CN105894111B

CN105894111B - 一种基于互补型模糊神经网络的能源用量预测方法和装置

Info

Publication number: CN105894111B
Application number: CN201610195485.3A
Authority: CN
Inventors: 张定恩; 杨滨; 刘宝林; 李光辉; 李智滨; 王修业; 付家旗
Original assignee: Tianhongtai (beijing) Technology Co Ltd
Current assignee: Xi'an Xianlin Energy Technology Co ltd
Priority date: 2016-03-30
Filing date: 2016-03-30
Publication date: 2020-02-04
Anticipated expiration: 2036-03-30
Also published as: CN105894111A

Abstract

本发明提供了一种基于互补型模糊神经网络的能源用量预测方法和装置，其中所述方法包括：获取待测试能源对应的用能历史数据；将所述用能历史数据进行分类规整；对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；将所述有效历史数据进行归一化处理；将归一化后的数据进行模糊处理；将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；对所述能源用量预值进行反归一化处理；将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值。通过本发明提供的基于互补型模糊神经网络的能源用量预测方案，能够提升能源用量预测结果的准确性。

Description

一种基于互补型模糊神经网络的能源用量预测方法和装置

技术领域

本发明涉及能源用量预测技术领域，特别是涉及一种基于互补型模糊神经网络的能源用量预测方法和装置。

背景技术

在能源管理系统、智能用能系统中，由于用能(煤、天然气、石油等能源)数据突变、数据统计缺失、数据影响因素繁多等因素，用能数据预测一直都是一个难题。

目前，常用的对大型工业领域的用能数据进行预测方法为：模糊预测法以及人工神经网络法。

模糊预测法虽然可以处理不精确的、模糊的现象，但是该方法学习能力差，需要人为选择计算参数、确定历史用能数据的隶属度，最终导致预测的用能数据可靠性差。

人工精神网络法虽拥有较强的自主学习能力，但是该算法对数据的模糊处理能力弱运算速度慢，不仅如此，该方法完全凭借人的经验来确定计算参数，所确定的计算参数的可靠性差，最终导致预测的用能数据可靠性差。

可见，现有的能源预测方法在大型的工业领域，由于用能数据量大、突变干扰较多，因此，所预测出的用能数据的可靠性差。

发明内容

本发明提供了一种基于互补型模糊神经网络的能源用量预测方法和装置，以解决现有的用能数据预测方案所预测出的用能数据可靠性差的问题。

为了解决上述问题，本发明公开了一种基于互补型模糊神经网络的能源用量预测方法，包括：获取待测试能源对应的用能历史数据；将所述用能历史数据进行分类规整；对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；将所述有效历史数据进行归一化处理；将归一化后的数据进行模糊处理；将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；对所述能源用量预值进行反归一化处理；将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值。

优选地，所述将所述用能历史数据进行分类规整的步骤包括：通过隶属函数对所述用能历史数据进行分类规整。

优选地，所述对所述规整后的用能历史数据进行灰色处理的步骤包括：对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

优选地，所述将归一化后的数据进行模糊处理的步骤包括：确定归一化后的数据中的最大值以及最小值；将最大值与最小值之间的数值划分成多个数值区间；其中，每个数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的数值区间中，每个模糊子集中包含多个归一化后的数据。

优选地，所述模糊神经网络模型确定所述模糊处理后的数据对应的能源用量预测值的步骤包括：所述模糊神经网络模型依据存储的数据表确定相关指标；依据模糊处理后的数据的相关属性确定重要指标、以及各重要指标所占权重；依据确定的重要指标、以及各重要指标所占权重构建本次预测模型，依据生成的预测模型对所述数据对应的能源用量进行预测。

优选地，在所述确定所述模糊处理后的数据对应的能源用量预值的步骤之后，所述方法还包括：确定所述能源用量预值对应的信息熵；依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现神经网络模型的自学习。

为了解决上述问题，本发明还公开了一种基于互补型模糊神经网络的能源用量预测装置，包括：获取模块，用于获取待测试能源对应的用能历史数据；规整模块，用于将所述用能历史数据进行分类规整；筛选模块，用于对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；归一化模块，用于将所述有效历史数据进行归一化处理；模糊处理模块，用于将归一化后的数据进行模糊处理；输入模块，用于将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；处理模块，用于对所述能源用量预值进行反归一化处理；输出模块，用于将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值。

