1.一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，包括：采集所在区域N年的历史能源影响数据和历史能源成本数据；N为大于1的自然数；

对所述历史能源影响数据进行预处理，得到标准能源影响数据，并构建标准能源影响数据集；

所述标准能源影响数据集和所述历史能源成本数据建立能源成本影响关联度矩阵；

建立历史能源影响差异矩阵 ；其中， 表示所述历史能源影响差异矩阵中第N‑1行第K列的差异值； 的计算公式为：；其中， 表示为第N条历史能源影响数据中第K个能源成本影响指标；

初始化能源影响变化向量 ；其中， 表示为第K个能源成本影响指标的变化值， ；

根据所述能源成本影响关联度矩阵和所述能源影响变化向量构建未来能源影响数据生成模型，获取未来能源影响数据；

利用所述标准能源影响数据集训练能源成本模型，计算损失值，优化模型；

输入所述未来能源影响数据至所述能源成本模型，得到未来能源预测成本；

将所述标准能源影响数据、所述历史能源成本与历史的能源发展政策特征向量相结合，得出能源需求特征权重矩阵；

所述能源需求特征权重矩阵采用能源需求特征工程分析模型；

其中，所述能源需求特征工程分析模型的具体实现过程包括：构建能源需求特征权重矩阵；其中，所述能源需求特征权重矩阵表示为：；其中， 表示为第i年所述标准能源影响数据、所述历史能源成本数据与历史的能源发展政策特征向量组成的向量；

标准化所述能源需求特征权重矩阵，得到标准化能源需求特征权重矩阵；

建立能源需求特征分析函数；其中，所述能源需求特征分析函数的表达式为：；

其中， 表示为t时刻的能源需求特征分析函数； 表示能源需求特征观测结果； 表示为时间特征分析函数；

所述 的计算公式为：

；

其中， 表示为能源需求特征权重矩阵；A表示为混合矩阵；

所述时间特征分析函数的公式为：

；

其中， 表示为所述时间特征分析函数的参数； 表示为误差项；

输入所述未来能源影响数据、所述未来能源预测成本和未来的能源发展政策特征向量至能源需求预测模型；

所述能源需求预测模型的具体实现步骤包括：步骤一：根据所述标准能源影响数据集、所述历史能源成本数据和历史的能源发展政策特征向量确定所述能源需求预测模型结构；

步骤二：获取所述能源需求特征权重矩阵作为所述能源需求预测模型的初始化权重参数；

步骤三：根据能源需求优化粒子群算法，初始化粒子的速度、位置、个体极值和全局极值；

步骤四：选择适应度函数，评估每个粒子的适应值，得到初始化粒子适应值集合；

步骤五：对所述初始化粒子适应值集合的每个元素进行评估；若当前适应值优于局部最优解，步骤六：将局部最优解进行更新；若当前适应值优于全局最优解，将全局最优解进行更新；

步骤七：重新计算粒子的速度和速度，并进行变异操作；

步骤八：判断迭代次数小于预设值，返回步骤四；

步骤九：将得到的最优值分配给模型进行训练和学习；

输出未来能源需求预测结果。

2.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述能源影响数据包括：能源总量、能源使用量、气候环境、地理特征、人口数量、经济收入、能源污染度和能源价格。

3.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述预处理包括：对所述能源影响数据进行数据清洗，得到第一能源影响数据；其中，所述数据清洗将所述能源影响数据中存在的缺失值、异常值和错误值进行处理；对所述第一能源影响数据进行时间序列处理，得到第二能源影响数据；其中，所述时间序列处理包括：按照日期分解、按照季节性调整和按照趋势分析；所述第二能源影响数据经标准化和归一化处理，得到第三能源影响数据；对所述第二能源影响数据进行独热编码，得到所述标准能源影响数据。

