一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置的制造方法
【專利摘要】本發(fā)明提供了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置，其中所述方法包括：獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)；將所述用能歷史數(shù)據(jù)進行分類規(guī)整；對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù)據(jù)；將所述有效歷史數(shù)據(jù)進行歸一化處理；將歸一化后的數(shù)據(jù)進行模糊處理；將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值；對所述能源用量預(yù)值進行反歸一化處理；將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標預(yù)測值。通過本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方案，能夠提升能源用量預(yù)測結(jié)果的準確性。
【專利說明】
一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及能源用量預(yù)測技術(shù)領(lǐng)域，特別是涉及一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的 能源用量預(yù)測方法和裝置。
【背景技術(shù)】
[0002] 在能源管理系統(tǒng)、智能用能系統(tǒng)中，由于用能(煤、天然氣、石油等能源)數(shù)據(jù)突變、 數(shù)據(jù)統(tǒng)計缺失、數(shù)據(jù)影響因素繁多等因素，用能數(shù)據(jù)預(yù)測一直都是一個難題。
[0003] 目前，常用的對大型工業(yè)領(lǐng)域的用能數(shù)據(jù)進行預(yù)測方法為:模糊預(yù)測法以及人工 神經(jīng)網(wǎng)絡(luò)法。
[0004] 模糊預(yù)測法雖然可以處理不精確的、模糊的現(xiàn)象，但是該方法學(xué)習(xí)能力差，需要人 為選擇計算參數(shù)、確定歷史用能數(shù)據(jù)的隸屬度，最終導(dǎo)致預(yù)測的用能數(shù)據(jù)可靠性差。
[0005] 人工精神網(wǎng)絡(luò)法雖擁有較強的自主學(xué)習(xí)能力，但是該算法對數(shù)據(jù)的模糊處理能力 弱運算速度慢，不僅如此，該方法完全憑借人的經(jīng)驗來確定計算參數(shù)，所確定的計算參數(shù)的 可靠性差，最終導(dǎo)致預(yù)測的用能數(shù)據(jù)可靠性差。
[0006] 可見，現(xiàn)有的能源預(yù)測方法在大型的工業(yè)領(lǐng)域，由于用能數(shù)據(jù)量大、突變干擾較 多，因此，所預(yù)測出的用能數(shù)據(jù)的可靠性差。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明提供了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝置，以解決 現(xiàn)有的用能數(shù)據(jù)預(yù)測方案所預(yù)測出的用能數(shù)據(jù)可靠性差的問題。
[0008] 為了解決上述問題，本發(fā)明公開了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測 方法，包括:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);將所述用能歷史數(shù)據(jù)進行分類規(guī)整;對 所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù)據(jù);將所述有效歷史數(shù)據(jù)進 行歸一化處理;將歸一化后的數(shù)據(jù)進行模糊處理;將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò) 模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值;對 所述能源用量預(yù)值進行反歸一化處理;將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測 值，并輸出所述目標預(yù)測值。
[0009] 優(yōu)選地，所述將所述用能歷史數(shù)據(jù)進行分類規(guī)整的步驟包括:通過隸屬函數(shù)對所 述用能歷史數(shù)據(jù)進行分類規(guī)整。
[0010] 優(yōu)選地，所述對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理的步驟包括:對所述歷 史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序列;將新數(shù)據(jù)序列中各數(shù)據(jù)依 次進行后減運算，生成目標數(shù)據(jù)序列，將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
[0011]優(yōu)選地，所述將歸一化后的數(shù)據(jù)進行模糊處理的步驟包括:確定歸一化后的數(shù)據(jù) 中的最大值以及最小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間；其中，每個數(shù) 值區(qū)間對應(yīng)一個模糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊 子集中包含多個歸一化后的數(shù)據(jù)。
[0012] 優(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測 值的步驟包括:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后 的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各 重要指標所占權(quán)重構(gòu)建本次預(yù)測模型，依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進 行預(yù)測。
