[发明专利]一种基于深度置信网络的多行业能源需求预测方法

权利要求书

1.一种基于深度置信网络的多行业能源需求预测方法，其特征在于，包括：

根据供电区域各个行业对应能源需求量的历史数据，构建不同行业的能源需求矩阵；

对所述能源需求矩阵依据预分类行业的类型进行聚类；

通过深度置信网络为预分类行业构建对应的能源需求预测模型；

通过粒子群算法优化所述能源需求预测模型中深度置信网络的初始权重，得到优化后的预测模型；

将所述历史数据按照预设比例分配后训练集和测试集代入优化后的预测模型，得到具有最优解的预测模型；

以待预测年所属行业类别的所有的样本作为输入，通过具有最优解的预测模型对待预测年能源需求总量进行预测；

所述通过粒子群算法优化所述能源需求预测模型中深度置信网络的初始权重，得到优化后的预测模型，包括：

所述粒子群算法中初始权重产生的计算式为：

其中,n_i＝C,C为根据样本数量决定的固定值；

所述粒子群算法中惯性权重ω的计算式为：

其中，ω为粒子群算法中惯性权重，ω_max为最大惯性权重，ω_min为最小惯性权重，m_t为当前迭代次数，m_a为总的迭代次数；

所述粒子群算法在优化深度置信网络过程中，更新后的网络权重值的计算式为：

其中，为更新后的网络权重值；为网络初始权重值，为更新后的网络权重速度值；公式为：

其中，为网络初始速度值，x_id为初始位置，pbest_id为单个粒子的最优位置，gbest_id为整个粒子总体的最优位置，ψ₁和ψ₂均为学习因子，M为伸缩因子，M的计算式为：

ψ＝ψ₁+ψ₂

其中，ψ大于4，ψ₁为大于2的常数，ψ₂为大于2的常数。

2.根据权利要求1所述的基于深度置信网络的多行业能源需求预测方法，其特征在于，所述将所述历史数据按照预设比例分配后训练集和测试集代入优化后的预测模型，得到具有最优解的预测模型，包括：

将所述历史数据中前80％～90％的历史数据作为训练集，后10％～20％的历史数据作为测试集。

3.根据权利要求1所述的基于深度置信网络的多行业能源需求预测方法，其特征在于，所述将所述历史数据按照预设比例分配后训练集和测试集代入优化后的预测模型，得到具有最优解的预测模型，包括：

将所述历史数据按照预设比例分配后训练集和测试集代入优化后的预测模型，通过受限玻尔兹曼机自身的训练及BP神经网络反向传播的微调，训练得到深度置信网络预测模型每层的最优解，得到具有最优解的预测模型。

4.根据权利要求1所述的基于深度置信网络的多行业能源需求预测方法，其特征在于，所述预分类行业包括工业、建筑业、交通运输业、批发零售业和生活消费业。

5.根据权利要求1所述的基于深度置信网络的多行业能源需求预测方法，其特征在于，为确保所述能源需求矩阵中的历史数据可以顺利聚类，对于缺少或者错误的数据利用平均插值法进行处理。

6.根据权利要求1所述的基于深度置信网络的多行业能源需求预测方法，其特征在于，所述以待预测年所属行业类别的所有的样本作为输入，通过具有最优解的预测模型对待预测年能源需求总量进行预测，包括：

采用模糊C均值聚类算法对待预测年供电区域内各行业能源需求总量数据进行行业类型判断，确定其所属预分类行业的类型后通过所述具有最优解的预测模型，对待预测年的各行业能源需求总量进行预测。