创新点

     现有研究大多着眼于全国层面，研究成果主要支撑国家经济发展和能源转型战略的制定。但煤炭资源相关的地质勘查项目管理和开发利用政策制定的职能和权限主要集中在省级层面，针对煤炭生产消费大省开展的煤炭消费需求预测研究较少，难以满足地方政府精准施策的需求。为避免单一模型在预测准确性和适用性方面的局限，提升预测模型的可靠性，本研究借鉴了其他领域使用组合模型的实践经验，以河南省为研究对象，在充分考虑河南省经济结构、产业政策、环境约束等因素基础上，选用能够捕捉线性趋势和周期性变化的ARIMA模型联合擅长处理非线性关系和长期依赖性的LSTM神经网络，构建组合模型，以期更准确地预测煤炭能源需求，分析判断供需形势。

     摘要：未来相当长的一段时间内，煤炭仍将在河南省现代能源体系中占据重要地位。针对河南省这样的煤炭生产消费大省开展煤炭消费需求预测研究，有利于省级层面管理地质勘查项目、制定开发利用政策、调整能源结构。结合格兰杰因果性检验、灰色关联分析模型，研究在ARIMA础上，选取工业增加值、能源消费总量等2个指标与ARIMA模型预测残差作为LSTM模型输入，构建了ARIMA-LSTM模型。结果表明，将ARIMA模型的残差和其他相关因素作为LSTM模型的输入构成的ARIMA-LSTM模型相对于单一ARIMA模型性能显著提升。2023能源消费量预测结果为15130.36万tce，与2022年相比，出现下行趋势，但仍然处在较高水平。研究受公开数据限制，仅进行模型适用性探究，建议相关部门在调整能源结构的同时，开展时效性更强的煤炭消费预测工作，提前做好煤炭储备，避免缺煤、限电等能源供应问题。

     关键词：ARIMA-LSTM模型；煤炭能源消费量；年度预测；因果性检验；灰色关联分析；工业增加值

    1）格兰杰因果性检验（Granger causality test）
     格兰杰因果性检验是一种用于检验分析时间序列数据中变量之间是否存在因果关系的统计方法，其基本思想如下：如果一个变量的过去值能够帮助预测另一个变量的当前值或未来值， 那么就可以认为第一个变量对第二个变量有“格兰杰因果性”。该方法通过构建两个回归模型，一个同时包含X和Y变量的模型，另一个仅包含Y的模型，比较两者的预测效果，若前者表现显著优于后者，即表明 X对Y有格兰杰因果作用。

     2）灰色关联分析模型
     灰色关联分析模型是一种基于灰色系统理论用于评估复杂系统中各因素之间关联程度的定量方法。它的核心思想是通过计算参考数列与比较数列之间的几何相似度来量化不同因素间的关联程度。该方法通常包括数据无量纲化处理，计算参考序列与各比较序列的灰色关联系数，通过平均关联系数得到灰色关联度，依据关联度大小对各因素进行排序等分析流程。

     3）ARIMA模型
     ARIMA（自回归积分移动平均）模型是一种广泛应用于时间序列预测的经典统计方法。它包含3个主要组成部分：自回归（AR）、差分（I，积分）和移动平均（MA）。

     4）LSTM神经网络
    长短期记忆网络 （Long Short—Term Memory，LSTM）是一种特殊的递归神经网络 （Recurrent Neural Network，RNN），核心是其内部的记忆单元，这些单元可以在网络中长期存储信息。LSTM的每个记忆单元都包含一个或多个称为“门”的结构，包括遗忘门、输入门和输出门。遗忘门决定了记忆单元应该遗忘多少过去的信息，输入门控制了新的信息流入记忆单元的程度，输出门决定了记忆单元
的信息应该在多大程度上影响网络的当前输出。

     5）ARIMA-LSTM模型
     ARIMA-LSTM模型是一种结合了传统统计方法和深度学习技术的混合模型，该模型结合ARIMA模型的线性处理能力和LSTM模型的长期依赖性和非线性模式处理能力，更全面地捕捉时间序列数据的特征，提高预测结果的准确性。该模型的构建过程可以分为ARIMA建模、残差序列生成、LSTM建模、组合预测4个主要步骤。

     1）格兰杰因果检验结果显示，在5％显著性水平下，工业增加值、一次能源生产总量、原煤生产量、能源消费总量、总人口数等5个指标在1～5阶数下对煤炭能源消费量产生影响。其中，工业增加值、能源消费总量等2个指标与煤炭能源消费量关联度较高，且相互之间关联性不强，可能代表了影响煤炭消费的不同方面因素，可以作为ARIMA—LSTM模型输入特征。

     2）将ARIMA模型的残差和其他相关因素作为LSTM模型的输入构成的ARIMA—LSTM模型相对于单一ARIMA模型性能显著提升，通过参数优化，在测试集上达到了81.84的平均绝对误差（MAE），表明混合模型能够更准确地捕捉煤炭能源消费量的变化趋势和波动，对河南省煤炭能源消耗量预测有一定借鉴意义。

     3）2023年河南省煤炭能源消费量预测结果为15130.36万tce，与2022年相比，出现下行趋势，但仍处在较高水平。基于该预测，建议相关部门采取以下措施：密切关注矿产资源开发利用季度统计等数据，及时掌握矿山生产状态变化；加强各部门之间的政策协同，确保煤炭产能维持在较高水平；继续推进清洁能源的发展，逐步优化能源结构。

     4）本研究由于2024年河南省统计年鉴尚未发布，无法获取2023年实际数据，所以仅以2022年数据为输入数据，使用ARIMA—LSTM模型对2023年煤炭能源消费量进行预测，作为模型适用性研究。建议相关部门在稳定煤炭产能、调整能源结构、探索节能方案、规划调整产业布局的同时，加强省发改委、统计局、自然资源厅等部门间的合作，开展时效性更强的煤炭消费量预测工作，基于预测结果，有计划地做好煤炭储备，避免缺煤、限电等能源供应问题。

表1 河南省煤炭能源消费量ADF检验结果

表2 LSTM模型训练数据

图1 格兰杰检验结果

图2 1995—2022年河南省煤炭能源消费量变化

图3 ARIMA（1,2,0）模型预测结果）

图4 ARIMA模型与ARIMA—LSTM模型预测效果对比

图5 1995—2022年河南省能源生产消费组成

作者简介

通讯作者

引用来源