The invention discloses a method for predicting BP and PSO based on the data structure of a periodic change inertia factor formula to quickly adapt to the periodic change of the particle position and determine the inertia factor, and another kind of inertia factor dynamic change formula, operating using evolution reaction of PSO particles in a numerical iteration the evolution reflects on the speed in the degree of polymerization degree, numerical reflects the characteristics of agglomeration, through two dynamic variables that make PSO particles in a dynamic update status, together to adjust the inertia factor. The mixed strategy of changing inertia factor takes full account of the inevitable oscillation and divergence characteristics of PSO and BP, and constantly modifies the numerical value of inertia factor, which can greatly improve the prediction accuracy and convergence speed. The application also discloses a data prediction system, a device and a computer readable storage medium based on BP and PSO, which have the beneficial effect.
【技术实现步骤摘要】
基于BP和PSO的数据预测方法、系统及相关装置
本申请涉及数据预测
,特别涉及一种基于BP和PSO的数据预测方法、系统、装置及计算机可读存储介质。
技术介绍
负荷预测是电力系统经济调度中的一项重要内容,是能量管理系统(EMS)的一个重要模块。电力系统负荷预测是指在充分考虑系统运行特性、增容决策、自然条件与社会影响等条件下,研究并利用一套系统处理过去与未来负荷的数学方法,在满足一定精度要求的基础上,预测未来特定时刻的负荷数值。提高负荷预测技术水平,有利于计划用电管理,有利于合理安排电网运行方式和机组检修计划,有利于节煤、节油和降低发电成本,有利于制定合理的电网建设规划,有利于提高电力系统的经济效益和社会效益。为了实现能源供需信息的实时匹配和智能化响应,形成“人工智能+电力系统”的新模式,因此,群体智能与人工神经网络的优化混合预测模型得到广泛应用。在现有技术当中,存在基于PSO(ParticleSwarmOptimization,粒子群优化算法)和BP(BackPropagation,神经网络)的短期电力负荷预测方法。此种方法虽然可以得到较好的网络结构和一般化的种群,但是种群规模还是避免不了PSO和BP本身的缺陷,依然会产生振荡和发散现象,也就是说依然是在非最佳种群中寻找最佳效果。同时当振荡和发散或者遇到特殊值时,依然采用平均值的方式来计算,舍弃了参数的特殊性,实际预测效果不好。所以,如何针对上述短期电力负荷预测方法存在的缺陷,提供一种充分考虑到振荡和发散现象进而随之改变的数据预测机制是本领域技术人员亟待解决的问题。
技术实现思路
本申请的目的是提供一种基于 ...
【技术保护点】
一种基于BP和PSO的数据预测方法,其特征在于,包括:S1:执行PSO参数初始化操作,并利用训练样本集确定BP的网络结构;其中,所述PSO参数包括PSO粒子群的速度和位置;S2:将得到的PSO参数代入所述网络结构,计算得到所述PSO粒子群的全局最优值;S3:判断是否达到最大迭代次数或最优值误差是否小于预定误差;其中,所述最优值误差由所述全局最优值计算得到;S4:若未达到所述最大迭代次数或所述最优值误差不小于所述预定误差,判断当前迭代次数是否为首次;S5:若所述当前迭代次数为首次,则利用预设的惯性因子周期改变公式对初始惯性因子进行修正,得到消除振荡后惯性因子,并利用所述消除振荡后惯性因子更新所述PSO粒子群的速度和位置,且在更新完成后跳转至S2;S6:若所述当前迭代次数为非首次,则利用预设的惯性因子动态改变公式对所述消除振荡后惯性因子进行修改,得到消除发散后惯性因子,并利用所述消除发散后惯性因子更新所述PSO粒子群的速度和位置,且在更新完成后跳转至S2;S7:若达到所述最大迭代次数或所述最优值误差小于所述预定误差,则输出所述网络结构下的最终权值和最终阈值,以利用所述最终权值和所述最终阈值 ...
【技术特征摘要】
1.一种基于BP和PSO的数据预测方法,其特征在于,包括:S1:执行PSO参数初始化操作,并利用训练样本集确定BP的网络结构;其中,所述PSO参数包括PSO粒子群的速度和位置;S2:将得到的PSO参数代入所述网络结构,计算得到所述PSO粒子群的全局最优值;S3:判断是否达到最大迭代次数或最优值误差是否小于预定误差;其中,所述最优值误差由所述全局最优值计算得到;S4:若未达到所述最大迭代次数或所述最优值误差不小于所述预定误差,判断当前迭代次数是否为首次;S5:若所述当前迭代次数为首次,则利用预设的惯性因子周期改变公式对初始惯性因子进行修正,得到消除振荡后惯性因子,并利用所述消除振荡后惯性因子更新所述PSO粒子群的速度和位置,且在更新完成后跳转至S2;S6:若所述当前迭代次数为非首次,则利用预设的惯性因子动态改变公式对所述消除振荡后惯性因子进行修改,得到消除发散后惯性因子,并利用所述消除发散后惯性因子更新所述PSO粒子群的速度和位置,且在更新完成后跳转至S2;S7:若达到所述最大迭代次数或所述最优值误差小于所述预定误差,则输出所述网络结构下的最终权值和最终阈值,以利用所述最终权值和所述最终阈值完成数据预测。2.根据权利要求1所述的数据预测方法,其特征在于,所述利用训练样本集确定BP的网络结构,包括:对所述训练样本集中的原始数据进行垂直预处理,以剔除异常数据,得到有效训练数据;对影响所述网络结构的特征数据进行量化和归一化处理,得到处理后数据;将所述处理后数据带入所述惯性因子周期改变公式和惯性因子动态改变公式进行优化处理,得到所述网络结构。3.根据权利要求2所述的数据预测方法,其特征在于,将得到的PSO参数代入所述网络结构,计算得到所述PSO粒子群的全局最优值,包括:利用所述网络结构和适应度函数计算得到所述PSO粒子群中每个PSO粒子的适应度值;将所述适应度值通过最优值模型得到所述PSO粒子群的全局最优值。4.根据权利要求1至3任一项所述的数据预测方法,其特征在于,则利用预设的惯性因子周期改变公式对初始惯性因子进行修正,得到消除振荡后惯性因子,包括:将执行所述PSO参数初始化操作后得到的已知参数Wmin、Wmax、T、t带入所述惯性因子周期改变公式中,计算得到所述消除振荡后惯性因子的数值W1;其中,所述T为PSO最大迭代次数、Wmax为惯性因子初始最大值、Wmin为惯性因子初始最小值、t为当前实际迭代次数。5.根据权利要求4所述的数据预测方法,其特征在于,利用预设的惯性因子动态改变公式对所述消除振荡后惯性因子进行修改,得到消除发散后惯性因子,包括:将每次迭代得到的全局最优值设定为Gbest、局部最优值设定为Pbest;利用进化度公式进行运算,得到第t次迭代的进化度数值e;其中,所述t的取值范围为t>1的正整数...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。