，2009，29(11):1542－1551.［Wang Jue，Bao qing.Energy Demand Forecasting Model in China Based on Wavelet-Neural Network［J］.Journal of Systems Science and Mathematical Sciences，2009，29(11):1542 －1551.］

［6］陶陽(yáng)威，孫梅，王小芳.基于改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)的中國(guó)能源需求預(yù)測(cè)研究［J］.山西財(cái)經(jīng)大學(xué)學(xué)報(bào)，2010，32(2):3－5.［Tao Yangwei，Sun Mei，Wang Xiaofang.Research on Forecasting Model in China Based on Improved BP Neural Network［J］.Journal of Shanxi Finance and Economics University，2010，32(2):3 －5.］

［7］付加鋒，蔡國(guó)田，張雷.基于灰色神經(jīng)網(wǎng)絡(luò)的能源消費(fèi)組合預(yù)測(cè)模型［J］.資源開(kāi)發(fā)與市場(chǎng)，2006，22(3):216－219.［Fu Jiafeng，Cai Guotian，Zhang Lei.Combination Forecasting Model of Energy Consumption Based on Gray Model and Neural Network［J］.Resource Development＆ Market，2006，22(3):216 －219.］

［8］周揚(yáng)，吳文祥，胡瑩，等.基于組合模型的能源需求預(yù)測(cè)［J］.中國(guó)人口· 資源與環(huán)境，2010，20(4):63－68.［Zhou Yang，Wu Wenxiang，Hu Ying，et al.Energy Demand Forecasting Based on Combined Model［J］. China Population， Resources and Environment，2010，20(4):63 －68.］

［9］付娟，金菊良，魏一鳴，等.基于遺傳算法的中國(guó)清潔能源需求Logistic預(yù)測(cè)模型［J］.水電能源科學(xué)，2010，28(9):175－178.［Fu juan，Jin Juliang，Wei Yiming，et al.Logistic Forecast Model of Clear Energy Requirement Based on Genetic Algorithm［J］.Water Resources and Power，2010，28(9):175 －178.］

［10］孫涵，楊普容，成金華.基于Matlab支持向量回歸機(jī)的能源需求預(yù)測(cè)模型［J］.系統(tǒng)工程理論與實(shí)踐，2011，31(10):2001－2007.［Sun Han，Yang Purong，Cheng Jinhua.Forecasting Model of Energy Demand Based on Matlab Support Vector Regression［J］.Systems Engineering-Theory＆ Practice，2011，31(10):2001－2007.］

［11］楊朝霞，方健文，李佳蓉，等.粒子群優(yōu)化算法在多參數(shù)擬合中的應(yīng)用［J］.浙江師范大學(xué)學(xué)報(bào):自然科學(xué)版，2008，31(2):173 － 177.［Yang Zhaoxia，F(xiàn)ang Jianwen，Li Jiarong，et al.Application of Particle Swarm Optimization to Multi Parameters Fitting［J］.Journal of Zhejiang Normal University:Nat.Sci.，2008，31(2):173 －177.］

［12］Kennedy J，Eberhart R.Particle Swarm Optimization［C］.IEEE International Conference on Neural Networks，Perth，1995:1942 －1948.

［13］Shi Y，Eberhart R.Fuzzy Adaptive Particle Swarm Optimization［C］.The IEEE Congress on Evolutionary Computation San Francisco，USA:IEEE，2001:101－106.

［14］Jiang C W，Etorre B.A Self－Adaptive Chaotic Particle Swarm Algorithm for Short Term Hydroelectric System Scheduling in Deregulated Environment［J］.Energy Conversion and Management，2005，46(17):2689－2696.

［15］Shi Y，Eberhart R C.A Modified Particle Swarm Optimizer［C］.IEEE International Conference Evolutionary Computation，Alaska:1998:4－9.

［16］吳巧生，成金華，王華.中國(guó)工業(yè)化進(jìn)程中的能源消費(fèi)變動(dòng):基于計(jì)量模型的實(shí)證分析［J］.中國(guó)工業(yè)經(jīng)濟(jì)，2005，(4):30－37.［Wu Qiaosheng，Cheng Jinhua，Wang Hua.Change of Energy Consumption with the Process of Industrialization in China［J］.China Industrial Economy，2005，(4):30 －37.］

［17］唐葆君，石小平.中國(guó)能源消費(fèi)和經(jīng)濟(jì)增長(zhǎng)關(guān)系實(shí)證研究［J］.中國(guó)能源，2011，33(11):34－38.［Tang Baojun，Shi Xiaoping.Empirical Study on Relationship between Energy Consumption and Economic Growth in China［J］.Energy of China，2011，33(11):34 －38.］

［18］程志剛，韓佳佳，孫翔.中國(guó)能源消費(fèi)與經(jīng)濟(jì)增長(zhǎng)的內(nèi)在關(guān)系實(shí)證研究［J］.經(jīng)濟(jì)研究導(dǎo)刊，2012，(9):6－7.［Cheng Zhigang，Han Jiajia，Sun Xiang.Empirical Research of Inherent Relationship between China’s Energy Consumption and Economic Growth［J］.Economic Research Guide，2012，(9):6 －7.］

［19］薛黎明.中國(guó)能源需求影響因素分析［D］.北京:中國(guó)礦業(yè)大學(xué)，2010:50－59.［Xue Liming.Analysis of the Mechanism of the Response of Energy Demand to Its Influence Factors in China［D］.Beijing:China University of Mining and Technology，2010:50 －59.］

［20］張意翔，孫涵.我國(guó)能源消費(fèi)誤差修正模型研究:基于產(chǎn)業(yè)結(jié)構(gòu)重型化視角的實(shí)證分析［J］.中國(guó)人口·資源與環(huán)境，2008，18(1):74 －78.［Zhang Yixiang，Sun Han.A Study on China’s Energy Consumption Error Correction Model:An Empirical Analysis Based on Heavy Industrial Structure ［J］.China Population，Resources and Environment，2008，18(1):74 －78.］

［21］林伯強(qiáng)，劉希穎.中國(guó)城市化階段的碳排放:影響因素和減排策略［J］.經(jīng)濟(jì)研究，2010，(8):66 －78.［Lin Boqiang，Liu Xiying.China’s Carbon Dioxide Emissions under the Urbanization Process:Influence Factors and Abatement Policies［J］.Economic Research，2010，(8):66 －78.］