CN109993354A - 一种针对能源消费量预测的方法 - Google Patents
一种针对能源消费量预测的方法 Download PDFInfo
- Publication number
- CN109993354A CN109993354A CN201910224821.6A CN201910224821A CN109993354A CN 109993354 A CN109993354 A CN 109993354A CN 201910224821 A CN201910224821 A CN 201910224821A CN 109993354 A CN109993354 A CN 109993354A
- Authority
- CN
- China
- Prior art keywords
- data
- advance
- prediction
- influence factor
- energy consumption
- 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
Classifications
-
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
-
- 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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开一种针对能源消费量预测的方法,包括:步骤1、数据指标标准化处理:将整理的能源消费影响因素及能源消费总量实验数据进行标准化处理,实现无量纲化;步骤2、建立预测提前期求解模型并求解预测提前期:基于发明的预测提前期理论并设计求解模型,对标准化数据求出各指标预测提前期,并形成新的一组实验数据;步骤3、数据降维处理:基于主成分法对上一步数据进行降维,消除多重共线影响;步骤4、神经网络预测:在传统的神经算法的误差反向传播时加入了动量项进行改进,并将上步处理后的数据带入神经模型完网络训练,最后进行预测。采用本发明技术方案,能够较精准的实现能源消费预测。
Description
技术领域
本发明属于能源预测技术领域,尤其涉及一种针对能源消费量预测的方法。
背景技术
能源是世界人类生存和发展的重要物质基础,也是各国经济命脉和国家安全的重要战略物资。随着工业化和全球化的到来,对于能源的需求也以指数化扩大,这也导致大多数国家出现了能源紧缺、能耗污染等问题。据预测到2040年全球生产总值将达到一倍以上,且能源消费总量也将增加三分之一以上。能源基础能否支撑一个国家的经济可持续增长,已成为各国十分关注的重要的问题。因此,做好未来能源消费分析,搞好能源消费预测,为能源规划及政策的制订提供科学的依据,对于任何一个国家的可持续发展都是必要的。因此,许多能源消费预测技术与方法应运而生。目前对于能源消费预测的方法模型主要有时间序列模型、情景分析法、投入产出法、灰色预测模型、人工神经网络算法及组合预测算法模型等。
时间序列模型是最简单的模型,它使用时间序列趋势分析推断未来的能源需求。时间序列预测技术是通过对时间序列进行编制和分析,根据时间序列所反映出来的发展过程、方向和趋势,进行类推或延伸,借以预测下一段时间内可能达到的水平。情景分析法是假定某种现象或某种趋势将持续到未来的前提下,对预测对象可能出现的情况或引起的后果做出预测的方法。通常用来对预测对象的未来发展做出种种设想或预计,是一种直观的定性预测方法。投入产出法预测是指在国民经济各部门间投人与产出数量关系的投入产出表的基础上,建立数学模型并运用现代数学方法对经济系统进行分析和预测等研究,目前也有大量学者运用投入产出法对能源需求等进行预测研究。灰色预测由于其简单性和利用少量数据点来描述未知系统的能力而在近十年中得到了广泛的应用。能源需求预测可以看作是一个灰色系统问题,因为国内生产总值、收入、人口等因素对能源需求有影响,但对能源需求的影响程度还不清楚。灰色预测包含多种预测模型,其中GM(1,1)常用于能源需求预测。随着大数据技术不断发展,神经网络凭借其强大的非线性拟合能力、鲁棒性、记忆能力及强大的自学习能力等优势,成为大数据背景下深度学习的主流算法,由于其具有良好的函数逼近能力,广泛用于电力负荷预测和宏观经济变量的长期能源需求预测。除上述介绍的能源消费预测方法外还有诸如遗传算法、ARIMA、回归模型等算法及各算法组合算法,其技术核心大多都是通过系数拟合定量核算各影响因素指标与预测值之间的线性或非线性关系。
经过对现有的预测技术、方法梳理分析认为,目前对于能源消费预测算法技术的局限性主要体现在:
1.以时间序列和情景分析法为代表的预测方法虽然计算简单,但考虑的因素并不全面,主要是以趋势预测分析为主,对预测结果会产生一定的误差,无法做到十分准确的预测能源消费的结果。
