[发明专利]基于布谷鸟算法优化神经网络的能源需求预测方法

权利要求书

1.一种基于布谷鸟算法优化神经网络的能源需求预测方法，其特征在于，包括：

获取待预测地区能源使用总量的历史数据并进行预处理，得到能源消费总量的历史数据矩阵；

根据所述历史数据矩阵，求解各列相关系数，并通过预设阈值与所述相关系数对所述历史数据进行初步聚类；

采用改进K-means均值聚类算法，对所述初步聚类的结果进行二次聚类，得到所述历史数据的均值聚类结果；

采用布谷鸟算法优化BP神经网络，直至所述BP神经网络具有最优的权值和阈值，并根据此时的BP神经网络构建初始预测模型；

根据所述初始预测模型对所述均值聚类结果训练，得到目标预测模型，根据所述目标预测模型预测待预测地区的能源需求。

2.根据权利要求1所述的基于布谷鸟算法优化神经网络的能源需求预测方法，其特征在于，所述根据所述目标预测模型预测待预测地区的能源需求，包括：

将待预测年份数据输入至所述改进K-means均值聚类算法，获得所述待预测年份的所属地区，根据并匹配与所属地区对应的地区预测模型；

对待预测年份数据进行归一化处理，将处理后的数据输入至所述地区预测模型，预测待预测年份的能源需求总量。

3.根据权利要求1所述的基于布谷鸟算法优化神经网络的能源需求预测方法，其特征在于，所述获取待预测地区能源使用总量的历史数据并进行预处理，得到能源消费总量的历史数据矩阵，包括：

获取待预测地区预设年度范围内的能源消费总量数据，以作为样本数据；其中，所述样本数据包括按照预设比例分配后得到的训练集与测试集；

对所述样本数据进行归一化、平均插值法处理，得到优化后的目标样本数据；

根据目标样本数据，构建所有待预测地区的能源消费总量历史数据矩阵；

将所述目标样本数据划分为N类，构建N类地区的能源消费总量历史数据矩阵。

4.根据权利要求1所述的基于布谷鸟算法优化神经网络的能源需求预测方法，其特征在于，所述采用改进K-means均值聚类算法，对所述初步聚类的结果进行二次聚类，得到所述历史数据的均值聚类结果，包括：

根据所述初步聚类的结果，从所有待预测地区的能源消费总量历史数据中选取K个样本，以作为聚类中心；

计算每个所述历史数据到K个聚类中心的距离，计算公式为：

式中，X_i为样本中某个点X的第i个地区的数值；X_j为某个聚类中心的数值(j＝1,...,k)；ω_i为第i个地区的权值，n为选取的地区的个数；

分别重新计算所述K个样本中的数据均值，得到新的K个聚类中心；

重复执行所述计算每个所述历史数据到K个聚类中心的距离步骤，直至K个聚类结果不发生改变，得到所述历史数据的均值聚类结果。

5.根据权利要求1所述的基于布谷鸟算法优化神经网络的能源需求预测方法，其特征在于，采用皮尔逊相关系数法求解所述相关系数。

6.一种基于布谷鸟算法优化神经网络的能源需求预测系统，其特征在于，包括：

矩阵构建模块，用于获取待预测地区能源使用总量的历史数据并进行预处理，得到能源消费总量的历史数据矩阵；

初步聚类模块，用于根据所述历史数据矩阵，求解各列相关系数，并通过预设阈值与所述相关系数对所述历史数据进行初步聚类；

二次聚类模块，用于采用改进K-means均值聚类算法，对所述初步聚类的结果进行二次聚类，得到所述历史数据的均值聚类结果；

模型训练模块，用于采用布谷鸟算法优化BP神经网络，直至所述BP神经网络具有最优的权值和阈值，并根据此时的BP神经网络构建初始预测模型；

预测模块，用于根据所述初始预测模型对所述均值聚类结果训练，得到目标预测模型，根据所述目标预测模型预测待预测地区的能源需求。