一、项目概述与研究背景

本报告基于世界银行公开数据库1990-2023年中国能源消费数据，采用LSTM（长短期记忆网络）深度学习模型进行系统分析和预测。LSTM是一种特殊的循环神经网络（RNN），能够有效捕捉时间序列中的长期依赖关系，在能源、金融、气象等时间序列预测领域表现优异。本报告构建了双层LSTM网络，通过数据归一化、序列构建、模型训练、回测评估和滚动预测，揭示中国能源消费增长规律，并预测未来5年（2024-2028年）的能源消费走势。

二、数据说明与研究方法

本数据集来源于世界银行公开数据库，包含中国1990-2023年共34年的年度能源数据。核心字段包括：人均能源消费（kg油当量）、总人口、GDP（2015年不变价美元）。本分析通过人均能源消费乘以总人口计算能源消费总量（亿吨油当量）。

三、中国能源消费增长历程

本章分析中国能源消费的历史增长趋势。

图3-1 中国人均能源消费变化（1990-2023）

如图3-1所示，中国人均能源消费从1990年的773kg油当量增长到2023年的2851kg油当量，34年间增长了约2.7倍，年均增长约4.0%。从增长轨迹看，1990年代增长相对平稳，2000年后随着工业化加速增长明显加快，2010年后增速有所放缓但仍保持增长。人均能源消费的快速增长反映了中国经济发展和居民生活水平提高带来的能源需求增加。

图3-2 中国能源消费总量变化

图3-2展示了能源消费总量的变化。从1990年的约0.88亿吨油当量增长到2023年的约4.02亿吨油当量，增长了约3.6倍。能源消费总量的增长快于人均能源消费，因为总人口也在持续增长。中国已成为世界最大的能源消费国，能源安全和节能减排面临巨大挑战。

图3-3 能源消费与GDP关系（颜色=年份）

图3-3展示了能源消费与GDP的关系，两者呈强正相关（相关系数约0.99）。颜色从浅到深代表年份从早到晚，可以清晰地看到随着GDP增长，能源消费同步增加。能源消费与GDP的高度相关反映了经济发展对能源的依赖，但也说明能源强度（单位GDP能耗）在逐步下降，能效在不断提升。

图3-4 中国能源消费年度增长率

图3-4展示了能源消费年度增长率。可以看到，增长率波动较大，2000年代初和2010年前后出现较高增长，部分年份增长率超过8%，2015年后增速逐步降至3-5%。能源消费增速放缓反映了经济结构调整和节能减排政策的成效。

四、LSTM深度学习模型构建

本章构建LSTM深度学习模型。

from tensorflow.keras.models import Sequential

from tensorflow.keras.layers import LSTM, Dense, Dropout

model = Sequential([

    LSTM(64, return_sequences=True, input_shape=(3,1)),

    Dropout(0.2),

    LSTM(32, return_sequences=False),

    Dropout(0.2),

    Dense(16, activation='relu'),

    Dense(1)

])

model.compile(optimizer='adam', loss='mse')

图4-1 LSTM输入：归一化后的能源消费序列

如图4-1所示，将能源消费数据通过MinMaxScaler归一化到0-1区间，消除量纲影响，有利于神经网络训练。红色虚线为训练集和测试集的分割点，前75%数据用于训练，后25%数据用于测试。采用长度为3的时间窗口，即用前3年的能源消费数据预测第4年的值。

图4-2 LSTM深度学习模型结构

图4-2展示了LSTM模型结构。模型共7层：①输入层（3×1，即3年的能源消费序列）；②LSTM层1（64个隐藏单元，return_sequences=True以输出完整序列供下一层使用）；③Dropout层（0.2，随机丢弃20%神经元防止过拟合）；④LSTM层2（32个隐藏单元）；⑤Dropout层（0.2）；⑥全连接层（16个神经元，ReLU激活）；⑦输出层（1个神经元，输出预测值）。模型总参数约29857个。

LSTM的核心是门控机制，包括遗忘门、输入门和输出门，能够选择性地记忆和遗忘信息，有效解决传统RNN的梯度消失问题，从而捕捉时间序列中的长期依赖关系。在能源消费预测中，LSTM能够学习到能源消费的增长趋势和周期性波动规律。

五、模型训练与收敛分析

本章分析模型训练过程和收敛情况。

图5-1 LSTM模型训练损失曲线

如图5-1所示，蓝色线为训练损失，红色线为验证损失。模型训练了44轮（EarlyStopping在验证损失不再下降时提前终止），训练损失从初始的约0.15下降到最终的0.003，验证损失从约0.2下降到0.002。两条损失曲线同步下降且验证损失始终低于训练损失，说明模型没有过拟合，收敛良好。Dropout正则化和EarlyStopping有效防止了过拟合。

模型采用Adam优化器，学习率默认0.001，批量大小为4，损失函数为均方误差（MSE）。Adam优化器结合了动量法和自适应学习率，能够快速收敛且对超参数不敏感，是深度学习中最常用的优化器之一。

六、模型回测与评估

本章用测试集数据对模型进行回测评估。

图6-1 LSTM模型能源消费回测预测

如图6-1所示，蓝色线为实际能源消费数据，绿色虚线为训练集预测，红色虚线为测试集预测。可以看到，模型预测值与实际值高度吻合，无论是训练集还是测试集，预测曲线都紧密跟随实际曲线。特别是在测试集（2016-2023年），模型准确捕捉了能源消费的增长趋势，包括2020年疫情期间的小幅波动。

图6-2 LSTM模型预测评估指标（测试集）

图6-2展示了模型评估指标。RMSE（均方根误差）为0.101亿吨油当量，MAE（平均绝对误差）为0.093亿吨油当量，MAPE（平均绝对百分比误差）为2.74%，R²（决定系数）为0.9081。MAPE仅2.74%说明模型预测精度非常高，R²为0.908说明模型解释了90.8%的能源消费变化。LSTM深度学习模型在能源消费时间序列预测中表现优异。

七、未来5年能源消费预测

本章用全量数据训练模型，通过滚动预测方法预测2024-2028年能源消费。

【Python代码】

last_seq = data_scaled[-3:].reshape(1,3,1)

future_pred = []

for _ in range(5):

    next_val = model.predict(last_seq, verbose=0)[0,0]

    future_pred.append(next_val)

    last_seq = np.append(last_seq[:,1:,:],[[[next_val]]],axis=1)

future_pred = scaler.inverse_transform(np.array(future_pred).reshape(-1,1))

图7-1 中国能源消费未来5年预测（LSTM深度学习模型）

如图7-1所示，蓝色线为1990-2023年历史能源消费数据，红色虚线为2024-2028年LSTM预测值，红色阴影为预测区间。模型预测中国能源消费将从2023年的4.02亿吨油当量增长到2028年的4.91亿吨油当量，5年间增长约0.89亿吨，年均增长约4.1%。预测增速与历史平均增速基本一致，反映了能源消费的持续增长趋势。

具体预测结果：2024年4.12亿吨，2025年4.28亿吨，2026年4.50亿吨，2027年4.68亿吨，2028年4.91亿吨油当量。需要说明的是，LSTM滚动预测基于历史趋势外推，未考虑未来可能出现的政策变化（如碳达峰碳中和政策加速推进）、技术突破（如新能源大规模替代）、外部冲击等因素，实际能源消费可能因节能减排政策加速而低于预测。

图7-2 LSTM预测能源消费年度增长率（2025-2028）

图7-2展示了预测的能源消费年度增长率。2025年约3.9%，2026年约5.1%，2027年约4.0%，2028年约4.9%。预测增长率在4-5%之间波动，与历史增速基本一致。

图7-3 中国能源强度变化（单位GDP能耗）

图7-3展示了能源强度（单位GDP能耗）的变化。可以看到，能源强度总体呈下降趋势，从1990年代的较高水平逐步下降，反映了中国能源利用效率的不断提升。技术进步、产业结构升级和节能减排政策是能源强度下降的主要原因。能源强度下降意味着在保持经济增长的同时，可以减少能源消费增长，这对于实现碳达峰碳中和目标具有重要意义。

八、核心结论与政策启示

8.1 核心结论

通过对中国1990-2023年能源消费数据的LSTM深度学习分析，得出以下核心结论：

第一，中国人均能源消费从773kg增至2851kg油当量，增长约2.7倍；能源消费总量从0.88亿吨增至4.02亿吨油当量，增长约3.6倍。

第二，能源消费与GDP呈强正相关（相关系数约0.99），经济发展是能源消费增长的主要驱动力。

第三，双层LSTM网络（64+32单元）拟合良好，训练44轮收敛，验证损失0.002，无过拟合。

第四，模型测试集MAPE仅2.74%，R²达0.908，预测精度非常高，LSTM在能源时间序列预测中表现优异。

第五，预测2028年能源消费将达到4.91亿吨油当量，2024-2028年年均增长约4.1%。

第六，能源强度持续下降，能源利用效率不断提升，为节能减排和碳达峰碳中和奠定基础。

8.2 政策启示

基于以上发现，提出以下政策启示：一是坚持节约优先，大力推进节能降耗，提高能源利用效率，控制能源消费总量过快增长；二是优化能源结构，大力发展风能、太阳能、水能等可再生能源，降低化石能源比重，推进能源绿色低碳转型；三是保障能源安全，增强国内能源生产能力，拓展多元化进口渠道，构建安全可靠的能源供应体系；四是推进产业结构升级，大力发展低能耗高附加值的高新技术产业和服务业，降低经济增长对能源的依赖；五是加强科技创新，加大新能源、储能、智能电网等关键技术研发投入，以技术创新驱动能源转型；六是完善能源市场机制，推进能源价格市场化改革，用价格机制引导能源合理消费和高效配置；七是积极参与全球能源治理，推动构建公平合理的国际能源秩序，维护全球能源安全。

LSTM深度学习模型为能源消费预测提供了强大的工具，其高精度预测能力有助于科学制定能源政策。中国能源消费仍将持续增长，但增速有望逐步放缓。只要坚持节约优先、绿色低碳、创新驱动，中国一定能够在保障能源安全的同时，实现碳达峰碳中和目标，建设美丽中国。