CN106372755A - 基于主元分析的bp神经网络智能工业园区能耗模型建立方法 - Google Patents

Abstract

本发明公开了一种基于主元分析的BP神经网络用户能耗模型建立方法，该方法预处理选取的终端用户的历史耗电数据以及用户的煤、油（汽油、柴油和煤油）、气（液化石油气和天然气）、电的耗能数据，经归一化处理后计算灰色关联系数以及灰色关联矩阵并根据灰色关联度选取输入变量，进行主元分析得到若干个不相关的输出量，作为BP神经网络模型的输入量，并确定神经网络输出变量和隐含层个数，完成神经网络初始化及网络训练建立园区终端用户能耗模型。本发明通过主元分析法有效减少了BP神经网络能耗模型的输入变量，能有效辨识能耗与各终端用户数据的关系，更加精确地建立了园区终端用户的能耗模型，并能够有效预测整个园区用户的总耗能。

Description

基于主元分析的BP神经网络智能工业园区能耗模型建立方法

技术领域

本发明涉及一种基于主元分析的BP神经网络智能工业园区能耗模型建立方法。

背景技术

能源是国家和社会的重要命脉，既影响整个国家的经济增长，又影响着社会的稳定。而智能园区内终端用户在生产过程中，浪费了大量的能源，其能耗主要由两部分构成：一部分是用户维持工业生产所消耗的能源，这部分能源主要由用户产品生产线的工作特性及产品产量所决定；另一部分则与一般公共建筑用户相似，主要用于维持用户建筑的温度、湿度、照明等工作环境，以及其他工作相关的能耗，这部分能耗一般受到建筑类型、建筑朝向、窗墙比、室内温湿度需求及外界环境参数等因素的影响。对于工业用户而言，这两部分能耗中维持工业生产所消耗的能源占据主要地位。

从20世纪70年代的石油危机开始，国外发达国家开始认识到节约能源的重要性，开始进行能源优化利用的研究。其中，工业用户能耗作为能源消耗的重要组成部分，其能源优化利用的研究得到了迅速的发展。对智能电网园区终端用户进行多元能源梯级优化利用，首先需要建立园区终端用户的能耗模型，对用户的能源消耗量、可回收能源产生量、用户内部能量交换过程、能流路径等特性进行描述，从而分析用户的用能环节中可优化及可进行能源梯级利用的环节加以优化和改造，达到能源节约优化使用的目标。

研究和实践证明，实施智能电网园区的能源优化管理，提高终端用户的能源利用效率，可以有效缓解园区内部电力供需的矛盾，还能最大程度地减少一次能源的消耗。智慧城市的园区配电网具有高渗透率分布式电源、分布式储能、大规模电动汽车接入等特征，同时园区内还存在多种典型终端用户，研究其能源优化管理技术可以有效地为园区整体系统能效的提升提供有利技术支持。

目前，园区内用户的能耗模型建立方法通常直接分析各园区终端用户历史数据的方法，而较多类型的用户数据并未先进行合理的科学分析，并且，它们之间存在较严重的共线性问题，采用普通的多元回归分析方法难以建立精确的电能消耗模型。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种基于主元分析的BP神经网络智能工业园区能耗模型建立方法，解决现有技术中能耗模型精确度不高，不能准确预测用户能耗的技术问题。

为解决上述技术问题，本发明所采用的技术方案是：基于主元分析的BP神经网络智能工业园区能耗模型建立方法，包括如下步骤：

步骤一：数据录入：录入园区终端用户的历史能耗数据；

步骤二：数据预处理：将园区各工业用户电能消耗数据作为子数列，将园区总能耗数据作为母数列，分别对子数列和母数列进行预处理；

步骤三：选取输入变量：计算子数列和母数列的灰色关联系数及灰色关联度，根据灰色关联度选取BP神经网络模型的高维输入变量；

步骤四：主元分析：进行配合总能耗主元分析，将高维输入变量变换为低维主元输出变量，得到若干不相关的输出变量作为BP神经网络模型的最终输入变量；

步骤五：建立BP神经网络能耗模型：确定BP神经网络模型的输出变量和隐含层个数，完成神经网络初始化及网络训练建立园区终端用户能耗模型。

步骤二所述的数据预处理的具体步骤如下：

将子数列归一化处理，具体如公式(1)所示：

$X_i\left(k\right)=\frac{x_i\left(k\right)-{\stackrel{\‾}{x}}_i}{b_i},i=1,2,...,9---\left(1\right)$