优选地，所述规整模块具体用于：通过隶属函数对所述用能历史数据进行分类规整。

优选地，所述筛选模块包括：累加模块，用于对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；后减模块，用于将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

优选地，所述模糊处理模块具体用于：确定归一化后的数据中的最大值以及最小值；将最大值与最小值之间的数值划分成多个数值区间；其中，每个数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的数值区间中，每个模糊子集中包含多个归一化后的数据。

优选地，所述模糊神经网络模型确定所述模糊处理后的数据对应的能源用量预值时：所述模糊神经网络模型依据存储的数据表确定相关指标；依据模糊处理后的数据的相关属性确定重要指标、以及各重要指标所占权重；依据确定的重要指标、以及各重要指标所占权重构建本次预测模型，依据生成的预测模型对所述数据对应的能源用量进行预测。

优选地，所述装置还包括：信息熵确定模块，用于在确定所述模糊处理后的数据对应的能源用量预值之后，确定所述能源用量预值对应的信息熵；自学习模块，用于依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现神经网络模型的自学习。

与现有技术相比，本发明具有以下优点：

本发明提供的基于互补型模糊神经网络的能源用量预测方案，一方面，通过将所述用能历史数据进行分类规整，对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据，排除突变、异常的数据，能够降低用能数据突变、数据异常数据干扰导致的预测偏差，因此，能够提升能源用量预测结果的准确性。另一方面，将筛选出的有效历史数据归一化后进行模糊处理，能够降低模糊神经网络的运算量，提升运算速度。可见，本发明实施例的提供的能源用量预测方案，不仅能够提升预测时的运算速度，还能够提升预测结果的准确性、可靠性。

附图说明

图1是根据本发明实施例一的一种基于互补型模糊神经网络的能源用量预测方法的步骤流程图；

图2是根据本发明实施例二的一种基于互补型模糊神经网络的能源用量预测方法步骤流程图；

图3是隶属函数曲线图；

图4是根据本发明实施例三的一种基于互补型模糊神经网络的能源用量预测装置的结构框图；

图5是根据本发明实施例四的一种基于互补型模糊神经网络的能源用量预测装置的结构框图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例一

参照图1，示出了根据本发明实施例一的一种基于互补型模糊神经网络的能源用量预测方法的步骤流程图。

本实施例中基于互补型模糊神经网络的能源用量预测方法的步骤包括：

步骤S102：获取待测试能源对应的用能历史数据。

用能历史数据为该能源历史使用情况对应的数据，例如：待测试能源为煤炭，那么，用能历史数据则为企业在一定时间内针对该煤炭的用量。用能历史数据为待测试能源一定时间内的历史用量相关数据，例如：一定时间可以为一个月、一周、或者三天等，本发明实施例对此不作具体限制。

步骤S104：将用能历史数据进行分类规整。

用能历史数据中可以包括一个能量参数，也可以包括多个能量参数。

本发明实施例中，需要将同属于一个能量参数的历史数据进行分类规整，进行分类规整时，可以采用历史数据形成一个数据域，然后将数据域中各个数据作为隶属函数的隶属度来构建隶属函数，以排除突变、异常的数据。

步骤S106：对规整后的用能历史数据进行灰色处理，筛选出有效历史数据。

在对数据进行灰色处理时，需要依据预先建立的灰色模型。灰色模型通过对原始数据进行生成处理，弱化数据的随机因素，生成规律性较强的数据序列，进而建立相应的微分方程预测系统的发展趋势。在具体实现过程中，根据用能特点建立灰色模型主要步骤如下：(1)对样本数据进行一次累加生成新的数据序列；(2)检验生成序列是否满足准光滑性和准指数规律；(3)构建时间响应方程；(4)进行最小二乘参数估计，确定时间响应方程。

步骤S108：将有效历史数据进行归一化处理。

本发明实施例中，为了充分发挥模糊神经网络的预测功能，提高其预测精度，需对输入模型前的有效历史数据进行预处理，根据设定好的能源数据处理规则对有效历史数据进行归一化处理。

对于归一化处理的具体方法参见相关技术即可，本发明实施例中对此不作具体限制。

步骤S110：将归一化后的数据进行模糊处理。

将数据进行最大值、最小值区间模糊化，每一划分区间对应一个模糊子集，也即，将归一化后的数据划分成多个模糊子集。

例如：归一化后的数据数量为150个，按照数据的大小划分高、中、低三个区间，每个区间对应一个阈值范围，将150个数据分别划分至其对应的区间中，最终生成三个模糊子集。

