一种时间周期可变的煤价预测方法及系统技术方案

本发明专利技术提供了一种时间周期可变的煤价预测方法及系统，所述方法包括：将预处理后的煤炭价格历史数据输入预先建立和训练好的煤价预测模型，得到未来若干天的煤价；所述煤价预测模型采用BP神经网络，通过设置遗传算法参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练。本发明专利技术采用合理的参数设置使用BP神经网络和遗传算法结合，能够预测未来一段时间内不同时间周期的煤炭价格变动趋势。一段时间内不同时间周期的煤炭价格变动趋势。一段时间内不同时间周期的煤炭价格变动趋势。

【技术实现步骤摘要】
一种时间周期可变的煤价预测方法及系统


[0001]本专利技术属于价格预测领域，具体涉及一种时间周期可变的煤价预测方法及系统。

技术介绍

[0002]火电厂在采购煤炭时，除了考虑发电等实际需求，还需要考虑煤炭价格波动的影响，需要根据煤炭价格变化增加采购量或者减少采购量，未来一段时间的煤炭价格变动对于煤炭的采购有重要的影响。
[0003]传统的神经网络预测方法大都使用单一输出，预测某一天的煤炭价格或者某一个月的平均煤炭价格，而且传统的神经网络容易陷入局部最优问题，采购者无法了解未来一段时间内的煤炭价格变动取值。因此，需要提供一种能够预测未来一段时间内煤炭价格变动趋势的方法，以满足火电厂的采购需求。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中采用神经网络预测方法使用单一输出，且容易陷入局部最优问题的缺陷。
[0005]为了实现上述目的，本专利技术提出了一种时间周期可变的煤价预测方法，所述方法包括：
[0006]将预处理后的煤炭价格历史数据输入预先建立和训练好的煤价预测模型，得到未来若干天的煤价；
[0007]所述煤价预测模型采用BP神经网络，通过设置遗传算法参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练。
[0008]作为上述方法的一种改进，所述预处理包括：
[0009]收集煤炭价格的历史数据，将数据进行预处理，去除异常数据，对缺失数据进行补充，得到处理后的煤炭价格历史数据。
[0010]作为上述方法的一种改进，所述训练集比例取值范围50％～100％，所述验证集比例取值范围0％～50％，且两者之和为100％。
[0011]作为上述方法的一种改进，所述设置BP神经网络参数包括：
[0012]输入层节点个数取值范围2～90，输出层节点个数取值范围2～90，隐含层数取值范围1～3；
[0013]隐含层节点个数为其中，m为输入层节点个数，n为输出层节点个数，a为1～10之间的整数；
[0014]训练次数取值范围100～10000，学习速率取值范围0.01～0.1，训练目标最小误差取值范围0.00001～0.0001。
[0015]作为上述方法的一种改进，所述设置遗传算法参数包括：
[0016]进化代数取值范围10～50，种群规模取值范围1～100，交叉概率取值范围0.1～1，变异概率取值范围0.001～0.1，权重和阈值的取值范围
‑
3～3。
[0017]本专利技术还提供一种煤价预测系统，所述系统包括：
[0018]数据获取及预处理模块，用于收集煤炭价格的历史数据，将数据进行预处理，作为煤价预测模块的输入。
[0019]煤价预测模块，用于采用BP神经网络，通过设置遗传算法参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练，得到煤价预测结果。
[0020]与现有技术相比，本专利技术的优势在于：
[0021]采用合理的参数设置使用BP神经网络和遗传算法结合，能够预测未来一段时间内煤炭价格变动趋势。
附图说明
[0022]图1所示为煤价预测方法流程图；
[0023]图2所示为BP网络神经图；
[0024]图3所示为预测未来2天煤价时实际煤价与预测煤价比较图；
[0025]图4所示为预测未来30天煤价时实际煤价与预测煤价比较图；
[0026]图5所示为预测未来90天煤价时实际煤价与预测煤价比较图。
具体实施方式
