BP神经网络在中国能源安全远景态势预测中的应用
基于BP神经网络的网络安全态势预测研究
基于BP神经网络的网络安全态势预测研究周显春;肖衡【摘要】Proceeding from the safe operation of the network system,the data which can reflect the network safe operation is extracted in the intrusion detection system,antivirus software and other security methods.A set network security situation eva?luation system was established in the aspects of threat,vulnerability,risk and basic running of the network safe operation. The analytic hierarchy process is used to calculate the evaluation system to obtain the comprehensive safety indicator used to charac?ter the network security running state. The BP neural network is used to forecast the network security status on the basis of the system. The experimental results show that the BP neural network can predict the network security situation accurately,and has a certain reference value in the related research fields.%以网络系统安全运行作为出发点，从入侵检测系统和杀毒软件等安全手段中提取出可以反映网络安全运行的数据。
神经网络的中国能源危机预警
2009 年第11 期总第49 期经济研究导刊ECONOMIC RESEARCH GUIDENo．11，2009Serial No．49基于主成分与B P神经网络的中国能源安全预警研究赵长城，王洲洋（河北经贸大学，石家庄050061）摘要：初步建立了一套较为全面、科学地反映中国能源安全的预警指标体系，该指标体系由煤炭、石油和天然气三个子系统构成，运用主成分分析的方法对预警指标进行降维，并运用BP 神经网络预警的方法对中国1995-2007 年的能源安全状况进行了分析。
关键词：能源安全；预警；B P神经网络中图分类号：F062．1 文献标志码：A文章编号：1673－291X（2009）11－0241－02一、引言能源是人类社会赖以生存和发展的重要物质基础，能源是工业的粮食，是国民经济的命脉。
能源安全不仅关系到一个国家的经济安全，也关系到军事、政治安全，以及国家的社会稳定。
随着我国经济的高速增长，我国的能源需求量越来越大，我国经济社会发展对能源的信赖性也越来越强，能源是制约我国国民经济发展的瓶颈之一。
由于我国“多煤、少油、缺气”资源禀赋的原因，我国是世界上仅有的几个以煤炭为主要能源的国家之一，并由此带来了严重的生态破坏和环境污染。
长期以来，由于我国能源管理体制不完善，能源信息分散、能源数据不完整等，我国尚未建立起能够涵盖整个能源领域的预测预警系统，一旦能源安全出现问题，将对我国国民经济乃至我国社会的稳定发展产生重大的影响。
目前，我国已经开始重视能源的预警研究，但才刚刚起步，能源安全预警方面的研究文献相当少，而且研究多集中在定性的研究方法和简单的统计分析方法，对采用现代统计分析的前沿性研究方法，如计量经济学、高等时间序列分析等方法的还相对较少。