其中，x_i(k)为子数列x_i(t)在k时刻的数据， n为各个子数列样本个数；

先将母数列能耗数据转换为吨标煤，具体如公式(2)所示：

式中，x₀表示总能耗，吨标煤；m_煤炭为煤炭消耗量，单位为吨；m_汽油为汽油消耗量，单位为升，m_柴油为柴油消耗量，单位为升，m_煤油为煤油消耗量，单位为吨；m_{液化石油气}为液化石油气消耗量，单位为千克，m_天然气为天然气消耗量，单位为立方米；q_电为电能消耗量，单位为千瓦时；

再将母数列进行归一化处理，具体如公式(3)所示：

$X_0\left(k\right)=\frac{x_0\left(k\right)-{\stackrel{\‾}{x}}_0}{b_0}---\left(3\right)$

其中，x₀(k)为母数列x₀(t)在k时刻的数据， n为各个子数列样本个数。

步骤三的具体步骤如下：

步骤301：按照下式计算经过数据归一化处理后的母数列{X₀(t)}和子数列{X_i(t)}，在时刻t＝k时，{X₀(t)}和{X_i(t)}的灰色关联系数为

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max }}{{\mathrm{\Δ}}_{0i}\left(k\right)+{\mathrm{\ρ\Δ}}_{\max }}---\left(4\right)$

式中，Δ_0i(k)为t＝k时刻母数列与子数列差的绝对值，即Δ_0i(k)＝|x₀(k)-x_i(k)|，i＝1,2,…,9，Δ_min和Δ_max分别为各时刻的绝对差中的最小值与最大值；ρ为分辨系数，ρ∈(0,1)；

步骤302：计算母数列与子数列之间的灰色关联度，计算如公式(5)所示：

$r_{0i}=\frac{1}{n}{\Σ}_{k=1}^n{\mathrm{\ξ}}_{0i}\left(k\right)---\left(5\right)$

式中，r_0i为子数列{X_i(t)}与母数列{X₀(t)}的灰色关联度，n为各个子数列样本个数；

步骤303：选择灰色关联度大于0.5的变量作为BP神经网络模型的高维输入变量。

步骤四所述主元分析的具体步骤如下：

步骤401：求标准化处理后配合能耗X_i的协方差S_ij与相关系数矩阵R：

$S_{ij}=\frac{1}{n-1}{\Σ}_{k=1}^n\left(X_i\right(k)-{\stackrel{\‾}{X}}_i)\left(X_j\right(k)-{\stackrel{\‾}{X}}_j)---\left(6\right)$

$R={\left(r_{ij}\right)}_{m\×m}=\[\frac{S_{ij}}{\sqrt{S_{ii}{S}_{ij}}}\]---\left(7\right)$

