一种能源需求预测方法及系统与流程

1.本发明涉及能源需求预测技术领域，尤其涉及一种能源需求预测方法。


背景技术：

2.区域能源包括冷、热、电，通过能源利用和能源互联等技术手段，可以提高能源利用效率。在传统的能源需求预测中，通常只考虑经济规模和增长、人口规模和增速、产业结构和发展等的影响，很少考虑碳排放的问题和影响，没有考虑区域之间煤炭、石油需求量与碳排放的关联、制约和协同关系。冷、热、电多种能源具有关系复杂并交互作用的随机和模糊不确定性事件或参量的系统。在各种不确定性随机和模糊事件或参量的影响下，冷、热、电多种能源需求变得更具随机特性和模糊特性，这些特性极大影响地区能源利用效率。以往冷、热、电多种能源需求预测通常采用确定性的计算方法，有些也采用概率分析的不确定性计算方法。确定性计算的方法通常是在假设冷、热、电多种能源需求都确定的情况下进行地区能源需求预测，也没有考虑能源利用效率等因素的影响，计算结果是唯一性和确定性的，往往不能反映地区能源需求的实际情况。而概率分析的计算方法通常是在只假设冷、热、电能源中等单一因素为不确定性因素的情况下冷、热、电多种能源需求预测量，计算结果是具有一定置信水平的概率值。实际上，冷、热、电多种能源需求受多种不确定性因素影响。而且，这些影响因素通常都有随机不确定性或模糊不确定性，或者具有随机和模糊不确定性，往往以随机和模糊不确定性事件或参量而存在。可见，冷、热、电多种能源需求预测的现有技术都没有全面考虑影响因素的不确定性和随机性，计算方法适用性、实用性和应用性也难以得到满足。


技术实现要素：

3.本发明目的在于，提供一种能源需求预测方法，利用区域煤炭、石油消耗量的历史数据，确定区域煤炭和石油需求量的预测值。
4.为实现上述目的，本发明提供一种能源需求预测方法，用于分析区域煤炭和石油的需求量预测值，包括：
5.根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵；其中，所述区域历史煤炭消耗量数据包括工业煤炭消耗量、商业煤炭消耗量、交通煤炭消耗量和居民生活煤炭消耗量；
6.根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵；其中，所述区域历史石油消耗量数据包括工业石油消耗量、商业石油消耗量、交通石油消耗量和居民生活石油消耗量；
7.将所述区域历史煤炭消耗量数据和所述区域历史石油消耗量数据输入深度置信网络进行特征训练，得到能源需求量预测值。
8.优选地，所述根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵，包括：
9.根据区域历史煤炭消耗量数据，计算区域内不同用户煤炭消耗量按照正态分布规律变化的概率、均值和方差，得到区域历史煤炭消耗量特征信息；
10.根据所述区域历史煤炭消耗量特征信息，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵。
11.优选地，所述根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵，还包括：
12.采用模糊聚类分析的方法，对所述区域历史煤炭消耗量数据进行迭代计算，得到区域用户煤炭消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
13.优选地，所述根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵，包括：
14.根据区域历史石油消耗量数据，计算区域内不同用户是石油消耗量按照正态分布规律变化的概率、均值和方差，得到区域历史石油消耗量特征信息；
15.根据所述区域历史石油消耗量特征信息，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵。
16.优选地，所述根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵，包括：
17.采用模糊聚类分析的方法，对所述区域历史石油消耗量数据进行迭代计算，得到区域用户石油消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
18.优选地，所述深度置信网络的构建过程包括：
19.构建一个输入层、三个隐藏层和一个输出层的网络结构模型；
20.利用受限玻尔兹曼机在无监督情况下，对所述网络结构模型进行训练，得到输入变量之间的协同关系特性。
21.优选地，所述利用受限玻尔兹曼机在无监督情况下，对所述网络结构模型进行训练，得到输入变量之间的协同关系特性，包括：
22.根据所述受限玻尔兹曼机的连接权重系数向量和偏置系数向量，得到最大对数似然函数、隐藏单元概率和可见单元概率。
23.本发明还提供一种能源需求预测系统，用于分析区域煤炭和石油的需求量预测值，包括：
24.煤炭消耗分析模块，用于根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵；其中，所述区域历史煤炭消耗量数据包括工业煤炭消耗量、商业煤炭消耗量、交通煤炭消耗量和居民生活煤炭消耗量；
