差分进化算法优化BP神经网络的能源需求预测研究-管理科学与工程专业论文.docxVIP

独创性声明 本人声明所呈交的学位论文是我个人在导师指导下进行的研究工作及取得的 研究成果。尽我所知，除文中已经标明引用的内容外，本论文不包含任何其他个人 或集体已经发表或撰写过的研究成果。对本文的研究做出贡献的个人和集体，均已 在文中以明确方式标明。本人完全意识到，本声明的法律结果由本人承担。 学位论文作者签名： 日期： 年 月 日 学位论文版权使用授权书 本学位论文作者完全了解学校有关保留、使用学位论文的规定，即：学校有权 保留并向国家有关部门或机构送交论文的复印件和电子版，允许论文被查阅和借阅。 本人授权华中科技大学可以将本学位论文的全部或部分内容编入有关数据库进行 检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。 本论文 保密□，在 年解密后适用本授权书。 不保密□。 （请在以上方框内打―√‖） 学位论文作者签名： 指导教师签名： 日期： 年 月 日 日期： 年 月 日 华 华 中 科 技 大 学 硕 士 学 位 论 文 I I 摘 要 能源是人类生产和生活必备的物质之一，可靠的能源需求预测能为能源企业发 展战略的规划和国家能源相关政策的制定提供决策支持，因此，尽可能地提高预测 准确率对能源企业或国家将会是很有意义的。根据所使用的数据，能源需求预测类 型主要有两种，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因素的历史数据，如国内生产总值 (gross domestic product，GDP)，人口数量，进出口额等因素，建立基于多因素影响的预测 模型。本文主要对智能预测方法中的 BP 神经网络(Back Propagation Neural Network， BPNN)进行优化并对以上两种类型的能源需求预测问题进行建模预测。 首先，针对 BPNN 的学习算法随机初始化网络的连接权值和阈值从而易使模型 陷入局部极小点的缺点，设计了一种自适应差分进化算法(Differential Evolution algorithm，DE)优化 BPNN 的两阶段混合算法(ADE-BPNN)。该混合算法中，第一 阶段是采用自适应变异因子的差分进化算法预寻优 BPNN 的初始权值和阈值，第二 阶段是将第一阶段得到的最优权值和阈值作为 BPNN 的初始权值和阈值，BPNN 继 续深度寻优得到最终的权值和阈值，预测模型由此确立。然后，选取具有非线性特 点的单因素时间序列电力消耗预测对比算例，将本文设计的 ADE-BPNN 与最常用 的时间序列预测模型(如自回归移动平均模型)、标准的 BPNN 预测模型及其他预测 模型的预测结果进行对比分析，验证了 ADE-BPNN 对单因素时间序列预测问题的 适用性和高预测性能，并比较分析得出 ADE-BPNN 在预测精度上有显著性改善。 最后，将 ADE-BPNN 应用于多因素影响的能源需求预测问题，对比算例与拓展算 例证实了 ADE-BPNN 在预测精度上优于多元线性回归模型、标准 BPNN 预测模型 及其他预测模型。并对中国未来的能源消耗总量进行了预测，预测结果可为国家或 能源企业制定未来能源供给计划或相关政策提供一定的决策支持。 关键词：能源需求 BP 神经网络 差分进化算法 单因素时间序列预测 多因素时间序列预测 II II Abstract Energy is one of indispensable substances in human production and life. Reliable energy demand forecasting can provide decision support for energy enterprise planning development strategy, and establishment a national energy policy. Therefore, it is valuable and meaningful to enhance the energy demand forecasting accuracy. Based on the data used, there are two main types of energy demand forecasting problem. One is that only the historical energy demand data is used to establish the prediction model, namely the time series prediction problem. The other is that the historical data of factors, which