[發(fā)明專利]一種基于BP神經網絡的電力物資需求計劃預測方法

在審

• 申請?zhí)枺?/td>: 202010417380.4
• 申請日: 2020-05-18
• 公開（公告）號: CN111415051A
• 公開（公告）日: 2020-07-14
• 發(fā)明（設計）人: 王紀軍;張震宇;馮曙明;胡天牧;胡曉東
• 申請（專利權）人: 江蘇電力信息技術有限公司;國網江蘇省電力有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 南京匯盛專利商標事務所(普通合伙) 32238
• 代理人: 陳揚

1.一種基于BP神經網絡的電力物資需求計劃預測方法，其特征在于，包括如下步驟：

S1準備歷史電力物資需求計劃數據樣本；如果數據樣本屬性繁雜，為了避免訓練網絡規(guī)模太大，導致網絡訓練效率下降和出現過擬合現象，先使用主成分分析法對數據樣本進行降維處理；BP神經網絡的結構與維度的選擇直接相關；

S2確定神經網絡的輸出為電力物資需求計劃數量，輸入為S1中選定的維度；選取合適的隱含層數量，定義網絡每層的學習率，建立BP神經網絡；選取SIGMOID函數作為激活函數；

S3在(0，1)范圍內隨機初始化網絡中的所有連接權值與閾值；

S4首先，根據當前網絡的參數計算當前樣本的輸出，計算當前網絡輸出層的誤差，即輸出層神經元的梯度項；再將誤差逆向傳播至隱含層神經元，計算當前網絡隱含層神經元的梯度項；最后根據隱含層神經元的誤差對連接權值與閾值進行調整；

S5開始迭代程序，重復S4的過程，直到訓練誤差已達到一個很小的值，即，滿足預設的誤差范圍；

S6為了避免算法出現局部最小問題，在S3步驟時，選取多組不同參數初始化多個神經網絡，按照S4，S5方法訓練網絡，取其中誤差最小的解最為最終參數；即，從可能的不同局部極小中選擇有可能最接近全局最小的結果；此時，誤差最小的網絡就是需要的BP神經網絡；

S7根據S6中選取的BP神經網絡，提供本期維度數據作為網絡輸入層的輸入，根據訓練后網絡中的連接權與閾值，計算得出網絡輸出，即為下期電力物資需求計劃數量。

2.根據權利要求1所述的基于BP神經網絡的電力物資需求計劃預測方法，其特征在于，具體如下：

1)設已知歷史電力需求物資計劃數據樣本集為id表示輸入維度數量，od表示輸出od維實值向量，設隱含層hd個神經元；

用θ_j表示輸出層第j個神經元的閾值；

用γ_h表示隱含層第h個神經元的閾值；

用v_ih表示輸入層第i個神經元到隱含層第h個神經元的連接權；

用ω_hj表示隱含層第h個神經元到輸出層第j個神經元的連接權；

用η₁表示輸入層到隱含層的學習率，用η₂表示隱含層到輸出層的學習率；

設隱含層第h個神經元接收的輸入為輸出層第j個神經元接收的輸入為其中b_h為隱含層第h個神經元的輸出；

輸出層與隱含層都是使用SIGMOID函數作為激活函數，即

設輸入樣例(x_k，y_k)的輸出為其中那么，神經網絡中樣例(x_k，y_k)的均方誤差為

2)在(0，1)范圍內隨機初始化網絡中的所有連接權值與閾值；

3)for every(x_k，y_k)∈D；

do計算當前樣本的輸出

計算輸出層神經元梯度項

計算隱含層神經元梯度項

計算隱含層到輸出層連接權更新公式Δω_hj＝η₂g_jb_h

計算隱含層到輸出層閾值更新公式Δθ_j＝-η₂g_j

計算輸入層到隱含層連接權更新公式Δv_ih＝η₁e_hx_i

計算輸入層到隱含層閾值更新公式Δγ_h＝-η₁e_h

根據公式更新所有連接權和閾值；

end do

end for

4)repeat step 3 until訓練誤差已達到一個很小的值；或驗證集誤差升高而訓練集誤差降低；

5)選取多組不同參數初始化多個神經網絡，重復步驟3)和步驟4)的過程；選擇學習后其中誤差最小的神經網絡；

6)帶入當前電力物資需求計劃各維度數據到步驟5)中選取的神經網絡中，根據公式計算得到電力物資需求計劃預測值。

3.根據權利要求1所述的基于BP神經網絡的電力物資需求計劃預測方法，其特征在于：步驟S1中，在主成分分析法處理后選擇的物資相關維度包括標準庫庫存，寄存庫庫存，協(xié)議庫存，應急庫庫存，在建工程已領用物資數量，新增項目預算。