【技术实现步骤摘要】
一种基于深度置信网络的多行业能源需求预测方法
本专利技术涉及深度学习
，尤其涉及一种基于深度置信网络的多行业能源需求预测方法。
技术介绍
冷热电三联供系统是一种汇集多种形式能源于系统，根据能源特性及用能需求，充分挖掘能源的剩余价值，为园区提供供热、制冷及发电过程的整体化能源解决方案。该系统可以有效地融入分布式能源，实现了分布式能源的就地消纳，提升了能源系统的可再生能源比例，为后续区域级能源管理提供新的多能互补技术。能源的消费总量随着行业不同具有明显的差别，限制因素众多。因而，有必要对不同行业的能源消费总量进行分析，从行业差异角度出发，研究适用于区域内不同行业用能特点的能源需求预测方法，以实现对供电区域不同行业能源需求量的有效、准确预测。
技术实现思路
本专利技术目的在于，提供一种基于深度置信网络的多行业能源需求预测方法，以降低建模的工作量，对预测模型的初始权重进行优化，避免陷入局部最优解以及过拟合情况。为实现上述目的，本专利技术提供一种基于深度置信网络的多行业能源需求预测方法，包括：...
【技术保护点】
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：/n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；/n对所述能源需求矩阵依据预分类行业的类型进行聚类；/n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；/n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；/n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；/n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。/n
【技术特征摘要】
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。
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,ni＝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，ωmax为最大惯性权重，ωmin为最小惯性权重，mt为当前迭代次数，ma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，xid为初始位置，pbestid为单个粒子的最优位置，gbestid为整个粒子总...
【专利技术属性】
技术研发人员：黄欣，吴杰康，李猛，吴伟杰，张伊宁，郑敏嘉，李逸新，
申请(专利权)人：广东电网有限责任公司，
类型：发明
国别省市：广东;44
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。