2.投入产出法在做预测时虽然能够处理大量数据,但投入产出表有一定的假设条件,要求产业活动具有独立性,产业产出具有单一性,规模报酬不变等约束条件,而能源消费量会受到政策、价格体系等因素影响,因此投入产出法在预测能源消费时具有一定局限性。
3.除了时间序列和投入产出预测算以外,还有灰色预测、遗传算法回归模型等方法,这些预测算法的核心思想主要是对变量系数进行拟合,即定量的核算影响因素与能源消费量的线性关系。然而,现实情况能源消费量与各要素间的关系大多为非线性关系。因此,这些算法预测精度上均存在一定的局限性,而神经网络凭借其强大的非线性拟合能力等优势,对于上述算法具有一定的补充,因此也出现了一些与神经网络算法组合的算法。
4.传统的神经网络算法及其相应的组合算法在能源消费预测方面有了广泛应用,但是大多都是运用同期的输入层和输出层数据作为的训练数据对神经网络进行训练(如图1所示),忽略了输入层数据指标与输出层数据间的脉冲响应关系,这在很大程度上影响了预测精确度。
综上,在能源消费预测方面,现有的预测方法均有其局限性,无法做到较准地预测能源消费量。虽然神经网络算法较其他预测算法有一定的优势,但是由于目前大多忽略了影响因素与能源消费量间的脉冲响应关系,因此,需要研发一种改进的神经网络算法,来预测能源消费量。
发明内容
本发明针对目前大多对能源消费量预测算法非线性拟合能力差且对于神经网络算法忽略了影响因素指标与预测值之间的脉冲相关关系,存在能源消费预测算法鲁棒性差、不稳定等弊端,导致预测不精确、偏差大等问题。故此,本发明在神经网络预测算法的基础上提出了预测提前期概念,对神经网络预测算法进行改进,旨在运用预测提前期理论对神经网络的输入层影响因素进行处理,求得输入层各数据指标与输出层数据指标之间的脉冲响应周期,提高影响因素指标与能源消费量的关联度,进而提高预测精度,使得神经网络算法在预测领域发挥最优效果,实现能源消费高精度预测。
本发明算法是在传统神经网络算法的基础上,增加了预测前期理论的概念,对神经网络预算算法进行改进,以期增加能源消费预测精确度。主要包含以下内容:
①预测提前期理论。本发明针对目前运用神经网络算法对于能源消费预测,对于输入层数据处理不完善导致预测效果不佳的弊端,提出了预测提前期的概念,是指:在预测某个对象时,影响因素数据必然选取先行数据指标,由于目标预测对象对于多个不同影响因素的数据指标的响应时间不同,因此要调整在时间维度上的影响因素数据与目标预测数据的间隔周期,实现两者的高度相关,这个间隔周期称之为预测提前期。如图2所示,拟预测2004年的能源消费量,假定x1的预测提前期为1,x2的预测提前期为2。在训练神经网络时,影响因素x1选取2000年至2002年的数据,x2选取1999年至2001年的数据作为输入层数据,2001年至2003年的能源消费量数据最为输出层数据。完成训练后,对2004年的能源消费量进行预测,则应将x1的2003年数据和x2的2002年的数据等最为输入层带入训练完成的神经网络,得到的输出层数据即为2004年的能源消费量。
②预测提前期求解模型设计。根据提出的预测提前前提概念设计了指标预测提前期计算模型,并对模型求解方法进行了详细设计。
③影响因素指标降维处理。预测指标的预测提前期计算完成之后,会得到一组影响因素指标矩阵,为消除多重共线的影响,需要通过合成数据指数的进行数据降维。数据降维可提升数据质量、提高应用性和准确性,且能降低错误数据的影响。采取主成分分析(PCA)方法,实现数据降维,合成新的综合指数。基于预测提前提期调整后的实验数据进行主成分分析,消除多重共线,进而确定训练数据。
④神经网络算法改进。在传统的神经网络算法基础上,在调整权值误差时加入动量项,对传统的神经网络算法进行改进。根据预测提前期求解模型、数据降维后的数据进行带入改进的神经网络进行训练。
为实现上述目的,本发明采用如下的技术方案:
一种针对能源消费量预测的方法,包括:步骤1、数据指标标准化处理:将整理的能源消费影响因素及能源消费总量实验数据进行标准化处理,实现无量纲化;步骤2、建立预测提前期求解模型并求解预测提前期:基于发明的预测提前期理论并设计求解模型,对标准化数据求出各指标预测提前期,并形成新的一组实验数据;步骤3、数据降维处理:基于主成分法对上一步数据进行降维,消除多重共线影响;步骤4、神经网络预测:在传统的神经算法的误差反向传播时加入了动量项进行改进,并将上步处理后的数据带入神经模型完网络训练,最后进行预测。采用本发明技术方案,能够较精准的实现能源消费预测。
附图说明
图1传统神经网络输入层数据与输出层数据关系;
图2预测提前期理论说明;
图3实验数据数值对应说明图;
图4三层神经网络结构图;
图5误差曲线对比图;
图6预测实验对比图;
图7算法总体流程图。
具体实施方式
下面结合图7对本发明算法进行实施,并给出详细的实施方式和具体操作说明,实验步骤如下:
步骤一:数据指标标准化处理
