本发明涉及能源需求预测，具体为一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法。
背景技术：
1、能源是人类社会生存和发展的必要的物质之一，现今在人类生活中已包括多种能源形式，如：石油、天然气、太阳能、风能、水能和氢能源等。
2、现今对于能源的使用秉承着可持续发展的理念，因此对于能源需求预测的任务格外重视。可靠的能源需求预测方法能为能源企业发展战略的规划和国家能源相关政策的制定提供一定数据支撑。因此，尽可能地提高预测准确率对能源企业或国家是十分有意义的。
3、近些年来，研究人员将机器学习和深度学习方与能源领域相结合，提出了各种各样的能源需求的预测方法。现有的能源预测方法中主要通过挖掘出历史数据随着时间变化各种影响因素变化的规律或者趋势，从而去推测未来的数据变化。在这个过程中，为了实现了更加准确的能源需求预测，需要了解每个因素的独立贡献程度。因此，在对各因素的分析过程中可采用机器学习中较为优秀的算法，如ica算法。ica算法是一种用于从混合信号中分离独立成分的算法。在信号处理和数据分析领域，ica常用于处理混合信号，其中不同的成分以相互独立的方式混合在一起。虽然ica主要被用于信号处理领域，但在能源需求分析中，可以考虑将能源需求的不同影响因素看作混合信号，通过应用ica算法，尝试从中分离出相互独立的成分。这可以有助于识别和理解不同影响因素对总体能源需求的贡献。ica算法应用于能源预测领域中主要分为以下两种形式：一种是仅利用历史能源需求数据建立预测模型，即单因素时间序列预测；另一种是利用影响能源需求的历史因素数据，如国内生产总值、人口数量和进出口额等因素，建立基于多因素影响的预测模型。但这两种方法仅针对单一能源的需求预测，未将各类型能源需求进行综合考虑。
4、为了解决以上问题，本发明提出一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法。
技术实现思路
1、一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，用于解决上述技术问题。首先，本发明为了对未来能源需求进行准确地预测，根据以往的数据建立了一种未来能源影响数据生成模型对未来的能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格进行生成；其次，本发明提出一种能源成本模型用于对未来能源影响数据生成模型输出结果进行成本预测；接着，本发明为了更加准确地预测未来能源需求，提出一种改进ica算法；该算法的主要作用在于对能源需求的影响因素进行分析；最后，本发明通过一种改进的pso-bp网络模型实现了对未来能源需求的准确预测。
2、一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，包括：
3、采集所在区域近n年的历史能源影响数据和历史能源成本数据；其中，n为大于1的自然数；其中，所述能源影响数据包括：能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。
4、进一步地，对所述历史能源影响数据进行预处理，得到标准能源影响数据，并构建标准能源影响数据集。其中，所述预处理具体过程包括：对所述能源影响数据进行数据清洗，得到第一能源影响数据；其中，所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理；对所述第一能源影响数据进行时间序列处理，得到第二能源影响数据；其中，所述时间序列处理包括：按照日期分解、按照季节性调整和按照趋势分析；所述第二能源影响数据经标准化和归一化处理，得到第三能源影响数据；对所述第二能源影响数据进行独热编码，得到所述标准能源影响数据。
5、进一步地，所述标准能源影响数据集和所述能源成本建立能源成本影响关联度矩阵；其中，所述能源成本影响关联度矩阵表示为：
6、
7、其中，epicm表示为所述能源成本影响关联度矩阵；i1k表示为第1条历史能源影响数据中第k个能源成本影响指标；ec1m表示为第1条历史能源影响数据中第m类能源成本；inm表示为第n条历史能源影响数据中第k个能源成本影响指标；ecnm表示为第n条历史能源影响数据中第m类能源成本。
8、进一步地，根据所述能源成本影响关联度矩阵计算历史能源影响数据差异，并构建历史能源影响差异矩阵其中，herddf表示为所述历史能源影响差异矩阵；表示为能源成本影响关联度矩阵中第n条数据中第k个能源成本影响指标与第n-1条数据中第k个能源成本影响指标差值；的计算公式为：
9、进一步地，根据所述历史能源影响差异矩阵初始化能源影响变化向量w＝(w1,...,wk)；其中，wk表示为第k个能源成本影响指标的变化值，
10、进一步地，根据所述能源成本影响关联度矩阵和所述初始化能源成本影响关联度矩阵，建立未来能源影响数据生成模型，并得到未来能源影响数据。