25.石油消耗分析模块，用于根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵；其中，所述区域历史石油消耗量数据包括工业石油消耗量、商业石油消耗量、交通石油消耗量和居民生活石油消耗量；
26.特征训练模块，用于将所述区域历史煤炭消耗量数据和所述区域历史石油消耗量数据输入深度置信网络进行特征训练，得到能源需求量预测值。
27.本发明还提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一实施例所述的能源需求预测方法。
28.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一实施例所述的能源需求预测方法。
29.与现有技术相比，本发明具有以下有益效果：
30.本发明公开的能源需求预测方法，用于分析区域煤炭和石油的需求量预测值，包括：根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵；其中，所述区域历史煤炭消耗量数据包括工业煤炭消耗量、商业煤炭消耗量、交通煤炭消耗量和居民生活煤炭消耗量；根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵；其中，所述区域历史石油消耗量数据包括工业石油消耗量、商业石油消耗量、交通石油消耗量和居民生活石油消耗量；将所述区域历史煤炭消耗量数据和所述区域历史石油消耗量数据输入深度置信网络进行特征训练，得到能源需求量预测值。本发明通过对区域煤炭、石油消耗量的历史数据进行分析，能够提高区域煤炭和石油需求量预测值的准确性。
附图说明
31.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
32.图1是本发明某一实施例提供的能源需求预测方法的流程示意图；
33.图2是本发明某一实施例提供的能源需求预测系统的结构示意图；
34.图3是本发明某一实施例提供的计算机终端设备的结构示意图。
具体实施方式
35.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
36.应当理解，文中所使用的步骤编号仅是为了方便描述，不作为对步骤执行先后顺序的限定。
37.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
38.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
39.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
40.请参阅图1，图1是本发明某一实施例提供的能源需求预测方法的流程示意图。本发明实施例提供一种能源需求预测方法，用于分析区域煤炭和石油的需求量预测值，包括以下步骤：
41.s110，根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗
量模糊聚类中心矩阵；其中，所述区域历史煤炭消耗量数据包括工业煤炭消耗量、商业煤炭消耗量、交通煤炭消耗量和居民生活煤炭消耗量；
42.s120，根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵；其中，所述区域历史石油消耗量数据包括工业石油消耗量、商业石油消耗量、交通石油消耗量和居民生活石油消耗量；
43.s130，将所述区域历史煤炭消耗量数据和所述区域历史石油消耗量数据输入深度置信网络进行特征训练，得到能源需求量预测值。
44.在本发明实施例中，所述根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵，包括：
45.根据区域历史煤炭消耗量数据，计算区域内不同用户煤炭消耗量按照正态分布规律变化的概率、均值和方差，得到区域历史煤炭消耗量特征信息；
46.根据所述区域历史煤炭消耗量特征信息，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵。
47.在本发明实施例中，所述根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵，还包括：
48.采用模糊聚类分析的方法，对所述区域历史煤炭消耗量数据进行迭代计算，得到区域用户煤炭消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
49.在本发明实施例中，所述根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵，包括：
50.根据区域历史石油消耗量数据，计算区域内不同用户是石油消耗量按照正态分布规律变化的概率、均值和方差，得到区域历史石油消耗量特征信息；
51.根据所述区域历史石油消耗量特征信息，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵。
52.在本发明实施例中，所述根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵，包括：
53.采用模糊聚类分析的方法，对所述区域历史石油消耗量数据进行迭代计算，得到区域用户石油消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
