CN108805323A - 数据预测方法和装置 - Google Patents

数据预测方法和装置 Download PDF

Info

Publication number
CN108805323A
CN108805323A CN201710319995.1A CN201710319995A CN108805323A CN 108805323 A CN108805323 A CN 108805323A CN 201710319995 A CN201710319995 A CN 201710319995A CN 108805323 A CN108805323 A CN 108805323A
Authority
CN
China
Prior art keywords
data
particle
parameter value
value
prediction
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710319995.1A
Other languages
English (en)
Other versions
CN108805323B (zh
Inventor
温世平
任光华
薛希俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huawei Technologies Co Ltd
Huazhong University of Science and Technology
Original Assignee
Huawei Technologies Co Ltd
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huawei Technologies Co Ltd, Huazhong University of Science and Technology filed Critical Huawei Technologies Co Ltd
Priority to CN201710319995.1A priority Critical patent/CN108805323B/zh
Publication of CN108805323A publication Critical patent/CN108805323A/zh
Application granted granted Critical
Publication of CN108805323B publication Critical patent/CN108805323B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

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。

Description

数据预测方法和装置
技术领域
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。
背景技术
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。
发明内容
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数值输入所述SVM模型，得到优化后的SVM模型；
第二计算模块，用于根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。
在一种可能的设计中，所述第一计算模块，具体用于根据所述样本数据，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。
在一种可能的设计中，所述第一计算模块，具体用于执行A-F，其中，
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，所述第一计算模块，具体用于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。
在一种可能的设计中，所述第二计算模块，具体用于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，所述第一获取模块，具体用于获取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。
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。
上述第二方面和第二方面的各可能的设计所提供的数据预测装置，其有益效果可以参见上述第一方面和第一方面的各可能的设计所带来的有益效果，在此不再赘述。
本申请第三方面提供一种数据预测装置，数据预测装置包括：处理器、存储器；
其中，存储器用于存储计算机可执行程序代码，程序代码包括指令；当处理器执行指令时，指令使数据预测装置执行如第一方面和第一方面的各可能的设计任一项提供的数据预测方法。
上述第三方面所提供的数据预测装置，其有益效果可以参见上述第一方面和第一方面的各可能的设计所带来的有益效果，在此不再赘述。
本申请第四方面提供一种数据预测装置，包括用于执行以上第一方面的方法的至少一个处理元件(或芯片)。
本申请第五方面提供一种程序，该程序在被处理器执行时用于执行以上第一方面的方法。
本申请第六方面提供一种程序产品，例如计算机可读存储介质，包括第五方面的程序。
本申请第七方面提供一种计算机可读存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述第一方面的方法。
本申请提供的数据预测方法和装置，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。
附图说明
图1为本申请提供的一种数据预测方法的流程示意图；
图2为本申请提供的另一种数据预测方法的流程示意图；
图3为本申请提供的又一种数据预测方法的流程示意图；
图4为本申请提供的一种数据预测结果示意图；
图5为本申请提供的一种数据预测装置的结构示意图；