能源安全预警研究是个非常复杂的过程，需要进行全面综合的考虑。
随着我国能源问题的日趋突出，能源体系的逐渐完善，能源安全预警的研究必将成为关注的热点。
二、中国能源安全预警指标体系的构建能源安全预警，是指对中国煤、石油、天然气等系统运行过程中各项活动进行监测，对未来我国能源的运行趋势及安全状态进行分析和预测，提前发现可能出现的问题，为国民经济的正常运行和国家战略决策提供依据。
基于BP神经网络的我国碳排放情景预测
摘
要
碳排放预测有助于碳减排 目标和碳减排路径 的科学制定 。借 鉴 Ｓ ＩＰ Ｔ模 型的影响 因素 ， 取人 口、 ＴＲ Ａ 选 城镇 化率、 人
均 Ｇ Ｐ 第三产业 Ｇ Ｐ比例 、 Ｄ、 Ｄ 能源消耗 强度 、 炭消费比例等 ６项 因素为 自变量 ， １８ －２ ０ 煤 以 ９ ０ ０９年 的指标数据 为训 练样本 ， 运
第１ １卷 第 １ ７期 ２ １ 年 ６月 ０１
１７ ～ １ １ （ ０ １ １— １８０ ６ １ ８ ５ ２ １ ）７ ４０ —５
科
学
技
术
与
工
程
Ｖｏ． １ Ｎｏ １ Ｊ ｎ ０ １ １ １ ． ７ ｕ ｅ２ １
Ｓ ｉｎ ｅ Ｔ ｃ ｎ ｌ ｇ ｎ ｇｎ ｅｉ ｇ ｃｅ ｃ ｅ ｈ ｏｏ ｙ ａ ｄ Ｅｎ ｉ ｅ ｒｎ
⑥
２ １ ＳｉＴｃ ． ｎｎ． ０ ｃ． ｅｈ Ｅ ｇｇ １
环 境 科 学
基于 Ｂ Ｐ神 经 网络 的我 国碳 排 放情 景 预 测
宋杰 鲲 张 宇
（ 中国石油大学（ 华东 ） 经济管理学院 东营 ２ ７ ６ ； ， ５ ０ １ 胜利油 田 辛采油厂财务资产管理中心 东 营 ２ ７９ ） 东 ， ５０ １
需要 大量Ｃ Ｅ模 型 和 中 国温 室 气体 排 放情 景 分析 模 型对
我国碳排放进行预测 ， 曹斌 ， 等运用 Ｌ ａ ｅｐ模型对厦 门市碳排 放进行预测 。二是构 建碳排放 与其影 Ｊ 响因素之间的关系模型 ， 设置不同情景对碳排放进
用Ｂ Ｐ神经 网络 方法构建 了我 国碳排放预测模 型， 并对 ２ １－２ １ ０ ０ ０ ５年我 国碳排放进行预测 ， 结果表 明我 国“ 二五” 间应适 十 期 当降低 Ｇ Ｐ增速 ， Ｄ 促使碳排放 目标 的有效 实现 。 关键词 碳排 放 预测 Ｂ Ｐ神 经网络 模 型
神经网络模型在能源预测中的应用研究
神经网络模型在能源预测中的应用研究随着能源问题日益突出，对能源的预测需求也越来越迫切。
传统的预测方法主要基于统计学方法或经验模型，但随着计算机技术的不断发展，神经网络模型作为一种新型的预测方法，得到了广泛关注和研究。
神经网络是一种模拟人类神经元的计算模型。
它由大量的节点（或称为神经元）组成，每个节点都能够接收来自其他节点的输入信号，并根据一定的计算规则产生输出。
神经网络具有自适应性、非线性、并行处理等特点，能够应对不确定性、复杂性和非线性关系等问题，因此在能源预测中具有很大的潜力和应用前景。
一、神经网络模型在能源需求预测中的应用研究神经网络模型可用于分析和预测能源需求的时间序列和影响因素，如气候变化、经济发展、人口结构等。
神经网络模型的优势在于可处理多元非线性问题，其理论模型基于非线性输入输出映射关系，对预测精度要求高的问题，神经网络模型预测效果较好。
我国能源需求与经济增长密切相关，因此神经网络模型被广泛应用于我国各省市能源需求预测。
例如，对于天津市的能源需求预测，可以通过神经网络模型对天津市历史能源需求数据进行学习，分析影响因素后，进行预测。
二、神经网络模型在能源生产预测中的应用研究神经网络模型在能源生产预测中的应用主要涉及电力负荷预测和风电/光伏发电预测。
电力负荷预测是保证电力市场运行稳定、保障用电安全的重要工作之一，而风电/光伏发电预测是大力推进清洁能源发展的关键。
神经网络模型在电力负荷预测中发挥重要作用。