54.在某一具体实施例中，从工业、商业、交通和居民生活历史数据库获取第i个区域n年工业、商业、交通和居民生活煤炭消耗量的数据，构建第k年第i个区域工业、商业、交通和居民生活煤炭消耗量历史数据矩阵：
[0055][0056]
其中，为第k年第i个区域工业、商业、交通和居民生活煤炭消耗量历史数据矩阵，i＝1,2,...,nr,j＝1,2,...,n
ei
，k＝1,2,...,n,nr为能源区域的数量,nei为第i个区域能源用户的数量,n
ii
、n
ci
、n
ti
、n
ri
分别为第i个区域中工业、商业、交通和居民生活煤炭用户
的数量，n为能源分析年的数量；为第i个区域中第k年第j个工业用户煤炭消耗量历史数据向量，k＝1,2,...,n,n为能源分析年的数量；为第i个区域中第k年第j个商业用户煤炭消耗量历史数据向量；为第i个区域中第k年第j个交通用户煤炭消耗量历史数据向量；为第i个区域中第k年第j个居民生活用户煤炭消耗量历史数据向量。
[0057]
在第i个区域中第k年第j个工业、商业、交通和居民生活用户煤炭消耗量分别用如下矩阵表示：
[0058][0059][0060][0061][0062]
其中，为第i个区域中第j个工业用户第k年煤炭消耗量；为第i个区域中第j个商业用户第k年煤炭消耗量；为第i个区域中第j个交通用户第k年煤炭消耗量；为第i个区域中第j个居民生活用户第k年煤炭消耗量。
[0063]
第i个区域煤炭消耗量历史数据矩阵为：
[0064][0065]
其中，ci为第i个区域煤炭消耗量历史数据矩阵，i＝1,2,...,nr,nr为能源区域的数量；为第i个区域中第k年工业用户煤炭消耗量历史数据向量，k＝1,2,...,n,n为能源分析年的数量；为第i个区域中第k年商业用户煤炭消耗量历史数据向量；为第i个区域中第k年交通用户煤炭消耗量历史数据向量；为第i个区域中第k年居民生活用户煤炭消耗量历史数据向量。
[0066]
在某一具体实施例中，采用模糊聚类分析的方法，构建煤炭消耗量数据集的模糊聚类中心矩阵：ca＝{c
a1
,c
a2
,c
a3
},(a＝1,2,3,4)，c
a1
、c
a2
、c
a3
分别为煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵。
[0067]
设定煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵的初始值。
[0068]
第i个区域工业、商业、交通和居民生活用户煤炭消耗量最小值的多年平均值为c
xii
、c
xci
、c
xti
、c
xri
：
[0069]
[0070][0071][0072][0073]
其中，min()为取式中数据序列的最小值。
[0074]
第i个区域工业、商业、交通和居民生活用户煤炭消耗量平均值的多年平均值为c
aii
、c
aci
、c
ati
、c
ari
：
[0075][0076][0077][0078][0079]
其中，ave()为取式中数据序列的平均值。
[0080]
第i个区域工业、商业、交通和居民生活用户煤炭消耗量最大值的多年平均值为c
dii
、c
dci
、c
dti
、c
dri
：
[0081][0082][0083][0084][0085]
其中，max()为取式中数据序列的最大值。
[0086]
第i个区域工业、商业、交通和居民生活用户煤炭消耗量的最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
[0087][0088][0089][0090]
其中，
[0091][0092][0093][0094]
煤炭消耗量数据集的模糊聚类中心矩阵的初始值为
[0095]
采用模糊聚类分析的方法，通过迭代计算方式，确定模糊c-均值聚类矩阵的最优值，确定第i个区域工业、商业、交通和居民生活用户煤炭消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0096]
针对第i个区域工业、商业、交通和居民生活用户煤炭消耗量，模糊c-均值聚类矩阵的最优值为：
[0097][0098]
利用第i个区域工业、商业、交通和居民生活用户煤炭消耗量的最小量、平均量、最大量的多年平均值数据，采用模糊聚类的方法，计算用户煤炭消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
[0099][0100]
其中，c
oxii1
、c
oaii2
、c
odii3
分别为第i个区域工业用户煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值，c
oxci1
、c
oaci2
、c
odci3
分别为第i个区域商业用户煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值，c
oxti1
、c
oati2
、c
odti3
分别为第i个区域交通用户煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值,c
oxri1
、c
oari2
、c
odri3