[0013] 優(yōu)選地，在所述確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值的步驟之后，所 述方法還包括:確定所述能源用量預(yù)值對應(yīng)的信息熵;依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模 型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化，以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
[0014] 為了解決上述問題，本發(fā)明還公開了一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù) 測裝置，包括:獲取模塊，用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊，用于將所述 用能歷史數(shù)據(jù)進行分類規(guī)整;篩選模塊，用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理， 篩選出有效歷史數(shù)據(jù);歸一化模塊，用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模 塊，用于將歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊，用于將模糊處理后的數(shù)據(jù)輸入模糊神 經(jīng)網(wǎng)絡(luò)模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù) 值;處理模塊，用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊，用于將反歸一化處 理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標預(yù)測值。
[0015] 優(yōu)選地，所述規(guī)整模塊具體用于:通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī) 整。
[0016] 優(yōu)選地，所述篩選模塊包括：累加模塊，用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的 數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序列；后減模塊，用于將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減 運算，生成目標數(shù)據(jù)序列，將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
[0017] 優(yōu)選地，所述模糊處理模塊具體用于：確定歸一化后的數(shù)據(jù)中的最大值以及最小 值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間；其中，每個數(shù)值區(qū)間對應(yīng)一個模糊 子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊子集中包含多個歸一 化后的數(shù)據(jù)。
[0018] 優(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值 時:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相 關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各重要指標所 占權(quán)重構(gòu)建本次預(yù)測模型，依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。
[0019] 優(yōu)選地，所述裝置還包括:信息熵確定模塊，用于在確定所述模糊處理后的數(shù)據(jù)對 應(yīng)的能源用量預(yù)值之后，確定所述能源用量預(yù)值對應(yīng)的信息熵；自學(xué)習(xí)模塊，用于依據(jù)所述 信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化，以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模 型的自學(xué)習(xí)。
[0020] 與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點：
[0021] 本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方案，一方面，通過將所 述用能歷史數(shù)據(jù)進行分類規(guī)整，對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效 歷史數(shù)據(jù)，排除突變、異常的數(shù)據(jù)，能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù)測 偏差，因此，能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面，將篩選出的有效歷史數(shù)據(jù)歸 一化后進行模糊處理，能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量，提升運算速度?？梢?，本發(fā)明實施 例的提供的能源用量預(yù)測方案，不僅能夠提升預(yù)測時的運算速度，還能夠提升預(yù)測結(jié)果的 準確性、可靠性。
【附圖說明】
[0022]圖1是根據(jù)本發(fā)明實施例一的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法 的步驟流程圖；
[0023]圖2是根據(jù)本發(fā)明實施例二的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法 步驟流程圖；
[0024]圖3是隸屬函數(shù)曲線圖；
[0025]圖4是根據(jù)本發(fā)明實施例三的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置 的結(jié)構(gòu)框圖；
[0026]圖5是根據(jù)本發(fā)明實施例四的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置 的結(jié)構(gòu)框圖。
【具體實施方式】
[0027]為使本發(fā)明的上述目的、特征和優(yōu)點能夠更加明顯易懂，下面結(jié)合附圖和具體實 施方式對本發(fā)明作進一步詳細的說明。
[0028] 實施例一
[0029]參照圖1，示出了根據(jù)本發(fā)明實施例一的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測方法的步驟流程圖。
[0030] 本實施例中基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法的步驟包括：
[0031] 步驟S102:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)。
[0032]用能歷史數(shù)據(jù)為該能源歷史使用情況對應(yīng)的數(shù)據(jù)，例如：待測試能源為煤炭，那 么，用能歷史數(shù)據(jù)則為企業(yè)在一定時間內(nèi)針對該煤炭的用量。用能歷史數(shù)據(jù)為待測試能源 一定時間內(nèi)的歷史用量相關(guān)數(shù)據(jù)，例如:一定時間可以為一個月、一周、或者三天等，本發(fā)明 實施例對此不作具體限制。
[0033]步驟S104:將用能歷史數(shù)據(jù)進行分類規(guī)整。
[0034] 用能歷史數(shù)據(jù)中可以包括一個能量參數(shù)，也可以包括多個能量參數(shù)。
[0035] 本發(fā)明實施例中，需要將同屬于一個能量參數(shù)的歷史數(shù)據(jù)進行分類規(guī)整，進行分 類規(guī)整時，可以采用歷史數(shù)據(jù)形成一個數(shù)據(jù)域，然后將數(shù)據(jù)域中各個數(shù)據(jù)作為隸屬函數(shù)的 隸屬度來構(gòu)建隸屬函數(shù)，以排除突變、異常的數(shù)據(jù)。
[0036]步驟S106:對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù)據(jù)。
[0037]在對數(shù)據(jù)進行灰色處理時，需要依據(jù)預(yù)先建立的灰色模型?；疑Ｐ屯ㄟ^對原始 數(shù)據(jù)進行生成處理，弱化數(shù)據(jù)的隨機因素，生成規(guī)律性較強的數(shù)據(jù)序列，進而建立相應(yīng)的微 分方程預(yù)測系統(tǒng)的發(fā)展趨勢。在具體實現(xiàn)過程中，根據(jù)用能特點建立灰色模型主要步驟如 下：（1)對樣本數(shù)據(jù)進行一次累加生成新的數(shù)據(jù)序列；（2)檢驗生成序列是否滿足準光滑性 和準指數(shù)規(guī)律;（3)構(gòu)建時間響應(yīng)方程;（4)進行最小二乘參數(shù)估計，確定時間響應(yīng)方程。 [0038]步驟S108:將有效歷史數(shù)據(jù)進行歸一化處理。
[0039]本發(fā)明實施例中，為了充分發(fā)揮模糊神經(jīng)網(wǎng)絡(luò)的預(yù)測功能，提高其預(yù)測精度，需對 輸入模型前的有效歷史數(shù)據(jù)進行預(yù)處理，根據(jù)設(shè)定好的能源數(shù)據(jù)處理規(guī)則對有效歷史數(shù)據(jù) 進行歸一化處理。
[0040] 對于歸一化處理的具體方法參見相關(guān)技術(shù)即可，本發(fā)明實施例中對此不作具體限 制。
[0041] 步驟S110:將歸一化后的數(shù)據(jù)進行模糊處理。
[0042] 將數(shù)據(jù)進行最大值、最小值區(qū)間模糊化，每一劃分區(qū)間對應(yīng)一個模糊子集，也即， 將歸一化后的數(shù)據(jù)劃分成多個模糊子集。
[0043]例如：歸一化后的數(shù)據(jù)數(shù)量為150個，按照數(shù)據(jù)的大小劃分高、中、低三個區(qū)間，每 個區(qū)間對應(yīng)一個閾值范圍，將150個數(shù)據(jù)分別劃分至其對應(yīng)的區(qū)間中，最終生成三個模糊子 集。
[0044]步驟S112:將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中，由模糊神經(jīng)網(wǎng)絡(luò)模型 預(yù)測出模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值。
[0045] 對于模糊神經(jīng)網(wǎng)絡(luò)模型的建立參見現(xiàn)有相關(guān)技術(shù)即可，本發(fā)明實施例中對此不作 具體限制。
[0046] 模糊神經(jīng)模型確定數(shù)據(jù)對應(yīng)的能源預(yù)值時，首先從眾多參數(shù)中選擇適合各模糊子 集對應(yīng)的重要指標即參數(shù)，然后依據(jù)確定的重要指標構(gòu)建適用于模糊子集的計算模型，最 終確定出能源用量預(yù)值。
[0047] 步驟S114:對能源用量預(yù)值進行反歸一化處理。
[0048]在步驟S108中對歷史數(shù)據(jù)進行了歸一化處理，本步驟中為了還原數(shù)據(jù)，則需要對 能源用量預(yù)值進行反歸一化處理。
[0049]例如：在步驟S108中將每個數(shù)據(jù)均除以數(shù)值A(chǔ)，則在本步驟中進行返歸一化處理 時，則需將得到的能源用量預(yù)值乘以數(shù)值A(chǔ)，以實現(xiàn)反歸一化處理。
[0050] 步驟S116:將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出目標預(yù)測 值。
[0051] 由于步驟S106中對歷史數(shù)據(jù)進行了灰色處理，因此，本步驟中需對反歸一化后的 處理結(jié)果采用灰色處理相適應(yīng)的規(guī)則進行白化處理，以得到目標預(yù)測值。
[0052]通過本發(fā)明實施例提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法，一方 面，通過將用能歷史數(shù)據(jù)進行分類規(guī)整，對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有 效歷史數(shù)據(jù)，排除突變、異常的數(shù)據(jù)，能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù) 測偏差，因此，能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面，將篩選出的有效歷史數(shù)據(jù) 歸一化后進行模糊處理，能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量，提升運算速度。可見，本發(fā)明實 施例的提供的能源用量預(yù)測方法，不僅能夠提升預(yù)測時的運算速度，還能夠提升預(yù)測結(jié)果 的準確性、可靠性。
[0053] 實施例二
[0054]參照圖2,示出了根據(jù)本發(fā)明實施例二的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測方法的步驟流程圖。
[0055] 本實施例中基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法的具體步驟包括：
[0056] 步驟S202:獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)。
[0057] 獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)后，通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行 分類規(guī)整。具體地，將用能歷史數(shù)據(jù)進行分類規(guī)整，形成一個數(shù)據(jù)域，用X表示：
[0058] 將X作為數(shù)據(jù)論域，映射A(x):X- [0，1 ]確定了一個X上的模糊子集A，A(x)稱為A的 隸屬函數(shù)，其中，隸屬函數(shù)如圖3所示。
[0059] ▽$€尤4&)￡[0，1]稱為1屬于4的隸屬度。
[0060] A(x)=0x完全不屬于A;0<A(x)<lx部分屬于A。
[0061] 通過對用能歷史數(shù)據(jù)進行分類規(guī)整，可以排除突變、異常的數(shù)據(jù)。
[0062] 步驟S204:對用能歷史數(shù)據(jù)進行規(guī)則化處理。
[0063]進行規(guī)則化處理即對規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù) 據(jù)。
[0064]建立灰色模型，將數(shù)據(jù)進行灰色處理。灰色模型GM(1，1)通過對原始數(shù)據(jù)進行生成 處理，弱化數(shù)據(jù)的隨機因素，生成規(guī)律性較強的數(shù)據(jù)序列，進而建立相應(yīng)的微分方程預(yù)測系 統(tǒng)的發(fā)展趨勢。根據(jù)用能特點，建立GM(1，1)模型主要步驟如下：（1)對樣本數(shù)據(jù)進行一次累 加生成；（2)檢驗生成序列是否滿足準光滑性和準指數(shù)規(guī)律；（3)構(gòu)建時間響應(yīng)方程；（4)進 行最小二乘參數(shù)估計，確定時間響應(yīng)方程。
[0065] 以及確定的時間響應(yīng)方程對用能歷史數(shù)據(jù)進行規(guī)則化處理。一種可行的規(guī)則化處 理方式為:對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序列；將新 數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算，生成目標數(shù)據(jù)序列，將所述目標數(shù)據(jù)序列確定為有 效歷史數(shù)據(jù)。
[0066] 歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加可以顯著弱化歷史數(shù)據(jù)的起伏。 為了把累加序列還原成原始序列，則需要將數(shù)據(jù)序列中的各數(shù)據(jù)依次后減。
[0067] 例如:歷史數(shù)據(jù)序列為X(q) = {X(q)(1)，X(q)(2)，…，x( q)(N)} = {6,3,8，10,7}
[0068] 對數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加可得：
[0069] x(1)(l) =x(0)(l) =6,
[0070] x(1)(2)=x(0)(l)+x(0)(2) =6+3 = 9,
[0071] x(1)(3)=x(0)(l)+x(0)(2)+x (0)(3) =6+3+8 = 17,
[0072] x(1)(4)=x(0)(l)+x(0)(2)+x (0)(3)+x(0)(4) =6+3+8+10 = 27,
[0073] x⑴（5) = x⑶（l)+x(0)(2)+x⑶（3)+x⑶（4)+x(0)(5)
[0074] =6+3+8+10+7 = 34.
[0075]于是得到一個新的數(shù)據(jù)序列
[0076] x(1) = {6,9，17,27,34}
[0077] 對數(shù)據(jù)序列中的數(shù)據(jù)進行依次后減可得：
[0078] A x(1)(5)=x(1)(5)-x(1)(4) =34-27 = 7，
[0079] A x(1)(4)=x(1)(4)-x(1)(3) =27-17 = 10，
[0080] a x(1)(3)=x(1)(3)-x(1)(2) = 17-9 = 8，
[0081] Ax(1)(2)=x(1)(2)-x(1)(1)=9-6 = 3，
[0082] a x⑴（1) = x⑴（l)_x⑴（0) = 6_0 = 6.
[0083]步驟S206:將所述有效歷史數(shù)據(jù)進行歸一化處理。
[0084]對歷史有效數(shù)據(jù)進行歸一化處理即對數(shù)據(jù)進行預(yù)處理。
[0085]對于歸一化處理的具體方法本發(fā)明實施例中對此不作具體限定，具體方法參見現(xiàn) 有相關(guān)技術(shù)即可。
[0086] 步驟S208:將歸一化后的數(shù)據(jù)進行模糊處理。
[0087] -種優(yōu)選的將歸一化后的數(shù)據(jù)進行模糊處理的方式為:確定歸一化后的數(shù)據(jù)中的 最大值以及最小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間；其中，每個數(shù)值區(qū) 間對應(yīng)一個模糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊子集 中包含多個歸一化后的數(shù)據(jù)。
[0088] 例如:溫度0至50°C，可以進行如下劃分：
[0089] 將0至15 °C對應(yīng)成"冷"模糊子集，將10至25 °C對應(yīng)成"涼"模糊子集，將20至35 °C對 應(yīng)成"合適"模糊子集，將25至40°C對應(yīng)成"暖"模糊子集，將35至50°C對應(yīng)成"熱"模糊子集， 通過上述劃分，即可將溫度0至50°C這些具體的數(shù)值模糊化。
[0090]步驟S210:將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中，模糊神經(jīng)網(wǎng)絡(luò)模型進 行參數(shù)選擇。
[0091 ] -種優(yōu)選的進行參數(shù)選擇的方式為:模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相 關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重。
[0092] 模糊神經(jīng)網(wǎng)絡(luò)模型中建立有數(shù)據(jù)表，在數(shù)據(jù)表中將各個可能的輸入?yún)?shù)視為條件 屬性，則條件屬性集合為C= {cl，c2，…，cm};將待預(yù)測對象視為決策屬性(表示基本負荷分 量），則決策屬性集合為D={1B}。條件屬性應(yīng)盡可能多地采用與輸出變量相關(guān)性大的信息。 這樣，C={l(d-l，t)，l(d-2，t)，l(d-3，t)，l(d-4，t)，l(d-7，t)，l(d-14，t)，l(d-21，t)，l (d-1，t)，Dl(d_2，t)，Dl(d_3，t)}，D = {l(d，t)}，d表示第d天，t為預(yù)測時刻，l(d，t)代表了 預(yù)測日t時刻的用量值，01((1-1，〇 = 1((1-1，〇 - 1((1-2,〇，它反應(yīng)了用量在前一天《寸刻的 增長方向和增長幅度。
[0093] 同時，模糊神經(jīng)網(wǎng)絡(luò)模型中還建立有屬性值與特征值的對應(yīng)關(guān)系，為了能從觀測 數(shù)據(jù)中分析出知識間的依賴性和屬性重要性，需要利用屬性對論域進行分類，建立論域上 的知識系統(tǒng)。分類的基礎(chǔ)是屬性值特征化，即對每個屬性的屬性值進行離散化處理，然后將 屬性值用特征值替代，屬性值特征化后便可建立知識系統(tǒng)。
[0094]步驟S212:進行網(wǎng)絡(luò)訓(xùn)練以及模糊網(wǎng)絡(luò)模型的自適應(yīng)學(xué)習(xí)。
[0095] 在確定本次計算所需的指標之后，則需要進行網(wǎng)絡(luò)訓(xùn)練，以完成本次能源用量預(yù) 測，具體地:模糊網(wǎng)絡(luò)模型依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模 型，依據(jù)生成的預(yù)測模型對確定所述模糊合理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測值。
[0096] 同時，模糊網(wǎng)絡(luò)模型還會確定所述能源用量預(yù)測值對應(yīng)的信息熵;依據(jù)所述信息 熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化，以實現(xiàn)模糊神經(jīng)網(wǎng)絡(luò)模 型的自學(xué)習(xí)。
[0097] 對于模糊神經(jīng)網(wǎng)絡(luò)模型的具體訓(xùn)練生成方法，參見現(xiàn)有相關(guān)技術(shù)即可，本發(fā)明實 施例中對此不作具體限制。
[0098]神經(jīng)網(wǎng)絡(luò)是典型的前饋神經(jīng)網(wǎng)絡(luò)，它具有輸入層、輸出層和隱含層。一個三層（一 個輸入層、一個隱含層、一個輸出層)的前饋神經(jīng)網(wǎng)絡(luò)能實現(xiàn)從輸入到輸出間任何復(fù)雜非線 性映射關(guān)系，很適合于能源系統(tǒng)的短期負荷預(yù)測。
[0099]算法的主要思想是把學(xué)習(xí)過程分為兩個階段:第一階段(正向傳播過程），給出輸 入信息通過輸入層經(jīng)隱含層逐層處理并計算每個單元的實際輸出；第二階段(反向傳播過 程），若在輸出層未能得到期望的輸出值，則逐層遞歸地計算實際輸出與期望輸出之差值 (即誤差），以便根據(jù)此差調(diào)節(jié)權(quán)值。
[0100] 步驟S214:預(yù)測所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值。
[0101] 在依據(jù)選擇的指標進行網(wǎng)絡(luò)訓(xùn)練生成本次預(yù)測模型后，即可依據(jù)輸入模型中的有 效歷史數(shù)據(jù)確定能源用量預(yù)值，并輸出。
[0102] 步驟S216:對輸出的能源用量預(yù)值進行修正。
[0103] 其中，對輸出的能源用量預(yù)值進行修正，即對能源用量預(yù)值進行反歸一化處理。