通过对多元数据进行分析，它可以准确预测电网负荷变化，为电力调度提供科学依据。
例如，神经网络模型可以通过学习室内外气温、光照强度、假期时间等影响因素，精准预测未来一段时间内的用电需求，并提前预测节假日、天气变化等因素对电力负荷的影响。
在风电/光伏发电预测方面，神经网络模型也成为了研究热点。
通过对天气数据、风力、温度、湿度等多元因素的分析，神经网络模型可以准确预测风电/光伏发电的发电量、供电量、电网接入等。
基于BP神经网络的中国电力需求预测
段 时 问 内用 电需 求 量 及 其 增 长 便 成 为 中 国社 会 主 义 现代化 建设 的关键 问题 。 文将 运用 Ｂ 神经 网络 本 Ｐ 的有关理 论 对 中 国未 来 电力需 求进 行预 测 。 Ｂ 网络是 一 种 多层 前 馈神 经 网络 ． Ｐ 其神 经 元 的
时间序列数据 ， 经作其散点 图（ 图２ 分析可知 ， 见 ） 尽
管 从 长期 上 电力 的需 求 量 呈 上升 趋 势 ， 变 化 趋 势 其 不 是 太 明显 ． 以在 将 数 据 输 入 网 络 之 前 ， 对 数 所 先
据进行累加处理 ， 得 ＝ ，ｉ… ， ） （ｉ ， 。用 作为预 测序列 ， 则将 …１ …，ｋ ：Ｘ 作为１ １ １ 一 个输入样本 ， ， 一 用 ＋ ｝ 】 作为第凡 １ 一 个输入样本对应 的教师值 ，其 中
够 很直 观 地 观 测 出 电力需 求 量 的变 动 趋 势 ． 能 够 又
估计 出年 电力需求量 的绝对值。
裹 １ 电 力 需 求 量 及 增 长 速 度
用 电量都大大高于预测值 ，致使 电力供应不足 ， 缺
电现象极 为严 重 …。 市 场 需 求 是 产 业 组 织 与 企 业 生 产 能 力 安 排 的
况进行 了预测。根据预测结 果显示在未来十几年 中中国电力 的需求 量仍 将大幅度增加 。 并提 出了有关部 门应 该迅速调整产业 结构 。 合理 安排生产力布局 。 以满足社会经济发展对电力的需要的建议 。
关键词
神经网络 需求
预测 Ａ
中图法分类号 Ｔ １３ 文献标识码 Ｐ８；
电力 产 业 是 国 民经 济 中 具 有 先 行 性 的重 要 基 础 产 业 ， 国 民 经 济 的 关 系极 为 密 切 。 是 现 阶段 与 但 对 中国 电力需 求 的预 测 都 很保 守 。ｏ ４ ｏ ５ 的 ２０ 和２ｏ 年
使用BP神经网络进行网络安全态势评估
ｓｅ—
ｓｉｔｕａｔｉｏｎ，ｏｐｎｍｉｚｅｄ
ａ
ｎｅｔｗｏｒｋ ｓｅｃｕｒｉｔｙ
ｔｏ
ｕｓｅｄ Ｂａｃｋ Ｐｒｏｐａｇａｔｉｏｎ ｉｎ ｎｅｔｗｏｒｋ ｓｅｃｕｒｉｔｙ ｓｉｔｕａｔｉｏｎ
ａｓｓｅｓｓｍｅｎｔ，ａｎｄ ｕｓｅｄ
ｌｏｔ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｄａｔａ ｉｎ ｔｈｅ ｔｒａｉｎｉｎｇ
络安全状况．并对安全状况的发展趋势进行预测和预警，为增强网络安全性提供可靠的参照性依据。
１相关研究
网络安全态势是指由各种网络设备运行状况、网络行为以及用户行为等因素所构成的整个网络的当前状态和变化趋势。网络
安全态势感知，即是在大规模网络环境中，对能够引起网络态势发生变化的 安全要素进行觉察、理解、显示以及预测未来的发展趋势。态势强调环境、 动态性以及实体间的关系，是一种状态，一种趋势，一个整体和宏观的概 念，任何单一的情况或状态都不能称之为态势。
Ａｂｓｔｒａｃｔ：Ｉｎ ｏｒｄｅｒ ｃｕｒｉｔｙ
ｔｏ
ａｌｌｅｖｉａｔｅ ｔｈｅ ｉｎｃｒｅａｓｉｎｇｌｙ ｓｅｒｉｏｕｓ ｔｈｅ ｆａｃｔｏｒｓ ｔｈａｔ ａｆｆｅｃｔ
ｐｒｏｂｌｅｍ ｏｆ ｎｅｔｗｏｒｋ ｓｅｃｕｒｉｔｙ，ｗｅ
ｉｎ ａｄｖａｎｃｅ．ｗｅ ｔｒｙ
ｓｏｎ！ｅ
ｃａｎ
ｕｓｅ
ａｓｓｅｓｓｍｅｎｔ ｔｅｃｈｎｏｌｏｇｙ ｏｆ ｔｈｅ ｎｅｔｗｏｒｋ