图6为本申请提供的另一种数据预测装置的结构示意图。
具体实施方式
本申请提供一种数据预测方法，可以用于预测年度电力负荷，旨在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。当然，本申请提供的数据预测方法，包括不限于以上应用场景，例如：本申请提供的数据预测方法还可以适用于任一对数据进行挖掘的场景，以通过对历史数据和当前数据的分析，帮助决策人员提取隐藏在数据中的潜在关系与模式等，进而协助其预测未来可能出现的状况和即将产生的结果。其中，上述所说的对数据进行挖掘的场景例如可以为金融业、零售业、医疗、电信和电力等领域的数据挖掘。
下面以预测年度电力负荷为例，通过一些实施例对本申请的技术方案进行详细说明。下面这几个实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
需要说明的是，本申请所提供的数据预测方法的执行主体可以为数据预测装置，还可以为集成了数据预测装置的终端设备，下述申请文件均以执行主体为集成了数据预测装置的终端设备(简称终端设备)为例，对本申请提供的数据预测方法进行介绍。
图1为本申请提供的一种数据预测方法的流程示意图。本实施例涉及的是终端设备根据所获取的样本数据，采用支持向量机(Support Vector Machine，SVM)模型计算预测数据的过程。如图1所示，该方法可以包括：
S101、获取样本数据；其中，该样本数据包括N个不同时期的历史数据，N为大于或等于1的正整数。
具体的，上述样本数据所包括的历史数据所对应的时期可以与预测数据对应的时期长度相同。例如，当终端设备预测年度电力负荷时，上述N个不同时期的历史数据可以为N个不同历史年的年度电力负荷数据。即，在该场景下，上述所说的时期的时间跨度为一年。
上述N个不同时期的历史数据可以为：预测数据对应的时期之前的N个相邻时期的历史数据，或者，预测数据对应的时期之前的N个不相邻时期的历史数据，具体可以根据用户的需求进行调整。以预测2017年的年度电力负荷为例，假定上述N为5，则上述N个不同时期的历史数据可以为2012年的年度电力负荷数据、2013年的年度电力负荷数据、2014年的年度电力负荷数据、2015年的年度电力负荷数据、2016年的年度电力负荷数据。上述N个不同时期的历史数据还可以为2008年的年度电力负荷数据、2010年的年度电力负荷数据、2012年的年度电力负荷数据、2014年的年度电力负荷数据、2016年的年度电力负荷数据。
其中，上述N的大小具体可以根据预测数据的预测特点来确定。以预测数据为年度电力负荷为例，由于年度电力负荷受国家经济发展情况、人口、产值单耗等因素的影响，所以年度电力负荷具有单调变化、无周期性的预测特点，使得时间久远的历史年度电力负荷数据无参考价值。因此，基于此预测特点，在预测年度电力负荷时，需要使用时间较近的历史年度电力负荷数据进行预测。示例性的，上述N的取值范围例如可以在5-10之间。
可选的，上述样本数据所包括的N个不同时期的历史数据可以为N个不同时期的实际历史数据。其中，本实施例不限定上述终端设备获取N个不同时期的实际历史数据的方式，例如：上述终端设备可以直接从数据库中读取N个不同时期的实际历史数据，或者，上述终端设备可以接收用户输入的N个不同时期的实际历史数据。
可选的，上述样本数据所包括的N个不同时期的历史数据可以为：对N个不同时期的实际历史数据进行纠正后的历史数据。例如，上述终端设备可以先获取N个不同时期的实际历史数据，然后对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N个不同时期的历史数据，进而将该N个不同时期的历史数据作为样本数据。其中，这里所说的错误数据可以理解为导致N个不同时期的实际历史数据的连贯性较差、整体趋势并非逐渐递增的数据。
示例性的，终端设备可以通过现有的盒图分析算法来确定N个不同时期的实际历史数据中是否存在错误数据。终端设备在确定存在错误数据时，可以对错误数据相邻时期的实际历史数据求平均值，以采用该平均值来替换该错误数据，而对其他无错误的数据保持不变，以得到上述所说的N个不同时期的历史数据。例如：假定N个不同时期的历史数据为2012年的年度电力负荷数据、2013年的年度电力负荷数据、2014年的年度电力负荷数据、2015年的年度电力负荷数据、2016年的年度电力负荷数据。终端设备通过现有的盒图分析算法确定2014年的年度电力负荷数据为错误数据，则终端设备可以将2013年的年度电力负荷数据与2015年的年度电力负荷数据相加后求平均值，以将该平均值作为2014年的年度电力负荷数据，而对其他年的年度电力负荷数据则不做任何处理。此时，该5个年度电力负荷数据即为上述所说的样本数据。
S102、根据样本数据，采用SAQPSO计算最佳调控参数值和最佳惩罚参数值；其中，SAQPSO可以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SVM模型所使用的调控参数值和惩罚参数值。
具体的，本申请通过用于数据处理的SVM模型来预测数据。其中，SVM模型中存在两个取值可变的参数，分别为：调控参数g和惩罚参数c。由于SVM模型针对不同的样本数据，需要采用不同的g和c，而g的取值和c的取值又会影响SVM模型的预测精度。因此，本申请每次在通过SVM模型预测数据时，需要先根据样本数据，采用SAQPSO计算最佳g值和最佳c值。
上述所说的模拟退火量子粒子群优化算法(Simulated Annealing QuantumParticle Swarm Optimization，SAQPSO)是一种改进的粒子群优化算法(Particle SwarmOptimization，PSO)。在本实施例中，SAQPSO在采用SAQPSO中的粒子对应的g值和c值，通过多次迭代的方式获得最佳g值和最佳c值的过程中，结合了随机数，以及，模拟退火算法(Simulated Annealing，SA)的退火温度。即，SAQPSO在迭代过程中，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g值和c值。
