(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111623985.X (22)申请日 2021.12.2 2 (71)申请人 西安石油大 学 地址 710065 陕西省西安市雁塔区电子二 路18号 (72)发明人 肖荣鸽　刘博　 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/00(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于GRA-ABC-BPNN的城市燃气日负荷 预测方法 (57)摘要 基于GRA‑ABC‑BP神经网络的城市燃气日负 荷预测方法， 对影 响城市燃气日负荷的因素进行 归纳、 量化 分析； 采用GRA(灰色关联分析法)剔除 关联性较小的影响因素， 确定BP神经网络输入的 变量， 从而确定BP神经网络的拓朴结构； 在使用 ABC(人工蜂群算 法)优化BP神经网络的初始 权值 和阈值时， 先确定种群大小、 各蜂种的比例、 最大 迭代次数和放弃限制参数； 通过ABC算法得出最 优初始权值和阈值； 以某市实际数据为研究实例 进行燃气日负荷预测， 得出预测结果进而研究该 方法的准确性与可行性。 本发明方法从两个方面 对燃气负荷预测问题进行深入研究， 一是对诸多 影响因素的筛选研究， 二是对BP神经网络 预测模 型的优化研究。 在提高输入神经网络数据的质量 的同时， 优化了BP神经网络固有缺陷。 实例研究 结果显示， 该方法预测精度非常高， 平均绝对百 分比误差低至0.5528％， 完全可以满足工业需求。 权利要求书1页 说明书5页 附图3页 CN 114399093 A 2022.04.26 CN 114399093 A 1.本权利 要求所述的基于GRA ‑ABC‑BP神经网络预测城市燃气日负荷的方法， 其特点是 预测结果的准确性高， 全自动的预测与误差分析， 对相关数据的分析处 理较为妥善 。 2.本权利要求所述的灰色关联分析法能够对复杂的城市燃气日负荷影响因素进行有 效的筛选， 是降低神经网络复杂程度、 提升 燃气负荷预测运 算速率的有力工具。 3.本权利要求所述的人工蜂群算法优化BP神经网络结构部分， 主要包括： 随机产生初 始种群； 确定各蜂种的比例； 蜜源初始化； 计算适应度值； 记录目前为止的最优值并在当前 蜜源邻域内展开搜索； 根据蜜源情况， 跟随蜂按一定的概率选择雇佣蜂； 雇佣蜂搜索阶段； 完成给定的迭代次数， 记录最优解。 此解即为BP神经网络的最优初始权值与阈值。 4.本权利要求所述的人工蜂群算法对BP神经网络的优化部分， 其特征是： 通过模拟蜂 群的智能采蜜 行为， 来寻找问题的最优解。 该算法具有调节 参数少， 对初始模型依赖程度低 和全局寻优能力强等特点， 其特有的贪婪启发式搜索功能使得寻优过程中收敛速度增快， 具有良好的全局搜索性能， 较好的克服了BP算法局部最优的缺陷。 同时对BP神经网络初始 权值和阈值的优化效果较好， 进一 步提高了BP神经网络的计算精度。 其主 要步骤是： 步骤1： 根据筛 选出来的燃气日负荷影响因子搭建相应的BP神经网络； 步骤2： 初始化ABC算法的参数； 步骤3： 通过BP神经网络计算 误差值并由误差计算 适应度值； 步骤4： 雇佣蜂在邻域内通过贪婪选择法寻找适应度值较高的解， 即当前最优权值和阈 值； 步骤5： 跟随蜂通过轮 盘赌的方式选择 是否跟随雇佣蜂， 跟随之后同步骤4； 步骤6： 若雇佣蜂在极限值之内未 更新解时， 雇佣蜂变成侦察蜂并按步骤5继续 寻优； 步骤7： 重复迭代达 到最大循环次数或取 得最优解时， 则寻优结束； 步骤8： ABC算法找到的最优解即BP神经网络的最优初始权值和阈值。 