练就会进行反向传播。反向传播就是将输出数据与期望数据的误差以某种形式通过隐层向输入层逐层反向传，在这个过程之中，会
把误差值分摊给各隐层的所有神经元上，这样就能获得各层每个神经元的误差信号，我们可以通过这些误差信号来修改各个神经 元上的权值。上面所讲的训练样本信号正向传播和误差信号的反向传播是不断地进行的，这个不断进行的过程也就是ＢＰ网络的学 习和训练过程，经过了这个过程，误差信号逐步减小，达到了一个我们事先约定的限度，或者完成了所有训练样本的输入，这时就可 以结束训练过程，同时整个网络确定了下来，网络中的神经元上的权值也固定了下来，这样就可以进入实际的应用阶段，可以用这
基于BP神经网络模型的我国长期电力负荷预测
基于BP神经网络模型的我国长期电力负荷预测作者：叶琪宋文达来源：《知识文库》2020年第01期引言：电力系统是一个长期受经济、人口、政治、市场等确定与不确定因素综合影响的复杂系统，电力系统受多因素制约和促进的这种特性也决定电力负荷中长期预测是一个需要长期跟踪和动态管理的过程。
准确高效的负荷预测能够实现电力电量的科学管理，合理优化资源配置，有效避免电力短缺或电力浪费。
本文基于BP神经网络模型对我国中长期电力负荷进行预测。
BP神经网络是1986年由Rumelhart和McCelland为首的科学家小组提出，是一种按误差逆传播算法訓练的多层前馈网络，是目前应用最广泛的神经网络模型之一。
它本质是一种按误差反向传播（简称误差反传）训练的多层前馈网络，其算法称为BP算法。
本文采用如图1所示的三层BP神经网络的拓扑结构。
图1 三层BP网络拓扑结构预测步骤如下：（1）采用最大最小法进行归一化处理，即（2）隐层节点个数及网络收敛精度的确定。
（3）检验模型的拟合程度。
本文根据我国电力系统发展现状，分析影响我国中长期电力负荷预测影响因素，确定GDP预测值，工业化水平，城镇率及人口变化趋势预测值这4个指标作为模型的输入量。
以2005-2018年的指标值为训练样本，2005-2035年实际用电量为目标样本数据。
进行归一化处理后，从输入层神经元和输出层神经元个数综合考虑，选择10-5作为网络收敛精度，最后进行模型的拟合优度检验，检验结果如下图所示：图2 拟合程度比较由图2可以直接看出，该神经模型中各指标的检验R方都位于0.98—0.999之间，这说明该神经模型拟合程度良好，可用于预测我国2020年—2035年电力负荷预测。
预测结果如表2所示：本文综合考虑GDP、第二产业占比、人口数及城镇化率这4个长期电力负荷影响因素，基于BP神经网络模型对我国未来2020-2035年用电量进行预测并取得良好的预测效果，对有效进行电力调度和电力需求预测有很好的支撑作用。
神经网络算法在能源预测中的应用研究
神经网络算法在能源预测中的应用研究随着世界人口的迅速增长和经济的不断发展，能源的需求也越来越大。
如何有效地预测未来的能源需求，成为了能源管理者所面临的挑战之一。
神经网络算法，在能源预测中的应用研究，成为了一种较为有效的技术手段。
神经网络算法是一种能够模拟生物神经网络的计算模型，主要通过训练数据来学习模式，从而实现对未知数据的预测和分类等功能。
在能源预测中，神经网络算法可以通过大量的历史数据，预测未来的能源需求，为能源管理者提供重要的数据支持。
一、神经网络算法的基本原理神经网络算法主要基于人类神经系统的结构和功能原理，通过一系列计算模型，实现对复杂数据进行分析和处理。
神经网络模型由若干个神经元组成，每个神经元都通过一系列参数，接受其他神经元传递过来的信号，处理后输出给其他神经元。
这样，一系列的神经元就形成了一个神经网络模型。
在神经网络算法中，一般采用的是前馈神经网络模型。
这种模型的特点是输入层、隐藏层和输出层之间存在一定的关联关系，其中隐藏层的数量和神经元的个数可以根据具体情况来确定。
