CN104182854A - 一种面向企业能源管理系统的混合能耗测算的方法 - Google Patents

Abstract

一种面向企业能源管理系统的混合能耗测算的方法，该方法通过执行BP神经网络模型训练得到输出模型参数，采用多种类型数据源作为测算因子进行灰色测算(0到多个灰色测算操作)，得到经过灰色测算修正的测算源数据，将其作为BP神经网络算法新的输入条件进行神经网络测算。该方法将灰色测算与BP神经网络测算串联使用，提高了企业自动能耗测算的精度。

Description

一种面向企业能源管理系统的混合能耗测算的方法

技术领域

本发明涉及能源管理系统的企业混合能耗测算领域，特别是一种基于串联型灰色BP神经网络的混合能耗测算的方法。

背景技术

能源是向自然界提供能量转化的物质，是人类活动的物质基础。能源的发展，能源和环境，是全世界、全人类共同关心的问题，也是我国社会经济发展的重要问题。节约能源在提高经济效益，促进科技进步，保护环境安全等方面发挥了重要作用，是实现可持续发展的有效方法之一。

我国已经开始逐步进入全面工业化阶段，主要能源的短缺对我国经济发展制约作用越来越明显，供需差距呈越来越大，能源的供需矛盾日益突出，解决好能源问题已成为我们的当务之急。加强能源管理已成为我国实现循环、低碳、绿色经济的重要方法，许多企业已经开始把节能降耗、加强资源二次综合利用作为降低成本的重要战略途径。目前，与世界先进水平相比，我国在能源效率、能源强度、单位产品能耗等方面仍存在较大差距。据不完全统计，截止至2008年，我国的能源消耗强度分别是日本的6倍，德国的4倍和美国的3倍，总体上主要工业产品的能源消耗强度比国外高25％以上，我国的节能之路任重而道远。

企业能源消耗测算是指从已知的企业能耗情况、生产情况和能源管理系统需求的情况出发，通过对历史数据的分析和研究，探索企业生产过程中的内在联系和发展规律，以未来时期企业发展相关因素的测算结果为依据，对企业能源管理做出预先的估计和测算，是能源管理系统分析中必不可少的基础环节，其测算结果用于能源平衡、调度优化、生产计划等诸多方面。

企业能源管理系统(以下简称EMS)是指企业综合运用社会科学和自然科学的方法和原理，建立一套自动化能源数据获取系统，对企业能源的生产、分配、供应、储运和消费全过程进行科学地计划、监督、监测工作，使企业更好的完成资源调配、组织生产、成本核算，实时地掌握企业能源状况，已达到经济合理，能源的有效利用。目前国内企业的能源管理系统，能源的管理只是物资管理的一部分，即是对煤、油、气、电等的供应量管理而已。目前，在一些高排放、高能耗的制造企业中，大部分的能耗统计还是依靠人工或者使用简单单一测算技术，缺乏智能的能源需求测算与有效的节能效果评估，不利于能源的合理调度，容易造成能源浪费。在企业能源消耗测算中，单一的能耗测算算法都是根据历史能耗数据某种特定的变化规律建立的，对于符合此种变化规律的能源能耗有良好的测算效果。然而企业用能结构的发展规律相当复杂，很难用单一的算法进行有效的测算，必须将许多测算算法的测算结果有机的结合起来，才能形成对企业能源消耗的发展规律更好的描述。

由于在企业能源消耗控制和管理过程中，被控对象(能源消费量)具有非线性、时变性、大迟延和大惯性等动态特性，采用单一测算技术对于信息不完备的复杂系统进行测算，很难达到满意的测算精度，而采用串联型神经网络测算方法对这一测算问题解决具有独特的优越性，提高企业能源消耗的测算精度，使得企业能源管理者预先掌握企业能耗动态趋势，查找到能耗弱点，提高能源利用效率，为企业管理部门掌握、分析信息和研究节能改造和制定相关政策提供科学依据和平台。

发明内容

针对上述问题，本发明的目的在于根据企业历史用能情况，对下一预算周期的企业能源消耗进行测算，并为企业下一阶段的能源平衡、调度优化、生产计划提供参考依据，帮助企业更好的对能源的生产、分配、供应、储运和消费全过程进行科学地计划、监督、监测工作。