11、进一步地，输入所述未来能源影响数据至所述能源成本模型，得到未来能源预测成本；其中，所述能源成本模型具体实现包括：
12、将n年的所述历史能源成本数据进行归一化处理，得到归一化历史能源成本数据；
13、根据所述归一化历史能源成本数据进行聚类，得到c个聚类集合；其中，c是大于1的自然数；
14、对c个所述聚类集合构建c个相关能源数据差异矩阵；其中，所述相关能源数据差异矩阵表示为：其中，edgmi表示为第i个聚类集合相关能源数据差异矩阵；dvqk表示为第i个聚类集合中第q条数据关于第k个因素的差异值；
15、根据所述聚类集合，建立能源成本影响因素转移矩阵；其中，所述能源成本影响因素转移矩阵表示为：其中，epfitmi表示为第i个聚类集合的能源成本影响因素转移矩阵；p1k表示为第i个聚类集合中第1个能源影响因素与第k个能源影响因素的转移概率值；
16、所述能源成本影响因素转移矩阵的约束条件为：
17、根据所述能源成本影响因素转移矩阵，更新影响因素权重向量；其中，所述影响因素权重向量的更新公式为：
18、
19、其中，μi(t)表示为第i个聚类集合在t时刻的成本影响因素权重向量；ε(t)表示为t时刻下的修正项；
20、建立能源成本预测函数；其中，所述能源成本预测函数的公式为：
21、
22、其中，ep()i表示为第i个聚类集合的能源成本预测函数；becm表示为第m类能源的基础成本；φ()表示为非线性成本预测函数部分；b表示为所述能源成本预测函数的偏置；
23、其中，所述偏置的更新公式为：λ表示为修正参数；
24、最小化所述能源成本预测函数；其中，最小化过程为：
25、
26、其中，t表示为最大迭代训练轮数；表示为所述能源成本预测函数在第t轮关于第m类能源预测结果；
27、进一步地，计算所述未来能源预测成本与各类所述历史能源成本数据之间的损失值，并优化所述能源成本模型；
28、其中，所述损失值的计算公式为：
29、
30、其中，n表示为历史能源影响数据总条数；m表示为能源总类别数数；表示为预测第m类能源成本；表示为实际第m类能源成本。
31、进一步地，将所述未来能源影响数据与所述聚类集合进行聚类；得到聚类结果；
32、将未来能源影响数据输入至对应聚类集合的能源成本预测函数，得到所述未来能源预测成本。
33、进一步地，将所述标准能源影响数据、所述历史能源成本与历史的能源发展政策特征向量相结合，得出能源需求特征权重矩阵；
34、其中，所述能源发展政策特征的获取具体过程包括：
35、获取所在地区发布的相关能源发展政策文件；
36、提取所述相关能源发展政策文件中能源相关内容；
37、其中，所述能源相关内容包括：能源状况信息、能源规划信息、环境影响信息、经济波动信息和能源扶持信息；
38、对所述能源相关内容采用特征工程方法，获取所述能源发展政策特征向量。
39、所述能源需求矩阵采用能源需求特征工程分析模型；
40、其中，所述能源需求特征工程分析模型的具体实现过程包括：构建能源需求特征矩阵；其中，所述能源需求特征矩阵表示为：mdmm＝(hd1；...；hdi；...；hdn)τ；其中，hdi表示为第i年所述标准能源影响数据、所述历史能源成本数据与历史的能源发展政策特征向量组成的向量；
41、标准化所述能源需求特征矩阵，得到标准化能源需求特征矩阵；
42、建立能源需求特征分析函数；其中，所述能源需求特征分析函数的表达式为：
43、
44、其中，edca(t)表示为t时刻的能源需求特征分析函数；x(t)表示能源需求特征观测结果；表示为时间特征分析函数；
45、所述x(t)的计算公式为：
46、x(t)＝ω*a*mdmm；
47、其中，表示为能源需求特征权重矩阵；a表示为混合矩阵；
48、所述时间特征分析函数的公式为：
49、
50、其中，β0,β1,...,βn表示为所述时间特征分析函数的参数；表示为误差项。
51、进一步地，输入所述未来能源影响数据、所述未来能源预测成本和未来的能源发展政策特征向量至能源需求预测模型；
52、其中，所述能源需求预测模型的具体实现步骤包括：
53、步骤一：根据所述标准能源影响数据集、所述历史能源成本数据和历史的能源发展政策特征向量确定所述能源需求预测模型结构；
54、步骤二：获取所述能源需求特征矩阵作物作为所述能源需求预测模型的初始化权重参数；
55、步骤三：根据能源需求优化粒子群算法，初始化粒子的速度、位置、个体极值和全局极值；
56、其中，所述能源需求优化粒子群算法的具体过程包括：
57、设置m个粒子群；其中，m为大于1的自然数；
58、初始化粒的位置集合和速度集合；其中，所述位置集合表示为li＝(li1,li2,...,lid)；lid表示为第i个粒子群中第d个粒子的位置；所述速度集合表示为vi＝(vi1,vi2,...,vid)；vid表示为第i个粒子群中第d个粒子的速度；
59、更新粒子的所述位置集合和所述速度集合；其中，更新公式为：
60、
61、
