数据预测方法和装置制造方法及图纸

本申请提供一种数据预测方法和装置，该方法包括：获取样本数据；样本数据包括N个不同时期的历史数据；根据样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值；SAQPSO根据当前迭代周期的随机数、当前迭代周期的退火温度，确定是否更新SAQPSO中的粒子在下一迭代周期对应的调控参数值和惩罚参数值；最佳调控参数值和最佳惩罚参数值为预测误差最小的支持向量机SVM模型所使用的调控参数值和惩罚参数值；将最佳调控参数值和最佳惩罚参数值输入SVM模型，得到优化后的SVM模型；根据样本数据，采用优化后的SVM模型，计算预测数据。本申请能够提高预测的年度电力负荷的准确性。

【技术实现步骤摘要】
数据预测方法和装置
本申请涉及计算机技术，尤其涉及一种数据预测方法和装置。
技术介绍
电力负荷预测是通过历史电力负荷数据，预测未来电力负荷。电力负荷预测是制定发电计划和输电方案的主要依据，对合理安排机组启停、确定燃料供应计划、进行能量交易等具有重要意义。由于电力系统突变性强，且电能不便于存储，所以电力系统的发电必须紧跟系统负荷的变化，以保持动态平衡。因此，电力负荷预测的精度直接影响到电力系统运行的安全性、经济性以及供电质量。目前，电力负荷预测主要预测的是年度电力负荷。即，通过历史年度负荷数据预测未来一年的总电力负荷。现有技术中，一些学者和从业者提出了许多方法来预测年度电力负荷，例如：单耗法、趋势外推法、弹性系数法、回归分析法、时间序列法、灰色模型法、德尔菲法以及专家系统法等。然而，由于这些方法的非线性拟合能力较差，使得这些预测方法难以实现较高的预测精度，降低了预测年度电力负荷的准确性，导致预测的年度电力负荷的无法满足实际使用时的需求。因此，如何准确的预测年度电力负荷是一个亟待解决的问题。
技术实现思路
本申请提供一种数据预测方法和装置，用于解决现有技术中预测的年度电力负荷的准确性较低的技术问题。本申请第一方面提供一种数据预测方法，该方法包括：获取样本数据；所述样本数据包括N个不同时期的历史数据，所述N为大于或等于1的正整数；根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值；其中，所述SAQPSO根据当前迭代周期的随机数、当前迭代周期的退火温度，确定是否更新所述SAQPSO中的粒子在下一迭代周期对应的调控参数值和惩罚参数值；所述最佳调控参数值和所述最佳惩罚参数值为预测误差最小的支持向量机SVM模型所使用的调控参数值和惩罚参数值；将所述最佳调控参数值和所述最佳惩罚参数值输入所述SVM模型，得到优化后的SVM模型；根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。通过第一方面提供的数据预测方法，在获取到包括N个不同时期的历史数据的样本数据之后，可以根据该样本数据，采用SAQPSO计算影响SVM模型预测精度的最佳调控参数值和最佳惩罚参数值，以得到预测精度较高的SVM模型，从而可以根据样本数据，采用预测精度较高的SVM模型得到预测精度较高的预测数据。因此，在通过这种方式预测年度电力负荷时，能够提高预测的年度电力负荷的准确性。在一种可能的设计中，所述根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值，包括：根据所述样本数据，获取至少一组训练数据和所述至少一组训练数据中的每组训练数据对应的测试数据；根据所述至少一组训练数据、所述每组训练数据对应的测试数据，以及，预设的所述SAQPSO的退火温度取值范围、随机数取值范围、至少一个粒子中的每个粒子对应的调控参数值和惩罚参数值，通过所述SAQPSO计算所述最佳调控参数值和所述最佳惩罚参数值。通过该可能的设计提供的数据预测方法，可以得到更加准确的最佳调控参数值和最佳惩罚参数值，进而基于该最佳调控参数值和最佳惩罚参数值所得到的优化后的SVM模型的预测精度较高。