当神经网络模型输入一些与问题相关的历史数据后，网络将通过一系列的训练算法逐步调整模型的参数，使得模型可以更好地适应未知数据。
这样，对于未知的能源需求预测问题，神经网络模型可以通过历史数据的学习来实现未来需求的预测。
二、神经网络算法在能源预测中的应用能源预测是一项重要的管理任务，可以有效地指导能源供应和管理。
为了提高能源的利用效率、降低供需波动和实现对能源的准确掌控，很多国家和地区对能源的预测都做出了较为详细的研究。
在能源预测中，神经网络算法具有很大的优势，主要表现在以下几个方面：（1）处理大量的历史数据，可以有效地学习数据的规律和特征，提高预测的准确性和可靠性。
（2）灵活性很高，可以针对不同的问题采用不同的网络结构和参数，提高能源预测的精度和准确性。
（3）具有良好的适应性，可以对复杂的能源预测问题进行处理，能够较快地适应变化的需求情况。
电力需求预测基于BP神经网络模型
电力需求预测基于BP神经网络模型引言在当今社会中，电力需求预测对于能源供应商和电力系统运营商来说是一个关键的任务。
准确地预测电力需求可以帮助电力系统更好地规划资源分配，提高能源利用效率，降低能源浪费，并确保电力系统的稳定运行。
本文将介绍一种基于BP神经网络模型的电力需求预测方法，并探讨其在实际应用中的优势和局限性。
1. 研究背景和意义：随着工业化和城市化的快速发展，电力需求规模呈现出快速增长的趋势。
然而，电力供应的能力与电力需求的匹配程度却难以保持一致。
因此，准确地预测电力需求对于电力系统运营商和能源供应商来说具有重要意义。
2. 电力需求预测方法：BP神经网络模型是一种常用的基于历史数据的预测方法。
它通过训练神经网络来学习历史数据中的模式和趋势，并用于预测未来的电力需求。
BP神经网络模型具有多层结构，包括输入层、隐藏层和输出层。
输入层将历史数据作为输入，隐藏层通过学习历史数据的模式来预测未来的需求。
输出层给出了对未来电力需求的预测结果。
3. BP神经网络模型的优势：（1）灵活性：BP神经网络模型可以适应各种类型的电力需求预测问题，包括小时、日或年度的需求预测。
它可以根据需求数据的特征自动调整网络的参数和结构，并产生准确的预测结果。
（2）非线性建模：BP神经网络模型可以处理非线性关系，这在电力需求预测中非常重要。
电力需求往往受多种因素的影响，如天气、经济状况和人口增长等，这些因素之间存在复杂的非线性关系。
BP神经网络模型能够捕捉这些关系，并进行准确的预测。
（3）自适应性：BP神经网络模型可以通过不断训练来提高预测的准确性。
随着新的数据不断到来，模型可以自动地更新参数和结构，以适应新的需求模式。
4. BP神经网络模型的局限性：（1）数据需求：BP神经网络模型需要大量的历史数据来进行训练。
如果历史数据不足或质量不高，模型的预测准确性将受到限制。
（2）超参数选择：BP神经网络模型有许多超参数需要人工选择，如网络的层数、节点数和学习速率等。
神经网络在能源管理领域的应用有哪些
神经网络在能源管理领域的应用有哪些能源管理对于实现可持续发展和应对全球能源挑战至关重要。
随着技术的不断进步，神经网络作为一种强大的工具，正在为能源管理领域带来创新性的解决方案。
首先，神经网络在能源需求预测方面发挥着关键作用。
传统的预测方法往往基于简单的统计模型或线性回归，但这些方法在处理复杂的能源消费模式时存在局限性。
神经网络能够学习和捕捉能源需求中的非线性关系和复杂的时间序列模式。
例如，通过分析历史的能源使用数据，包括季节变化、天气条件、经济活动和人口增长等因素，神经网络可以准确预测未来短期内的能源需求，如小时、天或周的需求。
这有助于能源供应商更有效地规划生产和分配，减少能源浪费和供应不足的情况。
其次，神经网络在能源系统的优化控制中也具有重要意义。
能源系统，如电力网络、供热系统和工业能源流程，通常包含多个相互关联的组件和变量。
神经网络可以实时监测和分析这些系统的运行状态，根据当前的需求和条件，智能地调整能源的供应和分配。