为了实现上述目的，本发明提供的方法包括步骤如下：

步骤1，记录实时能耗数据，根据历史能耗数据标记重点能耗设备和重点用能环节；

步骤2，通过循环执行信号的正向传播和误差的反向传播的各层权值不断调整的过程，进行BP神经网络模型训练，如果网络输出误差减少到可接受的程度或进行到预先设定的学习次数，则停止该循环过程；所述BP神经网络模型的输入参数为：动量系数、输入层到隐含层学习率、隐含层到输出层学习率、最大迭代精度、最大迭代次数、隐含层神经元个数、输入输出神经元的上下限值；所述BP神经网络模型的输出参数为：输出神经元的测算值、测算值误差；

其中，BP神经网络模型训练具体包括：

(1)启动模型训练导向，选择产品产量、能源消耗量、原材料使用量、是否使用灰色算法等数据源类型以及数据采样的时间段；

(2)选择数据过滤方式，过滤历史数据中的个性事件，所述个性事件为大量的历史数据中存在的错数据、坏数据或不典型数据；

(3)设置隐层神经元个数、收敛精度、最大迭代次数、输入输出限值等神经网络参数，过滤历史数据；

(4)执行神经网络训练算法生成训练模型；

(5)使用模型参数和数据源执行BP神经网络测算算法对训练模型进行校验；

(6)如果用户对得到的训练指标不满意则重新开始训练过程，如果训练指标可以接受则进一步判断是否执行修正过程；

(7)若无需修正，结束训练向导；

(8)若需修正，设置修正参数，结束训练向导；

步骤3，在数据库中保存模型参数，将其作为测算算法的输入数据；保存的所述模型参数为训练模型，其包括：输出层与隐含层的连接矩阵、隐含层与输入层的连接矩阵、隐含层神经元阀值、输出层神经元阀值、输出层与隐含层的连接矩阵增量、隐含层与输入层的连接矩阵增量、隐含层神经元阀值增量、输出层神经元阀值增量、动量系数、输入层到隐含层学习率、隐含层到输出层学习率；

步骤4，采用多种类型数据源作为测算因子，对该多种测算因子进行轮询以对不同类型的数据源做出判断来决定是否需要对其进行灰色测算修正；如果需要，则执行步骤5，否则执行步骤7；

步骤5，利用灰色测算GM(1，1)Y＝uB模型建模，其中，

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],u=\left[\begin{array}{c}a\\ b\end{array}\right],B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ ...& ...\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right],$

式中，x⁽⁰⁾(k)称为灰导数，a称为发展系数，z⁽¹⁾(k)称为白化背景值，b称为灰作用量；

x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))为原始数列，其1次累加生成数列为x⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))， $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},...,n,$

令z⁽¹⁾＝(x⁽¹⁾(2)，x⁽¹⁾(3)，…，x⁽¹⁾(n))为数列x⁽¹⁾的邻值生成数列，即：z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1)；

得到x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，

使用最小二乘法计算得到a，b的值，

$\hat{u}=\left[\begin{array}{c}\hat{a}\\ \hat{b}\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y.,$

对求解得到的累加序列测算值进行累减还原处理，得到实际测算值即灰色测算的指标；

步骤6，保存经过灰色测算算法修正的数据源指标，作为BP神经网络的输入；

步骤7，检查是否所有的输入数据源均已轮询完毕，若为否，则转为执行步骤4，若均已轮询完毕，继续执行下面的步骤；

步骤8，将经过灰色测算修正后得到的测算源数据作为BP神经网络算法新的输入条件，进行神经网络测算；

步骤9，根据训练模型确定的条件确定是否进行BP神经网络纠正。

其中，步骤8中的BP神经网络测算流程如下：

①随机给出全部权值w_ij，v_h和神经元阈值θ_j，r_i的初始值(i＝1，2，...p；j＝1，2，...q；h＝1，2，...n)；n，p，q分别为S、A、R层的单元数。