SAQPSO通过上述更新粒子的方式，可以保证粒子的多样性，进而能够提高收敛速度和收敛精度，避免出现落入局部最优解的情况，增强了SAQPSO的全局搜索能力。因此，通过SAQPSO所得到的最佳g值和最佳c值更加精准，进而提高了SVM模型的预测精度。
S103、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。
具体的，上述终端设备在获取到最佳g值和最佳c值之后，可以使用最佳g值和最佳c值取代SVM模型中原有的g值和c值，以得到优化后的SVM模型。即，得到预测精度较高的SVM模型。
S104、根据样本数据，采用优化后的SVM模型，计算预测数据。
具体的，上述终端设备在得到优化后的SVM模型之后，可以根据样本数据，采用优化后的SVM模型计算预测数据。即，采用预测精度较高的SVM模型计算预测数据，以得到准确的预测数据。因此，当通过上述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。可选的，上述终端设备可以将样本数据中的历史数据输入优化后的SVM模型中，以计算预测数据。上述终端设备还可以将归一化后的样本数据中的历史数据输入优化后的SVM模型中，以计算归一化的预测数据；然后，再对归一化的预测数据进行反归一化处理，得到预测数据。
本申请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。
图2为本申请提供的另一种数据预测方法的流程示意图。本实施例涉及的是终端设备根据样本数据，采用SAQPSO计算最佳g值和最佳c值的过程。如图2所示，上述S102可以包括如下步骤：
S201、根据样本数据，获取至少一组训练数据和至少一组训练数据中的每组训练数据对应的测试数据。
具体的，在本申请中，上述终端设备可以根据样本数据，得到用于计算最佳g值和最佳c值的至少一组训练数据和至少一组训练数据中的每组训练数据对应的测试数据。其中，至少一组训练数据用于训练SVM模型，至少一组训练数据中的每组训练数据对应的测试数据用于检验SVM模型的精度。可选的，上述终端设备可以将样本数据划分为训练数据和测试数据，具体可以根据SVM模型每次计算预测数据时所需使用的数据的个数确定。
例如：以SVM模型每次计算预测数据时所需使用的数据的个数为m为例，则终端设备可以从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个时期所对应的历史数据，作为一组训练数据，并将每个节点时期对应的历史数据作为一组训练数据对应的测试数据。
示例性的，假定上述样本数据包括的N个不同时期的历史数据例如可以如表1所示：
表1
序号 时期 年度电力负荷/109kWh
1 2009年 7.350
2 2010年 8.023
3 2011年 8.546
4 2012年 8.672
5 2013年 9.257
6 2014年 9.563
7 2015年 10.294
8 2016年 11.063
假定SVM模型每次计算预测数据时所需使用的数据的个数为5为例，则终端设备可以基于此条件，从上述表1中确定出3个节点时期，分别为：2014年、2015年、2016年。然后，终端设备可以将2014年之前的5个时期所对应的年度电力负荷数据，作为一组训练数据，将2014年对应的年度电力负荷作为该组训练数据的测试数据；终端设备可以将2015年之前的5个时期所对应的年度电力负荷数据，作为一组训练数据，将2015年对应的年度电力负荷作为该组训练数据的测试数据；终端设备可以将2016年之前的5个时期所对应的年度电力负荷数据，作为一组训练数据，将2016年对应的年度电力负荷作为该组训练数据的测试数据。终端设备基于上述表1所示的样本数据，获取到的至少一组训练数据和至少一组训练数据中的每组训练数据对应的测试数据例如可以如表2所示：
表2
可选的，在本发明的一种实现方式中，上述终端设备还可以先对对样本数据中的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。然后终端设备可以从归一化处理后的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，并将每个节点时期对应的归一化处理后的历史数据作为一组训练数据对应的测试数据。通过将样本数据归一化的方式，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。
S202、根据至少一组训练数据、每组训练数据对应的测试数据，以及，预设的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SAQPSO计算最佳调控参数值和最佳惩罚参数值。
具体的，上述终端设备在根据样本数据，获取至少一组训练数据、每组训练数据对应的测试数据之后，可以根据根据至少一组训练数据、每组训练数据对应的测试数据，以及，预设的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SAQPSO计算最佳调控参数值和最佳惩罚参数值。其中，上述预设的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可以根据用户的需求设置，对此不进行限定。
例如，上述终端设备可以在每个迭代周期，将每个粒子对应的g值和c值输入SVM模型，得到每个粒子对应的SVM模型。然后，终端设备可以将每组训练数据分别输入每个粒子对应的SVM模型，以计算每个粒子对应的预测数据。然后，终端设备可以将每个粒子对应的预测数据与训练数据对应的测试数据进行比较，以得到每个粒子对应的SVM模型的预测误差，从而获取到预测误差最小的SVM模型所使用的g值和c值。此时，该g值即为最佳g值，该c值即为最佳c值。
本申请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。
下面以年度电力负荷为例，对本申请提供的数据预测方法进行详细的说明。图3为本申请提供的又一种数据预测方法的流程示意图。本实施例涉及的是终端设备如何根据样本数据，预测年度电力负荷的过程。如图3所示，该方法可以包括如下步骤：
