新能源与高效节能

本申请公开了一种基于灰色关联分析下的遗传算法优化反向传播神经网络区间需水预测方法。该方法首先利用灰色关联分析方法对原始数据进行处理，找出校园用水的主要因素；然后选用BP神经网络作为预测算法，采用遗传算法对BP神经网络进行优化，得到状态最优的BP神经网络进行预测；再通过输出的点的预测值和实际值的残差来寻找最优的预测区间上下界，可以准确地预测用水量在未来时段的波动范围。与传统BP预测方法相比，本申请的需水预测方法更加有效，精确度更高。

目前需水预测中采用的方法都具有一定的局限性。由于实际的需水预测涉及到人口、经济、社会政策、生态等各方面因素,单一地采用一些数学手段只能反映出一些平稳的几何增长过程,所以预测结果会与实际用水量有差别。而且当前大多采用的预测方法都属于点预测，其缺点是无法确定预测结果可能的波动范围。由于需水预测中蕴含了各种不确定因素，使得决策工作必然面临一定程度的不确定性。

使用河北工程大学的校园用水数据对本发明所提灰色关联分析(Gray Correlation Analysis)‑遗传算法(Genetic Algorithm)‑BP神经网络(BP neural network)(GRA‑GA‑BP)方法的有效性进行了仿真验证，求出点的预测值，然后通过输出的点的预测值和实际值的残差来寻找最优的预测区间上下限。得出的结果显示，预测的数据和实际数据基本吻合，点预测值基本落入了预测区间内。与传统BP预测方法进行对比，结果显示本发明的需水预测方法更加有效，精确度更高。而且为了衡量预测区间是否可靠准确，本方法引入了预测区间覆盖率(PICP)、预测区间平均带宽指标(PINAW)和宽度范围组合指标(CWC)，用于说明本发明区间预测方法的可行性，可用于描述未来预测结果的可能范围。