62、其中，表示为k+1次迭代后第i个粒子群中第d个粒子的速度；表示为k次迭代时第i个粒子群中第d个粒子的速度；表示为k次迭代时第i个粒子群中第d个粒子的位置；c1和c2表示为非负常数的学习因子；pid表示为第i个粒子群中第d个粒子的局部最优值；pgd表示为第d个粒子的全局最优值；表示为k次迭代时[0,1]的随机数；θ(k)表示为惯性权重系数；表示为k+1次迭代后第i个粒子群中第d个粒子的位置；
63、其中，所述惯性权重系数的计算公式如下：
64、
65、其中，t表示为迭代次数；θmax表示为惯性权重系数的最大值；θmin表示为惯性权重系数的最小值；tmax表示为最大迭代次数；d表示为初始搜索后的初始惯性权重。
66、步骤四：选择适应度函数，评估每个粒子的适应值，得到初始化粒子适应值集合；
67、步骤五：对所述初始化粒子适应值集合的每个元素进行评估；若当前适应值优于局部最优解，
68、步骤六：将局部最优解进行更新；若当前适应值优于全局最优解，将全局最优解进行更新；
69、步骤七：重新计算粒子的速度和速度，并进行变异操作；
70、步骤八：判断迭代次数小于预设值，返回步骤四；
71、步骤九：将得到的最优值分配给模型进行训练和学习。
72、输出未来能源需求预测结果。
73、与现有技术相比，本发明的有益效果为：
74、1、本发明提出一种未来能源影响数据生成模型，该模型能够根据收集到的历史数据生成未来能源影响数据。其中，在模型构建过程中通过历史的能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格建立关联度矩阵，并结合多因素的能源影响变化向量生成数据。所述未来能源影响数据生成模型以现实数据为基础实现对未来数据的生成，具有一定合理性，并为后续的能源需求预测提供了科学的数据，提升了预测的准确度。
75、2、本发明提出一种能源成本模型，该模型用于对未来能源影响数据生成模型的输出结果进一步预测。该模型主要是通过聚类方式建立每个类别的影响因素的差异矩阵，该矩阵能够实现各因素之间成本变化的反映情况，提高了对相同集合内能源成本预测的准确度。除此之外，对于能源需要的预测成本不可缺少的重要影响因素之一，因此准确的成本预测有利于提高能源需求预测的准确度。
76、3、本发明提出一种能源需求特征工程分析模型，该模型在基础的ica算法进行改进。该模型加入时间特征分析函数，加深了对影响因素分析的情况。除此之外本模型设计之初结合实际场景下能源需求受相关能源政策影响，通过提取政策中有关能源发展的必要特征进行分析，得到影响因素权重，从而提升最终能源需求预测的准确度。
77、4、本发明提出一种能源需求预测模型，该模型用于对未来能源需求的预测。该模型依据能源需求优化粒子群算法对bp神经网络进行参数优化。所述能源需求优化粒子群算法是对粒子群算法的改进，主要是通过优化了惯性权重的变异策略，保证了算法前期的全局搜索能力和后期的快速收敛到最优解。在搜索过程中引入自适应变异算法，避免粒子陷入局部最优。该优化算法能够很好地优化网络参数，提升能源需求预测的准确度。
1.一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源影响数据包括：能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。
3.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述预处理包括：对所述能源影响数据进行数据清洗，得到第一能源影响数据；其中，所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理；对所述第一能源影响数据进行时间序列处理，得到第二能源影响数据；其中，所述时间序列处理包括：按照日期分解、按照季节性调整和按照趋势分析；所述第二能源影响数据经标准化和归一化处理，得到第三能源影响数据；对所述第二能源影响数据进行独热编码，得到所述标准能源影响数据。
4.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源成本影响关联度矩阵表示为：
5.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述损失值的计算公式为：
6.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源成本模型具体实现包括：
7.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源发展政策特征的获取具体过程包括：
8.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源需求矩阵采用能源需求特征工程分析模型；
9.根据权利要求1所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源需求预测模型的具体实现步骤包括：
10.根据权利要求9所述的一种基于ica算法优化pso-bp神经网络模型的能源需求预测方法，其特征在于，所述能源需求优化粒子群算法的具体过程包括：