①创建能源影响因素指标矩阵和能源消费量矩阵
能源消费量受经济增长、人口、社会发展、产业结构、能源消费结构、供给和技术等多种因素及外部环境的影响和制约。在做能源消费预测时,学者可根据文献或专家咨询等方式确定影响指标体系矩阵X,以及能源消费总量矩阵E,分别作为能源消费预测的神经网络算法输入层变量和输出层变量。其中,xti为X矩阵第t行i列对应的具体数据,t行代表时间单位,i列代表能源消费影响因素指标名称;E为t行1列数据,行代表时间单位,列代表该地区的能源消费总量;由于本发明重点是预测算法的改进,因此在指标选取上不做重点说明。
②标准化处理
能源消费影响因素指标矩阵X和能源消费总量矩阵E创建后,为消除指标间的量纲影响,需要通过离差标准化的方式将实验数据映射到[0,1]区间进行标准化,分别得到能源消费影响因素指标体系标准化矩阵X*、能源消费量标准化矩阵E*,本发明指标标准化公式如下:
表示标准化后的影响因素指标值;xti表示能源消费影响因素i在t时间单位对应的数值,minxi表示影响因素i时间序列数据中的最小值,即X矩阵中i列的最小值;同理,maxxi为最大值。
步骤二:建立预测提前期求解模型并求解预测提前期
①选取预测提前期计算模型输入数据
对数据标准计算后得到的能源消费影响因素指标体系标准化矩阵X*各影响因素i列遍历,分别带入预测提前期求解算法流程。在X*中任意选取第i列数据和能源消费量标准化矩阵E*,作为预测提前期求解模型的输入数据。
②调整预测提前期及实验数据长度调整
设定上步选取影响指标数据的预测提前期fti初始值为1个时间单位长度(fti=1),将原始数据长度li按照fti更新长度为tli的数据,其计算公式为:
tli=li-fti
将E*原始数据长度le按照fti更新长度为tle的数据,其计算公式为:
tle=le-fti
该步骤需要注意的是,由于影响因素数据通过预测提前期长度调整,数据长度发生了变化,应满足原始数据值与预测提前期调整后的实验数据值相等,即保障影响因素数据与历史能源消费量数据编号对应,确保训练数据准确。需要通过下面约束公式实现:
其中,n表示时间序列数据的每行序号;表示影响因素原始影响因素指标i第n个数据值;表示输入变量i通过预测提前提期调整后第n个数据值;E*n表示能源消费量原始实验数据集第n个数值;tE*n表示输出变量能源消费量通过预测提前期调整后第n个数据值;tEn∈E*。如图3所示,实验数据影响因素i为2001年到2008年的时间序列集合,设预测提前期为1,n为1时,那么i1表示第i种输入变量2001年对应的数值,则有max(n)=li。原始数据中第2个数据的值与经过预测提前期调整后的第1个数值相等。
③计算相关系数
基于上步调整完成之后会得到和tE*两列数据,其数据长度相等。本发明采用皮尔逊相关系数法求解与tE*的相关系数。计算公式为
其中,表示第i个影响因素数据指标在预测提前期为fti的情况下与能源消费量tE*的相关系数;则表示影响因素i调整后的时间序列数据均值,表示预测提前期调整后的均值。
④判断相关系数值
如果计算得到的相关系数绝对值是否大于上一步的相关系数值,进入步骤⑤,否则进入步骤⑥;
⑤更新数据集
将调整数据长度后的能源消费影响因素数据和tE*分别更新到数据集TXi、TE两个新数据集中;
⑥判定数据长度
如果调整后的实验长度小于原始数据长度的70%则,该指标的预测提前期在原来的基础上加1,并返回步骤②;否则进入步骤⑦;其判定公式为:
通过预测提前期调整后的数据长度不低于原始实验数据长度的70%,目的是保障训练数据的长度,确保预测后期神经网络训练模型稳定,提高精确度,用户还可根据实际情况自行调整实验数据长度,但是经过多次实验70%的实验数据长度是较好的。
⑦判定所有影响因素指标是否完成预测提前期计算
如果所有影响因素指标i都完成了预测提前期计算则进入步骤⑧,否则i=i+1并返回步骤①,即对另一个指标进行预测提前期计算。
⑧修整数据集
当所有的指标预测提前期fti确定后,得到i列的更新数据集TXi和TE,为保障后面神经网络算法的输入层数据长度与输出层数据长度相等,即满足TXi和TE的列数相等,需要对这两个数据集进行修整,进而得到一组新的数据集,分别为能源消费影响因素数据集NTXi和能源消费总量数据集NTE。其计算公式如下:
该约束的目的是要求影响因素原始数据长度等于能源消费量原始实验数据长度。经过预测提前期调整后的数据长度等于其原始数据长度减去所有影响因素中最大的预测提前期,确保各影响因素的数据长度与能源消费量的实验数据长度相等。tli表示影响因素i所有通过预测提前提调整后的数据长度,lE表示能源消费量原始数据长度即集合E的元素数量,tlTEC表示输能源消费量数据通过预测提前提调整后的数据长度即集合TE中元素个数。
除此之外,变量正整数约束公式为:
步骤三:数据降维处理
