CN114004397A - 一种计及多因素影响的地区能源消费态势预测方法及装置 - Google Patents
一种计及多因素影响的地区能源消费态势预测方法及装置 Download PDFInfo
- Publication number
- CN114004397A CN114004397A CN202111252242.6A CN202111252242A CN114004397A CN 114004397 A CN114004397 A CN 114004397A CN 202111252242 A CN202111252242 A CN 202111252242A CN 114004397 A CN114004397 A CN 114004397A
- Authority
- CN
- China
- Prior art keywords
- data
- energy consumption
- formula
- value
- lstm
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004519 manufacturing process Methods 0.000 claims abstract description 61
- 238000012549 training Methods 0.000 claims abstract description 56
- 230000015654 memory Effects 0.000 claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims abstract description 6
- 230000000306 recurrent effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012545 processing Methods 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000010606 normalization Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000009776 industrial production Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000011425 standardization method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Images
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
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种计及多因素影响的地区能源消费态势预测方法及装置,包括:针对地区能源消费的各个影响因素进行计算,选择其中的合理影响因素;采用长短时记忆循环神经网络算法LSTM,训练并建立能源消费预测模型即LSTM网络模型;利用训练完成的能源消费预测模型,对地区未来能源消费情况进行预测。本发明还公开了一种计及多因素影响的地区能源消费态势预测装置。本发明明确能源消费的相关影响因素,并综合考虑选择合理的因素形成能源消费态势预测多因素集合,基于长短时记忆神经网络算法结合多因素历史数据训练获得多种影响因素与能源消费态势的映射模型,实现地区生产部门能够依据多因素历史数据更为精准预测未来能源消费态势。
Description
技术领域
本发明涉及能源供需平衡技术领域,尤其是一种计及多因素影响的地区能源消费态势预测方法及装置。
背景技术
能源是生产生活和经济发展的重要物质基础,由于能源与经济、社会、环境等人类发展的各方面有着密切联系,能源困局所引发的许多问题,都从各个方面影响着经济与社会的可持续发展。
基于地区能源消费现状,进行能源消费的预测研究有利于保证地区的能源安全,促进区域间能源供需平衡。传统的能源消费预测方法中有时间序列法、情景分析法等。时间序列法基于历史能源消费数据在时间尺度上的变化规律建立参数模型,进而对能源消费进行预测。情景分析法是在假设各种情景在未来发生时,相应情景下能源消费的情况做出预测的方法,是一种直观的定性预测方法。传统的预测方法主要针对的是利用历史能源消费数据的预测研究,未能考虑其他因素对于能源消费的影响,在预测精准度上不够准确。
能源的供需平衡是保障地区能源安全的基础,为了促进区域生产部门制定合理的生产消费规划,保障生产工作有序进行,综合研究能源消费的影响因素和能源消费状况,选用更加有效的模型对能源消费合理预测,以提高能源消费预测的精准性。
发明内容
本发明的首要在于提供一种通过获得多种影响因素与能源消费态势的映射模型,实现地区生产部门能够依据多因素历史数据更为精准预测未来能源消费态势的计及多因素影响的地区能源消费态势预测方法。
为实现上述目的,本发明采用了以下技术方案:一种计及多因素影响的地区能源消费态势预测方法,该方法包括下列顺序的步骤:
(1)针对地区能源消费的各个影响因素进行计算,选择其中的合理影响因素;
(2)采用长短时记忆循环神经网络算法LSTM,训练并建立能源消费预测模型即LSTM网络模型;
(3)利用训练完成的能源消费预测模型,对地区未来能源消费情况进行预测。
所述步骤(1)具体包括以下步骤:
(1a)所述能源消费的影响因素包括地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数,各影响因素的计算公式分别为:
地区生产总值:
G=G1+G2+G3 (17)
地区生产总值是地区所有生产部门在一年内的生产活动的最终成果,在公式(1)中,G为地区生产总值,G1为第一产业生产总值,G2为第二产业生产总值,G3为第三产业生产总值;
工业化水平:
工业化水平是地区第二产业生产总值与地区生产总值的比值,在公式(2) 中,f表示地区工业化水平;
第三产业生产总值占比:
第三产业生产总值占比是第三产业生产总值与地区生产总值的比值,在公式(3)中,s表示地区第三产业生产总值占比;
城镇化水平:
城镇化水平指的是地区城镇化进展程度,以城镇人口数占总人口数的比值来表示,在公式(4)中,u表示城镇化水平,Pu为城镇人口数,P为现有总人口数;
常住人口数:
Pl=P+Po-Ps (21)
常住人口数是现有总人口数和暂时外出人口数之和减去暂时居留人口数,在公式(5)中,Pl为常住人口数,P为现有总人口数,Po暂时外出人口数,Ps为暂时居留人口数。
所述步骤(2)具体是指:
首先,对能源消费的影响因素进行标准化处理,采用Min-Max归一化的数据标准化方法,通过线性变换处理数据,将数量级不同的原始数据映射到[0,1] 区间内,具体的计算公式如下:
式中,xn表示归一化处理后的输入数据,xmin和xmax分别是处理前数据的最小值和最大值;
然后,将归一化后的数据集进行分组划分,根据时间顺序将数据集划分为用于训练LSTM网络模型的训练数据集和用于检验训练的LSTM网络模型的预测效果的检验数据集;
最后,初始化LSTM网络模型的参数,将训练数据集中的数据传输至LSTM 网络模型中进行不断迭代训练,并根据损失函数值在Adam优化算法指导下不断优化更新LSTM网络模型内的参数,将检验数据集中的数据传输至经过训练后的LSTM网络模型中进行预测并计算预测结果可信度,通过对比不同训练阶段的 LSTM网络模型优越性,选取优越性更佳的LSTM网络模型继续训练,直至判断训练结果满足训练终止条件则结束训练,选定训练结束后的LSTM网络模型作为能源消费态势预测模型。
在步骤(2)中,所述能源消费预测模型的训练方法包括以下顺序的步骤:
(2a)设定模型训练循环总次数E,初始化当前循环总次数为e=1,设定时间步长t;
(2b)设定迭代次数为N,初始化当前迭代次数为n=1;
(2c)将训练数据集中的数据输入到LSTM网络模型中;
(2d)在训练数据集下,经过时间步长t的循环训练,输出当前参数下LSTM 网络模型的预测结果;
(2e)采用MSE均方方差方法计算损失函数值,具体公式如下:
(2f)采用Adam优化算法更新LSTM网络模型参数;
(2g)判断迭代次数是否小于T,若是则t=t+1,返回步骤(2c),否则进入步骤(2h);
(2h)将检验数据集中的数据输入当前训练好的LSTM网络模型中,获得能源消费预测结果;
(2i)计算预测结果与实际值间的差距,采用MSE均方方差计算误差值,记录误差值并保存当前LSTM网络模型的参数;
(2j)判断e是否小于E,若是,则e=e+1,返回步骤(2b),否则,进入步骤(2k);
(2k)选择误差最小的LSTM网络模型作为能源消费预测模型。
所述LSTM网络模型为:
LSTM网络模型包括用于获取训练数据集和检验数据集中的数据输入层、 LSTM层,以及用于输出当前LSTM网络模型的预测结果的输出层;
所述输入层的时间步长t为输入的时序数据数量,输入层维数设定为影响因素数量,包含地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数;
所述LSTM层根据时间步长设定t个LSTM单元,LSTM单元包含遗忘门、输入记忆门、输出门三部分;
在输入记忆门中,对当前时刻输入的数据信息进行选择性记忆,将输入数据xt与前一时刻LSTM单元的隐藏信息输出ht-1进行拼接,并与权重矩阵W相乘后得到数据的输入,采用tanh激活函数对输入信息进行处理得到转换为-1到1 之间的数值,公式如下:
zn=tanh(Wn·[xt,ht-1]+bn) (24)
式中,zn为缩放处理后的输入数据,Wn为输入门的权重矩阵,bn为输入门的偏置矩阵,xt为t时刻的输入数据,ht-1为t-1时刻LSTM单元的短时记忆输出,tanh为tanh激活函数;
同时设定信息选择记忆控制序列,将上述处理的输入数据进行选择记忆,采用sigmoid激活函数,公式如下:
zi=σ(Wi·[xt,ht-1]+bi) (25)
式中,zi为信息选择记忆控制序列,Wi为记忆门的权重矩阵,bi为记忆门的偏置矩阵,σ为sigmoid激活函数;
将缩放后的输入数据与选择记忆控制序列进行相乘,获得需要记忆的数据,公式如下:
ct'=zi*zn (26)
式中,ct’为t时刻输入数据经过记忆处理后的数据信息;
在遗忘门中,对上一时刻输出的数据信息进行选择性遗忘;设定信息选择遗忘控制序列,采用sigmoid激活函数,公式如下:
zf=σ(Wf·[xt,ht-1]+bf) (27)
式中,zf为信息选择遗忘控制序列,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置矩阵;
将上一时刻LSTM单元的输出数据ct-1与选择遗忘控制序列进行相乘从而获得完成遗忘部分信息的数据,公式如下:
ct-1″=zf*ct-1 (28)
式中,ct-1为t-1时刻LSTM单元的长时记忆输出,ct-1″为ct-1经过遗忘处理后的数据信息;
在输出门中,确定输出信息数据;设定信息选择输出控制序列,采用 sigmoid激活函数,公式如下:
zo=σ(Wo·[xt,ht-1]+bo) (29)
式中,zo为信息选择输出控制序列,Wo为输出门的权重矩阵,bo为输出门的偏置矩阵;
将遗忘部分信息的上一时刻的输出数据与记忆部分信息的输入数据进行叠加得到当前时刻的输出数据ct,公式如下:
ct=ct-1″+ct' (30)
式中,ct为t时刻LSTM单元的长时记忆输出;
将LSTM单元的输出数据ct采用tanh函数进行处理并与信息选择输出控制序列进行相乘从而获得LSTM单元的输出数据ht,公式如下:
ht=zo*tanh(ct) (31)
式中,ht为t时刻的时刻LSTM单元的短时记忆输出;
所述输出层的维数设定为能源消费量,将LSTM单元输出数据ht与权重矩阵相乘后,采用sigmoid激活函数,进而得到LSTM网络模型输出结果,公式如下:
yt=σ(Wht+b) (32)
式中,yt为输出层的输出数据,W为输出层的权重矩阵,b为输出层的偏置矩阵。
所述步骤(3)具体是指:将地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数的影响因素以及能源消费的历史数据以时间为单位,组成数据输入序列Xt-N,Xt-N+1,……,Xt-1,Xt;
将影响因素的对应时刻预测值与能源消费预测值组成预测值数据Xt+1,经过循环迭代,根据已经设定的时间步长将历史数据和预测值数据输入LSTM网络模型中,得到未来第k时段的表征未来能源消费情况的归一化预测值
将获取的归一化的能源消费预测值进行反归一化处理,最终得到指定未来的地区能源消费预测值。
本发明的另一目的在于提供一种计及多因素影响的地区能源消费态势预测方法的装置,包括:
获取单元,用于录入能源消费的各个影响因素的历史数据,并进行归一化处理;
预测单元,内置训练完成的能源消费预测模型,从相关影响因素的历史数据中对未来能源消费态势进行预测;
输出单元,将能源消费预测模型中对未来能源消费态势的预测结果进行反归一化处理,输出展示地区未来能源的消费情况。
由上述技术方案可知,本发明的有益效果为:本发明明确能源消费的相关影响因素,并综合考虑选择合理的因素形成能源消费态势预测多因素集合,基于长短时记忆神经网络算法结合多因素历史数据训练获得多种影响因素与能源消费态势的映射模型,实现地区生产部门能够依据多因素历史数据更为精准预测未来能源消费态势。
附图说明
图1为本发明的方法流程图;
图2为本发明的装置组成示意图;
图3为本发明中能源消费预测模型的训练方法流程图。
具体实施方式
如图1所示,一种计及多因素影响的地区能源消费态势预测方法,该方法包括下列顺序的步骤:
(1)针对地区能源消费的各个影响因素进行计算,选择其中的合理影响因素;
(2)采用长短时记忆循环神经网络算法LSTM,训练并建立能源消费预测模型即LSTM网络模型;
(3)利用训练完成的能源消费预测模型,对地区未来能源消费情况进行预测。
所述步骤(1)具体包括以下步骤:
(1a)所述能源消费的影响因素包括地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数,各影响因素的计算公式分别为:
地区生产总值:
G=G1+G2+G3 (33)
地区生产总值是地区所有生产部门在一年内的生产活动的最终成果,在公式(1)中,G为地区生产总值,G1为第一产业生产总值,G2为第二产业生产总值,G3为第三产业生产总值;
工业化水平:
工业化水平是地区第二产业生产总值与地区生产总值的比值,在公式(2) 中,f表示地区工业化水平;
第三产业生产总值占比:
第三产业生产总值占比是第三产业生产总值与地区生产总值的比值,在公式(3)中,s表示地区第三产业生产总值占比;
城镇化水平:
城镇化水平指的是地区城镇化进展程度,以城镇人口数占总人口数的比值来表示,在公式(4)中,u表示城镇化水平,Pu为城镇人口数,P为现有总人口数;
常住人口数:
Pl=P+Po-Ps (37)
常住人口数是现有总人口数和暂时外出人口数之和减去暂时居留人口数,在公式(5)中,Pl为常住人口数,P为现有总人口数,Po暂时外出人口数,Ps为暂时居留人口数。
所述步骤(2)具体是指:
首先,对能源消费的影响因素进行标准化处理,采用Min-Max归一化的数据标准化方法,通过线性变换处理数据,将数量级不同的原始数据映射到[0,1] 区间内,具体的计算公式如下:
式中,xn表示归一化处理后的输入数据,xmin和xmax分别是处理前数据的最小值和最大值;
然后,将归一化后的数据集进行分组划分,根据时间顺序将数据集划分为用于训练LSTM网络模型的训练数据集和用于检验训练的LSTM网络模型的预测效果的检验数据集;
最后,初始化LSTM网络模型的参数,将训练数据集中的数据传输至LSTM 网络模型中进行不断迭代训练,并根据损失函数值在Adam优化算法指导下不断优化更新LSTM网络模型内的参数,将检验数据集中的数据传输至经过训练后的 LSTM网络模型中进行预测并计算预测结果可信度,通过对比不同训练阶段的 LSTM网络模型优越性,选取优越性更佳的LSTM网络模型继续训练,直至判断训练结果满足训练终止条件则结束训练,选定训练结束后的LSTM网络模型作为能源消费态势预测模型。
所述地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数等影响因素以及能源消费的相关原始数据收集自国家统计局网站、国家能源局网站。
如图3所示,在步骤(2)中,所述能源消费预测模型的训练方法包括以下顺序的步骤:
(2a)设定模型训练循环总次数E,初始化当前循环总次数为e=1,设定时间步长t;
(2b)设定迭代次数为N,初始化当前迭代次数为n=1;
(2c)将训练数据集中的数据输入到LSTM网络模型中;
(2d)在训练数据集下,经过时间步长t的循环训练,输出当前参数下LSTM 网络模型的预测结果;
(2e)采用MSE均方方差方法计算损失函数值,具体公式如下:
(2f)采用Adam优化算法更新LSTM网络模型参数;
(2g)判断迭代次数是否小于T,若是则t=t+1,返回步骤(2c),否则进入步骤(2h);
(2h)将检验数据集中的数据输入当前训练好的LSTM网络模型中,获得能源消费预测结果;
(2i)计算预测结果与实际值间的差距,采用MSE均方方差计算误差值,记录误差值并保存当前LSTM网络模型的参数;
(2j)判断e是否小于E,若是,则e=e+1,返回步骤(2b),否则,进入步骤(2k);
(2k)选择误差最小的LSTM网络模型作为能源消费预测模型。
所述LSTM网络模型为:
LSTM网络模型包括用于获取训练数据集和检验数据集中的数据输入层、LSTM层,以及用于输出当前LSTM网络模型的预测结果的输出层;
所述输入层的时间步长t为输入的时序数据数量,输入层维数设定为影响因素数量,包含地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数;
所述LSTM层根据时间步长设定t个LSTM单元,LSTM单元包含遗忘门、输入记忆门、输出门三部分;
在输入记忆门中,对当前时刻输入的数据信息进行选择性记忆,将输入数据xt与前一时刻LSTM单元的隐藏信息输出ht-1进行拼接,并与权重矩阵W相乘后得到数据的输入,采用tanh激活函数对输入信息进行处理得到转换为-1到1 之间的数值,公式如下:
zn=tanh(Wn·[xt,ht-1]+bn) (40)
式中,zn为缩放处理后的输入数据,Wn为输入门的权重矩阵,bn为输入门的偏置矩阵,xt为t时刻的输入数据,ht-1为t-1时刻LSTM单元的短时记忆输出,tanh为tanh激活函数;
同时设定信息选择记忆控制序列,将上述处理的输入数据进行选择记忆,采用sigmoid激活函数,公式如下:
zi=σ(Wi·[xt,ht-1]+bi) (41)
式中,zi为信息选择记忆控制序列,Wi为记忆门的权重矩阵,bi为记忆门的偏置矩阵,σ为sigmoid激活函数;
将缩放后的输入数据与选择记忆控制序列进行相乘,获得需要记忆的数据,公式如下:
ct'=zi*zn (42)
式中,ct’为t时刻输入数据经过记忆处理后的数据信息;
在遗忘门中,对上一时刻输出的数据信息进行选择性遗忘;设定信息选择遗忘控制序列,采用sigmoid激活函数,公式如下:
zf=σ(Wf·[xt,ht-1]+bf) (43)
式中,zf为信息选择遗忘控制序列,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置矩阵;
将上一时刻LSTM单元的输出数据ct-1与选择遗忘控制序列进行相乘从而获得完成遗忘部分信息的数据,公式如下:
ct-1″=zf*ct-1 (44)
式中,ct-1为t-1时刻LSTM单元的长时记忆输出,ct-1″为ct-1经过遗忘处理后的数据信息;
在输出门中,确定输出信息数据;设定信息选择输出控制序列,采用 sigmoid激活函数,公式如下:
zo=σ(Wo·[xt,ht-1]+bo) (45)
式中,zo为信息选择输出控制序列,Wo为输出门的权重矩阵,bo为输出门的偏置矩阵;
将遗忘部分信息的上一时刻的输出数据与记忆部分信息的输入数据进行叠加得到当前时刻的输出数据ct,公式如下:
ct=ct-1″+ct' (46)
式中,ct为t时刻LSTM单元的长时记忆输出;
将LSTM单元的输出数据ct采用tanh函数进行处理并与信息选择输出控制序列进行相乘从而获得LSTM单元的输出数据ht,公式如下:
ht=zo*tanh(ct) (47)
式中,ht为t时刻的时刻LSTM单元的短时记忆输出;
所述输出层的维数设定为能源消费量,将LSTM单元输出数据ht与权重矩阵相乘后,采用sigmoid激活函数,进而得到LSTM网络模型输出结果,公式如下:
yt=σ(Wht+b) (48)
式中,yt为输出层的输出数据,W为输出层的权重矩阵,b为输出层的偏置矩阵。
所述步骤(3)具体是指:将地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数的影响因素以及能源消费的历史数据以时间为单位,组成数据输入序列Xt-N,Xt-N+1,……,Xt-1,Xt;
将影响因素的对应时刻预测值与能源消费预测值组成预测值数据Xt+1,经过循环迭代,根据已经设定的时间步长将历史数据和预测值数据输入LSTM网络模型中,得到未来第k时段的表征未来能源消费情况的归一化预测值
将获取的归一化的能源消费预测值进行反归一化处理,最终得到指定未来的地区能源消费预测值。
如图2所示,本装置包括:
获取单元,用于录入能源消费的各个影响因素的历史数据,并进行归一化处理;
预测单元,内置训练完成的能源消费预测模型,从相关影响因素的历史数据中对未来能源消费态势进行预测;
输出单元,将能源消费预测模型中对未来能源消费态势的预测结果进行反归一化处理,输出展示地区未来能源的消费情况。
综上所述,本发明明确能源消费的相关影响因素,并综合考虑选择合理的因素形成能源消费态势预测多因素集合,基于长短时记忆神经网络算法结合多因素历史数据训练获得多种影响因素与能源消费态势的映射模型,实现地区生产部门能够依据多因素历史数据更为精准预测未来能源消费态势。
Claims (7)
1.一种计及多因素影响的地区能源消费态势预测方法,其特征在于:该方法包括下列顺序的步骤:
(1)针对地区能源消费的各个影响因素进行计算,选择其中的合理影响因素;
(2)采用长短时记忆循环神经网络算法LSTM,训练并建立能源消费预测模型即LSTM网络模型;
(3)利用训练完成的能源消费预测模型,对地区未来能源消费情况进行预测。
2.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法,其特征在于:所述步骤(1)具体包括以下步骤:
(1a)所述能源消费的影响因素包括地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数,各影响因素的计算公式分别为:
地区生产总值:
G=G1+G2+G3 (1)
地区生产总值是地区所有生产部门在一年内的生产活动的最终成果,在公式(1)中,G为地区生产总值,G1为第一产业生产总值,G2为第二产业生产总值,G3为第三产业生产总值;
工业化水平:
工业化水平是地区第二产业生产总值与地区生产总值的比值,在公式(2)中,f表示地区工业化水平;
第三产业生产总值占比:
第三产业生产总值占比是第三产业生产总值与地区生产总值的比值,在公式(3)中,s表示地区第三产业生产总值占比;
城镇化水平:
城镇化水平指的是地区城镇化进展程度,以城镇人口数占总人口数的比值来表示,在公式(4)中,u表示城镇化水平,Pu为城镇人口数,P为现有总人口数;
常住人口数:
Pl=P+Po-Ps (5)
常住人口数是现有总人口数和暂时外出人口数之和减去暂时居留人口数,在公式(5)中,Pl为常住人口数,P为现有总人口数,Po暂时外出人口数,Ps为暂时居留人口数。
3.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法,其特征在于:所述步骤(2)具体是指:
首先,对能源消费的影响因素进行标准化处理,采用Min-Max归一化的数据标准化方法,通过线性变换处理数据,将数量级不同的原始数据映射到[0,1]区间内,具体的计算公式如下:
式中,xn表示归一化处理后的输入数据,xmin和xmax分别是处理前数据的最小值和最大值;
然后,将归一化后的数据集进行分组划分,根据时间顺序将数据集划分为用于训练LSTM网络模型的训练数据集和用于检验训练的LSTM网络模型的预测效果的检验数据集;
最后,初始化LSTM网络模型的参数,将训练数据集中的数据传输至LSTM网络模型中进行不断迭代训练,并根据损失函数值在Adam优化算法指导下不断优化更新LSTM网络模型内的参数,将检验数据集中的数据传输至经过训练后的LSTM网络模型中进行预测并计算预测结果可信度,通过对比不同训练阶段的LSTM网络模型优越性,选取优越性更佳的LSTM网络模型继续训练,直至判断训练结果满足训练终止条件则结束训练,选定训练结束后的LSTM网络模型作为能源消费态势预测模型。
4.根据权利要求1或3所述的计及多因素影响的地区能源消费态势预测方法,其特征在于:在步骤(2)中,所述能源消费预测模型的训练方法包括以下顺序的步骤:
(2a)设定模型训练循环总次数E,初始化当前循环总次数为e=1,设定时间步长t;
(2b)设定迭代次数为N,初始化当前迭代次数为n=1;
(2c)将训练数据集中的数据输入到LSTM网络模型中;
(2d)在训练数据集下,经过时间步长t的循环训练,输出当前参数下LSTM网络模型的预测结果;
(2e)采用MSE均方方差方法计算损失函数值,具体公式如下:
(2f)采用Adam优化算法更新LSTM网络模型参数;
(2g)判断迭代次数是否小于T,若是则t=t+1,返回步骤(2c),否则进入步骤(2h);
(2h)将检验数据集中的数据输入当前训练好的LSTM网络模型中,获得能源消费预测结果;
(2i)计算预测结果与实际值间的差距,采用MSE均方方差计算误差值,记录误差值并保存当前LSTM网络模型的参数;
(2j)判断e是否小于E,若是,则e=e+1,返回步骤(2b),否则,进入步骤(2k);
(2k)选择误差最小的LSTM网络模型作为能源消费预测模型。
5.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法,其特征在于:所述LSTM网络模型为:
LSTM网络模型包括用于获取训练数据集和检验数据集中的数据输入层、LSTM层,以及用于输出当前LSTM网络模型的预测结果的输出层;
所述输入层的时间步长t为输入的时序数据数量,输入层维数设定为影响因素数量,包含地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数;
所述LSTM层根据时间步长设定t个LSTM单元,LSTM单元包含遗忘门、输入记忆门、输出门三部分;
在输入记忆门中,对当前时刻输入的数据信息进行选择性记忆,将输入数据xt与前一时刻LSTM单元的隐藏信息输出ht-1进行拼接,并与权重矩阵W相乘后得到数据的输入,采用tanh激活函数对输入信息进行处理得到转换为-1到1之间的数值,公式如下:
zn=tanh(Wn·[xt,ht-1]+bn) (8)
式中,zn为缩放处理后的输入数据,Wn为输入门的权重矩阵,bn为输入门的偏置矩阵,xt为t时刻的输入数据,ht-1为t-1时刻LSTM单元的短时记忆输出,tanh为tanh激活函数;
同时设定信息选择记忆控制序列,将上述处理的输入数据进行选择记忆,采用sigmoid激活函数,公式如下:
zi=σ(Wi·[xt,ht-1]+bi) (9)
式中,zi为信息选择记忆控制序列,Wi为记忆门的权重矩阵,bi为记忆门的偏置矩阵,σ为sigmoid激活函数;
将缩放后的输入数据与选择记忆控制序列进行相乘,获得需要记忆的数据,公式如下:
ct'=zi*zn (10)
式中,ct’为t时刻输入数据经过记忆处理后的数据信息;
在遗忘门中,对上一时刻输出的数据信息进行选择性遗忘;设定信息选择遗忘控制序列,采用sigmoid激活函数,公式如下:
zf=σ(Wf·[xt,ht-1]+bf) (11)
式中,zf为信息选择遗忘控制序列,Wf为遗忘门的权重矩阵,bf为遗忘门的偏置矩阵;
将上一时刻LSTM单元的输出数据ct-1与选择遗忘控制序列进行相乘从而获得完成遗忘部分信息的数据,公式如下:
ct-1”=zf*ct-1 (12)
式中,ct-1为t-1时刻LSTM单元的长时记忆输出,ct-1”为ct-1经过遗忘处理后的数据信息;
在输出门中,确定输出信息数据;设定信息选择输出控制序列,采用sigmoid激活函数,公式如下:
zo=σ(Wo·[xt,ht-1]+bo) (13)
式中,zo为信息选择输出控制序列,Wo为输出门的权重矩阵,bo为输出门的偏置矩阵;
将遗忘部分信息的上一时刻的输出数据与记忆部分信息的输入数据进行叠加得到当前时刻的输出数据ct,公式如下:
ct=ct-1”+ct' (14)
式中,ct为t时刻LSTM单元的长时记忆输出;
将LSTM单元的输出数据ct采用tanh函数进行处理并与信息选择输出控制序列进行相乘从而获得LSTM单元的输出数据ht,公式如下:
ht=zo*tanh(ct) (15)
式中,ht为t时刻的时刻LSTM单元的短时记忆输出;
所述输出层的维数设定为能源消费量,将LSTM单元输出数据ht与权重矩阵相乘后,采用sigmoid激活函数,进而得到LSTM网络模型输出结果,公式如下:
yt=σ(Wht+b) (16)
式中,yt为输出层的输出数据,W为输出层的权重矩阵,b为输出层的偏置矩阵。
6.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法,其特征在于:所述步骤(3)具体是指:将地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数的影响因素以及能源消费的历史数据以时间为单位,组成数据输入序列Xt-N,Xt-N+1,……,Xt-1,Xt;
将影响因素的对应时刻预测值与能源消费预测值组成预测值数据Xt+1,经过循环迭代,根据已经设定的时间步长将历史数据和预测值数据输入LSTM网络模型中,得到未来第k时段的表征未来能源消费情况的归一化预测值
将获取的归一化的能源消费预测值进行反归一化处理,最终得到指定未来的地区能源消费预测值。
7.实施权利要求1至6中任一项所述的计及多因素影响的地区能源消费态势预测方法的装置,其特征在于:包括:
获取单元,用于录入能源消费的各个影响因素的历史数据,并进行归一化处理;
预测单元,内置训练完成的能源消费预测模型,从相关影响因素的历史数据中对未来能源消费态势进行预测;
输出单元,将能源消费预测模型中对未来能源消费态势的预测结果进行反归一化处理,输出展示地区未来能源的消费情况。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252242.6A CN114004397A (zh) | 2021-10-27 | 2021-10-27 | 一种计及多因素影响的地区能源消费态势预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111252242.6A CN114004397A (zh) | 2021-10-27 | 2021-10-27 | 一种计及多因素影响的地区能源消费态势预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114004397A true CN114004397A (zh) | 2022-02-01 |
Family
ID=79924449
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111252242.6A Pending CN114004397A (zh) | 2021-10-27 | 2021-10-27 | 一种计及多因素影响的地区能源消费态势预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114004397A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677022A (zh) * | 2022-03-31 | 2022-06-28 | 南通电力设计院有限公司 | 一种多元融合能源分布式管理的方法及系统 |
CN116861192A (zh) * | 2023-07-27 | 2023-10-10 | 广东中山建筑设计院股份有限公司 | 基于satt-tcn-lstm模型的城市用水量预测方法 |
-
2021
- 2021-10-27 CN CN202111252242.6A patent/CN114004397A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677022A (zh) * | 2022-03-31 | 2022-06-28 | 南通电力设计院有限公司 | 一种多元融合能源分布式管理的方法及系统 |
CN114677022B (zh) * | 2022-03-31 | 2023-09-15 | 南通电力设计院有限公司 | 一种多元融合能源分布式管理的方法及系统 |
CN116861192A (zh) * | 2023-07-27 | 2023-10-10 | 广东中山建筑设计院股份有限公司 | 基于satt-tcn-lstm模型的城市用水量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN110766212B (zh) | 用于历史数据缺失电场的超短期光伏功率预测方法 | |
CN107315884A (zh) | 一种基于线性回归的建筑能耗建模方法 | |
CN111695731B (zh) | 基于多源数据和混合神经网络的负荷预测方法、系统及设备 | |
CN114004397A (zh) | 一种计及多因素影响的地区能源消费态势预测方法及装置 | |
CN111861039A (zh) | 基于lstm和广义预测控制算法的电力负荷预测方法、系统、设备及存储介质 | |
CN112036075A (zh) | 一种基于环境监测数据关联关系的异常数据判定方法 | |
CN111160659B (zh) | 一种考虑温度模糊化的电力负荷预测方法 | |
CN110135634B (zh) | 中长期电力负荷预测装置 | |
CN111915092A (zh) | 基于长短时记忆神经网络的超短期风电功率预测方法 | |
KR20190123040A (ko) | 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법 | |
CN111862592A (zh) | 一种基于rgcn的交通流预测方法 | |
Luthuli et al. | Short term load forecasting using artificial intelligence | |
CN114492922A (zh) | 一种中长期发电量预测方法 | |
CN113139605A (zh) | 基于主成分分析和lstm神经网络的电力负荷预测方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN115238854A (zh) | 一种基于tcn-lstm-am的短期负荷预测方法 | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN114219177A (zh) | 机房环境调控方法、装置、电子设备及存储介质 | |
Kumar et al. | Forecasting indoor temperature for smart buildings with ARIMA, SARIMAX, and LSTM: A fusion approach | |
CN117371303A (zh) | 一种海浪下有效波高的预测方法 | |
CN115936236A (zh) | 一种卷烟厂能耗预测方法、系统、设备及介质 | |
CN107730025B (zh) | 一种基于电量变动的供电企业现金流量预测模型 | |
CN116402194A (zh) | 一种基于混合神经网络的多时间尺度负荷预测方法 | |
CN115759343A (zh) | 一种基于e-lstm的用户电量预测方法和装置 |
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 |