[发明专利]基于BP和PSO的数据预测方法、系统及相关装置

说明书

本申请公开了一种基于BP和PSO的数据预测方法，构造了一种惯性因子周期改变公式，以快速适应周期变化的粒子位置并确定惯性因子的大小，以及另一种惯性因子动态改变公式，利用进化度数值反应PSO粒子在上一迭代周期内的运行状况，反映了在速度上进化的程度，同时利用聚合度数值反映了聚散性的特点，通过两个动态变量使得PSO粒子处于动态更新状态，共同对惯性因子进行调整。采用混合改变惯性因子的双策略，充分考虑到PSO和BP不可避免的振荡和发散特性，不断修改惯性因子的数值，可以极大的提高预测精度和收敛速度。本申请还同时公开了一种基于BP和PSO的数据预测系统、装置及计算机可读存储介质，具有上述有益效果。

技术领域

本申请涉及数据预测技术领域，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。

背景技术

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(Particle SwarmOptimization，粒子群优化算法)和BP(Back Propagation，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。

发明内容

本申请的目的是提供一种基于BP和PSO的数据预测方法，其采用混合改变惯性因子的双策略，充分考虑到PSO和BP不可避免的振荡和发散特性，随之不断改变数据预测过程中惯性因子的数值，使其处于动态更新状态，可以极大的提高预测精度和收敛速度。

本申请的另一目的为提供一种基于BP和PSO的数据预测系统、装置及计算机可读存储介质。

为实现上述目的，本申请提供一种基于BP和PSO的数据预测方法，该数据预测方法包括：

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；