式中，r_ij为配合能耗的相关系数，S_ii为i＝j时的协方差；i,j＝1,2,…,m为配合能耗的m个用户指标；

步骤402：计算相关系数矩阵R的特征值λ_j、配合能耗各主元的方差贡献率和累计方差贡献率

$a_j=\frac{{\mathrm{\λ}}_j}{{\Σ}_{j=1}^m{\mathrm{\λ}}_j}---\left(8\right)$

$b_v={\Σ}_{j=1}^v{a}_j---\left(9\right)$

其中，j,v∈[1,m]；

步骤403：计算特征值λ_j对应的正交单位化特征向量e_j，并按照计算主元；

利用特征值与特征向量的不相关性，将相关的配合能耗指标转换为不相关的主成分；

根据统计分析经验，选择累计方差贡献率超过85％的前d个能耗主成分t₁,t₂,…,t_d，其中d∈(1,m)。

步骤五所述的建立BP神经网络能耗模型的具体步骤如下：

步骤501：根据主元分析的输出确定BP神经网络能耗模型的输入变量个数；

步骤502：确定BP神经网络能耗模型的输出变量个数；

步骤503：确定BP神经网络能耗模型的隐含层元素个数，隐含层元素个数计算公式如下：

$P_1=\sqrt{q+p}+a---\left(10\right)$

其中，q为神经网络输入变量的个数，p为输出变量的个数，a为[1，10]之间的常数；

步骤504：对BP神经网络初始化并进行网络训练；

将80％的样本数据作为训练样本，剩下的20％数据作为测试样本；

网络模型的初始权值被随机赋值，设定值为接近于零的非零值，设定学习误差值、学习速率以及最大循环次数，隐含层和输出层的传递函数均选取非对称的Sigmoid函数，即

网络学习算法采用梯度下降法，即函数极值沿着梯度变化最快的方向求取，权值调整公式如下：

${\mathrm{\Δw}}_{mj}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂w_{mj}\left(k\right)}={\Σ}_{p=1}^l(-\mathrm{\η}\frac{\∂E_p}{\∂w_{mj}})---\left(11\right)$

式中，l为样本数，η为学习效率。

与现有技术相比，本发明所达到的有益效果是：本发明通过主元分析法有效减少了BP神经网络能耗模型的输入变量，能有效辨识能耗与各终端用户数据的关系，更加精确地建立了园区工业用户的能耗模型，并能够有效预测整个园区用户的总耗能。

附图说明

图1是本发明的流程图。

图2是本发明中主元分析法与BP神经网络的结构图。

图3是本发明中数据预处理的流程图。

图4是本发明中主元分析的流程图。

图5是本发明中建立BP神经网络模型的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，是本发明的流程图，先录入园区工业用户的历史能耗数据，包括：煤炭工业，钢铁类工业，石油、化工类工业，电力生产类工业，纺织类工业，水泥类工业，制药类工业，橡胶塑料类工业，电子类工业；然后将各工业用户历史耗电数据作为子数列，园区总能耗数据作为母数列，对历史能耗数据进行预处理，包括归一化处理，计算母数列和子数列的灰色关联系数以及灰色关联度，并选择灰色关联度较高的变量，经过配合能耗主元分析法将高维输入变量降至低维输出作为BP神经网络能耗模型的输入量，确定BP神经网络能耗模型的输出变量个数、隐含层元素个数，再对BP神经网络能耗模型初始化并进行网络训练，建立基于主元分析的园区终端用户BP神经网络能耗模型。本发明通过主元分析法有效减少了BP神经网络能耗模型的输入变量，能有效辨识能耗与各终端用户数据的关系，更加精确地建立了园区终端用户的能耗模型，并能够有效预测整个园区用户的总耗能。

如图2至5所示，本发明的详细步骤如下：

步骤一：录入园区工业用户的历史能耗数据：

需要获取历史能耗数据的智能园区终端用户主要为：煤炭工业x₁(t)，钢铁类工业x₂(t)，石油、化工类工业x₃(t)，电力生产类工业x₄(t)，纺织类工业x₅(t)，水泥类工业x₆(t)，制药类工业x₇(t)，橡胶塑料类工业x₈(t)，造纸类工业x₉(t)，根据各终端用户的能源管理系统，获取园区内各用户的煤、油(汽油、柴油和煤油)、气(液化石油气和天然气)、电的总耗能数据x₀(t)。

步骤二：能耗数据预处理操作：

1)将园区各工业用户电能消耗数据作为子数列，记为f[x_i(t)]＝

{x₁(t),x₂(t),x₃(t),x₄(t),x₅(t),x₆(t),x₇(t),x₈(t),x₉(t)},i＝1,…,9，将总耗能数据作为母数列为x₀(t)；

2)为减少奇异样本对主元分析以及神经网络性能的影响，对样本数据进行如下归一化，使其范围在[0,1]之间。

子数列归一化公式如下：

$X_i\left(k\right)=\frac{x_i\left(k\right)-{\stackrel{\‾}{x}}_i}{b_i}---\left(1\right)$