步骤S112：将模糊处理后的数据输入模糊神经网络模型中，由模糊神经网络模型预测出模糊处理后的数据对应的能源用量预值。

对于模糊神经网络模型的建立参见现有相关技术即可，本发明实施例中对此不作具体限制。

模糊神经模型确定数据对应的能源预值时，首先从众多参数中选择适合各模糊子集对应的重要指标即参数，然后依据确定的重要指标构建适用于模糊子集的计算模型，最终确定出能源用量预值。

步骤S114：对能源用量预值进行反归一化处理。

在步骤S108中对历史数据进行了归一化处理，本步骤中为了还原数据，则需要对能源用量预值进行反归一化处理。

例如：在步骤S108中将每个数据均除以数值A，则在本步骤中进行返归一化处理时，则需将得到的能源用量预值乘以数值A，以实现反归一化处理。

步骤S116：将反归一化处理结果进行白化处理，得到目标预测值，并输出目标预测值。

由于步骤S106中对历史数据进行了灰色处理，因此，本步骤中需对反归一化后的处理结果采用灰色处理相适应的规则进行白化处理，以得到目标预测值。

通过本发明实施例提供的基于互补型模糊神经网络的能源用量预测方法，一方面，通过将用能历史数据进行分类规整，对规整后的用能历史数据进行灰色处理，筛选出有效历史数据，排除突变、异常的数据，能够降低用能数据突变、数据异常数据干扰导致的预测偏差，因此，能够提升能源用量预测结果的准确性。另一方面，将筛选出的有效历史数据归一化后进行模糊处理，能够降低模糊神经网络的运算量，提升运算速度。可见，本发明实施例的提供的能源用量预测方法，不仅能够提升预测时的运算速度，还能够提升预测结果的准确性、可靠性。

实施例二

参照图2，示出了根据本发明实施例二的一种基于互补型模糊神经网络的能源用量预测方法的步骤流程图。

本实施例中基于互补型模糊神经网络的能源用量预测方法的具体步骤包括：

步骤S202：获取待测试能源对应的用能历史数据。

获取待测试能源对应的用能历史数据后，通过隶属函数对所述用能历史数据进行分类规整。具体地，将用能历史数据进行分类规整，形成一个数据域，用X表示：

将X作为数据论域，映射A(x)：X→[0,1]确定了一个X上的模糊子集A，A(x)称为A的隶属函数，其中，隶属函数如图3所示。

A(x)∈[0,1]称为x属于A的隶属度。

A(x)＝0x完全不属于A；0＜A(x)＜1x部分属于A。

通过对用能历史数据进行分类规整，可以排除突变、异常的数据。

步骤S204：对用能历史数据进行规则化处理。

进行规则化处理即对规整后的用能历史数据进行灰色处理，筛选出有效历史数据。

建立灰色模型，将数据进行灰色处理。灰色模型GM(1,1)通过对原始数据进行生成处理,弱化数据的随机因素,生成规律性较强的数据序列,进而建立相应的微分方程预测系统的发展趋势。根据用能特点,建立GM(1,1)模型主要步骤如下:(1)对样本数据进行一次累加生成；(2)检验生成序列是否满足准光滑性和准指数规律；(3)构建时间响应方程；(4)进行最小二乘参数估计,确定时间响应方程。

以及确定的时间响应方程对用能历史数据进行规则化处理。一种可行的规则化处理方式为：对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

历史数据中、各数据序列中的数据进行依次累加可以显著弱化历史数据的起伏。为了把累加序列还原成原始序列，则需要将数据序列中的各数据依次后减。

例如：历史数据序列为x⁽⁰⁾＝{x⁽⁰⁾(1),x⁽⁰⁾(2),…,x⁽⁰⁾(N)}＝{6,3,8,10,7}

对数据序列中的数据进行依次累加可得：

x⁽¹⁾(1)＝x⁽⁰⁾(1)＝6，

x⁽¹⁾(2)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)＝6+3＝9，

x⁽¹⁾(3)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)+x⁽⁰⁾(3)＝6+3+8＝17，

x⁽¹⁾(4)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)+x⁽⁰⁾(3)+x⁽⁰⁾(4)＝6+3+8+10＝27，

x⁽¹⁾(5)＝x⁽⁰⁾(1)+x⁽⁰⁾(2)+x⁽⁰⁾(3)+x⁽⁰⁾(4)+x⁽⁰⁾(5)

＝6+3+8+10+7＝34.