[0027]下面结合附图对本专利技术的技术方案进行详细的说明。
[0028]实施例1：
[0029]本专利技术的一种技术方案：一种时间周期可变的煤价预测方法，通过matlab软件实现，包括如下步骤：
[0030]步骤1：获取煤炭价格历史数据，并将数据划分为训练集和验证集，设置BP神经网络参数，构建神经网络，通过设置输出层节点个数为2
‑
90，可以实现输出2
‑
90天的煤价。
[0031]步骤2：设置遗传算法参数，进行选择、交叉、变异运算，获取最优的权值、阈值。
[0032]步骤3：将最优的权值、阈值赋给BP神经网络进行预测，获得2
‑
90天的煤价预测结果。
[0033]实施例2：
[0034]如图1所示，本专利技术的另一种技术方案：一种时间周期可变的煤价预测方法，步骤如下：
[0035]步骤1：收集煤炭价格的历史数据，并将数据进行预处理，去除异常数据，对缺失数据进行补充。
[0036]步骤2：获取预处理后的煤炭价格历史数据，并将数据划分为训练集和验证集，设置BP神经网络参数，构建神经网络，通过设置输出层节点个数为2
‑
90，可以实现输出2
‑
90天的煤价。
[0037]步骤3：设置遗传算法参数，进行选择、交叉、变异运算，获取最优的权值阈值。
[0038]步骤4：将最优的权值、阈值赋给BP神经网络进行预测，获得2
‑
90天的煤价预测结果。
[0039]如图2所示，BP神经网络中，X
m
为输入层节点，Y
n
为输出层节点，h
1p
，h
2q
为隐含层节点，w
m,p
为输入层和隐含层1之间的权值，w
p,q
为隐含层1和隐含层2之间的权值，w
q,n
为隐含层
2和输出层之间的权值，b
p
为隐含层1的阈值，b
q
为隐含层2的阈值。
[0040]本专利技术还提供一种时间周期可变的煤价预测系统，包括：
[0041]数据获取及预处理模块，用于收集煤炭价格的历史数据，并将数据进行预处理，去除异常数据，对缺失数据进行补充。
[0042]BP神经网络模块，用于将数据划分为训练集和验证集，设置BP神经网络参数，构建神经网络，根据需求设置输出为2
‑
90天的煤价。
[0043]遗传算法模块，用于进行选择、交叉、变异运算，获取最优的权值阈值。
[0044]煤价预测模块，用于将最优的权值、阈值赋给BP神经网络进行预测，获得2
‑
90天的煤价预测结果。
[0045]预测结果显示单元，对上述未来2
‑
90天的煤价预测结果进行显示，并且将预测值与真实值同时显示，对比预测效果。
[0046]通过调整BP神经网络结构的输出层节点个数设置，获得未来不同时间周期的煤价预测值，电煤采购人员可以清晰地了解未来一段时间内煤价的变化趋势，为电煤采购提供指导，减少煤炭库存不足或者煤炭库存过量导致的风险，并且使用遗传算法进行寻优，避免局部最优问题，提升预测精度和稳定性。
[0047]利用本专利技术实现预测未来2天煤价实例：
[0048]数据获取及预处理单元获取前200天的煤价数据，对缺失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种时间周期可变的煤价预测方法，所述方法包括：将预处理后的煤炭价格历史数据输入预先建立和训练好的煤价预测模型，得到未来若干天的煤价；所述煤价预测模型采用BP神经网络，通过设置遗传算法参数，进行选择、交叉和变异运算，获取最优的权值和阈值，完成训练。2.根据权利要求1所述的煤价预测方法，其特征在于，所述预处理包括：收集煤炭价格的历史数据，将数据进行预处理，去除异常数据，对缺失数据进行补充，得到处理后的煤炭价格历史数据。3.根据权利要求1或2所述的煤价预测方法，其特征在于，所述训练集比例取值范围50％～100％，所述验证集比例取值范围0％～50％，且两者之和为100％。4.根据权利要求1或2所述的煤价预测方法，其特征在于，所述设置BP神经网络参数包括：输入层节点个数取值范围2～90，输出层节点个数取值范围2～90，隐含层数取值范围1～3；隐含层...

【专利技术属性】
技术研发人员：刘治平，须钢，丛佳慧，赵勇，王聪，孙常亮，江龙，胡松，向军，刘阳，
申请(专利权)人：国家电投集团数字科技有限公司，
类型：发明
国别省市：