分别为第i个区域居民生活用户煤炭消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0101]
从工业、商业、交通和居民生活历史数据库获取第i个区域n年工业、商业、交通和居民生活用户石油消耗量等的数据，通过处理、计算和分析，构建第k年第i个区域工业、商业、交通和居民生活石油消耗量历史数据矩阵：
[0102][0103]
其中，为第k年第i个区域工业、商业、交通和居民生活石油消耗量历史数据矩阵，i＝1,2,...,nr,j＝1,2,...,n
ei
，k＝1,2,...,n,nr为能源区域的数量,n
ii
、n
ci
、n
ti
、n
ri
分别为第i个区域中工业、商业、交通和居民生活石油用户的数量，n为能源分析年的数量；为第i个区域中第k年第j个工业用户石油消耗量历史数据向量，k＝1,2,...,n,n为能源分析年的数量；为第i个区域中第k年第j个商业用户石油消耗量历史数据向量；为第i个区域中第k年第j个交通用户石油消耗量历史数据向量；为第i个区域中第k年第j个居民生活用户石油消耗量历史数据向量。
[0104]
在第i个区域中第k年第j个工业、商业、交通和居民生活用户石油消耗量分别用如下矩阵表示：
[0105][0106][0107][0108][0109]
其中，为第i个区域中第j个工业用户第k年石油消耗量；为第i个区域中第j个商业用户第k年石油消耗量；为第i个区域中第j个交通用户第k年石油消耗量；为第i个区域中第j个居民生活用户第k年石油消耗量。
[0110]
第i个区域石油消耗量历史数据矩阵为：
[0111][0112]
其中，oi为第i个区域石油消耗量历史数据矩阵，i＝1,2,...,nr,nr为能源区域的数量；为第i个区域中第k年工业用户石油消耗量历史数据向量，k＝1,2,...,n,n为能源分析年的数量；为第i个区域中第k年商业用户石油消耗量历史数据向量；为第i个区域中第k年交通用户石油消耗量历史数据向量；为第i个区域中第k年居民生活用户石油消耗量历史数据向量。
[0113]
在某一具体实施例中，采用模糊聚类分析的方法，构建石油消耗量数据集的模糊
聚类中心矩阵：oa＝{o
a1
,o
a2
,o
a3
},(a＝1,2,3,4)，o
a1
、o
a2
和o
a3
分别为石油消耗量最小量、平均量、最大量模糊聚类中心矩阵。
[0114]
在本发明实施例中，为了对石油消耗量模糊聚类中心矩阵进行初始化。设定石油消耗量最小量、平均量、最大量模糊聚类中心矩阵的初始值。第i个区域工业、商业、交通和居民生活用户石油消耗量最小值的多年平均值为o
xii
、o
xci
、o
xti
、o
xri
：
[0115][0116][0117][0118][0119]
第i个区域工业、商业、交通和居民生活用户石油消耗量平均值的多年平均值为o
aii
、o
aci
、o
ati
、o
ari
：
[0120][0121][0122][0123][0124]
第i个区域工业、商业、交通和居民生活用户石油消耗量最大值的多年平均值为o
dii
、o
dci
、o
dti
、o
dri
：
[0125][0126][0127][0128][0129]
第i个区域工业、商业、交通和居民生活用户石油消耗量的最小量、平均量、最大量模糊聚类中心矩阵的初始值分别为：
[0130]
[0131][0132][0133]
其中，
[0134][0135][0136][0137]
其中，石油消耗量数据集的模糊聚类中心矩阵的初始值为
[0138]
在本发明实施例中，对最优模糊聚类矩阵和最优模糊聚类中心矩阵进行迭代计算，采用模糊聚类分析的方法，通过迭代计算方式，确定模糊c-均值聚类矩阵的最优值，确定第i个区域工业、商业、交通和居民生活用户石油消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0139]
针对第i个区域工业、商业、交通和居民生活用户石油消耗量，模糊c-均值聚类矩阵的最优值为：
[0140][0141]
第i个区域工业、商业、交通和居民生活用户石油消耗量的最小量、平均量、最大量的多年平均值数据，采用模糊聚类的方法，计算用户石油消耗量的最小量、平均量、最大量模糊聚类中心矩阵的最优值为：
[0142][0143]
其中，o
oxii1
、o
oaii2
、o
odii3
分别为第i个区域工业用户石油消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值，o
oxci1
、o
oaci2
、o
odci3
分别为第i个区域商业用户石油消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值，o
oxti1
、o
oati2
、o
odti3
分别为第i个区域交通用户石油消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值,o
oxri1
、o
oari2
、o
odri3
分别为第i个区域居民生活用户石油消耗量最小量、平均量、最大量模糊聚类中心矩阵的最优值。
[0144]
在本发明实施例中，利用煤炭和石油消耗量数据，计算第k年第i个区域中第j(j＝1,2,...,n
ei
