一种基于BP神经网络的电力物资需求计划预测方法技术

本发明专利技术公开了一种基于BP神经网络的电力物资需求计划预测方法，包括如下步骤：准备历史电力物资需求计划数据样本；确定神经网络的输出与输入。选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；初始化网络；计算当前网络中的误差，再将误差逆向传播，根据各层的梯度项对连接权值与阈值进行调整；开始迭代程序，直到训练误差已达到一个很小的值；选取多组不同参数初始化多个神经网络，寻找相对的“全局最小”；根据选取的BP神经网络，计算得出网络输出。本发明专利技术可以为电力工程建设项目提供有效的指导意见。为项目团队制定采购预案、项目进度管控等方面提供强有力的支撑。

【技术实现步骤摘要】
一种基于BP神经网络的电力物资需求计划预测方法
本专利技术涉及一种基于BP神经网络的电力物资需求计划预测方法。
技术介绍
电力资源早已是日人们日常生活和社会活动中不可或缺的资源。电力的产生、转化、输送、存储等都离不开一个个的电力设施。电力设施的建造离不开各种电力物资，由于电力工程的专业度强，涉及的电力物资也比较专业化。电力设备，特别是大型的电力设备，其生产制造一般需要更长的周期，电力设备的及时精准供应是电力工程高质量、高时效完成的有力保障。所以电力物资需求计划的精准预测是必不可少的，也是意义重大的。BP神经网络是指一种使用误差逆传播算法(BP算法)进行训练的多层前馈神经网络。BP算法是目前最成功的神经网络学习算法之一。BP算法是基于梯度下降策略的，它以目标的负梯度方向对参数进行调整。BP算法是一个迭代学习算法，在迭代的每一轮中采用广义的感知机学习规则对参数进行更新估计。多层神经网络可以以任意精度逼近任何非线性连续函数，所以BP神经网络具有较强的非线性映射能力。BP神经网络能够通过样本学习，自动提取输入与输出数据间的内在逻辑关系，并自适应本文档来自技高网...

【技术保护点】
1.一种基于BP神经网络的电力物资需求计划预测方法，其特征在于，包括如下步骤：/nS1准备历史电力物资需求计划数据样本；如果数据样本属性繁杂，为了避免训练网络规模太大，导致网络训练效率下降和出现过拟合现象，先使用主成分分析法对数据样本进行降维处理；BP神经网络的结构与维度的选择直接相关；/nS2确定神经网络的输出为电力物资需求计划数量，输入为S1中选定的维度；选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；选取SIGMOID函数作为激活函数；/nS3在(0，1)范围内随机初始化网络中的所有连接权值与阈值；/nS4首先，根据当前网络的参数计算当前样本的输出，计算当前网络输出层的误差...

【技术特征摘要】
1.一种基于BP神经网络的电力物资需求计划预测方法，其特征在于，包括如下步骤：
S1准备历史电力物资需求计划数据样本；如果数据样本属性繁杂，为了避免训练网络规模太大，导致网络训练效率下降和出现过拟合现象，先使用主成分分析法对数据样本进行降维处理；BP神经网络的结构与维度的选择直接相关；
S2确定神经网络的输出为电力物资需求计划数量，输入为S1中选定的维度；选取合适的隐含层数量，定义网络每层的学习率，建立BP神经网络；选取SIGMOID函数作为激活函数；
S3在(0，1)范围内随机初始化网络中的所有连接权值与阈值；
S4首先，根据当前网络的参数计算当前样本的输出，计算当前网络输出层的误差，即输出层神经元的梯度项；再将误差逆向传播至隐含层神经元，计算当前网络隐含层神经元的梯度项；最后根据隐含层神经元的误差对连接权值与阈值进行调整；
S5开始迭代程序，重复S4的过程，直到训练误差已达到一个很小的值，即，满足预设的误差范围；
S6为了避免算法出现局部最小问题，在S3步骤时，选取多组不同参数初始化多个神经网络，按照S4，S5方法训练网络，取其中误差最小的解最为最终参数；即，从可能的不同局部极小中选择有可能最接近全局最小的结果；此时，误差最小的网络就是需要的BP神经网络；
S7根据S6中选取的BP神经网络，提供本期维度数据作为网络输入层的输入，根据训练后网络中的连接权与阈值，计算得出网络输出，即为下期电力物资需求计划数量。


2.根据权利要求1所述的基于BP神经网络的电力物资需求计划预测方法，其特征在于，具体如下：
1)设已知历史电力需求物资计划数据样本集为id表示输入维度数量，od表示输出od维实值向量，设隐含层hd个神经元；
用θj表示输出层第j个神经元的阈值；
用γh表示隐含层第h个神经元的阈值；
...

【专利技术属性】
技术研发人员：王纪军，张震宇，冯曙明，胡天牧，胡晓东，
申请(专利权)人：江苏电力信息技术有限公司，国网江苏省电力有限公司，
类型：发明
国别省市：江苏;32