[發明專利]一種基于BP神經網絡的電力物資需求計劃預測方法

在審

• 申請號: 202010417380.4
• 申請日: 2020-05-18
• 公開（公告）號: CN111415051A
• 公開（公告）日: 2020-07-14
• 發明（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

本發明公開了一種基于BP神經網絡的電力物資需求計劃預測方法，包括如下步驟：準備歷史電力物資需求計劃數據樣本；確定神經網絡的輸出與輸入。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；初始化網絡；計算當前網絡中的誤差，再將誤差逆向傳播，根據各層的梯度項對連接權值與閾值進行調整；開始迭代程序，直到訓練誤差已達到一個很小的值；選取多組不同參數初始化多個神經網絡，尋找相對的“全局最小”；根據選取的BP神經網絡，計算得出網絡輸出。本發明可以為電力工程建設項目提供有效的指導意見。為項目團隊制定采購預案、項目進度管控等方面提供強有力的支撐。

技術領域

本發明涉及一種基于BP神經網絡的電力物資需求計劃預測方法。

背景技術

電力資源早已是日人們日常生活和社會活動中不可或缺的資源。電力的產生、轉化、輸送、存儲等都離不開一個個的電力設施。電力設施的建造離不開各種電力物資，由于電力工程的專業度強，涉及的電力物資也比較專業化。電力設備，特別是大型的電力設備，其生產制造一般需要更長的周期，電力設備的及時精準供應是電力工程高質量、高時效完成的有力保障。所以電力物資需求計劃的精準預測是必不可少的，也是意義重大的。

BP神經網絡是指一種使用誤差逆傳播算法(BP算法)進行訓練的多層前饋神經網絡。BP算法是目前最成功的神經網絡學習算法之一。BP算法是基于梯度下降策略的，它以目標的負梯度方向對參數進行調整。BP算法是一個迭代學習算法，在迭代的每一輪中采用廣義的感知機學習規則對參數進行更新估計。多層神經網絡可以以任意精度逼近任何非線性連續函數，所以BP神經網絡具有較強的非線性映射能力。BP神經網絡能夠通過樣本學習，自動提取輸入與輸出數據間的內在邏輯關系，并自適應地將這些內在邏輯記錄在網絡中的相應權值與閾值中。

發明內容

本發明的目的是提供一種基于BP神經網絡的電力物資需求計劃預測方法，可以為電力工程建設項目提供有效的指導意見，為項目團隊制定采購預案、項目進度管控等方面提供強有力的支撐。

本發明的目的通過以下技術方案實現：

一種基于BP神經網絡的電力物資需求計劃預測方法，包含以下內容：

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(PCA)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。本文在PCA處理后選擇的物資相關維度主要有標準庫庫存，寄存庫庫存，協議庫存，應急庫庫存，在建工程已領用物資數量，新增項目預算等。取部分數據樣本作為算法驗證集。

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(屬性)。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。當出現驗證集誤差升高而訓練集誤差降低的情況，也停止訓練。

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我們需要的BP神經網絡。