②由第k个样本值S(k)[s₁(k)s₂(k)…s_n(k)]^Ts_h(k)，通过权矩阵V，得到A层各单元的激活值为：

$a_i\left(k\right)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i\left(k\right),i=\mathrm{1,2},...p$

其中f(x)取Sigmoid函数。

③A层激活值a_i(k)通过权矩阵W，对R层各单元的激活值为：

$y_i\left(k\right)=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{a}_i\left(k\right)+r_j\left(k\right)),j=\mathrm{1,2},...q)$

④计算输出层R的误差：

e_j(k)＝y_j(k)(1-y_j(k))(d_j-y_j(k))，j＝1，2，...q

其中d_j为R层的期望输出。

⑤计算隐含层A的误差：

$e_{\mathrm{ai}}\left(k\right)=a_i\left(k\right)(1-a_i\left(k\right))\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{e}_{\mathrm{ij}}\left(k\right),i=\mathrm{1,2},...p;w_{\mathrm{ij}}\∈W^T$

⑥调整A层单元与R层单元间的连接权值Δw_ij(k)：

Δw_ij(k)＝ηa_i(k)e_j(k)，学习率0＜η＜1，i＝1，2，...，p；j＝1，2，...q

⑦调整R层单元的阈值：

Δr_j(k)＝ηe_j(k)，j＝1，2，...q

⑧调整S层单元与A层单元间的连接权值Δv_hi(k)：

Δv_hi(k)＝βs_h(k)e_ai(k)，学习率0＜β＜1，h＝1，2，...，n；i＝1，2，...p

⑨调整A曾单元的阈值：

Δθ_i(k)＝βe_ai(k)，i＝1，2，...p

⑩重复②～⑨，直到对于j＝1，2，...，q和k＝1，2，...，n的误差e_j(k)足够小。

所述数据过滤方式可为3倍方差法或者阶梯法。

所述灰色测算(0到多个灰色测算操作)与BP神经网络测算串联使用。

所述BP神经网络的修正算法，可以提高测算精度。

具体实施方式

以下结合具体实施例对本发明进行详细描述，但不作为对本发明的限定。

为解决依靠人工或者使用简单单一测算技术，缺乏智能的能源需求测算与有效的节能效果评估，不利于能源的合理调度，容易造成能源浪费的问题，本发明实现了一种串联型灰色神经网络测算方法，主要考虑到灰色理论和人工神经网络理论具有以下互补性：人工神经网络具有逼近任意函数的能力，但有时会因过分逼近能源需求曲线上的细节而影响泛化能力。灰色测算方法不适合逼近复杂的非线性函数，但能较好地测算能源需求变化的总体趋势；人工神经网络虽然理论上具有逼近任意函数的能力，但前提条件是具有足够多的隐节点，而较多的隐节点会导致神经网络参数增多，相应地需要更多样本来训练神经网络。在能源需求短期测算中，由于比较容易获得大量的样本，人工神经网络的隐节点数可以很多，从而可以充分发挥人工神经网络的优势。但在能源中长期需求测算中，样本的数量相对较少，因此人工神经网络的优点难以充分发挥。灰色测算方法则能够利用少样本进行建模和测算。具体的步骤如下：

步骤101：能管系统历史数据分析。

能管系统在日常运行中积累了大量的实时能耗数据，可以完整的反映企业生产的能耗情况与水平。通过对这些数据进行分析，发现企业生产过程中的重点能耗设备和重点用能环节，找到生产用能的规律。针对企业特有的能耗规律和用能制约因素形成有针对性的训练模型，从而是企业的能耗测算更加准确。

步骤102：BP神经网络模型训练。

BP神经网络的模型是指支撑测算的数据结构，这些数据结构配合算法流程才能达到测算的效果，其参数包括：输出层与隐含层的连接矩阵、隐含层与输入层的连接矩阵、隐含层神经元阀值、输出层神经元阀值、输出层与隐含层的连接矩阵增量、隐含层与输入层的连接矩阵增量、隐含层神经元阀值增量、输出层神经元阀值增量、动量系数、输入层到隐含层学习率、隐含层到输出层学习率等指标。

