李湘旗，苏 婷，胡东滨，文 明，欧亦兰

(1.国网湖南省电力公司经济研究院，湖南 长沙 410004；2.中南大学商学院，湖南 长沙 410083；3.长沙商贸旅游职业技术学院，湖南 长沙 410116)

湖南省经济已由高速增长转向高质量发展阶段，以需求为导向的传统能源规划思路已不适应当前经济转型的要求。新时代下的能源规划，需要统筹兼顾供需的动态变化，将化石能源消费改革作为经济发展的基本发展目标。根据2009—2019年《湖南统计年鉴》，煤炭、石油和天然气三种化石能源约占省内总能源需求的80%。因此，从化石能源供需方面入手，建立合理、科学的预测模型，可以为其生产、外调等相关政策的制定提供数据基础。

多数学者依赖于建立LEAP[1]、灰色-马尔科夫[2-3]、ARIMA[4]等数理统计模型研究能源供需发展。但是能源供需量受到经济、政策等多方面影响，变化趋势无规则，而以上模型通常只适用于线性、指数型数据，对于非线性、多峰值数据的预测效果不佳。BP神经网络(BPNN)具备良好的非线性预测能力，被应用于能源[5]、社会研究[6]等多个领域进行预测分析。然而BPNN存在收敛速率过低，网络训练时间过长，初始权值、阈值对预测效果影响仍然很大[7-8]。ESTE等[9]发现BPNN的预测性能与其参数密切相关，因此有学者提出采用遗传算法[10]、人工鱼群算法[11]、蚁群优化算法[12]等方法对BPNN的参数进行优化。与这些优化方法相比，粒子群算法(PSO)具有操作简单、鲁棒性强的优势，它的搜索具有隐式并行性和全局性，能在实现快速寻优的同时避免权值、阈值陷入局部最优[13]。……