)个工业、商业、交通和居民生活碳排放量，其计算式分别为：
[0145][0146][0147][0148][0149][0150]
其中，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个工业、商业、交通和居民生活用户因煤炭消耗而形成的碳排放量，工业、商业、交通和居民生活用户因煤炭消耗而形成的碳排放量，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个工业、商业、交通和居民生活用户因石油消耗而形成的碳排放量，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个工业用户单位煤炭和石油消耗量的碳排放量，业用户单位煤炭和石油消耗量的碳排放量，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个商业用户单位煤炭和石油消耗量的碳排放量，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个交通用户单位煤炭和石油消耗量的碳排放量，分别为第k年第i个区域中第j(j＝1,2,...,n
ei
)个居民生活用户单位煤炭和石油消耗量的碳排放量。
[0151]
针对从相关机构获取的煤炭和石油消耗量等用户用能数据，采用概率分析的方法，计算并确定第k年第i个区域中第j(j＝1,2,...,n
ii
)个工业用户煤炭、石油消耗量按照正态分布规律变化的概率和均值：和确定第k年第i个区域中第j(j＝1,2,...,n
ci
)个商业用户煤炭、石油消耗量按照正态分布规律变化的和均值：和确定第k年第i个区域中第j(j＝1,2,...,n
ti
)个交通用户煤炭、石油消耗量按照正态分布规律变化的和均值：和和确定第k年第i个区域中第j(j＝1,2,...,n
ri
)个居民生活用户煤炭、石油消耗量按照正态分布规律变化的和均值：
和确定第k年第i个区域中第j(j＝1,2,...,n
ii
)个工业用户因煤炭、石油消耗而形成碳排放按照正态分布规律变化的和均值：和确定第k年第i个区域中第j(j＝1,2,...,n
ci
)个商业用户因煤炭、石油消耗而形成碳排放按照正态分布规律变化的和均值：和确定第k年第i个区域中第j(j＝1,2,...,n
ti
)个交通用户因煤炭、石油消耗而形成碳排放按照正态分布规律变化的和均值：和确定第k年第i个区域中第j(j＝1,2,...,n
ri
)个居民生活用户因煤炭、石油消耗而形成碳排放按照正态分布规律变化的和均值：油消耗而形成碳排放按照正态分布规律变化的和均值：和计算并确定第k年第i个区域中煤炭、石油消耗量按照正态分布规律变化的和均值：和计算并确定第k年所有区域煤炭、石油总的消耗量按照正态分布规律变化的和均值：和
[0152]
在本发明实施例中，所述深度置信网络的构建过程包括：构建一个输入层、三个隐藏层和一个输出层的网络结构模型；利用受限玻尔兹曼机在无监督情况下，对所述网络结构模型进行训练，得到输入变量之间的协同关系特性。
[0153]
所述利用受限玻尔兹曼机在无监督情况下，对所述网络结构模型进行训练，得到输入变量之间的协同关系特性，包括：根据所述受限玻尔兹曼机的连接权重系数向量和偏置系数向量，得到最大对数似然函数、隐藏单元概率和可见单元概率。
[0154]
在某一具体实施例中，利用煤炭和石油消耗量的历史数据，采用深度置信网络，对区域煤炭、石油需求量进行预测。
[0155]
由1个输入层、3个隐藏层和1个输出层构成深度置信网络。输入层表征区域能源需求量、生产总值和能效的输入数据接入与排序关系。设置3个受限玻尔兹曼机rbm1、rbm2、rbm3，受限玻尔兹曼机rbm1表征区域煤炭和石油消耗量的输入数据x与第一隐藏层h1之间的连接关系，受限玻尔兹曼机rbm2表征第一隐藏层h1与第二隐藏层h2之间的连接关系，受限玻尔兹曼机rbm3表征第二隐藏层h2与第三隐藏层h3之间的连接关系。输出层表征区域煤炭和石油需求量预测值与排序关系。
[0156]
深度信念网络利用受限玻尔兹曼机在无监督情况下对区域煤炭和石油需求量与碳排放之间的关联、制约和协同关系特性进行学习训练，确定区域内煤炭和石油需求量之间关联、制约和协同关系特征值，确定区域之间煤炭和石油需求量关联、制约和协同关系特征值，确定区域内煤炭和石油需求量与碳排放之间关联、制约和协同关系特征值，确定区域之间煤炭和石油需求量与碳排放的关联、制约和协同关系特征值；利用softmax分类器，确定区域在未来年份的煤炭和石油需求量并输出。
[0157]
输入层的输入数据x为：
[0158][0159]
其中，x为深度置信网络输入层的输入数据矩阵。ni为输入层的输入数据的数量，为第k年第i个区域煤炭和石油消耗量历史数据矩阵。
[0160]
考虑第i个区域中第k年第j个工业、商业、交通和居民生活用户煤炭、石油消耗量及碳排放量数据，数学表示为：
[0161]
[0162][0163]
输出层的输出数据y为：
[0164][0165]
其中，y为深度置信网络输出层的输出数据矩阵。y
ik
为第k年第i个区域煤炭和石油需求量预测数据矩阵，其数学表示为：
[0166][0167]
其中，分别为第k年第i个区域第j个能源用户煤炭、石油需求量预测值。