以智能电网为例，神经网络可以控制电力的流向，平衡不同区域的负荷，提高电网的稳定性和效率。
在工业生产中，神经网络可以优化能源消耗的设备运行参数，降低生产成本，提高能源利用率。
再者，神经网络在能源市场的价格预测方面表现出色。
能源价格受到多种因素的影响，包括供需关系、地缘政治、天气变化和政策法规等。
传统的经济模型难以准确预测这些复杂和动态的价格波动。
神经网络可以整合大量的相关数据，如能源库存水平、市场参与者的行为、宏观经济指标等，从而更准确地预测能源价格的走势。
这对于能源交易商制定合理的交易策略、降低风险以及提高收益具有重要意义。
另外，神经网络在可再生能源的管理中也大有用武之地。
可再生能源，如太阳能和风能，具有间歇性和不确定性的特点。
神经网络可以通过对天气数据、地理信息和设备性能的分析，更精确地预测可再生能源的发电量。
这有助于将可再生能源更好地整合到能源系统中，提高其在能源供应中的比例。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
C O N T E M P O R A R Y E C O N O M I C SBP神经网络在中国能源安全远景态势预测中的应用○谭蓉娟（广东工业大学经济与贸易学院广东广州510520）【摘要】本文采用了BP神经网络对中国能源安全的远景态势进行了预测，得出中国能源安全态势在中长期都会处于危险状态的结论。
考虑到人工神经网络对预测结果解释力的不足，本文将BP网络预测与主观指标预测方法结合起来，从而明确了中国能源安全系统的主要风险来源，为保障中国能源中长期安全提供了依据。
【关键词】中国能源安全态势人工神经网络预测近年来，中国经济保持了持续高速发展的态势，经济活动中能源的投入量越来越大，能源安全问题也变得越来越不容忽视，已经上升到国家安全的层面。
以往学术界对能源安全的研究大多限于从能源本身的角度出发，探讨能源与经济发展的关系。
然而，伴随着能源在经济活动中使用量的飞速增长，能源使用引致的环境问题也变得异常突出，学术界对能源使用安全的研究开始兴起。
本文对能源安全态势的研究是在把能源、经济、环境作为一个相互影响和相互作用的系统来观察的前提下，对影响能源安全的相关因素予以筛选和分类，以便客观地描述同类因素内部以及非同类因素之间的耦合关系，解释各因素对能源安全的影响过程、结果和调控方式。
一、影响能源安全的因素及预测指标确定影响能源安全的因素非常复杂，各种因素对能源安全的影响程度也有所不同，主要可以分为以下几类：能源本身的因素、政治因素、经济因素、运输因素、军事因素、可持续发展因素和其他因素。
本文主要是从经济、能源本身和可持续发展的角度对其进行研究。
因此，我们对能源安全态势预测指标的再次遴选也主要是基于这三大因素。
由于我国煤炭储量较为丰富，而石油与天然气能源安全状况不容乐观，因此我们主要针对石油和天然气两种能源资源来确定其相应的能源安全预警指标。
为了简便起见，我们用S代表指标，Si表示指标体系中的第i个指标，相关的的指标表示如下所示。
1、石油储采比S1。
储采比＝年底剩余石油可呆储量／当年石油产量。
2、战略石油储备度S2。
战略石油储备度＝战略石油储备总量／国内每天石油消费量。
3、石油对外依存度S3。
石油对外依存度＝石油年净进口量／本国年消费量。
4、石油进口集中度S4。
石油进口集中度＝本国进口石油最多的前三位国家的石油净进口量之和／本国净进口石油总量。
5、油价波动率S5。
油价波动率＝相邻两年间某原油的平均价之差／基期同种原油的平均价。
6、石油消费强度S6。
它是指单位实际国内生产总值所消耗石油的数量。
石油消费强度＝一国的年石油消耗总量／该国当年实际国内生产总值。
7、天然气储采比S7。
计算方法同石油储采比。
8、环境污染对GDP的消耗度S8。
