[發明專利]一種基于多種影響因素的極限學習機月度電量預測方法

在審

• 申請號: 202010038771.5
• 申請日: 2020-01-14
• 公開（公告）號: CN111275247A
• 公開（公告）日: 2020-06-12
• 發明（設計）人: 呼夢穎;段建東;侯澤權;侯佩佳;付超遠
• 申請（專利權）人: 西安理工大學
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/08
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 張皎

1.一種基于多種影響因素的極限學習機月度電量預測方法，其特征在于，具體按照以下步驟實施：

步驟1、收集近4-6年的市月度電量數據、季度GDP數據、季度平均最高氣溫和季度平均最低氣溫數據；

步驟2、通過月度電量數據獲得季度電量；

步驟3、將季度電量、季度GDP、季度平均最高氣溫、季度平均最低氣溫數據劃分為訓練樣本和測試樣本，并進行數據歸一化處理；

步驟4、設置極限學習機預測模型的參數，隱含層節點數設置為3-13，輸出維數設置為1，激勵函數設置為sig函數；

步驟5、將訓練樣本輸入極限學習機預測模型，對極限學習機預測模型進行訓練，向訓練后的極限學習機預測模型輸入測試樣本，得到優化的極限學習機預測模型；

步驟6、通過優化的極限學習機預測模型預測月度電量。

2.根據權利要求1所述一種基于多種影響因素的極限學習機月度電量預測方法，其特征在于，所述訓練樣本包括訓練樣本輸入、訓練樣本輸出，測試樣本包括預測樣本輸入、預測樣本輸出。

3.根據權利要求2所述一種基于多種影響因素的極限學習機月度電量預測方法，其特征在于，步驟3具體過程為：

假設收集的是近n年的數據，其中n＝4-6；

選取第1年至第n-2年的季度電量、季度GDP、季度平均最高氣溫和季度平均最低氣溫數據作為訓練樣本的輸入，第n-1年的季度電量作為訓練樣本輸出，第2年至第n-1年的季度電量、季度GDP、季度平均最高氣溫和季度平均最低氣溫數據作為預測樣本的輸入，第n年的季度電量作為預測樣本輸出；將訓練樣本和測試樣本進行數據歸一化處理。

4.根據權利要求1所述一種基于多種影響因素的極限學習機月度電量預測方法，其特征在于，步驟5具體過程為：

步驟5.1、將訓練樣本輸入極限學習機預測模型，對極限學習機預測模型進行訓練；

步驟5.2、將測試樣本輸入極限學習機預測模型，預測最近一年季度電量；

步驟5.3、通過每年的歷史數據測算出每個月的月度電量占其所屬季度電量的比值，得每個月的月/季比，并求每個月的平均月/季比；

步驟5.4、選取步驟5.3中每個月的平均月/季比與平均月/季比對應的最近一年季度電量，計算最近一年月度電量；

步驟5.5、計算最近一年預測的月度電量與實際的月度電量的絕對百分誤差，并計算最近一年中的平均絕對百分誤差；

步驟5.6、當平均絕對百分誤差小于4％，則得到優化的極限學習機預測模型；

當平均絕對百分誤差不小于4％，則返回步驟4，重新調整隱含層節點數。

5.根據權利要求4所述一種基于多種影響因素的極限學習機月度電量預測方法，其特征在于，步驟5.5具體過程為：

式中，APE表示絕對百分誤差，MAPE表示平均絕對百分誤差，y(t)是實際值，y’(t)為預測值，n是預測數據個數。