[发明专利]基于CSO优化DBN模型的电力业扩项目时长预测方法

说明书

本发明涉及一种基于CSO优化DBN模型的电力业扩项目时长预测方法，包括：根据项目费用的分布，确定待预测项目的目标DBN预测模型；将待预测项目数据输入至训练好的目标DBN预测模型中，得到待预测的项目时长；训练DBN预测模型包括：根据历史项目费用将电力业扩历史项目分类得到四个项目的费用区间；动态选择每个费用区间的历史数据，建立对应类别的DBN预测模型；根据DCCSO对DBN预测模型的初始权值优化，得到目标初始权值；对DBN预测模型的目标初始权值进行微调，得到训练好的DBN预测模型。本申请在训练的早期利用DCCSO优化DBN预测模型的权值并通过联合初始权值的正则项作为目标适应度函数，通过优化后的DBN模型对业扩时长进行预测，能够快速得到精确的业扩时长。

技术领域

本发明涉及电力技术管理技术领域，尤其涉及一种基于CSO优化DBN模型的电力业扩项目时长的预测方法。

背景技术

电力业扩项目即电力业务拓展报装，是供电企业营销和配电网管理的一项重要工作。随着经济的高速增长，业扩报装项目也越来越多，我国已经充分认识到电力领域在扩建和安装过程中存在的问题。

目前，业务拓展的过程相对单一，模式相对固定。就分销网络产业扩张的问题而言，目前涉及环节广泛，流程相对机械化。电力业扩项目时长计划就尤为重要，时长估计不准确，则报装效率低，影响业扩项目的进程。

发明内容

基于此，本发明提供了一种基于CSO优化DBN模型的电力业扩项目时长的预测方法和装置。本申请为加速模型收敛，在训练的早期利用动态混沌纵横交叉算法优化DBN预测模型的权值和阈值。同时，通过构造多指标共同作用并联合初始权值的正则项作为目标适应度函数，以避免优化过程中模型泛化性问题的出现。通过优化后的DBN模型对业扩时长进行预测，能够快速得到精确的业扩时长。

根据本申请的一些实施例的第一方面，提供了一种基于CSO优化DBN模型的电力业扩项目时长预测方法，该方法包括以下步骤：

获取待预测项目的项目费用和项目工程量；

根据所述项目费用的分布，确定所述待预测项目的目标DBN预测模型；

将所述待预测项目的项目费用和项目工程量输入至训练好的所述目标DBN预测模型中，得到待预测的项目时长；

其中，所述DBN预测模型的训练方法如下：

获取电力业扩历史项目的历史数据并剔除异常数据，所述历史数据包括历史项目费用、历史项目工程量、历史项目时长；

根据所述历史项目费用的分布，通过四分位数将所述电力业扩历史项目分类，得到四个项目的费用区间；

动态选择每个所述费用区间的历史项目的历史数据作为训练集，以所述历史项目费用和历史项目工程量作为输入，以所述历史项目时长作为目标输出，基于所述训练集建立对应类别的DBN预测模型，得到四个DBN预测模型；

根据DCCSO对所述DBN预测模型的初始权值进行优化，得到目标初始权值，其中所述DCCSO为改进的混沌纵横交叉算法；

对所述DBN预测模型的目标初始权值进行自上而下的微调，得到训练好的DBN预测模型。

进一步地，基于所述训练集建立对应类别的DBN预测模型，包括：

利用无监督贪婪学习算法逐层训练所述DBN预测模型中每个受限玻尔兹曼机RBM；

将预处理后的所述历史数据的特征信息逐层传递，实现所述DBN预测模型的参数的初始化，确定初始的连接权重和神经元偏置。

进一步地，利用无监督贪婪学习算法逐层训练所述DBN预测模型中每个受限玻尔兹曼机RBM，包括：