S301、获取N个不同时期的实际历史年度电力负荷数据，并对N个不同时期的实际历史年度电力负荷数据中的错误数据进行纠正，得到N个不同时期的历史年度电力负荷数据，将N个不同时期的历史年度电力负荷数据作为样本数据。
具体的，当上述N个不同时期的实际历史年度电力负荷数据中存在导致该N个不同时期的数据连贯性较差、整体趋势并非逐渐递增的数据时，即存在错误数据时，可以对错误数据进行纠正，以得到N个不同时期的历史年度电力负荷数据。
其中，本实施例不限定上述终端设备确定N个不同时期的实际历史年度电力负荷数据中是否存在错误数据的方式，例如：终端设备可以通过现有的盒图分析算法来确定N个不同时期的实际历史年度电力负荷数据中是否存在错误数据。或者，终端设备还可以通过现有的其他方式确定N个不同时期的实际历史年度电力负荷数据中是否存在错误数据，对此不再赘述。本实施例也不限定上述终端设备对错误数据进行纠正的方式，例如：上述终端设备可以对错误数据相邻的前后两个时期的实际历史年度电力负荷数据求平均值，以采用该平均值来替换该错误数据，而对其他无错误的数据不做任何处理，以得到上述所说的N个不同时期的历史年度电力负荷数据。
可选的，若上述N个不同时期的实际历史年度电力负荷数据的整体趋势是逐渐递增的，并且没有明显的跳跃性，即N个不同时期的实际历史年度电力负荷数据中无错误数据时，可以直接将该N个不同时期的实际历史年度电力负荷数据作为样本数据。此时，该N个不同时期的实际历史年度电力负荷数据也可以看做N个不同时期的历史年度电力负荷数据。
示例性的，假定终端设备获取到的N个不同时期的实际历史年度电力负荷数据如下述表3所示：
表3
通过上述表3可以看出，该N个不同时期的实际历史年度电力负荷数据的整体趋势是逐渐递增的，并且没有明显的跳跃性。也就是说，该N个不同时期的实际历史年度电力负荷数据的连贯性较好，可以认为没有错误数据。因此，可以直接将该33个不同时期的实际历史年度电力负荷数据作为样本数据。
S302、对样本数据中的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，并从归一化处理后的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，并将每个节点时期对应的归一化处理后的历史数据作为一组训练数据对应的测试数据。
继续参照上述示例，上述终端设备在获取到包括N个不同时期的历史年度电力负荷数据的样本数据之后，可以先对该N个不同时期的历史年度电力负荷数据进行归一化处理。例如：上述终端设备可以通过下述公式(1)对每个时期的历史年度电力负荷数据进行归一化处理，具体地：
其中，i为大于等于1的正整数，yi为归一化处理后第i个时期的历史年度电力负荷数据，xi为第i个时期的历史年度电力负荷数据，xmin为N个不同时期的历史年度电力负荷数据中取值最小的历史年度电力负荷数据，xmax为N个不同时期的历史年度电力负荷数据中取值最大的历史年度电力负荷数据，ymax为归一化处理允许的最大值，ymin为归一化处理允许的最小值。
上述终端设备在获取到归一化处理后的N个不同时期的历史年度电力负荷数据之后，可以从归一化处理后的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，并将每个节点时期对应的归一化处理后的历史数据作为一组训练数据对应的测试数据。其中，m的取值，可以根据SVM模型计算预测数据时所需使用的数据的数量确定。
例如：以上述m为10为例，则上述终端设备可以将第11年至第33年中的每一年的归一化处理后的历史年度电力负荷数据作为一个测试数据，将每一个测试数据对应的时期之前的10年的归一化处理后的历史年度电力负荷数据，作为该测试数据对应的一组训练数据。以归一化处理后的第12年的历史年度电力负荷数据为测试数据为例，则归一化处理后的第2年至第11年的历史年度电力负荷数据即为该测试数据对应的一组训练数据。
S303、在迭代周期t，将每个粒子对应的g值和惩罚参数值输入SVM模型，得到每个粒子对应的SVM模型。
其中，上述迭代周期t用于指示SAQPSO的第t迭代周期，t为大于等于1的正整数。
在本实施例中，已预设好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g值和c值。其中，上述预设的SAQPSO的退火温度取值范围具体可以根据用户的需求设定，上述预设的SAQPSO的随机数取值范围例如可以为0至1之间等。预设的至少一个粒子中的每个粒子对应的g值和c值可以为随机初始化的，至少一个粒子的数量可以根据用户的需求设定。
可选的，若上述迭代周期t的取值为1，即SAQPSO的第一个迭代周期，则上述每个粒子对应的g值和c值可以为预设的每个粒子对应的g值和c值。若上述迭代周期t的取值大于等于2，则上述每个粒子对应的g值和c值可以为根据上一迭代周期的g值和c值所得到的g值和c值，具体可以参见后续的描述。
S304、将至少一组训练数据中的每组训练数据分别输入每个粒子对应的SVM模型，得到与每个粒子相对应的预测数据。
具体的，上述终端设备将每组训练数据分别输入每个粒子在迭代周期t对应的SVM模型，以得到与每个粒子相对应的预测数据。其中，与每个粒子相对应的预测数据的个数与训练数据的组数一一对应。即，每组训练数据对应一个预测数据。
示例性的，假定上述终端设备根据样本数据得到了5组训练数据，分别为第一组训练数据、第二组训练数据、第三组训练数据、第四组训练数据、第五组训练数据。则，上述终端设备可以将上述第一组训练数据、第二组训练数据、第三组训练数据、第四组训练数据、第五组训练数据分别输入每个粒子在迭代周期t对应的SVM模型，得到与每个粒子相对应的预测数据。以粒子A为例，与该粒子A相对应的预测数据可以如表4所示：
表4
通过上述表4可知，在有5组训练数据时，与每个粒子相对应的预测数据也有5个。
S305、根据每组训练数据对应的测试数据、每个粒子对应的预测数据，计算每个粒子在迭代周期t的适应度值。
其中，适应度值为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。
