[发明专利]一种基于时间序列和神经网络的电能替代潜力分析方法

权利要求书

1.一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，根据相邻两年电能使用量占比之差与后一年能源总使用量的乘积计算后一年的电能替代量，观测电能替代量后选取原始数据列，根据原始数据列生成二次型累加序列，建立基于三次指数平滑法的二次型累加序列预测模型，根据二次型累加序列预测模型的输出还原原始数据列的实际预测值，以电能替代量的历史数据为输入训练神经网络，训练过程中考虑学习相邻两次训练误差的变学习率因子以及相邻两次训练权重参数差值引起的变动量因子修正神经网络层之间的权重参数，以原始数据列的一组实际预测值为训练后神经网络的输入预测电能替代量；

其中，所述变学习率因子为η(t)、η(t-1)为第t次迭代过程、第t-1次迭代过程的变学习率因子，为2次循环学习之间误差超曲面的夹角，ω为比例系数，0.1＜ω＜0.2；

所述变动量因子为α(t)为第t次迭代过程的变动量因子，δ_j(t)、δ_j(m)为第t次迭代过程、第m次迭代过程中输出层的传播误差，为输出层的输出数据，y_j为原始数据的实际值。

2.根据权利要求1所述一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，计算后一年的电能替代量的表达式为：D_e(t+1)为第t+1年的电能替代量，C_e(t)、C_e(t+1)为第t年、第t+1年的实际电能使用量，C(t)、C(t+1)为第t年、第t+1年的能源总使用量。

3.根据权利要求1所述一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，观测电能替代量后选取原始数据列的方法为：观测终端电能使用量占比序列在终端电能使用量占比序列所有时刻的级比均落在可容覆盖区间内时，以终端电能使用量占比序列为原始数据列，E_C⁽⁰⁾为观测终端电能使用量占比序列，E_C⁽⁰⁾(1)、E_C⁽⁰⁾(2)、E_C⁽⁰⁾(n)为1时刻、2时刻、n时刻的终端电能使用量占比，k时刻的级比为E_C⁽⁰⁾(k-1)、E_C⁽⁰⁾(k)为k-1时刻、k时刻的终端电能使用量占比。

4.根据权利要求1所述一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，基于三次指数平滑法的二次型累加序列预测模型为E_C⁽¹⁾(k+m)＝a_k+b_km+c_km²，E_C⁽¹⁾(k+m)为二次型累加序列k+m时刻的累加值，a_k、b_k、c_k为根据二次型累加序列k时刻累加值的三次指数平滑值确定的常数项系数、一次项系数、二次项系数，为二次型累加序列k时刻累加值的一次指数平滑值、二次指数平滑值和三次指数平滑值，α为计算平滑指数的参数，0＜α＜1。

5.根据权利要求4所述一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，根据二次型累加序列预测模型的输出还原原始数据列的实际预测值的表达式为：E_C⁽⁰⁾(k+m)＝E_C⁽¹⁾(k+m)-E_C⁽¹⁾(k),k＝1,2,…,n-1，E_C⁽⁰⁾(k+m)为原始数据列k+m时刻的预测值，E_C⁽¹⁾(k)为二次型累加序列k时刻的累加值。

6.根据权利要求1所述一种基于时间序列和神经网络的电能替代潜力分析方法，其特征在于，修正的神经网络层之间权重参数包括隐藏层和输出层之间的权重、输入层和隐藏层之间的权重，

w_kj(t+1)＝w_kj(t)+η(t)δ_j(t)b_k+α(t)[w_kj(t)-w_kj(t-1)]，

v_ik(t+1)＝v_ik(t)+η(t)δ_k(t)x_i+α(t)[v_ik(t)-v_ik(t-1)]，w_kj(t+1)、w_kj(t)、w_kj(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中隐藏层和输出层之间的权重，v_ik(t+1)、v_ik(t)、v_ik(t-1)为第t+1次迭代过程、第t次迭代过程、第t-1次迭代过程中输入层和隐藏层之间的权重，b_k为隐藏层输出，x_i为输入层的输入数据。