此时人工蜂群算法对BP神经网络的优化部分结束， 用于城市燃气日负荷预测的GRA ‑ ABC‑BP神经网络 评价模型完成建立。权　利　要　求　书 1/1 页 2 CN 114399093 A 2一种基于GRA ‑ABC‑BPNN的城市燃 气日负荷预测方 法 技术领域 [0001]本发明涉及一种基于GRA(灰色关联分析) ‑ABC(人工蜂群算法) ‑BP神经网络模型 的城市燃气日负荷预测方法， 从而对某一城市下一日的燃气负荷进行预测， 进而指导城市 燃气输配工作。 背景技术 [0002]燃气日负荷预测可为城市燃气规划、 设计提供依据。 精准预测城市燃气 日负荷有 利于城市燃气资源高效合理地配置， 也有利于管网维护、 减少能源损耗和降低经 营成本等。 [0003]近几年随着智能算法的发展， 越来越多的组合模型被应用到燃气负荷预测领域。 何方舟等人提出的差分进化极限学习机  (Differential  Evolution ‑Extreme Learning   Machine， DE ‑ELM)模型将差分进化算法引入极限学习机， 证明该算法能实现快速确定最优 的输入层到隐含层的连接权值和阈值， 提高神经网络的鲁棒性和预测精度。 李军提出 的基 于遗传算法优化小波神经网络模型(Genetic  Algorithm ‑Wavelet Neural Network， GA ‑ WNN)通过GA  对WNN的阈值以及网络连接权值等参数进行优化， 从而提高了  WNN模型的预测 精度。 刘金源等人利用主成分分析法从8 个影响燃气负荷的因素中提取出3个贡献率较大的 影响因素， 作为灰色BP神经网络模型(GM ‑BPNN)的输入， 建立了优于单一灰色模型、 优化灰 色模型、 单一BP神经网络模型和优化BP神经网络模型的PCA ‑GM‑BPNN燃气负荷预测模型。 余 凤等人建立了混沌遗传算法(Chaos  Genetic Algorithm)优化的小波神经网络(Wavelet Neural Network， WNN)预测模型， 并将该模型用于燃气短期负荷预测， 结果表明此模型具有 更好的非线性拟合能力和更高的预测精度。 WU  W Q等人建立了一种新型的灰色伯努利模 型 (Grey Bernoulli  Model)， 该模型中， 非线性参数是由基于线性化形式的粒子群优化算法 (Particle  Swarm Optimization， PSO)确定的， 通过考虑三种数值情况， 从而验证了该模型 的有效性。 [0004]通过对之前学者研究成果的学习， 综合所研究成果的优缺点， 可以得出： BP神经 网 络模型对于解决复杂非线性问题具有较好的效果， 但是仍存在学习效率低、 收敛速度 慢、 随 机初始化权值和阈值和容易陷入局部极小状态等问题。 因此也会导致预测精度差、 预测结 果不稳定、 学习时间长等问题。 为了解决这些问题， 研究者提出了一种利用人工蜂群算法优 化BP神经网络的优化模型来对 城市燃气日负荷进行 预测。 发明内容 [0005]本发明的目的是提供基于GRA(灰色关联分析) ‑ABC(人工蜂群算法) ‑BP神经网络 模型的城市燃气日负荷预测方法， 通过 大量机器学习， 对 城市燃气日负荷进行在线预测。 [0006]本发明先对影响城市燃气负荷的11个影响因素： 前一日用气量、 当日最高气温、 当 日平均气温、 当日最低气温、 前一日最高气温、 前一日平均气温、 前一日最低气温、 当日天气 类型、 供暖情况、 日期类型和空气质量指数， 利用GRA进 行关联性分析， 剔除个别关联性过低 的影响因素， 将剩 余因素导入经ABC算法优化的  BP神经网络， 经反复训练、 学习， 形成稳定说　明　书 1/5 页 3 CN 114399093 A 3