环境污染对GDP的消耗度＝环境污染直接经济损失／当年国内GDP。
9、运输通道可靠性评价值S9。
在这里，我们根据管道长度、输油量和管道周转量等指标的实际数据以及专家对能源运输的军事保障能力和运输通道的安全性的打分评价值来估测。
10、长期能源进口对GDP的消耗程度S10。
长期能源进口对GDP的消耗程度＝某年本国用于能源进口的支出金额／当年本国的GDP总量。
11、单位GDP对能源的消费量S11。
这一指标是指生产每万元GDP所需要消耗的能源数量，在我国通常以吨标准煤计算。
另外，考虑到我国实际情况以及数据收集的方便程度，各项预测指标均采用年度数据，预测期限均定为一年；安全状态分类与界限值是参照国际上公认的临界值标准加以确定，没有国际公认标准的，根据我国的具体情况加以确定；权重系数采用熵值法加以确定。
二、使用改进的熵值法确定各指标权重使用改进的熵值法确定各指标权重步骤如下：第一步，对数据进行标准化变换：x'ij=（x ij-x j）/S j（x j为第j项指标值的均值，Sj为第j项指标值的标准差）。
第二步，转换后的数据，为消除负值，可将坐标平移，令Zij=a+x'ij （a为平均移幅）。
第三步，用Zij代替xij按照前面的步骤来确定各指标的权重。
经过改进的熵值法计算得到各指标权重分别如表1所示。
表1各指标权重值a1=0.090903a2=0.090918a3=0.09091a4=0.090908a5=0.090914a6=0.090914a7=0.090898a8=0.090914a9=0.09092a10=0.090891a11=0.090911三、基于ＢＰ网络的能源安全态势预测研究1、利用神经网络进行能源安全态势预测的思路。
能源系统是一个复杂的系统，利用人工神经网络可以对非线性复杂系统进行科学预测。
这里，我们利用多层前向网络中的一种学习算法———BP神经网络对中国能源安全进行预警。
利用BP神经网经营战略68《当代经济》2010年5月（上）C O N T E M P O R A R Y E C O N O M I C S络进行能源安全预警的基本思路是：整理代表性案例并提取能源安全案例的特征→对每个案例给出其整体能源安全状态的评价值→将每个案例的特征指标集作为BP神经网络的输入X=（x1，x2，…，x11），能源安全状态评价的评价值作为输出Y，构造一个输入层有11个变量，输出层有一个变量，中间为隐层的BP神经网络→通过对案例（X k，Y k）（k=1，2，…，p）的学习过程训练人工神经元网络→利用训练好的神经元网络对新的输入得到新的输出→得到预测值。
2、用主成分分析法确定网络期望输出值。
我们利用SPSS的因子分析法作为间接的主成分分析方法。
对标准化数据进行因子分析。
当我们提取5个特征值，累计方差贡献率已达到90％以上，可以求出各个主成分的表达式，最后计算各个主成分1995—2009年的得分并计算各年的综合得分，如表2所示。
表21995—2009年各年综合得分表年份得分1995-2.329771996-2.427811997-1.86511998-1.501131999-0.471332000-0.6437820010.55737320020.89221620030.9747982004 1.5270172005 1.6147962006 1.3684342007 2.1042962008 2.2098792009 2.330978我们把能源安全状态分为非常安全、安全、临界状态、危险和非常危险五个区间，因此我们在这里也划分五个对应的能源安全状态得分区间，分别为[-∞，-2.4]，[-2.4，0]，[0，1]，[1，2.4]和[2.4，+∞]，则各个安全状态得分区间所对应的网络期望输出值分别为[00001]，[00010]，[00100]，[01000]和[10000]。
3、BP神经网络结构和参数的确定。