[0104] 在步驟S206中對歷史數(shù)據(jù)進行了歸一化處理，本步驟中為了還原數(shù)據(jù)，則需要對 能源用量預(yù)值進行反歸一化處理。
[0105] 步驟S218:將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測值。
[0106]由于步驟S204中對歷史數(shù)據(jù)進行了灰色處理，因此，本步驟中需對反歸一化后的 處理結(jié)果采用灰色處理相適應(yīng)的規(guī)則進行白化處理，以得到目標預(yù)測值。
[0107] 步驟S220:輸出目標預(yù)測值。
[0108] 其中，目標預(yù)測值即最終的預(yù)測結(jié)果。
[0109] 采用本發(fā)明模型及方法進行預(yù)測，預(yù)測結(jié)果與實際需量僅相差3.4%，對生產(chǎn)規(guī)劃 及管理具有很強的指導(dǎo)性。
[0110] 本發(fā)明實施例提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法，除具有實施 例一中所述的方法所有具有的有益效果外，還具有如下有益效果:一方面，本發(fā)明實施例提 供的能源用量預(yù)測方法，從模糊神經(jīng)網(wǎng)絡(luò)模型中存儲的眾多指標中選擇出重要指標，對參 數(shù)進行優(yōu)化選擇，能夠提升能源用量預(yù)測結(jié)果的精確度。另一方面，本發(fā)明實施例提供的能 源用量預(yù)測方法，還可以依據(jù)本次預(yù)測結(jié)果、信息熵對模糊神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)參數(shù)進 行修改以及優(yōu)化，以實現(xiàn)模型的自學(xué)習(xí)，能夠自動完善計算模型，從而提升能源用量預(yù)測的 準確性。
[0111]實施例三
[0112]參照圖4,示出了根據(jù)本發(fā)明實施例三的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測裝置的結(jié)構(gòu)框圖。
[0113]本實施例的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置包括:獲取模塊302,用 于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊304，用于將所述用能歷史數(shù)據(jù)進行分類 規(guī)整;篩選模塊306，用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù) 據(jù)；歸一化模塊308，用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模塊310，用于將 歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊312,用于將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò) 模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值;處 理模塊314,用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊316,用于將反歸一化處 理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標預(yù)測值。
[0114]本發(fā)明提供的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置，一方面，通過將所 述用能歷史數(shù)據(jù)進行分類規(guī)整，對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效 歷史數(shù)據(jù)，排除突變、異常的數(shù)據(jù)，能夠降低用能數(shù)據(jù)突變、數(shù)據(jù)異常數(shù)據(jù)干擾導(dǎo)致的預(yù)測 偏差，因此，能夠提升能源用量預(yù)測結(jié)果的準確性。另一方面，將篩選出的有效歷史數(shù)據(jù)歸 一化后進行模糊處理，能夠降低模糊神經(jīng)網(wǎng)絡(luò)的運算量，提升運算速度?？梢?，本發(fā)明實施 例的提供的能源用量預(yù)測裝置，不僅能夠提升預(yù)測時的運算速度，還能夠提升預(yù)測結(jié)果的 準確性、可靠性。
[0115]實施例四
[0116]參照圖5,示出了根據(jù)本發(fā)明實施例四的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用 量預(yù)測裝置的結(jié)構(gòu)框圖。
[0117]本實施例對實施例四中的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置進行了 進一步的優(yōu)化，優(yōu)化后的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置包括：獲取模塊 402，用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù);規(guī)整模塊404，用于將所述用能歷史數(shù)據(jù)進 行分類規(guī)整;篩選模塊406,用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效 歷史數(shù)據(jù)；歸一化模塊408，用于將所述有效歷史數(shù)據(jù)進行歸一化處理;模糊處理模塊410， 用于將歸一化后的數(shù)據(jù)進行模糊處理;輸入模塊412，用于將模糊處理后的數(shù)據(jù)輸入模糊神 經(jīng)網(wǎng)絡(luò)模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù) 值;處理模塊414,用于對所述能源用量預(yù)值進行反歸一化處理;輸出模塊416,用于將反歸 一化處理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標預(yù)測值。
