[發明專利]基于BP和PSO的數據預測方法、系統及相關裝置

有效

• 申請號: 201711091557.0
• 申請日: 2017-11-08
• 公開（公告）號: CN107871157B
• 公開（公告）日: 2020-06-09
• 發明（設計）人: 王偉;黃開勝
• 申請（專利權）人: 廣東工業大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/08
• 代理公司: 北京集佳知識產權代理有限公司 11227
• 代理人: 羅滿

本申請公開了一種基于BP和PSO的數據預測方法，構造了一種慣性因子周期改變公式，以快速適應周期變化的粒子位置并確定慣性因子的大小，以及另一種慣性因子動態改變公式，利用進化度數值反應PSO粒子在上一迭代周期內的運行狀況，反映了在速度上進化的程度，同時利用聚合度數值反映了聚散性的特點，通過兩個動態變量使得PSO粒子處于動態更新狀態，共同對慣性因子進行調整。采用混合改變慣性因子的雙策略，充分考慮到PSO和BP不可避免的振蕩和發散特性，不斷修改慣性因子的數值，可以極大的提高預測精度和收斂速度。本申請還同時公開了一種基于BP和PSO的數據預測系統、裝置及計算機可讀存儲介質，具有上述有益效果。

技術領域

本申請涉及數據預測技術領域，特別涉及一種基于BP和PSO的數據預測方法、系統、裝置及計算機可讀存儲介質。

背景技術

負荷預測是電力系統經濟調度中的一項重要內容，是能量管理系統(EMS)的一個重要模塊。電力系統負荷預測是指在充分考慮系統運行特性、增容決策、自然條件與社會影響等條件下，研究并利用一套系統處理過去與未來負荷的數學方法，在滿足一定精度要求的基礎上，預測未來特定時刻的負荷數值。提高負荷預測技術水平，有利于計劃用電管理，有利于合理安排電網運行方式和機組檢修計劃，有利于節煤、節油和降低發電成本，有利于制定合理的電網建設規劃，有利于提高電力系統的經濟效益和社會效益。為了實現能源供需信息的實時匹配和智能化響應，形成“人工智能+電力系統”的新模式，因此，群體智能與人工神經網絡的優化混合預測模型得到廣泛應用。

在現有技術當中，存在基于PSO(Particle SwarmOptimization，粒子群優化算法)和BP(Back Propagation，神經網絡)的短期電力負荷預測方法。此種方法雖然可以得到較好的網絡結構和一般化的種群，但是種群規模還是避免不了PSO和BP本身的缺陷，依然會產生振蕩和發散現象，也就是說依然是在非最佳種群中尋找最佳效果。同時當振蕩和發散或者遇到特殊值時，依然采用平均值的方式來計算，舍棄了參數的特殊性，實際預測效果不好。

所以，如何針對上述短期電力負荷預測方法存在的缺陷，提供一種充分考慮到振蕩和發散現象進而隨之改變的數據預測機制是本領域技術人員亟待解決的問題。

發明內容

本申請的目的是提供一種基于BP和PSO的數據預測方法，其采用混合改變慣性因子的雙策略，充分考慮到PSO和BP不可避免的振蕩和發散特性，隨之不斷改變數據預測過程中慣性因子的數值，使其處于動態更新狀態，可以極大的提高預測精度和收斂速度。

本申請的另一目的為提供一種基于BP和PSO的數據預測系統、裝置及計算機可讀存儲介質。

為實現上述目的，本申請提供一種基于BP和PSO的數據預測方法，該數據預測方法包括：

S1：執行PSO參數初始化操作，并利用訓練樣本集確定BP的網絡結構；其中，所述PSO參數包括PSO粒子群的速度和位置；

S2：將得到的PSO參數代入所述網絡結構，計算得到所述PSO粒子群的全局最優值；

S3：判斷是否達到最大迭代次數或最優值誤差是否小于預定誤差；其中，所述最優值誤差由所述全局最優值計算得到；

S4：若未達到所述最大迭代次數或所述最優值誤差不小于所述預定誤差，判斷當前迭代次數是否為首次；

S5：若所述當前迭代次數為首次，則利用預設的慣性因子周期改變公式對初始慣性因子進行修正，得到消除振蕩后慣性因子，并利用所述消除振蕩后慣性因子更新所述PSO粒子群的速度和位置，且在更新完成后跳轉至S2；

S6：若所述當前迭代次數為非首次，則利用預設的慣性因子動態改變公式對所述消除振蕩后慣性因子進行修改，得到消除發散后慣性因子，并利用所述消除發散后慣性因子更新所述PSO粒子群的速度和位置，且在更新完成后跳轉至S2；