模型输入参数：动量系数、输入层到隐含层学习率、隐含层到输出层学习率、最大迭代精度、最大迭代次数、隐层神经元个数、输入输出神经元的上下限值。

模型输出参数：输出神经元的测算值、测算值误差等。

BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐含层逐层处理后，传向输出层。若输出层的实际输出与期望的输出(教师信号)不符，则转入误差的反向传播阶段。误差反传是将输出误差以某种形式通过隐含层向输入层逐层反传、并将误差分摊给各层的所有神经元，从而获得各层神经元的误差信号，此误差信号即作为修正各神经元权值的依据。这种信号正向传播与误差反向传播的各层权值调整过程，是周而复始地进行的。权值不断调整的过程，也就是网络的学习训练过程。此过程一直进行到网络输出误差减少到可接受的程度，或进行到预先设定的学习次数为止。

根据BP神经网络算法的学习特性，在正式测算前必须进行模型训练。具体的训练步骤如下：步骤201启动模型训练向导，在人机交互界面下完成训练过程；步骤202选择数据源参数，包括数据源的类型比如产品产量、能源消耗量、原材料使用量、是否使用灰色算法等等以及数据采样的时间段；步骤203选择数据过滤方式，诸如3倍方差法、阶梯法等，将大量的历史数据中的个性事件过滤掉，以免对测算模型产生干扰；个性事件主要是指大量的历史数据中难免有些错数据、坏数据或不典型数据，可以想象在散点图中那些偏离集中数据区很远并孤立的点，这些点不具备“规律性”。倍方差法或者阶梯法多是很好的处理坏数据的方法。步骤204设置神经网络参数，包括隐层神经元个数、收敛精度、最大迭代次数、输入输出限值等；参数设置完毕后执行步骤205对历史数据进行过滤；然后执行步骤206神经网络训练算法生成训练模型；紧接着用训练产生的模型参数和数据源执行步骤207神经网络测算算法对训练模型进行校验；步骤208展示训练指标和各种对比分析图；根据训练的效果决定步骤209是否保存训练结果；如果对训练指标不够满意则执行步骤204重新开始训练过程；如果训练指标可以接受则执行步骤210判断是否执行修正过程；如果无需修正执行步骤216结束训练向导；如果需要修正则执行步骤211设置修正参数；然后执行步骤212神经网络训练算法和步骤213神经网络修正测算算法；经过步骤214展示修正指标和各种对比图，来决定步骤215是否保存修正结果；从而确定是执行步骤216的结束训练向导还是步骤211的重新设置训练参数。

步骤103：BP神经网络训练模型。

执行BP神经网络训练过程并产生了有效的训练模型后将模型参数保存在数据库中，等执行测算算法时再从数据口读取出来作为测算算法的输入参数供测算过程使用。

模型参数为上面讲过的训练模型(输出层与隐含层的连接矩阵、隐含层与输入层的连接矩阵、隐含层神经元阀值、输出层神经元阀值、输出层与隐含层的连接矩阵增量、隐含层与输入层的连接矩阵增量、隐含层神经元阀值增量、输出层神经元阀值增量、动量系数、输入层到隐含层学习率、隐含层到输出层学习率等指标)。

步骤104：轮循数据源类型。

数据源的概念是指输入神经元的具体载体，比如“历史同期的能耗数据”“历史同期的产品销售情况”“下一测算周期的产品产量的生产计划”“在职员工的数量”等等，在具体企业中选择或新增有针对性的数据源。

企业的生产过程复杂多变的，企业能源消耗量是一个与多种因素有关的复杂非线性问题。因此，想要相对准确的完成企业能源消耗测算，通常需要采用多种类型数据源作为测算因子。而其中一些测算因子对企业能耗的影响并不是直接、单纯的，为了从不确定系统中提取出有价值的信息，实现对整体系统行为的正确认识和有效控制，对这些因子进行灰色测算已发现其内在的规律再作为BP神经网络的数据源可以进一步提高测算的精度。

步骤105：是否执行灰色测算。

根据BP神经网络的训练模型中对该种类型的数据源做出的判断来决定本数据源是否需要进行灰色测算修正。如果需要则执行步骤106进行灰色测算，否则执行步骤108监测所有的数据源是否轮循完毕。

