System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及能源需求预测,具体为一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法。
技术介绍
1、能源是人类社会生存和发展的必要的物质之一,现今在人类生活中已包括多种能源形式,如:石油、天然气、太阳能、风能、水能和氢能源等。
2、现今对于能源的使用秉承着可持续发展的理念,因此对于能源需求预测的任务格外重视。可靠的能源需求预测方法能为能源企业发展战略的规划和国家能源相关政策的制定提供一定数据支撑。因此,尽可能地提高预测准确率对能源企业或国家是十分有意义的。
3、近些年来,研究人员将机器学习和深度学习方与能源领域相结合,提出了各种各样的能源需求的预测方法。现有的能源预测方法中主要通过挖掘出历史数据随着时间变化各种影响因素变化的规律或者趋势,从而去推测未来的数据变化。在这个过程中,为了实现了更加准确的能源需求预测,需要了解每个因素的独立贡献程度。因此,在对各因素的分析过程中可采用机器学习中较为优秀的算法,如ica算法。ica算法是一种用于从混合信号中分离独立成分的算法。在信号处理和数据分析领域,ica常用于处理混合信号,其中不同的成分以相互独立的方式混合在一起。虽然ica主要被用于信号处理领域,但在能源需求分析中,可以考虑将能源需求的不同影响因素看作混合信号,通过应用ica算法,尝试从中分离出相互独立的成分。这可以有助于识别和理解不同影响因素对总体能源需求的贡献。ica算法应用于能源预测领域中主要分为以下两种形式:一种是仅利用历史能源需求数据建立预测模型,即单因素时间序列预测;另一种是利用影响
4、为了解决以上问题,本专利技术提出一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法。
技术实现思路
1、一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,用于解决上述技术问题。首先,本专利技术为了对未来能源需求进行准确地预测,根据以往的数据建立了一种未来能源影响数据生成模型对未来的能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格进行生成;其次,本专利技术提出一种能源成本模型用于对未来能源影响数据生成模型输出结果进行成本预测;接着,本专利技术为了更加准确地预测未来能源需求,提出一种改进ica算法;该算法的主要作用在于对能源需求的影响因素进行分析;最后,本专利技术通过一种改进的pso-bp网络模型实现了对未来能源需求的准确预测。
2、一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,包括:
3、采集所在区域近n年的历史能源影响数据和历史能源成本数据;其中,n为大于1的自然数;其中,所述能源影响数据包括:能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。
4、进一步地,对所述历史能源影响数据进行预处理,得到标准能源影响数据,并构建标准能源影响数据集。其中,所述预处理具体过程包括:对所述能源影响数据进行数据清洗,得到第一能源影响数据;其中,所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理;对所述第一能源影响数据进行时间序列处理,得到第二能源影响数据;其中,所述时间序列处理包括:按照日期分解、按照季节性调整和按照趋势分析;所述第二能源影响数据经标准化和归一化处理,得到第三能源影响数据;对所述第二能源影响数据进行独热编码,得到所述标准能源影响数据。
5、进一步地,所述标准能源影响数据集和所述能源成本建立能源成本影响关联度矩阵;其中,所述能源成本影响关联度矩阵表示为:
6、
7、其中,epicm表示为所述能源成本影响关联度矩阵;i1k表示为第1条历史能源影响数据中第k个能源成本影响指标;ec1m表示为第1条历史能源影响数据中第m类能源成本;inm表示为第n条历史能源影响数据中第k个能源成本影响指标;ecnm表示为第n条历史能源影响数据中第m类能源成本。
8、进一步地,根据所述能源成本影响关联度矩阵计算历史能源影响数据差异,并构建历史能源影响差异矩阵其中,herddf表示为所述历史能源影响差异矩阵;表示为能源成本影响关联度矩阵中第n条数据中第k个能源成本影响指标与第n-1条数据中第k个能源成本影响指标差值;的计算公式为:
9、进一步地,根据所述历史能源影响差异矩阵初始化能源影响变化向量w=(w1,...,wk);其中,wk表示为第k个能源成本影响指标的变化值,
10、进一步地,根据所述能源成本影响关联度矩阵和所述初始化能源成本影响关联度矩阵,建立未来能源影响数据生成模型,并得到未来能源影响数据。
11、进一步地,输入所述未来能源影响数据至所述能源成本模型,得到未来能源预测成本;其中,所述能源成本模型具体实现包括:
12、将n年的所述历史能源成本数据进行归一化处理,得到归一化历史能源成本数据;
13、根据所述归一化历史能源成本数据进行聚类,得到c个聚类集合;其中,c是大于1的自然数;
14、对c个所述聚类集合构建c个相关能源数据差异矩阵;其中,所述相关能源数据差异矩阵表示为:其中,edgmi表示为第i个聚类集合相关能源数据差异矩阵;dvqk表示为第i个聚类集合中第q条数据关于第k个因素的差异值;
15、根据所述聚类集合,建立能源成本影响因素转移矩阵;其中,所述能源成本影响因素转移矩阵表示为:其中,epfitmi表示为第i个聚类集合的能源成本影响因素转移矩阵;p1k表示为第i个聚类集合中第1个能源影响因素与第k个能源影响因素的转移概率值;
16、所述能源成本影响因素转移矩阵的约束条件为:
17、根据所述能源成本影响因素转移矩阵,更新影响因素权重向量;其中,所述影响因素权重向量的更新公式为:
18、
19、其中,μi(t)表示为第i个聚类集合在t时刻的成本影响因素权重向量;ε(t)表示为t时刻下的修正项;
20、建立能源成本预测函数;其中,所述能源成本预测函数的公式为:
21、
22、其中,ep()i表示为第i个聚类集合的能源成本预测函数;becm表示为第m类能源的基础成本;φ()表示为非线性成本预测函数部分;b表示为所述能源成本预测函数的偏置;
23、其中,所述偏置的更新公式为:λ表示为修正参数;
24、最小化所述能源成本预测函数;其中,最小化过程为:
25、
26、其中,t表示为最大迭代训练轮数;表示为所述能源成本预测函数在第t轮关于第m类能源预测结果;
27、进一步地,计算所述未来能源预测成本与各类所述历史能源成本数据之间的损失值,并优化所述能源成本模型;
28、其中,所述损失值的计算公式为:<本文档来自技高网...
【技术保护点】
1.一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源影响数据包括:能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。
3.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述预处理包括:对所述能源影响数据进行数据清洗,得到第一能源影响数据;其中,所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理;对所述第一能源影响数据进行时间序列处理,得到第二能源影响数据;其中,所述时间序列处理包括:按照日期分解、按照季节性调整和按照趋势分析;所述第二能源影响数据经标准化和归一化处理,得到第三能源影响数据;对所述第二能源影响数据进行独热编码,得到所述标准能源影响数据。
4.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源成本影响关联度矩阵表示为:
6.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源成本模型具体实现包括:
7.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源发展政策特征的获取具体过程包括:
8.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源需求矩阵采用能源需求特征工程分析模型;
9.根据权利要求1所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源需求预测模型的具体实现步骤包括:
10.根据权利要求9所述的一种基于ICA算法优化PSO-BP神经网络模型的能源需求预测方法,其特征在于,所述能源需求优化粒子群算法的具体过程包括:
...【技术特征摘要】
1.一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,其特征在于,包括:
2.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,其特征在于,所述能源影响数据包括:能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。
3.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,其特征在于,所述预处理包括:对所述能源影响数据进行数据清洗,得到第一能源影响数据;其中,所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理;对所述第一能源影响数据进行时间序列处理,得到第二能源影响数据;其中,所述时间序列处理包括:按照日期分解、按照季节性调整和按照趋势分析;所述第二能源影响数据经标准化和归一化处理,得到第三能源影响数据;对所述第二能源影响数据进行独热编码,得到所述标准能源影响数据。
4.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法,其特征在于,所述...
【专利技术属性】
技术研发人员:鄂建伟,杨茗舒,何凯丽,陆泽伊,
申请(专利权)人:广西民族大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。