其中，x_i(k)为子数列x_i(t)在k时刻的数据， n为各个子数列样本个数。

母数列能耗数据转换为吨标煤公式如下：

式中，x₀表示总能耗，吨标煤；m_煤炭为煤炭消耗量，单位为吨；m_汽油为汽油消耗量，单位为升，m_柴油为柴油消耗量，单位为升，m_煤油为煤油消耗量，单位为吨；m_{液化石油气}为液化石油气消耗量，单位为千克，m_天然气为天然气消耗量，单位为立方米；q_电为电能消耗量，单位为千瓦时。

母数列归一化公式如下：

$X_0\left(k\right)=\frac{x_0\left(k\right)-{\stackrel{\‾}{x}}_0}{b_0}---\left(3\right)$

其中，x₀(k)为母数列x₀(t)在k时刻的数据， n为各个子数列样本个数。

3)计算灰色关联系数，按照下式计算经过数据归一化处理后的母数列{X₀(t)}和子数列{X_i(t)}，在时刻t＝k时，{X₀(t)}和{X_i(t)}的灰色关联系数为

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{{\mathrm{\Δ}}_{\min }+{\mathrm{\ρ\Δ}}_{\max }}{{\mathrm{\Δ}}_{0i}\left(k\right)+{\mathrm{\ρ\Δ}}_{\max }}---\left(4\right)$

式中，Δ_0i(k)为t＝k时刻母数与子数列差的绝对值，即Δ_0i(k)＝|x₀(k)-x_i(k)|,i＝1,2,...,9，Δ_min和Δ_max分别为各时刻的绝对差中的最小值与最大值。ρ为分辨系数，其作用在提高灰色关联系数之间的差异显著性，ρ∈(0,1)，一般取0.5。

4)计算灰色关联度，计算公式如下：

$r_{0i}=\frac{1}{n}{\Σ}_{k=1}^n{\mathrm{\ξ}}_{0i}\left(k\right)---\left(5\right)$

式中，r_0i为子数列{X_i(t)}与母数列{X₀(t)}的灰色关联度，n为数列的长度，即数据个数。

5)灰色关联度排序并选择灰色关联度大于0.5的变量作为主要变量。

对灰色关联度进行从大到小排序，排序越靠前，则说明此子因素与母因素的关联性越强，反之越弱；若大于0.5则可以选择作为BP神经网络能耗模型的输入变量。假定最终存在m个变量，m≤9。

步骤三：配合总能耗主元分析：

主元分析可将高维输入变量变换为低维主元变量，使用较少的主元变量能充分描述高维空间的特性，且不会有显著的信息损失。

1)求标准化处理后配合能耗X_i的协方差S_ij与相关系数矩阵R。

$S_{ij}=\frac{1}{n-1}{\Σ}_{k=1}^n\left(X_i\right(k)-{\stackrel{\‾}{X}}_i)\left(X_j\right(k)-{\stackrel{\‾}{X}}_j)---\left(6\right)$

$R={\left(r_{ij}\right)}_{m\×m}=\[\frac{S_{ij}}{\sqrt{S_{ii}{S}_{ij}}}\]---\left(7\right)$

式中，r_ij为配合能耗的

相关系数，i,j＝1,2,…,m为配合能耗的m个用户指标，n为序列

样本个数。

2)计算相关系数矩阵R的特征值λ_j、配合能耗各主元的方差贡献率和累计方差贡献率

$a_j=\frac{{\mathrm{\λ}}_j}{{\Σ}_{j=1}^9{\mathrm{\λ}}_j}---\left(8\right)$

$b_v={\Σ}_{j=1}^v{a}_j---\left(9\right)$

其中，j,v＝1,…,m为主元变量。

3)计算特征值λ_j对应的正交单位化特征向量e_j，并按照计算主元，x_j表示各工业用户。利用特征值与特征向量的不相关性，将相关的配合能耗指标转换为不相关的主成分。根据统计分析经验，选择累计方差贡献率超过85％的前d个能耗主成分t₁,t₂,…,t_d，其中1≤d≤9，各能耗主成分命名取决于与各输入变量之间的载荷系数。

