论文部分内容阅读
能源是人类生产和生活必备的物质之一,可靠的能源需求预测能为能源企业发展战略的规划和国家能源相关政策的制定提供决策支持,因此,尽可能地提高预测准确率对能源企业或国家将会是很有意义的。根据所使用的数据,能源需求预测类型主要有两种,一种是仅利用历史能源需求数据建立预测模型,即单因素时间序列预测;另一种是利用影响能源需求的因素的历史数据,如国内生产总值(gross domestic product,GDP),人口数量,进出口额等因素,建立基于多因素影响的预测模型。本文主要对智能预测方法中的BP神经网络(Back Propagation Neural Network,BPNN)进行优化并对以上两种类型的能源需求预测问题进行建模预测。首先,针对BPNN的学习算法随机初始化网络的连接权值和阈值从而易使模型陷入局部极小点的缺点,设计了一种自适应差分进化算法(Differential Evolution algorithm,DE)优化BPNN的两阶段混合算法(ADE-BPNN)。该混合算法中,第一阶段是采用自适应变异因子的差分进化算法预寻优BPNN的初始权值和阈值,第二阶段是将第一阶段得到的最优权值和阈值作为BPNN的初始权值和阈值,BPNN继续深度寻优得到最终的权值和阈值,预测模型由此确立。然后,选取具有非线性特点的单因素时间序列电力消耗预测对比算例,将本文设计的ADE-BPNN与最常用的时间序列预测模型(如自回归移动平均模型)、标准的BPNN预测模型及其他预测模型的预测结果进行对比分析,验证了ADE-BPNN对单因素时间序列预测问题的适用性和高预测性能,并比较分析得出ADE-BPNN在预测精度上有显著性改善。最后,将ADE-BPNN应用于多因素影响的能源需求预测问题,对比算例与拓展算例证实了ADE-BPNN在预测精度上优于多元线性回归模型、标准BPNN预测模型及其他预测模型。并对中国未来的能源消耗总量进行了预测,预测结果可为国家或能源企业制定未来能源供给计划或相关政策提供一定的决策支持。