为消除多重共线的影响,需要通过合成数据指数的进行数据降维。数据降维可提升数据质量、提高应用性和准确性,且能降低错误数据的影响。本发明采取主成分分析(PCA)方法,对能源消费影响因素数据集NTXi实现数据降维合成新的综合指数,形成新的数据集
步骤四:神经网络预测
由于神经网络算法有多种,如单层感知器、BP神经网络算法、径向基神经网络等。类似于BP神经网络数据误差反向传播网络,在预测上有较大应用,因此本发明在反向传播神经网络有更好的预测效果。误差反向传播神经网络算法的思想是通过样本训练集,不断修正神经网络的权值和阈值,逐步逼近期望输出值。三层神经网络算法基本逻辑图如图4所示,对于神经网络算法改进主要通过以下几个部分实现:
①神经网络训练
在训练开始时沿着网络正向传播,然后根据网络输出值与期望输出值之间误差,反向传播调整权值和阈值。
首先,是网络正向传播,步骤三中得到的数据集最为输入层数据,步骤二最后更新得到数据集NTE作为输出层数据进行神经网络训练,其正向传播公式如下:
(1)隐含层第j个神经元输入值为:
(2)隐含层第j个神经元输出值为:F(x)为传递函数,由于本文数据均大于0,传递函数选取为:
(3)输出层输入计算公式为:
(4)输出层计算公式为:out_output1=F(out_input1)。
其次,计算训练误差
(1)第n代误差为em(n),其中ym为期望输出:em(n)=out_output1-ym。
(2)计算网络总误差为:
然后,误差反向传播
(1)输出层与隐含层之间的权值修正量为:修正后的权值为:wjm(n+1)=wjm(n)+Δwjm(n),其中,η为学习率。
(2)输入层与隐含层之间的权值调整为:
最后,加入动量项法
由于误差反向传播神经网络存在收敛速度慢的缺点,针对该不足,本发明误差反向传播时加入了动量项进行改进,即该更新权值时引入动量因子α(0<α<1),则权值修正公式为:
②判定是否网络是否训练完成
判断误差曲线是否收敛或达到设定的最大迭代次数,如果是则完成网络训练进入步骤③,否则返回步骤①继续对网络训练。
③神经网络预测
网络训练完成后,将拟预测时间段相应的能源消费影响因素数据,进行步骤一标准化处理,带入神经网络会得到输出层数据,将该数据进行反归一化处理即得到真实预测值。
本发明在神经网络预测我国能源消费预测的基础上,引入了预测提前期的概念,对神经网络输入层的影响因素指标与能源消费指标通过设计的预测提前期求解模型进行设置,进而对神经网络预测流程进行改进。同时,通过实际案例分析,对比了不考虑预测提前期与考虑预测提前期的神经网络训练和预测结果,通过绝对误差、收敛速度和系统平均误差等指标对比,表明通过预测提前期调整影响因素指标,可有效提高神经网络计算速度。如图5可直观观察到,考虑预测提前期的神经网络训练速度误差收敛速度明显快于不考虑预测提前期的训练速度。图6可以看出考虑预测提前期的预测值与实际值误差明显小于不考虑预测提前期的预测值与实际值误差,这表明考虑预测提前期的神经网络预测精度要高于不考虑预测提前的预测精度,且在预测精度和网络训练速度上也有明显优势,且符合预测要求。
Claims (5)
1.一种针对能源消费量预测的方法,其特征在于,包括:
步骤1、数据指标标准化处理:将整理的能源消费影响因素及能源消费总量实验数据进行标准化处理,实现无量纲化;
步骤2、建立预测提前期求解模型并求解预测提前期:基于预测提前期理论并设计求解模型,对标准化数据求出各指标预测提前期,并形成新的一组实验数据;
步骤3、数据降维处理:基于主成分法对上一步数据进行降维,消除多重共线影响;
步骤4、神经网络预测:在传统的神经算法的误差反向传播时加入了动量项进行改进,并将上步处理后的数据带入神经模型完网络训练,最后进行预测。
2.如权利要求1所述的针对能源消费量预测的方法,其特征在于,步骤1具体为:
首先,确定影响指标体系矩阵X,以及能源消费总量矩阵E,分别作为能源消费预测的神经网络算法输入层变量和输出层变量,其中,xti为X矩阵第t行i列对应的具体数据,t行代表时间单位,i列代表能源消费影响因素指标名称;E为t行1列数据,行代表时间单位,列代表该地区的能源消费总量;
其次,能源消费影响因素指标矩阵X和能源消费总量矩阵E创建后,通过离差标准化的方式将实验数据映射到[0,1]区间进行标准化,分别得到能源消费影响因素指标体系标准化矩阵X*、能源消费量标准化矩阵E*,指标标准化公式如下:
表示标准化后的影响因素指标值;xti表示能源消费影响因素i在t时间单位对应的数值,minxi表示影响因素i时间序列数据中的最小值,即X矩阵中i列的最小值;同理,maxxi为最大值。
3.如权利要求2所述的针对能源消费量预测的方法,其特征在于,步骤2具体为:
①选取预测提前期计算模型输入数据
对数据标准计算后得到的能源消费影响因素指标体系标准化矩阵X*各影响因素i列遍历,分别带入预测提前期求解算法流程,在X*中任意选取第i列数据和能源消费量标准化矩阵E*,作为预测提前期求解模型的输入数据;
②调整预测提前期及实验数据长度调整
设定上步选取影响指标数据的预测提前期fti初始值为1个时间单位长度(fti=1),将原始数据长度li按照fti更新长度为tli的数据,其计算公式为:
tli=li-fti
将E*原始数据长度le按照fti更新长度为tle的数据,其计算公式为:
tle=le-fti
由于影响因素数据通过预测提前期长度调整,应满足原始数据值与预测提前期调整后的实验数据值相等,即保障影响因素数据与历史能源消费量数据编号对应,确保训练数据准确,需要通过下面约束公式实现:
其中,n表示时间序列数据的每行序号;表示影响因素原始影响因素指标i第n个数据值;表示输入变量i通过预测提前提期调整后第n个数据值;E*n表示能源消费量原始实验数据集第n个数值;tE*n表示输出变量能源消费量通过预测提前期调整后第n个数据值;tEn∈E*。如图3所示,实验数据影响因素i为2001年到2008年的时间序列集合,设预测提前期为1,n为1时,那么i1表示第i种输入变量2001年对应的数值,则有max(n)=li,原始数据中第2个数据的值与经过预测提前期调整后的第1个数值相等。
③计算相关系数
基于上步调整完成之后会得到和tE*两列数据,其数据长度相等,采用皮尔逊相关系数法求解与tE*的相关系数,计算公式为
其中,表示第i个影响因素数据指标在预测提前期为fti的情况下与能源消费量tE*的相关系数;则表示影响因素i调整后的时间序列数据均值,表示预测提前期调整后的均值。
④判断相关系数值
如果计算得到的相关系数绝对值是否大于上一步的相关系数值,进入步骤⑤,否则进入步骤⑥;
⑤更新数据集
将调整数据长度后的能源消费影响因素数据和tE*分别更新到数据集TXi、TE两个新数据集中;
⑥判定数据长度
如果调整后的实验长度小于原始数据长度的70%则,该指标的预测提前期在原来的基础上加1,并返回步骤②;否则进入步骤⑦;其判定公式为:
⑦判定所有影响因素指标是否完成预测提前期计算
如果所有影响因素指标i都完成了预测提前期计算则进入步骤⑧,否则i=i+1并返回步骤①,即对另一个指标进行预测提前期计算。
⑧修整数据集
当所有的指标预测提前期fti确定后,得到i列的更新数据集TXi和TE,为保障后面神经网络算法的输入层数据长度与输出层数据长度相等,即满足TXi和TE的列数相等,同时对这两个数据集进行修整,进而得到一组新的数据集,分别为能源消费影响因素数据集NTXi和能源消费总量数据集NTE,其计算公式如下:
该约束同于要求影响因素原始数据长度等于能源消费量原始实验数据长度,经过预测提前期调整后的数据长度等于其原始数据长度减去所有影响因素中最大的预测提前期,确保各影响因素的数据长度与能源消费量的实验数据长度相等,tli表示影响因素i所有通过预测提前提调整后的数据长度,lE表示能源消费量原始数据长度即集合E的元素数量,tlTEC表示输能源消费量数据通过预测提前提调整后的数据长度即集合TE中元素个数,
除此之外,变量正整数约束公式为:
4.如权利要求1所述的针对能源消费量预测的方法,其特征在于,步骤3具体为:采取主成分分析(PCA)方法,对能源消费影响因素数据集NTXi实现数据降维合成新的综合指数,形成新的数据集
5.如权利要求1所述的针对能源消费量预测的方法,其特征在于,步骤4具体为:
①神经网络训练
在训练开始时沿着网络正向传播,然后根据网络输出值与期望输出值之间误差,反向传播调整权值和阈值,
首先,是网络正向传播,步骤三中得到的数据集最为输入层数据,步骤二最后更新得到数据集NTE作为输出层数据进行神经网络训练,其正向传播公式如下:
(1)隐含层第j个神经元输入值为:
(2)隐含层第j个神经元输出值为:F(x)为传递函数;
(3)输出层输入计算公式为:
(4)输出层计算公式为:out_output1=F(out_input1);
其次,计算训练误差
(1)第n代误差为em(n),其中ym为期望输出:em(n)=out_output1-ym;
(2)计算网络总误差为:
然后,误差反向传播
(1)输出层与隐含层之间的权值修正量为:修正后的权值为:wjm(n+1)=wjm(n)+Δwjm(n),其中,η为学习率;
(2)输入层与隐含层之间的权值调整为:
最后,加入动量项法
在所述误差反向传播时加入了动量项进行改进,即该更新权值时引入动量因子α(0<α<1),则权值修正公式为:
②判定是否网络是否训练完成
判断误差曲线是否收敛或达到设定的最大迭代次数,如果是则完成网络训练进入步骤③,否则返回步骤①继续对网络训练;
③神经网络预测
