基于帝王蝶算法优化BP神经网络模型的能源预测方法技术

本发明专利技术涉及一种基于帝王蝶算法优化BP神经网络模型的能源预测方法，该方法针对能源消费总量及其影响因素的数据建立BP神经网络模型；通过归一化函数将所有数据归一化消除量纲影响；并通过帝王蝶算法对确定BP神经网络模型的初始权重、初始阈值；将最终得到的初始权重、初始阈值代回BP神经网络模型对测试集的能源消费总量进行预测。本发明专利技术将帝王蝶算法应用到BP神经网络模型中，降低了单一BP神经网络模型预测的随机性，缩小了预测误差范围，也提高了BP神经网络模型的预测精度，其方法相对简单，预测效果更优。预测效果更优。预测效果更优。

【技术实现步骤摘要】
基于帝王蝶算法优化BP神经网络模型的能源预测方法


[0001]本专利技术属于能源预测
，具体涉及一种基于帝王蝶算法优化BP神经网络模型的能源预测方法。

技术介绍

[0002]为了应对全球严峻的环境污染和气候变化问题，要有效地控制能源消费带来的碳排放，制定高污染、高排放行业绿色、低碳转型路线。
[0003]BP神经网络是一种按误差逆传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。它由信息的正向传播和误差的反向传播两个过程组成。神经网络的核心成分是人工神经元，每个神经元接收来自其他几个神经元的输入，将它们乘以各自分配的权重，然后再相加，最后把相加的总和传递给一个或多个神经元。当把很多神经元多层放置并堆叠在一起时，就形成了神经网络。通过给定训练集的输入数据，它会根据输出值与实际值的误差不断调整权重，直到能将每个输入映射到正确的输出。因其非线性映射能力很强，所以被广泛应用于受复杂因素影响的预测问题中。但是BP神经网络的初始权重和阈值为随机赋值，这会导致其预测结果的误差波动较大，因此提出了一种帝王蝶算法优化BP神经网络的初始权重和阈值来缩小其预测结果的误差范围，提高预测精度。
[0004]帝王蝶算法(Monarch Butterfly Optimization,MBO)是一种受帝王蝶迁徙行为启发的智能优化算法。帝王蝶优化算法有两个算子：具有局部搜索能力的迁移算子和具有全局搜索能力的调整算子，可同时确定帝王蝶的搜索方向，适合并行处理。通过迁移操作和适应性操作，可以更新帝王蝶中的个体位置。在解决全局数值优化等问题时，帝王蝶优化算法的性能比较优越。其收敛速度快，局部精细搜索能力强，但是其全局搜索能力一般，易陷入局部最优。因此，如何将改进的帝王蝶算法应用于能源消费预测，解决神经网络预测过于随机的问题是目前迫切需要解决的。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种设计合理、准确可靠且易于工程实现的基于帝王蝶算法优化BP神经网络模型的能源预测方法，本专利技术引入柯西变异因子进一步改进帝王蝶算法，来增强算法的抗扰动能力，提高算法全局的搜索能力，防止陷入局部最优解，利用改进的帝王蝶算法解决了单一BP神经网络模型的随机性导致的预测结果误差区间较大的问题。
[0006]本专利技术解决现有的技术问题是采取以下技术方案实现的：一种基于帝王蝶算法优化BP神经网络模型的能源预测方法，包括以下步骤：步骤1、将能源消费总量及其影响因素的历史数据划分为训练集和测试集；对于由能源消费总量以及它的五个影响因素组成的第k组数据列γ
k
=[γ
k
(1), γ
k
(2), γ
k
(3),γ
k
(4), γ
k
(5), γ
k
(6)], γ
k
(i) >0,k=1,2,
…
,n；i=1,2,
…
,6，取n组数据列的部分划分为训练集，剩下的数据列划分为测试集；
式中，γ
k
(1)代表第k组数据的年末常住人口数、γ
k
(2)代表第k组数据的地区生产总值、γ