具体的，上述终端设备在得到与每个粒子相对应的预测数据之后，可以采用如下公式(2)计算每个粒子在迭代周期t的适应度值。
其中，a为大于等于1的正整数，n为训练数据组数的总数，X预测(a)为将第a组训练数据输入某一粒子在迭代周期t对应的SVM模型后得到的预测数据，X测试(a)为第a组训练数据对应的测试数据,E(t)为该粒子在迭代周期t的适应度值。
示例性的，假定SAQPSO中有5个粒子，分别为粒子1、粒子2、粒子3、粒子4和粒子5，则上述终端设备可以将与粒子1相对应的预测数据和每组训练数据对应的测试数据代入上述公式(2)，计算粒子1在迭代周期t的适应度值。然后，终端设备可以再将与粒子2相对应的预测数据和每组训练数据对应的测试数据代入上述公式(2)，计算粒子2在迭代周期t的适应度值，直至通过上述公式(2)得到粒子5在迭代周期t的适应度值。
S306、判断每个粒子在迭代周期t的适应度值是否大于预设的适应度值。若是，则执行S307，若否，则执行S311。
具体的，上述终端设备在获取到每个粒子在迭代周期t的适应度值之后，可以判断每个粒子在迭代周期t的适应度值是否大于预设的适应度值。若所有粒子在迭代周期t的适应度值均大于预设的适应度值，则说明迭代周期t中的每个粒子对应的g值和c值并不是最佳g值和最佳c值。因此，上述终端设备可以继续执行后续步骤。若有一个或多个粒子在迭代周期t的适应度值小于或等于预设的适应度值，则说明迭代周期t中存在SVM模型的最佳g值和c值，则可以执行步骤S311。
其中，上述预设的适应度值的大小可以根据用户的需求设定。
S307、判断迭代周期t是否小于预设的最大迭代周期。若是，则执行S308，若否，则执行S311。
具体的，上述终端设备在确定所有粒子在迭代周期t的适应度值均大于预设的适应度值之后，可以进一步判断迭代周期t是否小于预设的最大迭代周期。若迭代周期t等于预设的最大迭代周期时，则执行步骤S311。若迭代周期t小于预设的最大迭代周期时，说明还可以SAQPSO还可以继续迭代执行，则可以执行步骤S308。通过这种方式，可以控制SAQPSO的迭代次数，避免SAQPSO陷入无限迭代的情况。
其中，上述预设的最大迭代周期可以根据用户的需求设定。
S308、计算每个粒子在迭代周期t的适应度变化值Δ。
具体的，上述终端设备在确定所有粒子在迭代周期t的适应度值均大于预设的适应度值、且迭代周期t小于预设的最大迭代周期时，可以采用如下公式(3)计算每个粒子在迭代周期t的适应度变化值Δ，具体地：
Δ＝E(t)-E(t-1) (3)
其中，Δ为某一粒子在迭代周期t的适应度变化值，E(t)为该粒子在迭代周期t的适应度值，E(t-1)为该粒子在上一迭代周期t-1的适应度值。
S309、判断至少一个粒子中是否存在待更新粒子。若存在，则执行S310，若不存在，则进入下一迭代周期，返回执行S303。
其中，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，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。若上一迭代周期t-1的退火温度T与上一迭代周期t-1的随机数λ的乘积小于预设的退火温度取值范围的最小值，则迭代周期t的退火温度λ即为预设的退火温度取值范围的最小值。可选的，第一个迭代周期(即t取值为1时)的退火温度可以为预设的退火温度取值范围的最大值。需要说明的是，每个迭代周期的随机数λ为在预设的随机数取值范围内，采用随机数函数随机确定的。也就是说，不同迭代周期的随机数可能不同。其中，这里所说的随机数函数可以为现有技术中任一能够生成随机数的函数，在此不再赘述。
上述终端设备在计算每个粒子在迭代周期t的适应度变化值Δ之后，可以判断每个每个粒子在迭代周期t的适应度变化值Δ是否小于0，或，是否大于迭代周期t的随机数λ。若存在满足该条件的粒子，则将该粒子作为待更新粒子，并对该待更新粒子对应的g值和c值进行更新。即，执行步骤S310。若不存在满足上述条件的粒子，说明所有粒子均不是待更新的粒子，则可以对SAQPSO中的所有粒子不用进行更新操作，直接进入下一迭代周期。即返回执行S303。在该场景下，所有粒子在进入下一迭代周期后，每个粒子对应的g值和c值与迭代周期t中每个粒子对应的g值和c值相同。也就是说，上述终端设备通过每个每个粒子在迭代周期t的适应度变化值Δ是否小于0，或，是否大于迭代周期t的随机数λ，来确定是否更新SAQPSO中的粒子在下一迭代周期对应的g值和c值。
SAQPSO通过上述更新粒子的方式，可以保证粒子的多样性，进而能够提高收敛速度和收敛精度，避免出现落入局部最优解的情况，增强了SAQPSO的全局搜索能力。因此，通过SAQPSO所得到的最佳g值和最佳c值更加精准，进而提高了SVM模型的预测精度。
S310、更新待更新粒子对应的调控参数值和惩罚参数值。
以更新g值为例，则上述终端设备可以采用下述公式(4)至公式(7)在下一迭代周期对每个待更新粒子的g值进行更新，具体地：
gi(t+1)＝pt±α|Mbestt-gi(t)| (7)
其中，t为当前迭代周期，Tmax为最大迭代次数，pbestt为待更新粒子i的个体最优g值，即待更新粒子i在第一次迭代周期至迭代周期t的最优g值，也就是待更新粒子i在第一次迭代周期至迭代周期t中最小的适应度值对应的g值。gbestt为所有粒子的群体最优g值，即所有粒子从第一次迭代周期至迭代周期t的最优g值，也就是所有粒子在第一次迭代周期至迭代周期t的最小的适应度值对应的g值。α1和α2为随机数，Mbestt为所有粒子在迭代周期t的个体最优g值的平均值。gi(t)为待更新粒子i在迭代周期t的g值，gi(t+1)为待更新粒子i在下一迭代周期的g值。
上述终端设备可以采用更新待更新粒子对应的g值的方式，更新待更新粒子对应的c值，其实现原理和技术效果类似，对此不再赘述。
上述终端设备在更新待更新粒子对应的g值和c值之后，则进入下一迭代周期。即，返回执行S303。
S311、将迭代周期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SVM模型的最佳调控参数值和最佳惩罚参数值。