[0118] 優(yōu)選地，所述規(guī)整模塊404具體用于:通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類 規(guī)整。
[0119] 優(yōu)選地，所述篩選模塊406包括：累加模塊4061，用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序 列中的數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序列;后減模塊4062，用于將新數(shù)據(jù)序列中各數(shù)據(jù)依 次進行后減運算，生成目標數(shù)據(jù)序列，將所述目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。
[0120]優(yōu)選地，所述模糊處理模塊410具體用于:確定歸一化后的數(shù)據(jù)中的最大值以及最 小值;將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間；其中，每個數(shù)值區(qū)間對應(yīng)一個模 糊子集;將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊子集中包含多個歸 一化后的數(shù)據(jù)。
[0121] 優(yōu)選地，所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值 時:所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標;依據(jù)模糊處理后的數(shù)據(jù)的相 關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重;依據(jù)確定的重要指標、以及各重要指標所 占權(quán)重構(gòu)建本次預(yù)測模型，依據(jù)生成的預(yù)測模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。
[0122] 優(yōu)選地，所述裝置還包括:信息熵確定模塊418,用于在確定所述模糊處理后的數(shù) 據(jù)對應(yīng)的能源用量預(yù)值之后，確定所述能源用量預(yù)值對應(yīng)的信息熵；自學(xué)習(xí)模塊420，用于 依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化，以實現(xiàn)神 經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
[0123] 本實施例的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置用于實現(xiàn)前述多個實 施例中相應(yīng)的基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法，并且具有相應(yīng)的方法實施例 的有益效果，在此不再贅述。
[0124] 本說明書中的各個實施例均采用遞進的方式描述，每個實施例重點說明的都是與 其他實施例的不同之處，各個實施例之間相同相似的部分互相參見即可。對于系統(tǒng)實施例 而言，由于其與方法實施例基本相似，所以描述的比較簡單，相關(guān)之處參見方法實施例的部 分說明即可。
[0125] 以上對本發(fā)明所提供的一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法和裝 置進行了詳細介紹，本文中應(yīng)用了具體個例對本發(fā)明的原理及實施方式進行了闡述，以上 實施例的說明只是用于幫助理解本發(fā)明的方法及其核心思想；同時，對于本領(lǐng)域的一般技 術(shù)人員，依據(jù)本發(fā)明的思想，在【具體實施方式】及應(yīng)用范圍上均會有改變之處，綜上所述，本 說明書內(nèi)容不應(yīng)理解為對本發(fā)明的限制。
【主權(quán)項】
1. 一種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測方法，其特征在于，包括： 獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)； 將所述用能歷史數(shù)據(jù)進行分類規(guī)整； 對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù)據(jù)； 將所述有效歷史數(shù)據(jù)進行歸一化處理； 將歸一化后的數(shù)據(jù)進行模糊處理； 將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中，由所述模糊神經(jīng)網(wǎng)絡(luò)模型預(yù)測出所述 模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值； 對所述能源用量預(yù)值進行反歸一化處理； 將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標預(yù)測值。2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將所述用能歷史數(shù)據(jù)進行分類規(guī)整的 步驟包括： 通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī)整。3. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰 色處理的步驟包括： 對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序列； 將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算，生成目標數(shù)據(jù)序列，將所述目標數(shù)據(jù)序列 確定為有效歷史數(shù)據(jù)。4. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述將歸一化后的數(shù)據(jù)進行模糊處理的步 驟包括： 確定歸一化后的數(shù)據(jù)中的最大值以及最小值； 將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間； 其中，每個數(shù)值區(qū)間對應(yīng)一個模糊子集； 將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊子集中包含多個歸一化 后的數(shù)據(jù)。5. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處理 后的數(shù)據(jù)對應(yīng)的能源用量預(yù)測值的步驟包括： 所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標； 依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重； 依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模型，依據(jù)生成的預(yù)測 模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。6. 根據(jù)權(quán)利要求5所述的方法，其特征在于，在所述確定所述模糊處理后的數(shù)據(jù)對應(yīng)的 能源用量預(yù)值的步驟之后，所述方法還包括： 確定所述能源用量預(yù)值對應(yīng)的信息熵； 依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行修改、優(yōu)化，以實 現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。7. -種基于互補型模糊神經(jīng)網(wǎng)絡(luò)的能源用量預(yù)測裝置，其特征在于，包括： 獲取模塊，用于獲取待測試能源對應(yīng)的用能歷史數(shù)據(jù)； 規(guī)整模塊，用于將所述用能歷史數(shù)據(jù)進行分類規(guī)整； 篩選模塊，用于對所述規(guī)整后的用能歷史數(shù)據(jù)進行灰色處理，篩選出有效歷史數(shù)據(jù)； 歸一化模塊，用于將所述有效歷史數(shù)據(jù)進行歸一化處理； 模糊處理模塊，用于將歸一化后的數(shù)據(jù)進行模糊處理； 輸入模塊，用于將模糊處理后的數(shù)據(jù)輸入模糊神經(jīng)網(wǎng)絡(luò)模型中，由所述模糊神經(jīng)網(wǎng)絡(luò) 模型預(yù)測出所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值； 處理模塊，用于對所述能源用量預(yù)值進行反歸一化處理； 輸出模塊，用于將反歸一化處理結(jié)果進行白化處理，得到目標預(yù)測值，并輸出所述目標 預(yù)測值。8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述規(guī)整模塊具體用于： 通過隸屬函數(shù)對所述用能歷史數(shù)據(jù)進行分類規(guī)整。9. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述篩選模塊包括： 累加模塊，用于對所述歷史數(shù)據(jù)中、各數(shù)據(jù)序列中的數(shù)據(jù)進行依次累加，生成新數(shù)據(jù)序 列； 后減模塊，用于將新數(shù)據(jù)序列中各數(shù)據(jù)依次進行后減運算，生成目標數(shù)據(jù)序列，將所述 目標數(shù)據(jù)序列確定為有效歷史數(shù)據(jù)。10. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述模糊處理模塊具體用于： 確定歸一化后的數(shù)據(jù)中的最大值以及最小值； 將最大值與最小值之間的數(shù)值劃分成多個數(shù)值區(qū)間； 其中，每個數(shù)值區(qū)間對應(yīng)一個模糊子集； 將歸一化后的各數(shù)據(jù)分別劃分至對應(yīng)的數(shù)值區(qū)間中，每個模糊子集中包含多個歸一化 后的數(shù)據(jù)。11. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，所述模糊神經(jīng)網(wǎng)絡(luò)模型確定所述模糊處 理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值時： 所述模糊神經(jīng)網(wǎng)絡(luò)模型依據(jù)存儲的數(shù)據(jù)表確定相關(guān)指標； 依據(jù)模糊處理后的數(shù)據(jù)的相關(guān)屬性確定重要指標、以及各重要指標所占權(quán)重； 依據(jù)確定的重要指標、以及各重要指標所占權(quán)重構(gòu)建本次預(yù)測模型，依據(jù)生成的預(yù)測 模型對所述數(shù)據(jù)對應(yīng)的能源用量進行預(yù)測。12. 根據(jù)權(quán)利要求11所述的裝置，其特征在于，所述裝置還包括： 信息熵確定模塊，用于在確定所述模糊處理后的數(shù)據(jù)對應(yīng)的能源用量預(yù)值之后，確定 所述能源用量預(yù)值對應(yīng)的信息熵； 自學(xué)習(xí)模塊，用于依據(jù)所述信息熵對所述神經(jīng)網(wǎng)絡(luò)模型中的相關(guān)指標對應(yīng)的參數(shù)進行 修改、優(yōu)化，以實現(xiàn)神經(jīng)網(wǎng)絡(luò)模型的自學(xué)習(xí)。
【文檔編號】G06N7/04GK105894111SQ201610195485
【公開日】2016年8月24日
【申請日】2016年3月30日
【發(fā)明人】張定恩, 楊濱, 劉寶林, 李光輝, 李智濱, 王修業(yè), 付家旗
【申請人】天鴻泰（北京）科技有限公司