步骤106：灰色测算。

灰色测算是指邓聚龙教授提出的GM(n，h)模型(其中n表示阶数，h表示变量个数)。本算法采用经典的GM(1，1)模型，其建模的步骤如下：

设x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))为原始数列，其1次累加生成数列为x⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))，其中

$x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},...,n,$

定义x⁽¹⁾的灰导数为d(k)＝x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1)。

令z⁽¹⁾＝(x⁽¹⁾(2)，x⁽¹⁾(3)，…，x⁽¹⁾(n))为数列x⁽¹⁾的邻值生成数列，即：z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1)。

于是定义GM(1，1)的灰微分方程模型为d(k)+az⁽¹⁾(k)＝b，即：

x⁽⁰⁾(k)+az⁽¹⁾(k)＝b                    (1)

在式中，x⁽⁰⁾(k)称为灰导数，a称为发展系数，z⁽¹⁾(k)称为白化背景值，b称为灰作用量。

将时刻k＝2，3，…，n代入(1)式有：

$\left\{\begin{array}{c}{x}^{\left(0\right)}\left(2\right)+a{z}^{\left(1\right)}\left(2\right)=b,\\ x^{\left(0\right)}\left(3\right)+a{z}^{\left(1\right)}\left(3\right)=b,\\ ............\\ x^{\left(0\right)}\left(n\right)+a{z}^{\left(1\right)}\left(n\right)=b,\end{array}\right.$

引入矩阵向量记号：

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],u=\left[\begin{array}{c}a\\ b\end{array}\right],B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ ...& ...\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right]$

于是GM(1，1)模型可表示为Y＝uB。

现在问题归结为求α，b的值。用一元线性回归，即最小二乘法求它们的估计值为：

$\hat{u}=\left[\begin{array}{c}\hat{a}\\ \hat{b}\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y.$

然后对求解得到的累加序列测算值做累减还原处理，便得到了实际的测算值。

累减还原是指：累加的逆操作，即数列中相邻两个数据的差，拿累减操作的最后一步操作(即累加的第一步操作)为例：从n-1次的累减状态x⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))到第n次累减的状态x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))有x⁽⁰⁾(k)＝x⁽¹⁾(k)-x⁽¹⁾(k-1)。

实际测算值即灰色测算的指标，“实际测算值”是相对于“累加运算”后的测算值而言的。简单讲，GM(1，1)是已知没有明显规律的X₁，X₂，X₃，X₄，去计算下一时刻的x₅，而为了弱化数列本身的随机性、强化规律性，在建立灰色模型前需要对数列进行数据处理(本发明为累加运算)；但是累加后的指标是一个拟合值，并不是数列中的值本身。所以推算出数列下一个“值”后需要累减还原(即累加的逆操作)。

步骤107：灰色测算修正指标，将经过灰色测算算法修正的数据源指标暂存起来，作为BP神经网络的输入条件。

步骤108：检查是否所有的输入数据源均已轮循完毕。

步骤109：获取全部测算源数据。经过了有选择性的进行灰色测算修正后，对BP神经网络所需要的数据源进行整理，作为BP神经网络算法新的输入条件。

步骤110：BP神经网络测算。

设输出层第j个单元的阈值为r_j，输出层与隐含层A各单元间的连接矩阵W∈R^q×p，以权值w_j为元素；隐含层第i个单元的阈值为θ_i，隐含层与输入层S各单元间的连接矩阵V∈R^p×n，以权值v_h为元素，且θ_j，r_j∈[-1，+1]。则算法流程如下：

①随机给出全部权值w_ij，v_h和神经元阈值θ_j，r_i的初始值(i＝1，2，...p；j＝1，2，...q；h＝1，2，...n)；n，p，q分别为S、A、R层的单元数。

②由第k个样本值S(k)[s₁(k)s₂(k)…s_n(k)]^Ts_h(k)，通过权矩阵V，得到A层各单元的激活值为：

$a_i\left(k\right)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i\left(k\right),i=\mathrm{1,2},...p$