网络训练完成后,将拟预测时间段相应的能源消费影响因素数据,进行步骤一标准化处理,带入神经网络会得到输出层数据,将该数据进行反归一化处理即得到真实预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224821.6A CN109993354A (zh) | 2019-03-24 | 2019-03-24 | 一种针对能源消费量预测的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910224821.6A CN109993354A (zh) | 2019-03-24 | 2019-03-24 | 一种针对能源消费量预测的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109993354A true CN109993354A (zh) | 2019-07-09 |
Family
ID=67130957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910224821.6A Pending CN109993354A (zh) | 2019-03-24 | 2019-03-24 | 一种针对能源消费量预测的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109993354A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111047091A (zh) * | 2019-12-11 | 2020-04-21 | 国家电网有限公司 | 基于lasso与rnn的省级能源利用效率预测方法 |
CN112699904A (zh) * | 2019-10-22 | 2021-04-23 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN112987617A (zh) * | 2021-03-15 | 2021-06-18 | 国网电力科学研究院武汉能效测评有限公司 | 近零能耗建筑数字化管理系统及能效监测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107704973A (zh) * | 2017-10-31 | 2018-02-16 | 武汉理工大学 | 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法 |
CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
-
2019
- 2019-03-24 CN CN201910224821.6A patent/CN109993354A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104182800A (zh) * | 2013-05-21 | 2014-12-03 | 中国农业科学院棉花研究所 | 基于趋势和周期波动的时间序列的智能预测方法 |
CN105631558A (zh) * | 2016-03-22 | 2016-06-01 | 国家电网公司 | 基于相似日的bp神经网络光伏发电系统功率预测方法 |
CN107358021A (zh) * | 2017-06-01 | 2017-11-17 | 华南理工大学 | 一种基于优化bp神经网络的do预测模型建立方法 |
CN107704973A (zh) * | 2017-10-31 | 2018-02-16 | 武汉理工大学 | 基于神经网络与局部卡尔曼滤波混合模型的水位预测方法 |
CN108764473A (zh) * | 2018-05-23 | 2018-11-06 | 河北工程大学 | 一种基于相关分析的bp神经网络用水量预测方法 |
CN109272146A (zh) * | 2018-08-23 | 2019-01-25 | 河海大学 | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 |
Non-Patent Citations (1)
Title |
---|
王华等: "主成分分析与BP神经网络在煤耗氧速度预测中的应用", 《煤炭学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112699904A (zh) * | 2019-10-22 | 2021-04-23 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN112699904B (zh) * | 2019-10-22 | 2023-05-05 | 电力规划总院有限公司 | 一种电力能源消费预测方法和装置 |
CN111047091A (zh) * | 2019-12-11 | 2020-04-21 | 国家电网有限公司 | 基于lasso与rnn的省级能源利用效率预测方法 |