k
(3)代表第k组数据的地区生产总值指数、γ
k
(4)代表第k组数据的人均年收入、γ
k
(5)代表第k组数据的年平均气温、γ
k
(6)代表第k组数据的能源消费总量；步骤2、使用归一化函数将训练集和测试集的所有数据归一化；归一化函数为：，(γ
k
(i)>0,k=1,2,
…
,n;i=1,2,
…
,6)式中，min γ
k
(i)为数据列γ
k
中的最小值，max γ
k
(i)为数据列γ
k
中的最大值，f(γ
k
(i))为归一化处理后的数据列各元素的值；即经过归一化处理后的第k组数据列为=[f(γ
k
(1)), f(γ
k
(2)), f(γ
k
(3)), f(γ
k
(4)), f(γ
k
(5)), f(γ
k
(6))]；步骤3、设置BP神经网络基本参数；步骤4、针对BP神经网络模型的初始权重ω、初始阈值θ，建立平均绝对误差目标函数；式中，f(ω,θ)为平均绝对误差目标函数；步骤5、通过帝王蝶算法对平均绝对误差目标函数进行求解，确定BP神经网络模型的初始权重ω、初始阈值θ；步骤6、将初始权重ω、初始阈值θ代回BP神经网络模型进行训练，将能源消费总量的影响因素输入训练好的BP神经网络模型对能源消费总量进行预测。
[0007]进一步优选，所述步骤3的具体实现方法包括以下步骤：步骤3.1、在归一化后的训练集数据列中取能源消费总量的五个影响因素f(γ
k
(1)), f(γ
k
(2)), f(γ
k
(3)), f(γ
k
(4)), f(γ
k
(5))作为BP神经网络模型的输入值，能源消费总量f(γ
k
(6))作为BP神经网络模型的输出值；步骤3.2、设置BP神经网络模型基本参数：输入层节点数、隐含层节点数、输出层节点数、训练次数、学习速率、最大误差、激活函数。
[0008]进一步优选，步骤5的具体过程如下：步骤5.1、初始化帝王蝶个体的位置状态为向量σ=（ω，θ），向量ω，θ分别对应BP神经网络模型的初始权重ω、初始阈值θ，每只帝王蝶的位置组合了初始权重ω、初始阈值θ参数的信息，并且每只帝王蝶代表平均绝对误差目标函数的一个解，设置帝王蝶算法的初始参数：帝王蝶个体总数N、最大迭代次数t
max
、帝王蝶种群分为第一种群和第二种群，第一种群和第二种群的种群数量分别为P1和P2、帝王蝶迁移率p、迁移周期peri、调整率BAR、帝王蝶步长S、最大步长S
max
，随机生成共N个帝王蝶个体，每个帝王蝶个体都是满足平均绝对误差目标函数的潜在解；步骤5.2、根据平均绝对误差目标函数，在迭代初始阶段对种群进行适应度值计算并按照从优到劣排序，平均绝对误差越小，表明个体适应度越高，选取出本次迭代适应度值高的帝王蝶个体，作为精英个体保留下来；步骤5.3、将帝王蝶个体总数N根据帝王蝶迁移率p划分为第一种群和第二种群两部分，即第一种群数量P1=N
×
P，第二种群数量P2=N
×
(1
‑
P)，执行迁移算子更新第一种群的
帝王蝶，执行调整算子更新第二种群的帝王蝶，将迭代后的新种群整合，重新计算适应度值；步骤5.4、将适应度最低的五个帝王蝶个体进行柯西函数变异操作，用适应度高的帝王蝶个体取代适应度低的帝王蝶个体，将替换后的种群作为下一次迭代的初始种群；本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于帝王蝶算法优化BP神经网络模型的能源预测方法，其特征在于：包括以下步骤：步骤1、将能源消费总量及其影响因素的历史数据划分为训练集和测试集；对于由能源消费总量以及它的五个影响因素组成的第k组数据列γ
k
=[γ
k
(1), γ
k
(2), γ
k
(3),γ
k
(4), γ
k
(5), γ
k
(6)], γ
k
(i) >0,k=1,2,
…