在一种可能的设计中，所述根据所述至少一组训练数据、所述每组训练数据对应的测试数据、以及，预设的所述SAQPSO的退火温度取值范围、随机数取值范围、至少一个粒子中的每个粒子对应的调控参数值和惩罚参数值，通过所述SAQPSO计算所述最佳调控参数值和所述最佳惩罚参数值，包括：A、在迭代周期t，将所述每个粒子对应的调控参数值和惩罚参数值输入所述SVM模型，得到所述每个粒子对应的SVM模型；其中，所述迭代周期t用于指示所述SAQPSO的第t迭代周期，所述t为大于等于1的正整数；B、将所述至少一组训练数据中的每组训练数据分别输入所述每个粒子对应的SVM模型，得到与所述每个粒子相对应的预测数据；C、根据所述每组训练数据对应的测试数据、所述每个粒子对应的预测数据，计算所述每个粒子在迭代周期t的适应度值；其中，所述适应度值为所述每组训练数据对应的测试数据与一个粒子对应的预测数据的均方根误差；D、若所述每个粒子的适应度值均大于所述预设的适应度值、且所述迭代周期t小于预设的最大迭代周期，则计算所述每个粒子在迭代周期t的适应度变化值Δ；否则，执行F；其中，所述Δ为同一粒子在迭代周期t的适应度值与所述同一粒子在上一迭代周期t-1的适应度值之差；E、若所述至少一个粒子中存在待更新粒子，则更新所述待更新粒子对应的调控参数值和惩罚参数值，并进入所述下一迭代周期，返回执行所述A；若所述至少一个粒子中不存在所述待更新粒子，则进入所述下一迭代周期，返回执行所述A；其中，所述待更新粒子为Δ小于0，或，大于迭代周期t的随机数λ的粒子；所述迭代周期t的退火温度T为上一迭代周期的退火温度T与上一迭代周期的随机数λ的乘积；F、将所述迭代周期t中适应度值最小的粒子对应的调控参数值和惩罚参数值，作为所述SVM模型的最佳调控参数值和最佳惩罚参数值。在一种可能的设计中，所述根据所述样本数据，获取至少一组训练数据和所述至少一组训练数据中的每组训练数据对应的测试数据，包括：对所述样本数据中的N个不同时期的历史数据进行归一化处理，获得归一化处理后的N个不同时期的历史数据；从所述归一化处理后的N个不同时期的历史数据中，将至少一个节点时期中的每个节点时期之前的m个时期所对应的归一化处理后的历史数据，作为一组训练数据，并将所述每个节点时期对应的归一化处理后的历史数据作为所述一组训练数据对应的测试数据；其中，所述节点时期为所述N个不同时期中的一个时期。通过该可能的设计提供的数据预测方法，可以将样本数据中不同数量级大小的数据转变成相同数量级的数据，以便于数据的处理和计算，提高了预测效率。在一种可能的设计中，所述根据所述样本数据，采用所述优化后的SVM模型，计算预测数据，包括：根据所述归一化处理后的N个不同时期的历史数据，采用所述优化后的SVM模型，计算归一化的预测数据；对所述归一化的预测数据进行反归一化处理，得到所述预测数据。在一种可能的设计中，所述获取样本数据，包括：获取N个不同时期的实际历史数据；对所述N个不同时期的实际历史数据中的错误数据进行纠正，得到所述N个不同时期的历史数据；将所述N个不同时期的历史数据作为所述样本数据。通过该可能的设计提供的数据预测方法，可以确保样本数据中的数据的连贯性，进而可以确保基于该样本数据所计算到的预测数据的准确性。在一种可能的设计中，所述样本数据包括N个不同时期的历史电力负荷数据。本申请第二方面提供一种数据预测装置，该装置包括：第一获取模块，用于获取样本数据；所述样本数据包括N个不同时期的历史数据，所述N为大于或等于1的正整数；第一计算模块，用于根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值；其中，所述SAQPSO根据当前迭代周期的随机数、当前迭代周期的退火温度，确定是否更新所述SAQPSO中的粒子在下一迭代周期对应的调控参数值和惩罚参数值；所述最佳调控参数值和所述最佳惩罚参数值为预测误差最小的支持向量机SVM模型所使用的调控参数值和惩罚参数值；第二获取模块，用于将所述最佳调控参数值和所述最佳惩罚参本文档来自技高网...

