一种计及多因素影响的地区能源消费态势预测方法及装置制造方法及图纸

本发明专利技术涉及一种计及多因素影响的地区能源消费态势预测方法及装置，包括：针对地区能源消费的各个影响因素进行计算，选择其中的合理影响因素；采用长短时记忆循环神经网络算法LSTM，训练并建立能源消费预测模型即LSTM网络模型；利用训练完成的能源消费预测模型，对地区未来能源消费情况进行预测。本发明专利技术还公开了一种计及多因素影响的地区能源消费态势预测装置。本发明专利技术明确能源消费的相关影响因素，并综合考虑选择合理的因素形成能源消费态势预测多因素集合，基于长短时记忆神经网络算法结合多因素历史数据训练获得多种影响因素与能源消费态势的映射模型，实现地区生产部门能够依据多因素历史数据更为精准预测未来能源消费态势。费态势。费态势。

【技术实现步骤摘要】
一种计及多因素影响的地区能源消费态势预测方法及装置


[0001]本专利技术涉及能源供需平衡
，尤其是一种计及多因素影响的地区能源消费态势预测方法及装置。

技术介绍

[0002]能源是生产生活和经济发展的重要物质基础，由于能源与经济、社会、环境等人类发展的各方面有着密切联系，能源困局所引发的许多问题，都从各个方面影响着经济与社会的可持续发展。
[0003]基于地区能源消费现状，进行能源消费的预测研究有利于保证地区的能源安全，促进区域间能源供需平衡。传统的能源消费预测方法中有时间序列法、情景分析法等。时间序列法基于历史能源消费数据在时间尺度上的变化规律建立参数模型，进而对能源消费进行预测。情景分析法是在假设各种情景在未来发生时，相应情景下能源消费的情况做出预测的方法，是一种直观的定性预测方法。传统的预测方法主要针对的是利用历史能源消费数据的预测研究，未能考虑其他因素对于能源消费的影响，在预测精准度上不够准确。
[0004]能源的供需平衡是保障地区能源安全的基础，为了促进区域生产部门制定合理的生产消费规划，保障生产工作有序进行，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种计及多因素影响的地区能源消费态势预测方法，其特征在于：该方法包括下列顺序的步骤：(1)针对地区能源消费的各个影响因素进行计算，选择其中的合理影响因素；(2)采用长短时记忆循环神经网络算法LSTM，训练并建立能源消费预测模型即LSTM网络模型；(3)利用训练完成的能源消费预测模型，对地区未来能源消费情况进行预测。2.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法，其特征在于：所述步骤(1)具体包括以下步骤：(1a)所述能源消费的影响因素包括地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数，各影响因素的计算公式分别为：地区生产总值：G＝G1+G2+G3ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)地区生产总值是地区所有生产部门在一年内的生产活动的最终成果，在公式(1)中，G为地区生产总值，G1为第一产业生产总值，G2为第二产业生产总值，G3为第三产业生产总值；工业化水平：工业化水平是地区第二产业生产总值与地区生产总值的比值，在公式(2)中，f表示地区工业化水平；第三产业生产总值占比：第三产业生产总值占比是第三产业生产总值与地区生产总值的比值，在公式(3)中，s表示地区第三产业生产总值占比；城镇化水平：城镇化水平指的是地区城镇化进展程度，以城镇人口数占总人口数的比值来表示，在公式(4)中，u表示城镇化水平，P
u
为城镇人口数，P为现有总人口数；常住人口数：P
l
＝P+P
o
‑
P
s
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)常住人口数是现有总人口数和暂时外出人口数之和减去暂时居留人口数，在公式(5)中，P
l
为常住人口数，P为现有总人口数，P