CN112987617A (zh) * | 2021-03-15 | 2021-06-18 | 国网电力科学研究院武汉能效测评有限公司 | 近零能耗建筑数字化管理系统及能效监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Prediction for tourism flow based on LSTM neural network | |
CN110070713B (zh) | 一种基于双向嵌套lstm神经网络的交通流预测方法 | |
Wang et al. | Bi-directional long short-term memory method based on attention mechanism and rolling update for short-term load forecasting | |
Suryani et al. | Air passenger demand forecasting and passenger terminal capacity expansion: A system dynamics framework | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
CN106952181A (zh) | 基于长短时记忆神经网络的电力负荷预测系统 | |
CN103310286A (zh) | 一种具有时间序列特性的产品订单预测方法及装置 | |
CN109993354A (zh) | 一种针对能源消费量预测的方法 | |
CN109711617A (zh) | 一种基于blstm深度学习的中长期径流预测方法 | |
CN110163421A (zh) | 中长期电力负荷预测方法 | |
CN109034500A (zh) | 一种多时序协同的中期电力负荷预测方法 | |
CN110135634A (zh) | 中长期电力负荷预测装置 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
Zhang et al. | Prediction of demand for staple food and feed grain by a novel hybrid fractional discrete multivariate grey model | |
Zhang et al. | A study on regional gdp forecasting analysis based on radial basis function neural network with genetic algorithm (RBFNN-GA) for shandong economy | |
CN110969312A (zh) | 基于变分模态分解和极端学习机的短期径流预测耦合方法 | |
Hua et al. | Optimization of the dynamic measure of spillover effect based on knowledge graph | |
Shi | Application of back propagation (BP) neural network in marine regional economic forecast | |
Zhong et al. | Construction project risk prediction model based on EW-FAHP and one dimensional convolution neural network | |
Zhang et al. | A novel fractional-order discrete grey Gompertz model for analyzing the aging population in Jiangsu Province, China | |
CN103955764B (zh) | 一种对医疗影像检查量预测的混合优化方法 | |
Ming-Tao et al. | The research on stock price forecast model based on data mining of BP neural networks | |
Ye et al. | Novel weight-adaptive fusion grey prediction model based on interval sequences and its applications | |
CN107730025A (zh) | 一种基于电量变动的供电企业现金流量预测模型 | |
CN109389164A (zh) | 基于支持向量回归模型的地区单位gdp能耗预测方法 |
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 |