【技术保护点】
1.一种数据预测方法，其特征在于，包括：获取样本数据；所述样本数据包括N个不同时期的历史数据，所述N为大于或等于1的正整数；根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值；其中，所述SAQPSO根据当前迭代周期的随机数、当前迭代周期的退火温度，确定是否更新所述SAQPSO中的粒子在下一迭代周期对应的调控参数值和惩罚参数值；所述最佳调控参数值和所述最佳惩罚参数值为预测误差最小的支持向量机SVM模型所使用的调控参数值和惩罚参数值；将所述最佳调控参数值和所述最佳惩罚参数值输入所述SVM模型，得到优化后的SVM模型；根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。

【技术特征摘要】
1.一种数据预测方法，其特征在于，包括：获取样本数据；所述样本数据包括N个不同时期的历史数据，所述N为大于或等于1的正整数；根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值；其中，所述SAQPSO根据当前迭代周期的随机数、当前迭代周期的退火温度，确定是否更新所述SAQPSO中的粒子在下一迭代周期对应的调控参数值和惩罚参数值；所述最佳调控参数值和所述最佳惩罚参数值为预测误差最小的支持向量机SVM模型所使用的调控参数值和惩罚参数值；将所述最佳调控参数值和所述最佳惩罚参数值输入所述SVM模型，得到优化后的SVM模型；根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。2.根据权利要求1所述的方法，其特征在于，所述根据所述样本数据，采用模拟退火量子粒子群优化算法SAQPSO计算最佳调控参数值和最佳惩罚参数值，包括：根据所述样本数据，获取至少一组训练数据和所述至少一组训练数据中的每组训练数据对应的测试数据；根据所述至少一组训练数据、所述每组训练数据对应的测试数据，以及，预设的所述SAQPSO的退火温度取值范围、随机数取值范围、至少一个粒子中的每个粒子对应的调控参数值和惩罚参数值，通过所述SAQPSO计算所述最佳调控参数值和所述最佳惩罚参数值。3.根据权利要求2所述的方法，其特征在于，所述根据所述至少一组训练数据、所述每组训练数据对应的测试数据、以及，预设的所述SAQPSO的退火温度取值范围、随机数取值范围、至少一个粒子中的每个粒子对应的调控参数值和惩罚参数值，通过所述SAQPSO计算所述最佳调控参数值和所述最佳惩罚参数值，包括：A、在迭代周期t，将所述每个粒子对应的调控参数值和惩罚参数值输入所述SVM模型，得到所述每个粒子对应的SVM模型；其中，所述迭代周期t用于指示所述SAQPSO的第t迭代周期，所述t为大于等于1的正整数；B、将所述至少一组训练数据中的每组训练数据分别输入所述每个粒子对应的SVM模型，得到与所述每个粒子相对应的预测数据；C、根据所述每组训练数据对应的测试数据、所述每个粒子对应的预测数据，计算所述每个粒子在迭代周期t的适应度值；其中，所述适应度值为所述每组训练数据对应的测试数据与一个粒子对应的预测数据的均方根误差；D、若所述每个粒子的适应度值均大于所述预设的适应度值、且所述迭代周期t小于预设的最大迭代周期，则计算所述每个粒子在迭代周期t的适应度变化值Δ；否则，执行F；其中，所述Δ为同一粒子在迭代周期t的适应度值与所述同一粒子在上一迭代周期t-1的适应度值之差；E、若所述至少一个粒子中存在待更新粒子，则更新所述待更新粒子对应的调控参数值和惩罚参数值，并进入所述下一迭代周期，返回执行所述A；若所述至少一个粒子中不存在所述待更新粒子，则进入所述下一迭代周期，返回执行所述A；其中，所述待更新粒子为Δ小于0，或，大于迭代周期t的随机数λ的粒子；所述迭代周期t的退火温度T为上一迭代周期的退火温度T与上一迭代周期的随机数λ的乘积；F、将所述迭代周期t中适应度值最小的粒子对应的调控参数值和惩罚参数值，作为所述SVM模型的最佳调控参数值和最佳惩罚参数值。4.根据权利要求2所述的方法，其特征在于，所述根据所述样本数据，获取至少一组训练数据和所述至少一组训练数据中的每组训练数据对应的测试数据，包括：对所述样本数据中的N个不同时期的历史数据进行归一化处理，获得归一化处理后的N个不同时期的历史数据；从所述归一化处理后的N个不同时期的历史数据中，将至少一个节点时期中的每个节点时期之前的m个时期所对应的归一化处理后的历史数据，作为一组训练数据，并将所述每个节点时期对应的归一化处理后的历史数据作为所述一组训练数据对应的测试数据；其中，所述节点时期为所述N个不同时期中的一个时期。5.根据权利要求4所述的方法，其特征在于，所述根据所述样本数据，采用所述优化后的SVM模型，计算预测数据，包括：根据所述归一化处理后的N个不同时期的历史数据，采用所述优化后的SVM模型，计算归一化的预测数据；对所述归一化的预测数据进行反归一化处理，得到所述预测数据。6.根据权利要求1-5任一项所述的方法，其特征在于，所述获取样本数据，包括：获取N个不同时期的实际历史数据；对所述N个不同时期的实际历史数据中的错误数据进行纠正，得到所述N个不同时期的历史数据；将所述N个不同时期的历史数据作为所述样本数据。7.根据权利要求1-6任一项所述的方法，其特征在于，所述样本数...

【专利技术属性】
技术研发人员：温世平，任光华，薛希俊，
申请(专利权)人：华为技术有限公司，华中科技大学，
类型：发明
国别省市：广东,44