o
暂时外出人口数，P
s
为暂时居留人口数。3.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法，其特征在于：所述步骤(2)具体是指：首先，对能源消费的影响因素进行标准化处理，采用Min
‑
Max归一化的数据标准化方法，通过线性变换处理数据，将数量级不同的原始数据映射到[0,1]区间内，具体的计算公式如下：
式中，x
n
表示归一化处理后的输入数据，x
min
和x
max
分别是处理前数据的最小值和最大值；然后，将归一化后的数据集进行分组划分，根据时间顺序将数据集划分为用于训练LSTM网络模型的训练数据集和用于检验训练的LSTM网络模型的预测效果的检验数据集；最后，初始化LSTM网络模型的参数，将训练数据集中的数据传输至LSTM网络模型中进行不断迭代训练，并根据损失函数值在Adam优化算法指导下不断优化更新LSTM网络模型内的参数，将检验数据集中的数据传输至经过训练后的LSTM网络模型中进行预测并计算预测结果可信度，通过对比不同训练阶段的LSTM网络模型优越性，选取优越性更佳的LSTM网络模型继续训练，直至判断训练结果满足训练终止条件则结束训练，选定训练结束后的LSTM网络模型作为能源消费态势预测模型。4.根据权利要求1或3所述的计及多因素影响的地区能源消费态势预测方法，其特征在于：在步骤(2)中，所述能源消费预测模型的训练方法包括以下顺序的步骤：(2a)设定模型训练循环总次数E，初始化当前循环总次数为e＝1，设定时间步长t；(2b)设定迭代次数为N，初始化当前迭代次数为n＝1；(2c)将训练数据集中的数据输入到LSTM网络模型中；(2d)在训练数据集下，经过时间步长t的循环训练，输出当前参数下LSTM网络模型的预测结果；(2e)采用MSE均方方差方法计算损失函数值，具体公式如下：式中，L为损失函数值，y
t
为t时刻的能源消费实际值，为t时刻的能源消费预测值；(2f)采用Adam优化算法更新LSTM网络模型参数；(2g)判断迭代次数是否小于T，若是则t＝t+1，返回步骤(2c)，否则进入步骤(2h)；(2h)将检验数据集中的数据输入当前训练好的LSTM网络模型中，获得能源消费预测结果；(2i)计算预测结果与实际值间的差距，采用MSE均方方差计算误差值，记录误差值并保存当前LSTM网络模型的参数；(2j)判断e是否小于E，若是，则e＝e+1，返回步骤(2b)，否则，进入步骤(2k)；(2k)选择误差最小的LSTM网络模型作为能源消费预测模型。5.根据权利要求1所述的计及多因素影响的地区能源消费态势预测方法，其特征在于：所述LSTM网络模型为：LSTM网络模型包括用于获取训练数据集和检验数据集中的数据输入层、LSTM层，以及用于输出当前LSTM网络模型的预测结果的输出层；所述输入层的时间步长t为输入的时序数据数量，输入层维数设定为影响因素数量，包含地区生产总值、工业化水平、第三产业生产总值占比、城镇化率、常住人口数；所述LSTM层根据时间步长设定t个LSTM单元，LSTM单元包含遗忘门、输入记忆门、输出
门三部分；在输入记忆门中，对当前时刻输入的数据信息进行选择性记忆，将输入数据x
t
与前一时刻LSTM单元的隐藏信息输出h
t
‑1进行拼接，并与权重矩阵W相乘后得到数据的输入，采用tanh激活函数对输入信息进行处理得到转换为
‑
1到1之间的数值，公式如下：z
n
＝tanh(W
n
·
[x
t
,h
t
‑1]+b
n
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)式中，z
n
为缩放处理后的输入数据，W
n
为输入门的权重矩阵，b
n
为输入门的偏置矩阵，x
t
为t时刻的输入数据，h
t
‑1为t<...

【专利技术属性】
技术研发人员：刘倩，贾健雄，王馨，朱刘柱，柳海龙，穆弘，盛金马，孙博，孟晓星，丁仕祺，徐冉，
申请(专利权)人：国网安徽众兴电力设计院有限公司，
类型：发明
国别省市：