[0168]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的隐藏单元向量h
l
为：：
[0169][0170][0171]
其中，h
l
为第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的隐藏单元向量，为第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
中与第k年第i个区域相关的隐藏单元向量元素，其数学表
示为：
[0172][0173]
为了优化深度置信网络，构建最大对数似然函数，考虑受限玻尔兹曼机rbm的连接权重系数向量ω、偏置系数向量a和b，得到参数θ＝{ω,a,b}，其中：
[0174]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的连接权重系数向量ω为：
[0175][0176]
其中，(l)为与第k年第i个区域相关的第l级受限玻尔兹曼机rbm
l
的连接权重系数向量，其数学表示为：
[0177][0178]
其中，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗相关的第l级受限玻尔兹曼机rbm
l
的连接权重系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗相关的第l级受限玻尔兹曼机rbm
l
的连接权重系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的连接权重系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的连接权重系数。
[0179]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的可见单元偏置系数向量a为：
[0180][0181]
其中，为与第k年第i个区域相关的第l级受限玻尔兹曼机rbm
l
的可见单元偏
置系数a向量，其数学表示为：
[0182][0183]
其中，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗相关的第l级受限玻尔兹曼机rbm
l
的可见单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗相关的第l级受限玻尔兹曼机rbm
l
的可见单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的可见单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的可见单元偏置系数。
[0184]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的隐藏单元偏置系数向量b为：
[0185][0186]
其中，为与第k年第i个区域相关的第l级受限玻尔兹曼机rbm
l
的隐藏单元偏置系数b向量，其数学表示为：
[0187][0188]
其中，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗相关的第l级受限玻尔兹曼机rbm
l
的隐藏单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗相关的第l级受限玻尔兹曼机rbm
l
的隐藏单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户煤炭消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的隐藏单元偏置系数，分别为与第k年第i个第j个工业、商业、交通和居民生活用户石油消耗所形成碳排放相关的第l级受限玻尔兹曼机rbm
l
的隐藏单元偏置系数。
[0189]
构造最大对数似然函数：
[0190][0191][0192][0193]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的隐藏单元概率按照下式计算：
[0194][0195]
其中，σ为激活函数，σ＝(1 e-x
)-1
。
[0196]
第l级(l＝1,2,3)受限玻尔兹曼机rbm
l
的可见单元概率按照下式计算：
[0197]
在受限玻尔兹曼机rbm中，采用学习率对连接权重和偏置系数进行更新，采用协同率对能效进行更新。在这种更新原则下，受限玻尔兹曼机rbm与第k年第i个区域第j个能源用户煤炭、石油需求相关的连接权重系数的更新计算式如下：
[0198][0199][0200]
[0201]
其中，分别为与第k年第i个区域第j个能源用户煤炭需求相关的连接权重系数的学习率，分别为与第k年第i个区域第j个能源用户石油需求相关的连接权重系数的学习率，个能源用户石油需求相关的连接权重系数的学习率，分别为与第k年第i个区域第j个能源用户煤炭需求相关的连接权重系数的碳排放调控率，分别为与第k年第i个区域第j个能源用户石油需求相关的连接权重系数的碳排放调控率。
[0202]
受限玻尔兹曼机rbm与第k年第i个区域第j个能源用户煤炭、石油需求相关的可见单元偏置系数的更新计算式如下：
[0203][0204][0205][0206]
其中，分别为与第k年第i个区域第j个能源用户煤炭需求相关的可见单元偏置系数的学习率，分别为与第k年第i个区域第j个能源用户石油需求相关的可见单元偏置系数的学习率，分别为与第k年第i个区域第j个能源用户煤炭需求相关的可见单元偏置系数的碳排放调控率，分别为与第k年第i个区域第j个能源用户石油需求相关的可见单元偏置系数的碳排放调控率。
[0207]
受限玻尔兹曼机rbm与第k年第i个区域第j个能源用户煤炭、石油需求相关的隐藏单元偏置系数的更新计算式如下：
[0208][0209][0210][0211]
其中，分别为与第k年第i个区域第j个能源用户煤炭需求相关的可见单元偏置系数的学习率，分别为与第k年第i个区域第j个能源用户石油需求相关的可见单元偏置系数的学习率，分别为与第k年第i个区域第j个能源用户煤炭需求相关的可见单元偏置系数的碳排放调控率，分别为与第k年第i个区域第j个能源用户石油需求相关的可见单元偏置系数的碳排放调控率。
[0212]
第三隐藏层h3与输出层构成线性神经网络，将dbn提取的特征向量作为输入，通过线性激活函数处理得到能源需求的预测值。
[0213]
利用第三隐藏层h3中更新的连接权重和偏置系数，可以得到第k年第i个区域第j个能源用户煤炭需求量的预测值：
[0214][0215]
得到第k年第i个区域第j个能源用户石油需求量的预测值：
[0216][0217]
得到第k年第i个区域煤炭、石油需求量的预测值：
[0218][0219][0220]
利用本发明所提出的考虑碳排放协同调控的能源需求预测方法，阐明用户碳排放的交互制约和协同关系对能源需求量的影响，确定区域内煤炭、石油需求量之间关联、制约和协同关系特征值，确定区域之间煤炭、石油需求量关联、制约和协同关系特征值，确定区域内煤炭、石油需求量与碳排放之间关联、制约和协同关系特征值，确定区域之间煤炭、石油需求量与碳排放的关联、制约和协同关系特征值，准确预测区域能源需求量，为可持续高效用能提供理论指导，为区域能源的高效协同利用提供必要的技术支撑。
[0221]
请参阅图2，图2是本发明某一实施例提供的能源需求预测系统的结构示意图。本发明实施例提供的一种能源需求预测系统，用于分析区域煤炭和石油的需求量预测值，包括：
[0222]
煤炭消耗分析模块210，用于根据区域历史煤炭消耗量数据，构建煤炭消耗量历史数据矩阵和煤炭消耗量模糊聚类中心矩阵；其中，所述区域历史煤炭消耗量数据包括工业煤炭消耗量、商业煤炭消耗量、交通煤炭消耗量和居民生活煤炭消耗量；
[0223]
石油消耗分析模块220，用于根据区域历史石油消耗量数据，构建石油消耗量历史数据矩阵和石油消耗量模糊聚类中心矩阵；其中，所述区域历史石油消耗量数据包括工业石油消耗量、商业石油消耗量、交通石油消耗量和居民生活石油消耗量；
[0224]
特征训练模块230，用于将所述区域历史煤炭消耗量数据和所述区域历史石油消耗量数据输入深度置信网络进行特征训练，得到能源需求量预测值。
[0225]
关于能源需求预测系统的具体限定可以参见上文中对于能源需求预测方法的限定，在此不再赘述。上述能源需求预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0226]
请参阅图3，本发明实施例提供一种计算机终端设备，包括一个或多个处理器和存储器。存储器与所述处理器耦接，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任意一个实施例中的能源
需求预测方法。
[0227]
处理器用于控制该计算机终端设备的整体操作，以完成上述的能源需求预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该计算机终端设备的操作，这些数据例如可以包括用于在该计算机终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read-only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read-only memory，简称eprom)，可编程只读存储器(programmable read-only memory，简称prom)，只读存储器(read-only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0228]
在一示例性实施例中，计算机终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述的能源需求预测方法，并达到如上述方法一致的技术效果。
[0229]
在另一示例性实施例中，还提供了一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现上述任意一个实施例中的能源需求预测方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由计算机终端设备的处理器执行以完成上述的能源需求预测方法，并达到如上述方法一致的技术效果。
[0230]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。