步骤四：建立园区终端用户的BP神经网络能耗模型：

1)根据主元分析的输出确定BP神经网络能耗模型的输入变量个数；

2)确定BP神经网络能耗模型的输出变量个数；

由于BP神经网络能耗模型建立的能耗模型，所以输出变量为智能园区煤、油、气、电的总能耗。

3)确定BP神经网络能耗模型的隐含层元素个数。

隐含层元素个数计算公式如下：

$P_1=\sqrt{q+p}+a---\left(10\right)$

其中，q为神经网络输入变量的个数，p为输出变量的个数，a为[1,10]之间的常数。

4)BP神经网络能耗模型初始化并进行网络训练。

将80％的样本数据作为训练样本，剩下的20％数据作为测试样本。网络模型的初始权值被随机赋值，设定值为接近于零的非零值，设定学习误差值、学习速率以及最大循环次数，隐含层和输出层的传递函数均选取非对称的Sigmoid函数，即

网络学习算法采用梯度下降法，即函数极值沿着梯度变化最快的方向求取，权值调整公式如下：

${\mathrm{\Δw}}_{mj}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂w_{mj}\left(k\right)}={\Σ}_{p=1}^l(-\mathrm{\η}\frac{\∂E_p}{\∂w_{mj}})---\left(11\right)$

式中，l为样本数，η为学习效率。

如图2所示，基于主元分析的园区终端用户BP神经网络模型的示意图，由9个工业用户输入量经主元分析输出的d个能耗主成分作为BP神经网络的输入量。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.基于主元分析的BP神经网络智能工业园区能耗模型建立方法，其特征在于，包括如下步骤：

步骤一：数据录入：录入园区终端用户的历史能耗数据；

步骤二：数据预处理：将园区各工业用户电能消耗数据作为子数列，将园区总能耗数据作为母数列，分别对子数列和母数列进行预处理；

步骤三：选取输入变量：计算子数列和母数列的灰色关联系数及灰色关联度，根据灰色关联度选取BP神经网络模型的高维输入变量；

步骤四：主元分析：进行配合总能耗主元分析，将高维输入变量变换为低维主元输出变量，得到若干不相关的输出变量作为BP神经网络模型的最终输入变量；

步骤五：建立BP神经网络能耗模型：确定BP神经网络模型的输出变量和隐含层个数，完成神经网络初始化及网络训练建立园区终端用户能耗模型。

2.根据权利要求1所述的基于主元分析的BP神经网络智能工业园区能耗模型建立方法，其特征在于，步骤二所述的数据预处理的具体步骤如下：

将子数列归一化处理，具体如公式(1)所示：

$X_i\left(k\right)=\frac{x_i\left(k\right)-{\stackrel{\‾}{x}}_i}{b_i},i=1,2,...,9---\left(1\right)$

其中，x_i(k)为子数列x_i(t)在k时刻的数据， n为各个子数列样本个数；

先将母数列能耗数据转换为吨标煤，具体如公式(2)所示：

式中，x₀表示总能耗，吨标煤；m_煤炭为煤炭消耗量，单位为吨；m_汽油为汽油消耗量，单位为升，m_柴油为柴油消耗量，单位为升，m_煤油为煤油消耗量，单位为吨；m_{液化石油气}为液化石油气消耗量，单位为千克，m_天然气为天然气消耗量，单位为立方米；q_电为电能消耗量，单位为千瓦时；

再将母数列进行归一化处理，具体如公式(3)所示：

$X_0\left(k\right)=\frac{x_0\left(k\right)-{\stackrel{\‾}{x}}_0}{b_0}---\left(3\right)$

其中，x₀(k)为母数列x₀(t)在k时刻的数据， n为各个子数列样本个数。

3.根据权利要求2所述的基于主元分析的BP神经网络智能工业园区能耗模型建立方法，其特征在于，步骤三的具体步骤如下：

步骤301：按照下式计算经过数据归一化处理后的母数列{X₀(t)}和子数列{X_i(t)}，在时刻t＝k时，{X₀(t)}和{X_i(t)}的灰色关联系数为

${\mathrm{\ξ}}_{0i}\left(k\right)=\frac{{\mathrm{\Δ}}_{min}+{\mathrm{\ρ\Δ}}_{max}}{{\mathrm{\Δ}}_{0i}\left(k\right)+{\mathrm{\ρ\Δ}}_{max}}---\left(4\right)$

式中，Δ_0i(k)为t＝k时刻母数列与子数列差的绝对值，即Δ_0i(k)＝|x₀(k)-x_i(k)|，i＝1,2,…,9，Δ_min和Δ_max分别为各时刻的绝对差中的最小值与最大值；ρ为分辨系数，ρ∈(0,1)；

步骤302：计算母数列与子数列之间的灰色关联度，计算如公式(5)所示：

$r_{0i}=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^n{\mathrm{\ξ}}_{0i}\left(k\right)---\left(5\right)$

式中，r_0i为子数列{X_i(t)}与母数列{X₀(t)}的灰色关联度，n为各个子数列样本个数；

步骤303：选择灰色关联度大于0.5的变量作为BP神经网络模型的高维输入变量。

4.根据权利要求3所述的基于主元分析的BP神经网络智能工业园区能耗模型建立方法，其特征在于，步骤四所述主元分析的具体步骤如下：

步骤401：求标准化处理后配合能耗X_i的协方差S_ij与相关系数矩阵R：

$S_{ij}=\frac{1}{n-1}{\mathrm{\Σ}}_{k=1}^n\left(X_i\right(k)-{\stackrel{\‾}{X}}_i)\left(X_j\right(k)-{\stackrel{\‾}{X}}_j)---\left(6\right)$

$R={\left(r_{ij}\right)}_{m\×m}=\[\frac{S_{ij}}{\sqrt{S_{ii}{S}_{ij}}}\]---\left(7\right)$

式中，r_ij为配合能耗的相关系数，S_ii为i＝j时的协方差；i,j＝1,2,…,m为配合能耗的m个用户指标；

步骤402：计算相关系数矩阵R的特征值λ_j、配合能耗各主元的方差贡献率和累计方差贡献率

$a_j=\frac{{\mathrm{\λ}}_j}{{\mathrm{\Σ}}_{j=1}^m{\mathrm{\λ}}_j}---\left(8\right)$

$b_v={\mathrm{\Σ}}_{j=1}^v{a}_j---\left(9\right)$

其中，j,v∈[1,m]；

步骤403：计算特征值λ_j对应的正交单位化特征向量e_j，并按照计算主元；

利用特征值与特征向量的不相关性，将相关的配合能耗指标转换为不相关的主成分；

根据统计分析经验，选择累计方差贡献率超过85％的前d个能耗主成分t₁,t₂,…,t_d，其中d∈(1,m)。

5.根据权利要求4所述的基于主元分析的BP神经网络智能工业园区能耗模型建立方法，其特征在于，步骤五所述的建立BP神经网络能耗模型的具体步骤如下：

步骤501：根据主元分析的输出确定BP神经网络能耗模型的输入变量个数；

步骤502：确定BP神经网络能耗模型的输出变量个数；

步骤503：确定BP神经网络能耗模型的隐含层元素个数，隐含层元素个数计算公式如下：

$P_1=\sqrt{q+p}+a---\left(10\right)$

其中，q为神经网络输入变量的个数，p为输出变量的个数，a为[1，10]之间的常数；

步骤504：对BP神经网络初始化并进行网络训练；

将80％的样本数据作为训练样本，剩下的20％数据作为测试样本；

网络模型的初始权值被随机赋值，设定值为接近于零的非零值，设定学习误差值、学习速率以及最大循环次数，隐含层和输出层的传递函数均选取非对称的Sigmoid函数，即

网络学习算法采用梯度下降法，即函数极值沿着梯度变化最快的方向求取，权值调整公式如下：

${\mathrm{\Δw}}_{mj}\left(k\right)=-\mathrm{\η}\frac{\∂E\left(k\right)}{\∂w_{mj}\left(k\right)}={\mathrm{\Σ}}_{p=1}^l(-\mathrm{\η}\frac{\∂E_p}{\∂w_{mj}})---\left(11\right)$

式中，l为样本数，η为学习效率。