4.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述能源成本影响关联度矩阵表示为：；

其中，EPICM表示为所述能源成本影响关联度矩阵； 表示为第1条历史能源影响数据中第K个能源成本影响指标； 表示为第1条历史能源影响数据中第M类能源成本；

表示为第N条历史能源影响数据中第M类能源成本。

5.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述损失值的计算公式为：；

其中，N表示为历史能源影响数据总条数；M表示为能源总类别数数； 表示为预测第m类能源成本； 表示为实际第m类能源成本。

6.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述能源成本模型具体实现包括：将 N年的所述历史能源成本数据进行归一化处理，得到归一化历史能源成本数据；

根据所述归一化历史能源成本数据进行聚类，得到C个聚类集合；其中，C是大于1的自然数；

对C个所述聚类集合构建C个相关能源数据差异矩阵；其中，所述相关能源数据差异矩阵表示为： ；其中， 表示为第i个聚类集合相关能源数据差异矩阵； 表示为第i个聚类集合中第Q条数据关于第K个因素的差异值；

根据所述聚类集合，建立能源成本影响因素转移矩阵；其中，所述能源成本影响因素转移矩阵表示为： ；其中， 表示为第i个聚类集合的能源成本影响因素转移矩阵； 表示为第i个聚类集合中第1个能源影响因素与第K个能源影响因素的转移概率值；

所述能源成本影响因素转移矩阵的约束条件为： ；

根据所述能源成本影响因素转移矩阵，更新影响因素权重向量；其中，所述影响因素权重向量的更新公式为：；

其中， 表示为第i个聚类集合在t时刻的成本影响因素权重向量； 表示为t时刻下的修正项；

建立能源成本预测函数；其中，所述能源成本预测函数的公式为：；

其中， 表示为第i个聚类集合的能源成本预测函数； 表示为第M类能源的基础成本； 表示为非线性成本预测函数部分；B表示为所述能源成本预测函数的偏置；

其中，所述偏置的更新公式为： ； 表示为修正参数；

最小化所述能源成本预测函数；其中，最小化过程为：；

其中，T表示为最大迭代训练轮数； 表示为所述能源成本预测函数在第t轮关于第m类能源预测结果；

将所述未来能源影响数据与所述聚类集合进行聚类；得到聚类结果；

将未来能源影响数据输入至对应聚类集合的能源成本预测函数，得到所述未来能源预测成本。

7.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述能源发展政策特征的获取具体过程包括：获取所在地区发布的相关能源发展政策文件；

提取所述相关能源发展政策文件中能源相关内容；

其中，所述能源相关内容包括：能源状况信息、能源规划信息、环境影响信息、经济波动信息和能源扶持信息；

对所述能源相关内容采用特征工程方法，获取所述能源发展政策特征向量。

8.根据权利要求1所述的一种基于ICA算法优化PSO‑BP神经网络模型的能源需求预测方法，其特征在于，所述能源需求优化粒子群算法的具体过程包括：设置E个粒子群；其中，E为大于1的自然数；

初始化粒的位置集合和速度集合；其中，所述位置集合表示为 ；

表示为第i个粒子群中第D个粒子的位置；所述速度集合表示为 ；

表示为第i个粒子群中第D个粒子的速度；

更新粒子的所述位置集合和所述速度集合；其中，更新公式为：；

；

其中， 表示为k+1次迭代后第i个粒子群中第D个粒子的速度； 表示为k次迭代时第i个粒子群中第D个粒子的速度； 表示为k次迭代时第i个粒子群中第D个粒子的位置； 和 表示为非负常数的学习因子； 表示为第i个粒子群中第D个粒子的局部最优值； 表示为第D个粒子的全局最优值； 表示为k次迭代时 的随机数； 表示为惯性权重系数； 表示为k+1次迭代后第i个粒子群中第D个粒子的位置；

其中，所述惯性权重系数的计算公式为：

；

其中，t表示为迭代次数； 表示为惯性权重系数的最大值； 表示为惯性权重系数的最小值； 表示为最大迭代次数；d表示为初始搜索后的初始惯性权重。