通过利用MATLAB7.0进行实验，我们最终确定该网络具有8个隐层神经元最为合适，在0.05的学习步长下网络收敛速度最快而且最为平稳，传递函数和训练函数分别采用TANSIG和LOGSIG，期望误差为0.001，最大学习步数为100，选择单层隐层网络。
我们已经将能源安全状态分为非常危险、危险、临界状态、安全、非常安全，分别对应。
因此，该网络的输出结果应该有五个指标，即输出层的节点数为5。
4、计算结果与结论。
通过MATLAB程序运行我们可以看到，BP网络在41步后达到了预先设定的目标精度要求，并且通过对训练样本和测试样本在仿真结果与期望输出值相对比可以发现，两者基本不存在误差，这说明我们所建立的能源安全的BP神经网络态势预测系统的性能是比较可靠的。
我们利用这一网络对2015年和2020年中国能源安全形势进行预测，结论为危险状态。
需要注意的是，BP神经网络能源安全态势预测系统虽然是一种客观的比较理想的非线性预测系统，但是它的解释力却不是很强，不能准确地提供不安全因素来源的有关信息，即不能辨别能源安全系统中的哪一个子系统或者哪一项具体指标出现了问题。
因此我们必须通过与主观预测方法，即指标预测方法结合起来，从而增强能源安全态势预测系统的解释能力。
5、对能源安全态势预测系统的再分析。
指标预测方法是一种主观评分方法。
我们可以将原始指标数值映射为分数值，然后计算出各个指标的加权分数。
这种方法与BP神经网络预测方法有机结合起来，既充分发挥了BP神经网络预测的科学性和客观性，又保留了指标预测方法较强的解释能力。
通过指标预测法的调整可以得到2015年和2020年预警指标的映射分数值，如表3所示。
表3经过权重调整的2015年和2020年中国能源安全预警指标映射分数值S1S2S3S4S5S6S7S8S9S10S11 2015年 6.50 3.64 6.65 2.20 3.31 3.54 5.09 3.43 4.18 5.12 3.86 2020年 6.59 3.577.27 1.99 2.32 3.10 5.45 2.42 3.82 2.99 2.87可见，到2015年和2020年，最主要的是石油能源安全状态不容乐观，系统中石油储采比、石油进口的对外依存度等指标居高不下，而天然气储采比指标甚至还大幅上升，这表明我国能源安全存在着相当高的风险，我国能源安全形势依然严峻。
首先，石油储采比指标持续处于高位表明了在可以预见的远景中，我国经济发展对石油的需求会维持高速增长，而国内石油已探明可采储量不会出现大幅增加，甚至可能出现一定程度的下降。
而石油进口依存度的不断上升说明了在中长期之内，进口石油的可获得性与来源地仍然将对我国能源安全状况产生明显的影响。
其次，随着我国国内对天然气能源消费需求的大幅增加，在未来二十年中，我国将加大对天然气资源的开采和利用，因此我国国内天然气能源的消耗速度将迅速加快。
这种情况提醒我们应该积极寻求国外资源，通过进口LNG等方式来满足国内天然气消费需求。
最后，环境污染对GDP消耗指标、石油消费强度和GDP单耗指标的下降说明在经济快速发展、能源大量使用的过程中提高能源利用效率和加强对环境的保护可以引致能源安全指标风险的降低。
因此，在中长期的发展过程中，我们必须通过大力发展节能技术、加强环境污染监管与处罚等措施来保证我国经济、能源和环境的综合平衡，达到可持续发展的目的。
【参考文献】[1]陈首丽、马立平：国家经济安全监测指标体系[J].山西统计，2002（4）.[2]迟春洁、黎永亮：能源安全影响因素及测度指标体系的初步研究[J].哈尔滨工业大学学报（社会科学版），2004（7）.[3]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，2006.[4]王礼茂：资源安全的影响因素与评估指标[J].自然资源学报，2002（7）.（责任编辑：李文斐）经营战略69《当代经济》2010年5月（上）。