其中f(x)取Sigmoid函数。

③A层激活值a_i(k)通过权矩阵W，对R层各单元的激活值为：

$y_i\left(k\right)=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{a}_i\left(k\right)+r_j\left(k\right)),j=\mathrm{1,2},...q)$

④计算输出层R的误差：

e_j(k)＝y_j(k)(1-y_j(k))(d_j-y_j(k))，j＝1，2，...q

其中d_j为R层的期望输出。

⑤计算隐含层A的误差：

$e_{\mathrm{ai}}\left(k\right)=a_i\left(k\right)(1-a_i\left(k\right))\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{e}_{\mathrm{ij}}\left(k\right),i=\mathrm{1,2},...p;w_{\mathrm{ij}}\∈W^T$

⑥调整A层单元与R层单元间的连接权值Δw_ij(k)：

Δw_ij(k)＝ηa_i(k)e_j(k)，学习率0＜η＜1，i＝1，2，...，p；j＝1，2，...q

⑦调整R层单元的阈值：

Δr_j(k)＝ηe_j(k)，j＝1，2，...q

⑧调整S层单元与A层单元间的连接权值Δv_hi(k)：

Δv_hi(k)＝βs_h(k)e_ai(k)，学习率0＜β＜1，h＝1，2，...，n；i＝1，2，...p

⑨调整A曾单元的阈值：

Δθ_i(k)＝βe_ai(k)，i＝1，2，...p

⑩重复②～⑨，直到对于j＝1，2，...，q和k＝1，2，...，n的误差e_j(k)足够小。

步骤111：根据训练模型的要求决定是否执行修正算法。

步骤112：BP神经网络修正。

BP神经网络的修正算法是指以测算值为输入参数，建立测算值与误差的关系，实现以测算误差的规律反过来校正测算结果。值得注意的是，并不是每一次的修正都是有意义的，修正指标很有可能降低测算的精确度。因此，在进行模型训练时一定要注意对测算指标进行足够的校验分析。

下面具体阐述本发明的原理：

选择灰色理论和人工神经网络理论进行组合，主要考虑到灰色理论和人工神经网络理论具有以下互补性：人工神经网络具有逼近任意函数的能力，但有时会因过分逼近能源需求曲线上的细节而影响泛化能力。灰色测算方法不适合逼近复杂的非线性函数，但能较好地测算能源需求变化的总体趋势；人工神经网络虽然理论上具有逼近任意函数的能力，但前提条件是具有足够多的隐节点，而较多的隐节点会导致神经网络参数增多，相应地需要更多样本来训练神经网络。在能源需求短期测算中，由于比较容易获得大量的样本，人工神经网络的隐节点数可以很多，从而可以充分发挥人工神经网络的优势。但在能源中长期需求测算中，样本的数量相对较少，因此人工神经网络的优点难以充分发挥。灰色测算方法则能够利用少样本进行建模和测算。

灰色模型，即灰色模型(Grey Model)，是我国著名学者邓聚龙教授提出来的。它主要通过对“部分”已知的信息的生成、开发，对不确定信息进行处理，从不确定系统中提取出有价值的信息，实现对整体系统行为的正确认识和有效控制，用少量数据做微分方程，在微分方程的基础上进行测算模型的建模，侧重于少量数据建模的准确性。在灰色模型之前的模型研究中，都是直接使用原始数据列建立模型，认为原始数据列包含的信息更准确更完全。但是有时候原始数据列的规律性不强，比如有异常值的存在，这时候会影响模型的效果。而灰色模型是对原始数据进行处理，用新的生成数据列建立微分方程。经过处理的生成数据列在展示数据原有规律的基础上能够增强数据的规律，并且能够消除异常值，使模型得到的结果更实用。

BP网络有三部分构成，即输入层、隐含层(又称为中间层)和输出层，其中可以有多个隐含层。各层之间实现完全连接，且各层神经元的作用是不同的：输入层接受外界信息；输出层对输入层信息进行判别和决策；中间隐层用来表示或存贮信息。通常典型的BP网络有三层构成，即只有一个隐层。其学习期属于有监督式学习方式，并可以细分为两个过程：输入信号的正向传播与误差的反向传播。当一学习模式提供给网络后，输入信息就开始从输入层到隐层再到输出层正向地向后传播，并实行逐层处理，如果输出层的输出与期望值不符合，那么就转入误差的反向传播过程。

本发明提供了一种自动的企业能耗测算的方法，在电力系统针对电力负荷的测算比较多，但是在“企业能源管理系统”中针对企业综合能源(电、水、煤、气、油)的测算并不多，有也是停留在理论研究的层面。我们方法的优点是灰色测算(0到多个灰色测算操作)与BP神经网络测算的串联使用很有优点；BP神经网络的修正算法，以提高测算精度；还有就是很具体的数据预处理等软件实现的方法。

当然，本发明还可以有其它多种实施方式，在不背离本发明精神及其实质的情况下，本领域技术人员可根据本发明做出各种相应的改变和变形，但这些相应的改变和变形都应属于本发明的保护范围。

Claims (5)

1.一种面向企业能源管理系统的混合能耗测算的方法，该方法包括如下步骤：

步骤1，记录实时能耗数据，根据历史能耗数据标记重点能耗设备和重点用能环节；

步骤2，通过循环执行信号的正向传播和误差的反向传播的各层权值不断调整的过程，进行BP神经网络模型训练，如果网络输出误差减少到可接受的程度或进行到预先设定的学习次数，则停止该循环过程；所述BP神经网络模型的输入参数为：动量系数、输入层到隐含层学习率、隐含层到输出层学习率、最大迭代精度、最大迭代次数、隐含层神经元个数、输入输出神经元的上下限值；所述BP神经网络模型的输出参数为：输出神经元的测算值、测算值误差；

其中，BP神经网络模型训练具体包括：

(1)启动模型训练导向，选择产品产量、能源消耗量、原材料使用量、是否使用灰色算法等数据源类型以及数据采样的时间段；

(2)选择数据过滤方式，过滤历史数据中的个性事件，所述个性事件为大量的历史数据中存在的错数据、坏数据或不典型数据；

(3)设置隐层神经元个数、收敛精度、最大迭代次数、输入输出限值等神经网络参数，过滤历史数据；

(4)执行神经网络训练算法生成训练模型；

(5)使用模型参数和数据源执行BP神经网络测算算法对训练模型进行校验；

(6)如果用户对得到的训练指标不满意则重新开始训练过程，如果训练指标可以接受则进一步判断是否执行修正过程；

(7)若无需修正，结束训练向导；

(8)若需修正，设置修正参数，结束训练向导；

步骤3，在数据库中保存模型参数，将其作为测算算法的输入数据；保存的所述模型参数为训练模型，其包括：输出层与隐含层的连接矩阵、隐含层与输入层的连接矩阵、隐含层神经元阀值、输出层神经元阀值、输出层与隐含层的连接矩阵增量、隐含层与输入层的连接矩阵增量、隐含层神经元阀值增量、输出层神经元阀值增量、动量系数、输入层到隐含层学习率、隐含层到输出层学习率；

步骤4，采用多种类型数据源作为测算因子，对该多种测算因子进行轮询以对不同类型的数据源做出判断来决定是否需要对其进行灰色测算修正；如果需要，则执行步骤5，否则执行步骤7；

步骤5，利用灰色测算GM(1，1)模型建模：Y＝uB，其中，

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ ...\\ x^{\left(0\right)}\left(n\right)\end{array}\right],u=\left[\begin{array}{c}a\\ b\end{array}\right],B=\left[\begin{array}{cc}-z^{\left(1\right)}\left(2\right)& 1\\ -z^{\left(1\right)}\left(3\right)& 1\\ ...& ...\\ -z^{\left(1\right)}\left(n\right)& 1\end{array}\right],$

式中，x⁽⁰⁾(k)称为灰导数，α称为发展系数，z⁽¹⁾(k)称为白化背景值，b称为灰作用量；

x⁽⁰⁾＝(x⁽⁰⁾(1)，x⁽⁰⁾(2)，…，x⁽⁰⁾(n))为原始数列，其1次累加生成数列为x⁽¹⁾＝(x⁽¹⁾(1)，x⁽¹⁾(2)，…，x⁽¹⁾(n))， $x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right),k=\mathrm{1,2},...,n,$

令z⁽¹⁾＝(x⁽¹⁾(2)，x⁽¹⁾(3)，…，x⁽¹⁾(n))为数列x⁽¹⁾的邻值生成数列，即：z⁽¹⁾(k)＝αx⁽¹⁾(k)+(1-α)x⁽¹⁾(k-1)；

得到x⁽⁰⁾(k)+az⁽¹⁾(k)＝b，

使用最小二乘法计算得到a，b的值，

$\hat{u}=\left[\begin{array}{c}\hat{a}\\ \hat{b}\end{array}\right]={\left(B^{T}B\right)}^{-1}{B}^{T}Y.,$

对求解得到的累加序列测算值进行累减还原处理，得到实际测算值即灰色测算的指标；

步骤6，保存经过灰色测算算法修正的数据源指标，作为BP神经网络的输入；

步骤7，检查是否所有的输入数据源均已轮询完毕，若为否，则转为执行步骤4，若均已轮询完毕，继续执行下面的步骤；

步骤8，将经过灰色测算修正后得到的测算源数据作为BP神经网络算法新的输入条件，进行神经网络测算；

步骤9，根据训练模型确定的条件确定是否进行BP神经网络纠正。

2.如权利要求1所述的方法，其特征在于：步骤8中的BP神经网络测算流程如下：

①随机给出全部权值w_ij，v_h和神经元阈值θ_j，r_i的初始值(i＝1，2，...p；j＝1，2，...q；h＝1，2，...n)；n，p，q分别为S、A、R层的单元数。

②由第k个样本值S(k)[s₁(k)s₂(k)…s_n(k)]^Ts_h(k)，通过权矩阵V，得到A层各单元的激活值为：

$a_i\left(k\right)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i)=f(\underset{h=1}{\overset{n}{\mathrm{\Σ}}}{v}_{\mathrm{ih}}{s}_h\left(k\right)+{\mathrm{\θ}}_i\left(k\right),i=\mathrm{1,2},...p$

其中f(x)取Sigmoid函数。

③A层激活值a_i(k)通过权矩阵W，对R层各单元的激活值为：

$y_i\left(k\right)=f(\underset{i=1}{\overset{p}{\mathrm{\Σ}}}{w}_{\mathrm{ji}}{a}_i\left(k\right)+r_j\left(k\right)),j=\mathrm{1,2},...q)$

④计算输出层R的误差：

e_j(k)＝y_j(k)(1-y_j(k))(d_j-y_j(k))，j＝1，2，...q

其中d_j为R层的期望输出。

⑤计算隐含层A的误差：

$e_{\mathrm{ai}}\left(k\right)=a_i\left(k\right)(1-a_i\left(k\right))\underset{j=1}{\overset{q}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}{e}_{\mathrm{ij}}\left(k\right),i=\mathrm{1,2},...p;w_{\mathrm{ij}}\∈W^T$

⑥调整A层单元与R层单元间的连接权值Δw_ij(k)：

Δw_ij(k)＝ηa_i(k)e_j(k)，学习率0＜η＜1，i＝1，2，...，p；j＝1，2，...q

⑦调整R层单元的阈值：

Δr_j(k)＝ηe_j(k)，j＝1，2，...q

⑧调整S层单元与A层单元间的连接权值Δv_hi(k)：

Δv_hi(k)＝βs_h(k)e_ai(k)，学习率0＜β＜1，h＝1，2，...，n；i＝1，2，...p

⑨调整A曾单元的阈值：

Δθ_i(k)＝βe_ai(k)，i＝1，2，...p

⑩重复②～⑨，直到对于j＝1，2，...，q和k＝1，2，...，n的误差e_j(k)足够小。

3.如权利要求1所述的方法，其特征在于：所述数据过滤方式可为3倍方差法或者阶梯法。

4.如权利要求1所述的方法，其特征在于，所述灰色测算(0到多个灰色测算操作)与BP神经网络测算串联使用。

5.如权利要求1所述的方法，其特征在于，所述BP神经网络的修正算法，可以提高测算精度。