差分進(jìn)化算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的能源需求預(yù)測(cè)研究.pdf

1、能源是人類生產(chǎn)和生活必備的物質(zhì)之一，可靠的能源需求預(yù)測(cè)能為能源企業(yè)發(fā)展戰(zhàn)略的規(guī)劃和國(guó)家能源相關(guān)政策的制定提供決策支持，因此，盡可能地提高預(yù)測(cè)準(zhǔn)確率對(duì)能源企業(yè)或國(guó)家將會(huì)是很有意義的。根據(jù)所使用的數(shù)據(jù)，能源需求預(yù)測(cè)類型主要有兩種，一種是僅利用歷史能源需求數(shù)據(jù)建立預(yù)測(cè)模型，即單因素時(shí)間序列預(yù)測(cè)；另一種是利用影響能源需求的因素的歷史數(shù)據(jù)，如國(guó)內(nèi)生產(chǎn)總值(gross domestic product，GDP)，人口數(shù)量，進(jìn)出口額等因素，建立基于多

2、因素影響的預(yù)測(cè)模型。本文主要對(duì)智能預(yù)測(cè)方法中的BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)進(jìn)行優(yōu)化并對(duì)以上兩種類型的能源需求預(yù)測(cè)問題進(jìn)行建模預(yù)測(cè)。
　　首先，針對(duì)BPNN的學(xué)習(xí)算法隨機(jī)初始化網(wǎng)絡(luò)的連接權(quán)值和閾值從而易使模型陷入局部極小點(diǎn)的缺點(diǎn)，設(shè)計(jì)了一種自適應(yīng)差分進(jìn)化算法(Differential Evolution algorithm，DE)優(yōu)化 BPNN的兩階段混合算法(ADE-BP

3、NN)。該混合算法中，第一階段是采用自適應(yīng)變異因子的差分進(jìn)化算法預(yù)尋優(yōu)BPNN的初始權(quán)值和閾值，第二階段是將第一階段得到的最優(yōu)權(quán)值和閾值作為BPNN的初始權(quán)值和閾值，BPNN繼續(xù)深度尋優(yōu)得到最終的權(quán)值和閾值，預(yù)測(cè)模型由此確立。然后，選取具有非線性特點(diǎn)的單因素時(shí)間序列電力消耗預(yù)測(cè)對(duì)比算例，將本文設(shè)計(jì)的ADE-BPNN與最常用的時(shí)間序列預(yù)測(cè)模型(如自回歸移動(dòng)平均模型)、標(biāo)準(zhǔn)的BPNN預(yù)測(cè)模型及其他預(yù)測(cè)模型的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，驗(yàn)證了ADE