买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：中电(甘肃)能源投资有限公司

摘要：本发明公开了一种电力营销风险预测优化方法，属于数据预测领域，包括：S1、将影响电力营销风险预测的数据进行预处理；S2、利用“相对收敛”策略模型作为狭义相对论搜索算法在局部收敛阶段的位置更新数学模型，改进狭义相对论搜索算法的位置更新策略；S3、利用粒子位置的适应度值变化量、当前迭代粒子速度及最佳适应度值改进狭义相对论搜索算法的粒子寻优权重因子，优化位置更新数学模型；S4、使用改进的狭义相对论搜索算法优化LSTM模型的隐藏层节点数s和初始学习率α参数，得到βSRS‑LSTM模型；S5、将预处理后的数据作为βSRS‑LSTM模型的输入，利用所述模型对数据进行处理，提高电力营销风险预测结果准确度。

主权项：1.一种电力营销风险预测优化方法，其特征在于，具体步骤为：S1、将影响电力营销风险预测的历史电力营销数据、市场因素数据、社会因素数据、电力系统数据进行预处理；其中，历史电力营销数据包括电力销售量、电力销售收入、电力用户数量；其中，市场因素数据包括市场份额值，竞争对手价格值；其中，社会因素数据包括区域人口密度；其中，电力系统数据包括发电量、负荷需求量；S2、利用“相对收敛”策略模型作为狭义相对论搜索算法在局部收敛阶段的位置更新数学模型，改进狭义相对论搜索算法的位置更新策略，所述“相对收敛”策略模型以狭义相对论搜索算法全局最佳粒子位置为中心，根据粒子当前位置相对于当前迭代最佳粒子位置的距离和粒子种群平均位置与的差值更新粒子新的位置；S3、利用适应度值的变化量和当前迭代粒子速度以及最佳适应度值改进狭义相对论搜索算法的粒子寻优权重因子，进一步改进狭义相对论搜索算法的位置更新数学模型；S4、利用改进的狭义相对论搜索算法整定LSTM模型的隐藏层节点数s和初始学习率α参数，得到βSRS-LSTM模型；S5、将S1预处理后的数据作为βSRS-LSTM模型输入，利用所述βSRS-LSTM模型对所述预处理后的数据处理，输出电力营销风险预测数据值；其中，S2中“相对收敛”策略模型数学公式为： （1）；式（1）中，为第次迭代第个粒子第维的位置，为第次迭代第个粒子第维的位置，即粒子当前位置，为全局最佳粒子位置，为莱维分布函数，为问题维度，为第次迭代粒子种群平均位置，为第次迭代最佳粒子位置，为和的欧拉距离；S3中对粒子寻优权重因子改进的具体步骤为：S31、按照在全局搜索阶段，粒子寻优权重因子较大，以增强全局搜索能力；全局搜索和局部收敛平衡阶段，粒子寻优权重因子逐渐减小，平衡全局搜索和局部收敛；局部收敛阶段，粒子寻优权重因子较小，以增强局部收敛能力，按照公式（2）设计粒子寻优权重因子的分段非线性自适应数学模型； （2）；式（2）中，为粒子寻优权重因子的最大值，取值为1，为粒子寻优权重因子的最小值，取值为0.01，、为控制非线性衰减速度的参数，为全局搜索阶段的迭代次数，取值为，为平衡阶段的迭代次数，取值为，为局部收敛阶段的迭代次数，取值为；为当前迭代次数，为第次迭代第个粒子平衡因子，数学模型为： （3）；式（3）中，为第次迭代第个粒子位置的适应度值，为第次迭代粒子位置最大适应度值，为第次迭代粒子位置最小适应度值；S32、利用适应度值的变化量和当前迭代粒子速度以及历史最佳适应度值完成对粒子寻优权重因子的改进，改进后的粒子寻优权重因子数学模型为： （4）；式（4）中，为改进后的粒子寻优权重因子，为适应度函数值的调整系数，取值为0.5，为粒子速度的调整系数，取值为0.2，为适应度值的变化量，即当前粒子的适应度与历史最佳适应度之差，为一个很小的值，取值为0.01，为当前所有粒子速度的最大值。

全文数据：

权利要求：

百度查询： 中电(甘肃)能源投资有限公司 一种电力营销风险预测优化方法