于是得到一个新的数据序列

x⁽¹⁾＝{6,9,17,27,34}

对数据序列中的数据进行依次后减可得：

Δx⁽¹⁾(5)＝x⁽¹⁾(5)-x⁽¹⁾(4)＝34-27＝7，

Δx⁽¹⁾(4)＝x⁽¹⁾(4)-x⁽¹⁾(3)＝27-17＝10，

Δx⁽¹⁾(3)＝x⁽¹⁾(3)-x⁽¹⁾(2)＝17-9＝8，

Δx⁽¹⁾(2)＝x⁽¹⁾(2)-x⁽¹⁾(1)＝9-6＝3，

Δx⁽¹⁾(1)＝x⁽¹⁾(1)-x⁽¹⁾(0)＝6-0＝6.

步骤S206：将所述有效历史数据进行归一化处理。

对历史有效数据进行归一化处理即对数据进行预处理。

对于归一化处理的具体方法本发明实施例中对此不作具体限定，具体方法参见现有相关技术即可。

步骤S208：将归一化后的数据进行模糊处理。

一种优选的将归一化后的数据进行模糊处理的方式为：确定归一化后的数据中的最大值以及最小值；将最大值与最小值之间的数值划分成多个数值区间；其中，每个数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的数值区间中，每个模糊子集中包含多个归一化后的数据。

例如：温度0至50℃，可以进行如下划分：

将0至15℃对应成“冷”模糊子集，将10至25℃对应成“凉”模糊子集，将20至35℃对应成“合适”模糊子集，将25至40℃对应成“暖”模糊子集，将35至50℃对应成“热”模糊子集，通过上述划分，即可将温度0至50℃这些具体的数值模糊化。

步骤S210：将模糊处理后的数据输入模糊神经网络模型中，模糊神经网络模型进行参数选择。

一种优选的进行参数选择的方式为：模糊神经网络模型依据存储的数据表确定相关指标；依据模糊处理后的数据的相关属性确定重要指标、以及各重要指标所占权重。

模糊神经网络模型中建立有数据表，在数据表中将各个可能的输入参数视为条件属性，则条件属性集合为C＝{c1，c2，…，cm}；将待预测对象视为决策属性(表示基本负荷分量)，则决策属性集合为D＝{lB}。条件属性应尽可能多地采用与输出变量相关性大的信息。这样，C＝{l(d-1,t),l(d-2,t),l(d-3,t),l(d-4,t),l(d-7,t),l(d-14,t),l(d-21,t),l(d-1,t),Dl(d-2,t),Dl(d-3,t)},D＝{l(d,t)}，d表示第d天，t为预测时刻，l(d,t)代表了预测日t时刻的用量值，Dl(d-1,t)＝l(d-1,t)－l(d-2,t)，它反应了用量在前一天t时刻的增长方向和增长幅度。

同时，模糊神经网络模型中还建立有属性值与特征值的对应关系，为了能从观测数据中分析出知识间的依赖性和属性重要性，需要利用属性对论域进行分类，建立论域上的知识系统。分类的基础是属性值特征化，即对每个属性的属性值进行离散化处理，然后将属性值用特征值替代，属性值特征化后便可建立知识系统。

步骤S212：进行网络训练以及模糊网络模型的自适应学习。

在确定本次计算所需的指标之后，则需要进行网络训练，以完成本次能源用量预测，具体地：模糊网络模型依据确定的重要指标、以及各重要指标所占权重构建本次预测模型，依据生成的预测模型对确定所述模糊合理后的数据对应的能源用量预测值。

同时，模糊网络模型还会确定所述能源用量预测值对应的信息熵；依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现模糊神经网络模型的自学习。

对于模糊神经网络模型的具体训练生成方法，参见现有相关技术即可，本发明实施例中对此不作具体限制。

神经网络是典型的前馈神经网络，它具有输入层、输出层和隐含层。一个三层(一个输入层、一个隐含层、一个输出层)的前馈神经网络能实现从输入到输出间任何复杂非线性映射关系，很适合于能源系统的短期负荷预测。

算法的主要思想是把学习过程分为两个阶段：第一阶段(正向传播过程)，给出输入信息通过输入层经隐含层逐层处理并计算每个单元的实际输出；第二阶段(反向传播过程)，若在输出层未能得到期望的输出值，则逐层递归地计算实际输出与期望输出之差值(即误差)，以便根据此差调节权值。

步骤S214：预测所述模糊处理后的数据对应的能源用量预值。

在依据选择的指标进行网络训练生成本次预测模型后，即可依据输入模型中的有效历史数据确定能源用量预值，并输出。

步骤S216：对输出的能源用量预值进行修正。

其中，对输出的能源用量预值进行修正，即对能源用量预值进行反归一化处理。

在步骤S206中对历史数据进行了归一化处理，本步骤中为了还原数据，则需要对能源用量预值进行反归一化处理。

步骤S218：将反归一化处理结果进行白化处理，得到目标预测值。

由于步骤S204中对历史数据进行了灰色处理，因此，本步骤中需对反归一化后的处理结果采用灰色处理相适应的规则进行白化处理，以得到目标预测值。

步骤S220：输出目标预测值。

其中，目标预测值即最终的预测结果。

采用本发明模型及方法进行预测，预测结果与实际需量仅相差3.4％，对生产规划及管理具有很强的指导性。

本发明实施例提供的基于互补型模糊神经网络的能源用量预测方法，除具有实施例一中所述的方法所有具有的有益效果外，还具有如下有益效果：一方面，本发明实施例提供的能源用量预测方法，从模糊神经网络模型中存储的众多指标中选择出重要指标，对参数进行优化选择，能够提升能源用量预测结果的精确度。另一方面，本发明实施例提供的能源用量预测方法，还可以依据本次预测结果、信息熵对模糊神经网络模型中的相关参数进行修改以及优化，以实现模型的自学习，能够自动完善计算模型，从而提升能源用量预测的准确性。

实施例三

参照图4，示出了根据本发明实施例三的一种基于互补型模糊神经网络的能源用量预测装置的结构框图。

本实施例的基于互补型模糊神经网络的能源用量预测装置包括：获取模块302，用于获取待测试能源对应的用能历史数据；规整模块304，用于将所述用能历史数据进行分类规整；筛选模块306，用于对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；归一化模块308，用于将所述有效历史数据进行归一化处理；模糊处理模块310，用于将归一化后的数据进行模糊处理；输入模块312，用于将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；处理模块314，用于对所述能源用量预值进行反归一化处理；输出模块316，用于将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值。

本发明提供的基于互补型模糊神经网络的能源用量预测装置，一方面，通过将所述用能历史数据进行分类规整，对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据，排除突变、异常的数据，能够降低用能数据突变、数据异常数据干扰导致的预测偏差，因此，能够提升能源用量预测结果的准确性。另一方面，将筛选出的有效历史数据归一化后进行模糊处理，能够降低模糊神经网络的运算量，提升运算速度。可见，本发明实施例的提供的能源用量预测装置，不仅能够提升预测时的运算速度，还能够提升预测结果的准确性、可靠性。

实施例四

参照图5，示出了根据本发明实施例四的一种基于互补型模糊神经网络的能源用量预测装置的结构框图。

本实施例对实施例四中的基于互补型模糊神经网络的能源用量预测装置进行了进一步的优化，优化后的基于互补型模糊神经网络的能源用量预测装置包括：获取模块402，用于获取待测试能源对应的用能历史数据；规整模块404，用于将所述用能历史数据进行分类规整；筛选模块406，用于对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；归一化模块408，用于将所述有效历史数据进行归一化处理；模糊处理模块410，用于将归一化后的数据进行模糊处理；输入模块412，用于将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；处理模块414，用于对所述能源用量预值进行反归一化处理；输出模块416，用于将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值。

优选地，所述规整模块404具体用于：通过隶属函数对所述用能历史数据进行分类规整。

优选地，所述筛选模块406包括：累加模块4061，用于对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；后减模块4062，用于将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

优选地，所述模糊处理模块410具体用于：确定归一化后的数据中的最大值以及最小值；将最大值与最小值之间的数值划分成多个数值区间；其中，每个数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的数值区间中，每个模糊子集中包含多个归一化后的数据。

优选地，所述装置还包括：信息熵确定模块418，用于在确定所述模糊处理后的数据对应的能源用量预值之后，确定所述能源用量预值对应的信息熵；自学习模块420，用于依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现神经网络模型的自学习。

本实施例的基于互补型模糊神经网络的能源用量预测装置用于实现前述多个实施例中相应的基于互补型模糊神经网络的能源用量预测方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

以上对本发明所提供的一种基于互补型模糊神经网络的能源用量预测方法和装置进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims

1.一种基于互补型模糊神经网络的能源用量预测方法，其特征在于，包括：

获取待测试能源对应的用能历史数据；

将所述用能历史数据进行分类规整；

对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；

将所述有效历史数据进行归一化处理；

将归一化后的数据进行模糊处理；

将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；

对所述能源用量预值进行反归一化处理；

将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值；

其中，所述将归一化后的数据进行模糊处理的步骤包括：确定归一化后的数据中的最大值以及最小值；将所述最大值与所述最小值之间的数值划分成多个数值区间；其中，每个所述数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的所述数值区间中，每个所述模糊子集中包含多个归一化后的数据；

其中，所述将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值的步骤包括：选择适合各所述模糊子集对应的参数；依据确定的参数构建适用于所述模糊子集的计算模型，以确定出所述能源用量预值。

2.根据权利要求1所述的方法，其特征在于，所述将所述用能历史数据进行分类规整的步骤包括：

通过隶属函数对所述用能历史数据进行分类规整。

3.根据权利要求1所述的方法，其特征在于，所述对所述规整后的用能历史数据进行灰色处理的步骤包括：

对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；

将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

4.根据权利要求1所述的方法，其特征在于，所述模糊神经网络模型确定所述模糊处理后的数据对应的能源用量预测值的步骤包括：

所述模糊神经网络模型依据存储的数据表确定相关指标；

依据模糊处理后的数据的相关属性确定重要指标、以及各重要指标所占权重；

依据确定的重要指标、以及各重要指标所占权重构建本次预测模型，依据生成的预测模型对所述数据对应的能源用量进行预测。

5.根据权利要求4所述的方法，其特征在于，在所述确定所述模糊处理后的数据对应的能源用量预值的步骤之后，所述方法还包括：

确定所述能源用量预值对应的信息熵；

依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现神经网络模型的自学习。

6.一种基于互补型模糊神经网络的能源用量预测装置，其特征在于，包括：

获取模块，用于获取待测试能源对应的用能历史数据；

规整模块，用于将所述用能历史数据进行分类规整；

筛选模块，用于对所述规整后的用能历史数据进行灰色处理，筛选出有效历史数据；

归一化模块，用于将所述有效历史数据进行归一化处理；

模糊处理模块，用于将归一化后的数据进行模糊处理；

输入模块，用于将模糊处理后的数据输入模糊神经网络模型中，由所述模糊神经网络模型预测出所述模糊处理后的数据对应的能源用量预值；

处理模块，用于对所述能源用量预值进行反归一化处理；

输出模块，用于将反归一化处理结果进行白化处理，得到目标预测值，并输出所述目标预测值；

其中，所述归一化模块具体用于：确定归一化后的数据中的最大值以及最小值；将所述最大值与所述最小值之间的数值划分成多个数值区间；其中，每个所述数值区间对应一个模糊子集；将归一化后的各数据分别划分至对应的所述数值区间中，每个所述模糊子集中包含多个归一化后的数据；

其中，所述输出模块具体用于：选择适合各所述模糊子集对应的参数；依据确定的参数构建适用于所述模糊子集的计算模型，以确定出所述能源用量预值。

7.根据权利要求6所述的装置，其特征在于，所述规整模块具体用于：

通过隶属函数对所述用能历史数据进行分类规整。

8.根据权利要求6所述的装置，其特征在于，所述筛选模块包括：

累加模块，用于对所述历史数据中、各数据序列中的数据进行依次累加，生成新数据序列；

后减模块，用于将新数据序列中各数据依次进行后减运算，生成目标数据序列，将所述目标数据序列确定为有效历史数据。

9.根据权利要求6所述的装置，其特征在于，所述模糊神经网络模型确定所述模糊处理后的数据对应的能源用量预值时：

所述模糊神经网络模型依据存储的数据表确定相关指标；

10.根据权利要求9所述的装置，其特征在于，所述装置还包括：

信息熵确定模块，用于在确定所述模糊处理后的数据对应的能源用量预值之后，确定所述能源用量预值对应的信息熵；

自学习模块，用于依据所述信息熵对所述神经网络模型中的相关指标对应的参数进行修改、优化，以实现神经网络模型的自学习。