,n；i=1,2,
…
,6，取n组数据列的部分划分为训练集，剩下的数据列划分为测试集；式中，γ
k
(1)代表第k组数据的年末常住人口数、γ
k
(2)代表第k组数据的地区生产总值、γ
k
(3)代表第k组数据的地区生产总值指数、γ
k
(4)代表第k组数据的人均年收入、γ
k
(5)代表第k组数据的年平均气温、γ
k
(6)代表第k组数据的能源消费总量；步骤2、使用归一化函数将训练集和测试集的所有数据归一化；归一化函数为：式中，minγ
k
(i)为数据列γ
k
中的最小值，maxγ
k
(i)为数据列γ
k
中的最大值，f(γ
k
(i))为归一化处理后的数据列各元素的值；即经过归一化处理后的第k组数据列为=[f(γ
k
(1)), f(γ
k
(2)), f(γ
k
(3)), f(γ
k
(4)), f(γ
k
(5)), f(γ
k
(6))]；步骤3、设置BP神经网络基本参数；步骤4、针对BP神经网络模型的初始权重ω、初始阈值θ，建立平均绝对误差目标函数；式中，f(ω,θ)为平均绝对误差目标函数；步骤5、通过帝王蝶算法对平均绝对误差目标函数进行求解，确定BP神经网络模型的初始权重ω、初始阈值θ；步骤6、将初始权重ω、初始阈值θ代回BP神经网络模型进行训练，将能源消费总量的影响因素输入训练好的BP神经网络模型对能源消费总量进行预测。2.根据权利要求1所述的一种基于帝王蝶算法优化BP神经网络模型的能源预测方法，其特征在于：所述步骤3的具体实现方法包括以下步骤：步骤3.1、在归一化后的训练集数据列中取能源消费总量的五个影响因素 f(γ
k
(1))
, f(γ
k
(2))
, f(γ
k
(3))
, f(γ
k
(4))
, f(γ
k
(5))作为BP神经网络模型的输入值，能源消费总量 f(γ
k
(6))作为BP神经网络模型的输出值；步骤3.2、设置BP神经网络基本参数：输入层节点数、隐含层节点数、输出层节点数、训练次数、学习速率、最大误差、激活函数。3.根据权利要求2所述的一种基于帝王蝶算法优化BP神经网络模型的能源预测方法，其特征在于：所述步骤5的具体实现方法包括以下步骤：步骤5.1、初始化帝王蝶个体的位置状态为向量σ=（ω，θ），向量ω，θ分别对应BP神经网络模型的初始权重ω、初始阈值θ，每只帝王蝶的位置组合了初始权重ω、初始阈值θ参数的信息，并且每只帝王蝶代表平均绝对误差目标函数的一个解，设置帝王蝶算法的初始参数：帝王蝶个体总数N、最大迭代次数t
max
、帝王蝶种群分为第一种群和第二种群，第一种群和第
二种群的种群数量分别为P1和P2、帝王蝶迁移率p、迁移周期peri、调整率BAR、帝王蝶步长S、最大步长S
max
，随机生成共N个帝王蝶个体，每个帝王蝶个体都是满足平均绝对误差目标函数的潜在解；步骤5.2、根据平均绝对误差目标函数，在迭代初始阶段对种群进行适应度值计算并按照从优到劣排序，平均绝对误差越小，表明个体适应度越高，选取出本次迭代适应度值高的帝王蝶个体，作为精英个体保留下来；步骤5.3、将帝王蝶个体总数N根据帝王蝶迁移率p划分为第一种群和第二种群两部分，即第一种群数量P1=N
×
P，第二种群数量P2=N
×
(1
‑
P)，执行迁移算子更新第一种群的帝王蝶，执行调整算子更新第二种群的帝王蝶，将迭代后的新种群整合，重新计算适应度值；步骤5.4、将适应度最低的五个帝王蝶个体进行柯西变异操作，用适应度高的帝王蝶个体取代适应度低的帝王蝶个体，将替换后的种群作为下一次迭代的初始种群；步骤5.5、记录每次迭代中适应度值最优的帝王蝶个体，重复迭代过...

【专利技术属性】
技术研发人员：丁贵立，颜高洋，刘文轩，许志浩，康兵，张兴旺，程巧，曹昆峰，郑芯蕊，杨勇，
申请(专利权)人：南昌工程学院，
类型：发明
国别省市：