具体的，终端设备在存在适应度值小于或等于预设的适应度值的粒子，或，迭代周期t等于最大迭代周期时，将迭代周期t中适应度值最小的粒子对应的g值和c值，作为SVM模型的最佳g值和最佳c值。
S312、将最佳g值和最佳c值输入SVM模型，得到优化后的SVM模型。
具体的，上述终端设备在获取到最佳g值和最佳c值之后，可以使用最佳g值和最佳c值取代SVM模型中原有的g值和c值，以得到优化后的SVM模型。即，得到预测精度较高的SVM模型。
S313、根据归一化处理后的N个不同时期的历史年度电力负荷数据，采用优化后的SVM模型，计算归一化的预测年度电力负荷数据，并对归一化的预测年度电力负荷数据进行反归一化处理，得到预测年度电力负荷数据。
具体的，上述终端设备在获取到优化后的SVM模型之后，即预测精度较高的SVM模型之后，可以根据SVM模型计算预测数据时所需使用的数据的个数m，将归一化处理后的N个不同时期的历史年度电力负荷数据中距离预测年度电力负荷数据时期最近的m个不同时期的归一化处理后的历史年度电力负荷数据输入至优化后的SVM模型中，以计算归一化的预测年度电力负荷数据。其中，SVM模型如何计算归一化的预测年度电力负荷数据可以参见现有技术，对此不再赘述。
上述终端设备在获取到归一化的预测年度电力负荷数据之后，可以对该对归一化的预测年度电力负荷数据进行反归一化处理，得到预测年度电力负荷数据。由于在计算预测年度电力负荷数据之前，通过计算预测年度电力负荷数据的样本数据，采用了SAQPSO搜寻了影响SVM模型预测精度的最佳g值和最佳c值，并采用该最佳c值和g值优化了SVM模型，确保了SVM模型的预测精度。因此，采用该预测精度较高的SVM模型预测的年度电力负荷更加精准。
图4为本申请提供的一种年度电力负荷数据的预测结果示意图。如图4所示，虚线表示的是年度电力负荷的预测数据，实线表示的是年度电力负荷的实际数据。通过图4可以看出，两条曲线整体非常贴近，说明采用优化后的SVM模型预测的年度电力负荷的预测结果很准确。以上述表3所示的N个不同时期的历史年度电力负荷为例，采用图3所示的方法对SVM模型优化后，采用该SVM模型对年度电力负荷的预测结果的均方根误差为2.53％，其中，该示例中SVM模型的最佳c值为4.310，最佳g值为0.125。
在通过上述方式预测到准确的年度电力负荷后，可以经济合理地安排电网发电机组的启停，保持电网运行的安全稳定性，减少热备用容量，保证社会的正常生产和生活，有效地降低发电成本，提高经济效益和社会效益。
本申请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。
图5为本申请提供的一种数据预测装置的结构示意图。如图5所示，该数据预测装置可以包括：第一获取模块11、第一计算模块12、第二获取模块13和第二计算模块14。其中，
第一获取模块11，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；例如：所述样本数据可以包括N个不同时期的历史电力负荷数据。
第一计算模块12，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13，用于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。
第二计算模块14，用于根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。
可选的，上述第一获取模块11，具体用于获取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。
可选的，上述第一计算模块12，具体用于根据所述样本数据，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。
例如，在一些实施例中，上述第一计算模块12，具体用于执行A-F，其中，
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。
例如，在一些实施例中，上述第一计算模块12，具体用于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。
则在该实现方式下，上述第二计算模块14，具体用于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。
本申请提供的数据预测装置，可以用于执行本申请提供的方法实施例，其实现原理和技术效果类似，此处不再赘述。
需要说明的是，应理解以上所说的这些模块可以以软件通过处理元件调用的形式实现；也可以以硬件的形式实现。例如，第一计算模块可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上第一计算模块的功能。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(Application Specific Integrated Circuit，ASIC)，或，一个或多个微处理器(digital singnal processor，DSP)，或，一个或者多个现场可编程门阵列(Field Programmable Gate Array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(CentralProcessing Unit，简称CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，简称SOC)的形式实现。
图6为本申请提供的另一种数据预测装置的结构示意图。如图6所示，该数据预测装置可以包括：存储器21和处理器22；
其中，所述存储器21用于存储计算机可执行程序代码，所述程序代码包括指令；当所述处理器22执行所述指令时，所述指令使所述数据预测装置执行前述方法实施例，其实现原理和技术效果类似，在此不再赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘Solid State Disk(SSD))等。

Claims (15)

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，所述样本数据包括N个不同时期的历史电力负荷数据。
8.一种数据预测装置，其特征在于，所述装置包括：
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数值输入所述SVM模型，得到优化后的SVM模型；
第二计算模块，用于根据所述样本数据，采用所述优化后的SVM模型，计算预测数据。
9.根据权利要求8所述的装置，其特征在于，
所述第一计算模块，具体用于根据所述样本数据，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。
10.根据权利要求9所述的装置，其特征在于，所述第一计算模块，具体用于执行A-F，其中，
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。
11.根据权利要求9所述的装置，其特征在于，
所述第一计算模块，具体用于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。
12.根据权利要求11所述的装置，其特征在于，
所述第二计算模块，具体用于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。
13.根据权利要求8-12任一项所述的装置，其特征在于，
所述第一获取模块，具体用于获取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。
14.根据权利要求8-13任一项所述的装置，其特征在于，所述样本数据包括N个不同时期的历史电力负荷数据。
15.一种数据预测装置，其特征在于，所述装置包括：存储器和处理器；
其中，所述存储器用于存储计算机可执行程序代码，所述程序代码包括指令；当所述处理器执行所述指令时，所述指令使所述数据预测装置执行如权利要求1-7任一项所述的数据预测方法。
CN201710319995.1A 2017-05-05 2017-05-05 数据预测方法和装置 Active CN108805323B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710319995.1A CN108805323B (zh) 2017-05-05 2017-05-05 数据预测方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710319995.1A CN108805323B (zh) 2017-05-05 2017-05-05 数据预测方法和装置

Publications (2)

Publication Number Publication Date
CN108805323A true CN108805323A (zh) 2018-11-13
CN108805323B CN108805323B (zh) 2022-01-11

Family

ID=64094172

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710319995.1A Active CN108805323B (zh) 2017-05-05 2017-05-05 数据预测方法和装置

Country Status (1)

Country Link
CN (1) CN108805323B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011680A (zh) * 2021-04-16 2021-06-22 西安建筑科技大学 一种电力负荷预测方法及系统
CN113359573A (zh) * 2021-06-30 2021-09-07 华能澜沧江水电股份有限公司 一种大坝安全智能预测方法及其装置

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361414A (zh) * 2014-11-24 2015-02-18 武汉大学 一种基于相关向量机的输电线路覆冰预测方法
CN105469138A (zh) * 2015-11-10 2016-04-06 南京航空航天大学 基于粒子群和支持向量机的控制系统执行器故障诊断方法
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361414A (zh) * 2014-11-24 2015-02-18 武汉大学 一种基于相关向量机的输电线路覆冰预测方法
CN105469138A (zh) * 2015-11-10 2016-04-06 南京航空航天大学 基于粒子群和支持向量机的控制系统执行器故障诊断方法
CN106600140A (zh) * 2016-12-07 2017-04-26 河海大学常州校区 基于改进支持向量机的燃气管道故障预测预警系统及方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔君荣等: "利用智能算法优化支持向量机参数", 《河北科技师范学院学报》 *
江家宝等: "基于QPSO-SA混合算法的多目标投资组合优化", 《计算机工程与应用》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113011680A (zh) * 2021-04-16 2021-06-22 西安建筑科技大学 一种电力负荷预测方法及系统
CN113359573A (zh) * 2021-06-30 2021-09-07 华能澜沧江水电股份有限公司 一种大坝安全智能预测方法及其装置

Also Published As

Publication number Publication date
CN108805323B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
Luo et al. Short‐term operational planning framework for virtual power plants with high renewable penetrations
Ghadimi et al. PSO based fuzzy stochastic long-term model for deployment of distributed energy resources in distribution systems with several objectives
Guo et al. Multi‐objective stochastic optimal planning method for stand‐alone microgrid system
Gao et al. Deep reinforcement learning based optimal schedule for a battery swapping station considering uncertainties
Singhal et al. Binary fish swarm algorithm for profit‐based unit commitment problem in competitive electricity market with ramp rate constraints
Rahmani-Andebili Cooperative distributed energy scheduling in microgrids
Ali et al. Optimal planning of inverter‐based renewable energy sources towards autonomous microgrids accommodating electric vehicle charging stations
Ke et al. Coordinative real‐time sub‐transmission volt–var control for reactive power regulation between transmission and distribution systems
Xu et al. Multi-objective learning backtracking search algorithm for economic emission dispatch problem
Nasr et al. Risk‐averse energy management system for isolated microgrids considering generation and demand uncertainties based on information gap decision theory<? show [AQ ID= Q1]?>
Padhi et al. Solving dynamic economic emission dispatch problem with uncertainty of wind and load using whale optimization algorithm
Gutiérrez‐Alcaraz et al. Two‐stage heuristic methodology for optimal reconfiguration and Volt/VAr control in the operation of electrical distribution systems
Liu et al. Flexible network planning of autonomy microgrid
Li et al. A derived heuristics based multi-objective optimization procedure for micro-grid scheduling
Bagheri et al. Adaptive‐robust multi‐resolution generation maintenance scheduling with probabilistic reliability constraint
Wang et al. Equilibrium allocation strategy of multiple ESSs considering the economics and restoration capability in DNs
Huang et al. Building energy management and forecasting using artificial intelligence: Advance technique
Huang et al. A novel deep reinforcement learning enabled agent for pumped storage hydro‐wind‐solar systems voltage control
CN108805323A (zh) 数据预测方法和装置
Azizi et al. Daily operation of multi‐energy systems based on stochastic optimization considering prediction of renewable energy generation
CN113887809A (zh) 双碳目标下配电网供需平衡方法、系统、介质及计算设备
Abbasi et al. Recent developments of energy management strategies in microgrids: An updated and comprehensive review and classification
Milovanović et al. An application of Wild Horse Optimizer to multi-objective energy management in a micro-grid
Zhaoan et al. Power charging management strategy for electric vehicles based on a Stackelberg game
Bai et al. Optimal siting and sizing of battery energy storage system for distribution loss reduction based on meta-heuristics

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant