CN109063892A - 基于bp-lssvm组合优选模型的工业电量预测方法 - Google Patents
基于bp-lssvm组合优选模型的工业电量预测方法 Download PDFInfo
- Publication number
- CN109063892A CN109063892A CN201810660031.8A CN201810660031A CN109063892A CN 109063892 A CN109063892 A CN 109063892A CN 201810660031 A CN201810660031 A CN 201810660031A CN 109063892 A CN109063892 A CN 109063892A
- Authority
- CN
- China
- Prior art keywords
- lssvm
- prediction
- model
- error
- models
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000005457 optimization Methods 0.000 title claims abstract description 27
- 230000005611 electricity Effects 0.000 claims abstract description 64
- 238000004364 calculation method Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 30
- 239000004568 cement Substances 0.000 claims description 27
- 229910000831 Steel Inorganic materials 0.000 claims description 24
- 239000010959 steel Substances 0.000 claims description 24
- 239000002131 composite material Substances 0.000 claims description 8
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000013459 approach Methods 0.000 abstract description 3
- 230000001419 dependent effect Effects 0.000 abstract 1
- 239000010410 layer Substances 0.000 description 29
- 230000008859 change Effects 0.000 description 14
- 230000000694 effects Effects 0.000 description 12
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 5
- 229910052742 iron Inorganic materials 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 5
- 238000000540 analysis of variance Methods 0.000 description 4
- 238000013277 forecasting method Methods 0.000 description 4
- 239000002184 metal Substances 0.000 description 4
- 229910052751 metal Inorganic materials 0.000 description 4
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000003723 Smelting Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000002301 combined effect Effects 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000002195 synergetic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了属于一种基于BP‑LSSVM组合优选模型的工业电量预测方法。该方法首先对输入数据进行分析处理；使用历史用电量影响因素作为自变量，历史用电量为因变量进行样本训练，分别构建BP预测模型和LSSVM预测模型，采用BP‑LSSVM组合优选方法，对模型进行学习训练，并根据模型的训练学习，求解出预测相对误差；然后，分别针对两种模型的预测误差求出误差标准差，再根据误差标准差计算出两个模型的权重。最后，根据两个模型的预测结果和权重计算得到优选组合模型预测值及预测误差。本发明的能够实现全局最优、且预测精度更为理想，为工业用电量的准确预测提供了一种新思路。
Description
技术领域
本发明属于电量预测技术领域，尤其涉及一种基于BP-LSSVM组合优选模型的工业电量预测方法。
背景技术
随着加快转变经济发展方式，推动产业结构调整和优化升级，完善和发展现代产业体系，使产业结构趋于合理，地区重要工业产品产量会逐渐减压，势必造成工业用电量的下降，将对发电侧、输电侧和售电侧造成不同程度的影响。正确的判断和预测用电量未来的变化趋势对于电力企业准确、科学、合理的进行规划，提高电力系统运行的稳定性和经济性具有至关重要的意义。根据地区产业结构特性和高耗能行业在耗电、产值等方面的地位，充分分析重点产品价格、产量等市场因素对地区工业用电量的独立影响和综合影响效果，对产业结构调整后期地区工业用电量进行预测具有十分重要的现实意义。
针对用电量预测方法，传统电力需求预测方法着重于电力需求时间序列内在规律，或电力需求时间序列与经济因素时间序列之间数学上的关联，如回归分析法、时间序列法、灰色预测法等。随着时代的发展，传统预测方法已经无法满足电力需求的预测精度，研究者们开始引入人工智能技术以改进传统的电力需求预测方法。神经网络算法和支持向量机是两种常用的人工智能预测技术。神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。在预测时，神经网络法利用神经网络可以任意逼进非线性系统的特性，对历史曲线进行拟合。然而神经网络算法存在收敛速度慢，计算效率低，计算结果易受初始网络权重和训练样本的影响等缺点，此外神经网络作为一种局部搜索的优化方法，其网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。支持向量机方法较神经网络法有明显的优点，但仍然存在收敛速度较慢、算法参数难以控制、易陷入局部最优等缺点，其预测的准确性受其参数设置的影响。
发明内容
针对上述问题，本发明提出了一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，包括以下步骤：
步骤1、将采集的工业用电量数据作为样本数据，并对样本数据进行归一化处理；
步骤2、选取历史用电量影响因素作为输入变量，工业用电量作为输出变量，分别构建BP神经网络预测模型及LSSVM预测模型进行样本训练；
步骤3、使用样本数据对步骤2构建的模型进行训练，并根据模型的训练结果，分别求解出两个模型的预测相对误差；
步骤4、根据步骤3求得的预测相对误差求解两个模型的误差标准差；
步骤5、根据步骤4求得的误差标准差计算出两个模型的权重；
步骤6、根据BP预测模型和LSSVM预测模型的预测值和权重建立BP-LSSVM组合优选模型预测值计算公式，通过计算得到BP-LSSVM组合优选模型的预测值及预测误差。
所述步骤1对样本数据进行归一化处理的计算公式为：
其中，是经归一化处理的样本数据，xi是样本数据，xmax是样本数据中的最大值，xmin是样本数据中的最小值。
所述历史用电量影响因素包括钢价综合指数、钢铁月产量、水泥价格指数、水泥月产量、月平均最高气温、月平均最低气温和月平均降水量。
所述步骤3两个模型的预测相对误差的计算公式为：
e1＝x(0)(t)-f1(t)
e2＝x(0)(t)-f2(t)
式中，e1为BP神经网络预测模型的预测相对误差，x(0)(t)为原始序列，f1(t)为BP神经网络预测模型的预测值，e2为LSSVM预测模型的预测相对误差，f2(t)为LSSVM预测模型的预测值。
所述步骤4两个模型的误差标准差的计算公式为：
Var(e1)＝σ11
Var(e2)＝σ22
式中，σ11为BP神经网络预测模型的误差标准差，σ22为LSSVM预测模型的误差标准差。
所述步骤5两个模型的权重的计算公式为：
其中，ω1+ω2＝1
式中，ω1为BP神经网络预测模型的权重，ω2为LSSVM预测模型的权重。
所述BP-LSSVM组合优选模型预测值计算公式为：
fc＝ω1f1+ω2f2
式中，f1、f2分别为BP神经网络预测模型与LSSVM预测模型的无偏预测值，fc是加权平均的组合预测值。
所述BP-LSSVM组合优选模型预测误差的计算公式为：
ec＝ω1e1+ω2e2
式中，ec表示加权平均的组合预测误差。
本发明的有益效果在于：
本发明通过对重点产品价格和产量对工业用电量影响分析和多因素方差分析，采用BP-LSSVM组合优选方法，提出了一种基于BP-LSSVM组合优选预测模型，选取了钢铁、水泥的价格、月产量因素和月平均最高气温、月平均最低气温和月平均降水量等气象因素为模型输入变量；选取月工业用电量作为模型输出变量，对用电量的特征向量进行学习训练。由于考虑了两个模型的组合效果，拟合精度高，因此该组合预测模型具有较强的非线性拟合能力和映射能力，具有更强的预测稳定性，可以规避单一模型所带来的预测风险，能够较好的实现地区工业用电量预测。在此基础上，本发明提供了一种基于BP-LSSVM组合优选模型的工业电量预测方法，采用对BP和LSSVM进行组合优选的方法，能够实现全局最优、且预测精度更为理想，为工业用电量的准确预测提供了一种新思路。
附图说明
附图1为基于BP-LSSVM组合优选模型的工业电量预测方法流程图；
附图2为三层BP网络拓扑结构；
附图3为D地区2015-2017年钢铁价格指数与工业用电量变化趋势图；
附图4为D地区2015-2017年水泥价格指数与工业用电量变化趋势图；
附图5为D地区2015-2017年钢铁产量与工业用电量变化趋势图；
附图6为D地区2015-2017年水泥产量与工业用电量变化趋势图；
附图7为D地区BP神经网络模型及LSSVM模型工业用电量预测结果；
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
附图1为本发明提出的一种基于BP-LSSVM组合优选模型的工业电量预测方法流程图，如图1所示，所述方法包括如下步骤：
步骤1、将采集的工业用电量数据作为样本数据，并对样本数据进行归一化处理；
步骤2、选取历史用电量影响因素作为输入变量，工业用电量作为输出变量，分别构建BP神经网络预测模型及LSSVM预测模型进行样本训练；
步骤3、使用样本数据对步骤2构建的模型进行训练，并根据模型的训练结果，分别求解出两个模型的预测相对误差；
步骤4、根据步骤3求得的预测相对误差求解两个模型的误差标准差；
步骤5、根据步骤4求得的误差标准差计算出两个模型的权重；
步骤6、根据BP预测模型和LSSVM预测模型的预测值和权重建立BP-LSSVM优选组合模型预测值计算公式，通过计算得到BP-LSSVM优选组合模型的预测值及预测误差。
具体的，所述步骤1中，对样本数据进行归一化处理的计算公式为：
其中，是经归一化处理的样本数据，xi是样本数据，xmax是样本数据中的最大值，xmin是样本数据中的最小值。
具体的，所述步骤2中，本发明通过对重点产品价格和产量对工业用电量影响分析和多因素方差分析，选取历史用电量影响因素作为模型输入变量，工业用电量作为模型输出变量，其中，历史用电量影响因素包括钢价综合指数、钢铁月产量、水泥价格指数、水泥月产量、月平均最高气温、月平均最低气温和月平均降水量，分别构建BP神经网络预测模型及LSSVM预测模型进行样本训练。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络，能学习和存贮大量的输入-输出模式映射关系，其主要思想是将学习过程分为两个阶段：第一阶段，给出输入信息并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值，此称为正向传播过程；第二阶段，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，以便调节权值，此称为反响过程。BP神经网络通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。随着网络层的增加，神经元及其连接权值将大规模增加，所占用的计算机资源过多，导致网络学习收敛速度变慢。因此本发明采用如图2所示的三层BP神经网络的拓扑结构，最左层为输入层，中间层为隐含层，最右层为输出层。各层间的神经元形成全互连连接，各层内的神经元之间没有连接。BP神经网络预测模型的设计过程如下：
(1)随机选取一组输入样本数据Pk＝(x1 k，x2 k，…，xn k)和目标样本数据Tk＝(y1 k，y2 k，…，yq k)提供给网络。由于原始数据单位不同，绝对值相差也很大，同时原始数据含有一定的噪声，因此需要对样本数据进行预处理，通过公式(2)将样本的输入、输出变量进行归一化处理，即将所有数据转化至区间[-1，1]之间。给每个连接权值ωij与vjt，阈值θj与γt赋予区间[-1，1]内的随机值。
式中，min x和max x分别为样本中的最大值和最小值，xi′为预处理以后范围在[-1，1]内的数据，xi为原始样本数据。
(2)利用输入样本数据Pk＝(x1 k，x2 k，…，xn k)，连接权值ωij和阈值θj计算隐层各单元的输入值aj，然后根据计算得到的输入值aj通过转移函数计算隐层各单元的输出值bj，计算公式如下：
bj＝f(aj) (4)
式中，f(·)为转移函数。
(3)利用隐含层的输出值bj，连接权值vjt和阈值γt计算输出层各单元的输出值Lt，然后通过传递函数计算输出层各单元的实际输出值Ct，具体计算公式如下：
Ct＝f(Lt) (6)
(4)利用目标样本数据Tk＝(y1 k，y2 k，…，yq k)与输出层各单元的实际输出值Ct，计算输出层的各单元训练误差dt k，计算公式如下：
dt k＝Ct·(yt k-Ct)(1-Ct) (7)
(5)利用连接权值vjt，输出层的训练误差dt和中间层的输出bj计算隐层各单元的训练误差ej k，计算公式如下：
(6)采用最速梯度下降法优化连接权值和阈值，即先从输出层开始修正，然后再修正前一层的权值和阈值，利用输出层各单元的训练误差dt k与隐层各单元的输出bj来修正连接权值vjt和阈值γt，计算公式如下：
vjt(N+1)＝vjt(N)+α·dt k·bj(0＜α＜1) (9)
γt(N+1)＝γt(N)+α·dt k (10)
(7)利用隐层各单元的训练误差ej k，输入层各单元的输入xk来修正连接权值ωj和阈值θj，计算公式如下：
ωj(N+1)＝ωj(N)+β·ej k·xi k(i＝1，2，…n；0＜β＜1) (11)
θj(N+1)＝θj(N)+β·ej k (12)
(8)随机选取下一个学习样本向量提供给网络，返回到步骤(2)，直到网络输出的误差减少到预期的范围，或达到预先设定的学习次数后终止。
(9)利用误差测度准则平方误差最小，即能量函数E来确定研究的网络学习是否满足精度要求。若能量函数E小于预先设定的极小值ε，则表明网络收敛，训练达到精度要求，其中ε为任意给定的正小数，其大小取决于网络训练的精度要求；反之，则需要对参数进行调整与选择，或重新分析输入因子与输出因子的相关性。所述能量函数E的计算公式为：
最小二乘支持向量机(LSSVM)是一种将输入向量非线性的投射到高维空间中，构造最优决策面，然后应用结构风险最小化原则，将SVM的不等式运算转化为方程组的求解运算，从而降低计算的复杂性，加快运算速度。LSSVM预测模型的设计过程如下：
假设给定样本集N为样本总数，则样本的回归模型为：
其中表示把训练样本投射到一个高维空间，w是加权向量，b是偏置；对于LSSVM，其优化问题变为：
为求上述问题，建立拉格朗日函数得到：
其中αi为拉格朗日乘子，对函数的各个变量进行求导，令导数为零得到：
消去w和ξi转化为以下问题：
其中，
en＝[1，1，...，1]T， (21)
α＝[α1，α2，...，αn]， (22)
y＝[y1，y2，...，yn]T， (23)
求解以上线性方程组得到：
其中K(xi，x)为核函数，本发明选取的核函数为径向基核函数
具体的，所述步骤3-步骤6采用了优选组合的方法对工业用电量进行组合预测。组合预测方法是建立在最大信息利用的基础上，集结多种单一模型所包含的信息，进行最优组合。在多数情况下，通过组合预测可以改善预测精度。优选组合预测有两种预测方式，一种是将几种预测方法所得的预测结果，选取适当的权重进行加权平均的一种预测方法；另外一种是在几种预测方法中进行比较，选择拟合优度最佳或标准离差最小的预测模型作为最优模型进行预测。例如，假设对某一预测对象f利用k个预测方法得到k个模型的预测值为fi(i＝1，2，...，k)，利用这k个预测值构成一个对f的最终预测结果，即特别可取其中在各模型预测值的预测精度已知的情况下，采用加权平均的方法，对较精确的预测值赋以较大的权重。方差-协方差方法(MV法)可以有效的用于解决权值选取的问题。
本发明的优选组合模型选取BP神经网络模型和LSSVM模型进行组合预测，首先对步骤2建立的BP神经网络模型和LSSVM模型进行训练并求解误差，依据采集的工业用电量数据，选取钢价综合指数、钢铁月产量、水泥价格指数、水泥月产量、月平均最高气温、月平均最低气温和月平均降水量指标作为输入变量，工业用电量作为输出向量，使用样本数据对模型进行训练，求解出两个模型的预测相对误差e1和e2；其次，分别针对两种模型的预测误差求出误差标准差σ1和σ2，再计算出两个模型的权重ω1和ω2。最后对模型求解，通过建立优选组合模型预测值计算公式，进而得到优选组合模型预测值及预测误差。具体计算过程如下所述：
假设f1，f2分别为BP神经网络预测模型与LSSVM预测模型的无偏预测值，fc是加权平均的组合预测值，e1、e2分别为BP神经网络预测模型和LSSVM预测模型的预测相对误差，ec为加权平均的预测相对误差，ω1、ω2是与e1、e2对应的权系数，且ω1+ω2＝1，则基于BP-LSSVM优选组合模型预测值的计算公式为：
fc＝ω1f1+ω2f2 (25)
要求fc也是无偏的，且误差及其方差分别是
ec＝ω1e1+ω2e2 (26)
假设x(0)(t)为原始序列，有：
e1＝x(0)(t)-f1(t)，e2＝x(0)(t)-f2(t)，ec＝x(0)(t)-fc(t) (27)
得到：
Var(ec)＝ω1 2Var(e1)+ω2 2Var(e2)+2ω1ω2cov(e1，e2) (29)
关于ω1对Var(ec)求极小值，可得：
且ω2＝1-ω1 (31)
记Var(e1)＝σ11，Var(e2)＝σ22，cov(e1，e2)＝σ12
两个预测模型的组合预测权系数分别为
由于e1、e2相互独立，则σ12＝0，则：
式中，f1(t)为BP神经网络预测模型的预测值，f2(t)为LSSVM预测模型的预测值；σ11为BP神经网络预测模型的误差标准差，σ22为LSSVM预测模型的误差标准差。
由此可见，预测值f1越可靠，f1的权数值越大，反之亦然。
可以证明有：
Var(ec)min≤σ11，Var(ec)min≤σ22，Var(ec)min≤min(σ11，σ22) (37)
这表明，MV方法优于单一的方法，也优于平均加权方法。
实施例1
为了分析重点产品价格、产量等市场因素对地区工业用电量的独立影响和综合影响效果，本实施例以D地区为分析对象对工业用电量的影响因素进行分析挖掘，D地区的第二产业占比较高，工业用电量占D地区全社会用电量的比例在75％以上，D地区的五大高耗能行业分别为黑色金属冶炼及压延加工业、黑色金属采矿采选业、非金属矿物制品业、化学原料及化学制品制造业和金属制品业。其中，黑色金属冶炼及压延加工业和非金属矿物制品业用电量占比较高，因此本实施例选择这两大行业的重点产品进行分析。
(1)价格和产量对工业用电量影响分析
本实施例分别从钢铁价格、水泥价格、钢铁产量、水泥产量四个方面对工业用电量的影响进行分析。通过对钢价综合指数与D地区月度工业用电量进行分析，确定两者的相关关系。D地区2015-2017年钢价综合指数与工业用电量变化趋势图如图3所示，由图3可以看出钢价综合指数与工业用电量变化趋势基本相同。通过对水泥价格指数与D地区月度工业用电量进行分析，确定两者的相关关系。D地区2015-2017年水泥价格指数与工业用电量变化趋势图如图4所示，由图4可以看出水泥价格指数与工业用电量变化趋势基本相同。通过对钢铁产量与D地区月度工业用电量进行分析，确定两者的相关关系。D地区2015-2017年钢铁产量与工业用电量变化趋势图如图5所示，由图5可以看出钢铁产量与工业用电量变化趋势基本相同。通过对水泥产量与D地区月度工业用电量进行分析，确定两者的相关关系。D地区2015-2017年水泥产量与工业用电量变化趋势图如图6所示，由图6可以看出水泥产量与工业用电量变化趋势基本相同。
(2)价格和产量对工业用电量影响的多因素方差分析
在工业生产过程中，价格会影响到产量，而产量和价格均会不同程度的影响工业用电量。因此，本发明利用多因素方差分析方法对产量和价格在协同作用下对工业用电量的影响，研究不同价格、不同产量对区域工业用电量的影响。
1)钢铁价格和产量对工业用电量的影响分析
本发明使用SPSS软件针对钢铁行业的价格和产量对行业用电量的影响进行方差分析，得到D地区钢价综合指数和产量对月度工业用电量主体间效应检验如表1所示。
表1 钢铁行业主体间效应检验结果表
从表1可以看出，价格的主效应达到显著，F＝3.40，p＝0.036＜0.05；产量的主效应达到显著，F＝17.41，p＝0.000＜0.05。结果表明，价格和产量对D地区工业用电量有着不同程度的影响，其中，产量的影响更为显著。
2)水泥价格和产量对用电量的影响分析
本发明使用SPSS软件针对水泥行业的价格和产量对行业用电量的影响进行方差分析，得到D地区水泥价格指数和产量对月度工业用电量主体间效应检验如表2所示。
表2 水泥行业主体间效应检验结果表
从表2可以看出，价格的主效应达到显著，F＝13.6，p＝0.001＜0.05；产量的主效应达到显著，F＝13.4，p＝0.001＜0.05。结果表明，水泥价格和产量对D地区工业用电量有着不同程度的影响，其中，水泥价格和产量的影响显著性水平相当。
综上分析，在D地区工业用电量预测模型中，本发明选取D地区的钢铁、水泥的价格、月产量因素等地区行业因素和月平均最高气温、月平均最低气温和月平均降水量等经典因素作为历史用电量影响因素。
实施例2
为了验证本发明的有效性和实用性，本实施例选取D地区的钢铁、水泥的价格、月产量因素和月平均最高气温、月平均最低气温以及月平均降水量气象因素作为模型的输入变量；选取月工业用电量作为模型的输出变量，对D地区的用电量进行预测仿真，具体过程如下所述：
(1)数据输入及预处理
依据公式(1)对输入数据进行归一化处理：
其中，xi是样本数据，xmax是样本数据中的最大值，xmin是样本数据中的最小值。
(2)模型训练及误差求解
根据上述归一化的数据，分别构建BP预测模型和LSSVM预测模型，并根据模型的训练学习，得出图7所示的D地区2016年7月-2017年6月工业用电量预测结果。再根据公式(2)对BP预测模型和LSSVM预测模型得到的拟合输出值与实际值求解相对误差，误差结果如表1所示，其中，相对误差的计算公式为：
其中，Y表示实际值，表示拟合值。
表1 BP神经网络模型及LSSVM模型训练相对误差对比表
| 月份 | 2016-7 | 2016-8 | 2016-9 | 2016-10 | 2016-11 | 2016-12 |
| BP神经网络拟合误差/％ | 6.43 | 5.03 | 0.75 | 0.21 | 8.16 | 7.95 |
| LSSVM模型拟合误差/％ | 4.03 | 4.58 | 5.32 | 4.74 | 0.31 | 4.41 |
| 月份 | 2017-1 | 2017-2 | 2017-3 | 2017-4 | 2017-5 | 2017-6 |
| BP神经网络拟合误差/％ | 6.94 | 0.82 | 1.32 | 2.80 | 4.30 | 0.75 |
| LSSVM模型拟合误差/％ | 4.29 | 3.28 | 2.01 | 2.77 | 3.37 | 3.36 |
(3)确定模型权重
根据表1中的数据计算得到两种模型拟合误差的标准差σ1和σ2分别为0.0292和0.0131，两个模型的权重为ω1＝0.3和ω2＝0.7，得到组合模型预测值的计算公式为：
fc＝0.3f1+0.7f2 (40)
其中，fc表示组合模型预测值，f1表示BP神经网络模型预测值，f2表示LSSVM模型预测值。
(4)模型求解
通过对组合优选模型求解，得到如表2所示的组合优选模型下的工业用电量实际值、预测值及预测误差。从表2可以看出，组合优选模型预测最小误差为1.07％，最大误差为5.47％，高耗能行业用电量预测平均相对误差3.40％。由此可以看出，本发明的优选组合预测模型的拟合精度很高，具有较强的非线性拟合能力和映射能力，此外，由于考虑了两个模型的组合效果，本发明的组合预测模型具有更强的预测稳定性，可以规避单一模型所带来的预测风险，能够较好的实现地区工业用电量预测中去。
表2 组合优选模型下工业用电量实际值、预测值及预测误差表
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，包括以下步骤：
步骤1、将采集的工业用电量数据作为样本数据，并对样本数据进行归一化处理；
步骤2、选取历史用电量影响因素作为输入变量，工业用电量作为输出变量，分别构建BP神经网络预测模型及LSSVM预测模型进行样本训练；
步骤3、使用样本数据对步骤2构建的模型进行训练，并根据模型的训练结果，分别求解出两个模型的预测相对误差；
步骤4、根据步骤3求得的预测相对误差求解两个模型的误差标准差；
步骤5、根据步骤4求得的误差标准差计算出两个模型的权重；
步骤6、根据BP预测模型和LSSVM预测模型的预测值和权重建立BP-LSSVM优选组合模型预测值计算公式，通过计算得到BP-LSSVM优选组合模型的预测值及预测误差。
2.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述步骤1对样本数据进行归一化处理的计算公式为：
其中，是经归一化处理的样本数据，xi是样本数据，xmax是样本数据中的最大值，xmin是样本数据中的最小值。
3.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述历史用电量影响因素包括钢价综合指数、钢铁月产量、水泥价格指数、水泥月产量、月平均最高气温、月平均最低气温和月平均降水量。
4.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述步骤3两个模型的预测相对误差的计算公式为：
e1＝x(0)(t)-f1(t)
e2＝x(0)(t)-f2(t)
式中，e1为BP神经网络预测模型的预测相对误差，x(0)(t)为原始序列，f1(t)为BP神经网络预测模型的预测值，e2为LSSVM预测模型的预测相对误差，f2(t)为LSSVM预测模型的预测值。
5.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述步骤4两个模型的误差标准差的计算公式为：
Var(e1)＝σ11
Var(e2)＝σ22
式中，σ11为BP神经网络预测模型的误差标准差，σ22为LSSVM预测模型的误差标准差。
6.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述步骤5两个模型的权重的计算公式为：
其中，ω1+ω2＝1
式中，ω1为BP神经网络预测模型的权重，ω2为LSSVM预测模型的权重。
7.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述BP-LSSVM优选组合模型预测值计算公式为：
fc＝ω1f1+ω2f2
式中，f1、f2分别为BP神经网络预测模型与LSSVM预测模型的无偏预测值，fc是加权平均的组合预测值。
8.根据权利要求1所述的一种基于BP-LSSVM组合优选模型的工业电量预测方法，其特征在于，所述BP-LSSVM优选组合模型预测误差的计算公式为：
ec＝ω1e1+ω2e2
式中，ec表示加权平均的组合预测误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810660031.8A CN109063892A (zh) | 2018-06-25 | 2018-06-25 | 基于bp-lssvm组合优选模型的工业电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810660031.8A CN109063892A (zh) | 2018-06-25 | 2018-06-25 | 基于bp-lssvm组合优选模型的工业电量预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109063892A true CN109063892A (zh) | 2018-12-21 |
Family
ID=64821058
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810660031.8A Pending CN109063892A (zh) | 2018-06-25 | 2018-06-25 | 基于bp-lssvm组合优选模型的工业电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109063892A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
| CN111144617A (zh) * | 2019-12-02 | 2020-05-12 | 秒针信息技术有限公司 | 一种确定模型的方法及装置 |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
| CN112711912A (zh) * | 2020-12-30 | 2021-04-27 | 许昌学院 | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 |
| CN113052385A (zh) * | 2021-03-29 | 2021-06-29 | 国网河北省电力有限公司经济技术研究院 | 钢铁行业用电量的预测方法、装置、设备和存储介质 |
| CN113822714A (zh) * | 2021-09-23 | 2021-12-21 | 广西电网有限责任公司 | 一种考虑价格变化因素的行业用电量预测方法及系统 |
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116205554A (zh) * | 2023-04-26 | 2023-06-02 | 浙江天柜科技有限公司 | 一种移动自助售货设备及售货控制方法 |
-
2018
- 2018-06-25 CN CN201810660031.8A patent/CN109063892A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110309971A (zh) * | 2019-06-28 | 2019-10-08 | 广州市准诚市场咨询有限公司 | 一种具有自动超参检索的月度用电量预测方法及系统 |
| CN111144617A (zh) * | 2019-12-02 | 2020-05-12 | 秒针信息技术有限公司 | 一种确定模型的方法及装置 |
| CN111144617B (zh) * | 2019-12-02 | 2023-10-31 | 秒针信息技术有限公司 | 一种确定模型的方法及装置 |
| CN111210093A (zh) * | 2020-03-05 | 2020-05-29 | 重庆森鑫炬科技有限公司 | 基于大数据的日用水量预测方法 |
| CN112464169A (zh) * | 2020-12-03 | 2021-03-09 | 上海卫星工程研究所 | 基于统计分布的大数据单参数阈值挖掘与修正方法及系统 |
| CN112711912A (zh) * | 2020-12-30 | 2021-04-27 | 许昌学院 | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 |
| CN112711912B (zh) * | 2020-12-30 | 2024-03-19 | 许昌学院 | 基于云计算和机器学习算法的空气质量监测与告警方法、系统、装置和介质 |
| CN113052385A (zh) * | 2021-03-29 | 2021-06-29 | 国网河北省电力有限公司经济技术研究院 | 钢铁行业用电量的预测方法、装置、设备和存储介质 |
| CN113822714A (zh) * | 2021-09-23 | 2021-12-21 | 广西电网有限责任公司 | 一种考虑价格变化因素的行业用电量预测方法及系统 |
| CN116089884A (zh) * | 2023-02-09 | 2023-05-09 | 安徽省气象台 | 近实时降水估测模型的构建方法及近实时降水估测方法 |
| CN116205554A (zh) * | 2023-04-26 | 2023-06-02 | 浙江天柜科技有限公司 | 一种移动自助售货设备及售货控制方法 |
| CN116205554B (zh) * | 2023-04-26 | 2024-02-09 | 浙江天柜科技有限公司 | 一种移动自助售货设备及售货控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109063892A (zh) | 基于bp-lssvm组合优选模型的工业电量预测方法 | |
| Wei et al. | Daily natural gas consumption forecasting via the application of a novel hybrid model | |
| Ye et al. | Predicting electricity consumption in a building using an optimized back-propagation and Levenberg–Marquardt back-propagation neural network: Case study of a shopping mall in China | |
| Zhu et al. | Forecasting carbon price using empirical mode decomposition and evolutionary least squares support vector regression | |
| Fu et al. | Using support vector machine to predict next day electricity load of public buildings with sub-metering devices | |
| CN110909912B (zh) | 基于自适应误差反馈的园区电力系统净负荷组合预测方法 | |
| Liao | Two interval type 2 fuzzy TOPSIS material selection methods | |
| Wang et al. | A novel hybrid approach for wind speed prediction | |
| Li et al. | Clothing sale forecasting by a composite GRU–Prophet model with an attention mechanism | |
| Han et al. | Real time prediction for converter gas tank levels based on multi-output least square support vector regressor | |
| CN109242188B (zh) | 一种钢铁煤气系统长期区间预测及其结构学习方法 | |
| CN108846526A (zh) | 一种二氧化碳排放量预测方法 | |
| CN105631483A (zh) | 一种短期用电负荷预测方法及装置 | |
| Ding et al. | A prediction model of the sum of container based on combined BP neural network and SVM | |
| CN106779384B (zh) | 一种基于信息粒度最优分配的钢铁工业高炉煤气长期区间预测方法 | |
| Ghanbari et al. | Artificial Neural Networks and regression approaches comparison for forecasting Iran's annual electricity load | |
| Hong et al. | Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm | |
| Qiu et al. | Fuzzy time series forecasting model based on automatic clustering techniques and generalized fuzzy logical relationship | |
| Dong et al. | Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building | |
| Li et al. | Pathways to a low-carbon economy: estimations on macroeconomic costs and potential of carbon emission abatement in Beijing | |
| CN113988358A (zh) | 基于迁移强化学习的碳排放指数预测与治理方法 | |
| CN113393339A (zh) | 基于深度神经网络组合模型的配电网短期负荷预测方法 | |
| CN104134103A (zh) | 利用修正的bp神经网络模型预测热油管道能耗的方法 | |
| Zeng et al. | Short-term load forecasting of smart grid systems by combination of general regression neural network and least squares-support vector machine algorithm optimized by harmony search algorithm method | |
| Wang et al. | A dynamic scheduling framework for byproduct gas system combining expert knowledge and production plan |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |