CN112036651A - 基于量子免疫优化bp神经网络算法的电价预测方法 - Google Patents
基于量子免疫优化bp神经网络算法的电价预测方法 Download PDFInfo
- Publication number
- CN112036651A CN112036651A CN202010922079.9A CN202010922079A CN112036651A CN 112036651 A CN112036651 A CN 112036651A CN 202010922079 A CN202010922079 A CN 202010922079A CN 112036651 A CN112036651 A CN 112036651A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- neural network
- output
- quantum
- optimization
- 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.)
- Pending
Links
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Accounting & Taxation (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供的基于量子免疫优化BP神经网络算法的电价预测方法,属于电价预测技术领域,将多组电价影响因子的指标值输入到电价预测模型中;每一组电价影响因子包含多个电价影响因子;电价预测模型使用多组训练数据经利用量子免疫优化算法进行全局优化的BP神经网络训练得到;每一组训练数据均包括一组电价影响因子的指标值以及与该组电价影响因子的指标值对应的电价变化状态;获取电价预测模型的输出信息,输出信息包括与电价影响因子的指标值对应的电价变化状态类型。本发明采用量子免疫优化BP神经网络算法完成了电价预测的建模,非线性映射能力强、网络构架灵活,计算收敛速度快,提高了电价预测精度,节约了检修人力和财力资源,缩短了预测周期。
Description
技术领域
本发明涉及电价预测技术领域,具体涉及一种基于量子免疫优化BP神经网络算法的电价预测方法。
背景技术
电力作为一种特殊的商品,其价格预测是整个市场的核心,电价的波动影响资源在电力市场上的流动和分配。电价的确定应符合电能生产、消费的价值规律,电价具有明显的周期性变化的特点,在高峰负荷阶段,电价波动较大,容易出现电价尖峰。其主要原因是在负荷高峰,往往存在市场外机组的调度和参与者的策略性投标等问题,这些因素就容易造成电价尖峰。
长期电价预测有助于市场监管者制定政策,也有助于发电商和用户进行长期的投资策划;而准确的短期电价预测,有助于发电商能够较准确的预测次日的市场清算电价,构造最优投标策略准确的电价预测可以使电力市场中的企业为未来做好准备,也对电力市场的所有参与者有重要意义。
现有的基于BP神经网络算法的电价预测方法具有很强的自主学习能力,可以逼近任何连续的函数,但存在学习速度慢、精度低、易陷入局部极小点等问题。
BP神经网络的结构如图1所示,BP神经网络整体结构分为三个层面,从上至下分别为输入层(Input Layer,IL)、隐含层(Hide Layer,HL)和输出层(Output Layer,OL),这种三层结构联系十分紧密,能很好地保障BP神经信息的处理能力。该结构的大致工作原理是:输入层通过每个神经元将外部信息发送到隐藏层,然后处理和转换接收到的信息,该信息作用于下一个神经元以生成输出信号。当响应结果与期望值之间有误差时,将误差传递到反向传播,并将误差逐层分布到各单元进行反向传播。通过对网络的不断学习和修正,直到整个网络的输出层的误差低于先前设定的误差或达到设定迭代次数为止。
发明内容
本发明的目的在于提供一种提高了计算速度和预测精度的基于量子免疫优化BP神经网络算法的电价预测方法,以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的,本发明采取了如下技术方案:
一方面,本发明提供的一种基于量子免疫优化BP神经网络算法的电价预测方法:
将多组电价影响因子的指标值输入到电价预测模型中;其中,
每一组电价影响因子包含多个电价影响因子;
所述电价预测模型使用多组训练数据经利用量子免疫优化算法进行全局优化的BP神经网络训练得到;
所述多组训练数据中的每一组训练数据均包括:一组电价影响因子的指标值以及与该组电价影响因子的的指标值对应的电价变化状态;
获取所述电价预测模型的输出信息,其中,所述输出信息包括:与电价影响因子的指标值对应的电价变化状态类型。
优选的,利用量子免疫优化算法对BP神经网络进行全局优化包括:
根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本;
输入训练样本,计算亲和度值;
利用亲和度值,对抗体进行选择操作,根据量子旋转门对初始种群进行迭代更新,直至达到设定的迭代次数或比较转换误差与设定误差满足误差要求,得到初始种群的全局最优解;
将搜索得到的全局最优解作为BP神经网络的初始值。
优选的,根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本包括:
选取输入向量;对电价影响的特征影响因子进行归一化处理,将各个电价影响因子占总含量的百分比作为输入向量;
选取输出变量;采用二进制对电价变化状态进行编码赋值,确定电价变化状态类型与期望输出值之间的关系;
隐含层相关参数的确定。
优选的,计算亲和度值包括:
确立编码方式:
其中,k表示量子比特个数,α、β分别表示概率出现的复数,满足|α|2+|β|2=1,m表示染色体上的基因数量;
建立亲和度函数:
将实际输出和期望输出的平方和的倒数作为亲和度函数:
式中,f(i)表示亲和度值,En表示实际输出和期望估计值的误差平方和,n表示种群规模,l表示输入的样本个数,m表示输出层节点个数,ynj和y′nj分别表示实际输出和期望输出。
优选的,所述电价影响因子包括天气、负荷预测、燃料价格、电力供应、水电资源状况。
优选的,电价变化状态包括正常、小幅下跌、大幅下跌、小幅上涨、大幅上涨以及持平。
优选的,输入向量为:
其中,Xa1、Xa2、Xa3、Xa4、Xa5分别表示五种影响因子:天气、负荷预测、燃料价格、电力供应、水电资源状况;
对电价影响因子归一化:
其中,a表示输入的影响因子索引;b表示输出的影响因子索引;c表示影响因子总数。
优选的,BP神经网络输入层的节点数为5,隐含层节点数为9,输出层节点数为6。
第三方面,本发明还提供一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,所述处理器调用所述程序指令执行如上所述的方法。
第四方面,本发明还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如上所述的方法。
本发明有益效果:采用量子免疫优化BP神经网络算法完成了电价预测的建模,确定了神经网络的重要参数,发挥了BP神经网络非线性映射能力强、网络构架灵活的优势的同时,又能避免其学习能力差,收敛速度慢的缺点,经量子免疫优化后的BP神经网络提高了电价预测精度,节约了检修的人力和财力资源,缩短了预测周期。
本发明附加的方面和优点将在下面的描述中部分给出,这些将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为现有的BP神经网络结构图。
图2为本发明实施例1所述的基于量子免疫优化的BP神经网络电价预测系统框图。
图3为本发明实施例2所述的基于量子免疫优化的BP神经网络电价预测方法流程图。
图4为本发明实施例3所述的基于量子免疫优化的BP神经网络迭代结果示意图。
图5为现有的BP神经网络迭代结果示意图。
图6为本发明实施例3所述的基于量子免疫优化的BP神经网络电价预测结果示意图。
图7为基于现有的BP神经网络电价预测结果示意图。
具体实施方式
下面详细叙述本发明的实施方式,所述实施方式的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的,仅用于解释本发明,而不能解释为对本发明的限制。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明,下面结合附图以具体实施例对本发明作进一步解释说明,且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解,附图只是实施例的示意图,附图中的部件并不一定是实施本发明所必须的。
实施例1
本发明实施例1提供一种基于量子免疫优化BP神经网络算法的电价预测方法,运用量子免疫优化算法的BP神经网络对电价进行分析可有效提高电价预测效率和准确性。该方法利用BP神经网络特性,利用量子免疫BP神经网络方案来实现电价变化的非线性关系。将电价预测看成一个多输入(输入层)和多输出(输出层)的系统,其中输入-输出之间还要经过复杂变化与映射的中间环节(隐含层)。具体如下:
将多组电价影响因子的指标值输入到电价预测模型中;其中,
每一组电价影响因子包含多个电价影响因子;
所述电价预测模型使用多组训练数据经利用量子免疫优化算法进行全局优化的BP神经网络训练得到;
所述多组训练数据中的每一组训练数据均包括:一组电价影响因子的指标值以及与该组电价影响因子的的指标值对应的电价变化状态;
获取所述电价预测模型的输出信息,其中,所述输出信息包括:与电价影响因子的指标值对应的电价变化状态类型。
量子免疫优化算法BP网络,首先,根据初始种群,利用量子免疫优化算法对BP神经网络进行全局寻优化,以最快的速度找到包含最优解的小型搜索空间;然后,对网络训练;最后,在这个小型的搜索空间内迅速找出最佳解。量子免疫优化BP神经网络结合了量子免疫和BP神经网络两者的优势,既让BP神经网络的广泛的映射能力得到应用,又吸收了量子免疫全局优化的优势。此外还避免了量子免疫算法中的随机概率问题以及BP神经网络对初始值的依赖和局部收敛问题。利用量子免疫优化算法对BP神经网络进行全局优化包括:
根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本;
输入训练样本,计算亲和度值;
利用亲和度值,对抗体进行选择操作,根据量子旋转门对初始种群进行迭代更新,直至达到设定的迭代次数或比较转换误差与设定误差满足误差要求,得到初始种群的全局最优解;
将搜索得到的全局最优解作为BP神经网络的初始值。
根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本包括:
选取输入向量:对电价影响的特征影响因子进行归一化处理,将各个电价影响因子占总含量的百分比作为输入向量:
在进行数据分析前,需对电价影响的特征影响因子进行归一化处理,目的是下跌各不同因子之间的差异,最终将各影响因子占总含量的百分比作为量子免疫优化BP神经网络的输入向量,有:
其中,Xa1、Xa2、Xa3、Xa4、Xa5分别表示五种影响因子:天气、负荷预测、燃料价格、电力供应、水电资源状况;
对电价影响因子归一化:
其中,a表示输入的影响因子索引;b表示输出的影响因子索引;c表示影响因子总数。
选取输出变量:采用二进制对电价变化状态进行编码赋值,确定电价变化状态类型与期望输出值之间的关系:
电价常见的基本变化状态主要有如下六种:正常(S1)、小幅下跌(S2)、大幅下跌(S3)、小幅上涨(S4)、大幅上涨(S5)、持平;为便于计算机编码处理,需采用二进制对前5种变化状态进行编码,并将其赋值在1~5之间,其中数值越接近表示发生对应变化的概率越低,越接近1表明越可能是发生了对应的正常的现象,越接近2表明越可能发生了大幅下跌的现象,以此类推。电价变化状态类型与期望输出关系如表1所示:
表1电价变化状态类型与期望输出关系
隐含层相关参数的确定:
在建立一个BP神经网络模型之前,需要对中间的隐含层内的先关参数进行确定,主要有隐含层数和隐含层的节点数。将隐含层单元个数暂定为5~10个,之后利用MATLAB软件把中间隐含层的神经元个数分别设置成5、6、7、8、9和10分别进线训练,发现当隐含层的神经元个数为9个时,此时BP神经网络的收敛速度最快,输出得到的训练误差也是最小。
本实施例1中,将神经元个数选为9个。当然,这里也可以选用多个隐含层,但隐含层层数过多,则会加长网络训练时间,导致容错性差。由于电价变化状态数量只有6个,因此这里选择单层的隐含层即可高效准确地完成训练。量子免疫化BP神经网络电价预测系统图如图2所示:
由上述分析可知,将应用于电价预测量子免疫化BP神经网络的拓扑体系定为5-9-6,即输入层的节点数是5个(5种特征影响因子输入量),中间隐含层节点数为9,输出层节点数为6(6种电价预测变化状态)。电价影响因子包括天气、负荷预测、燃料价格、电力供应、水电资源状况5种。
计算亲和度值包括:
确立编码方式:
其中,k表示量子比特个数,α、β分别表示概率出现的复数,满足|α|2+|β|2=1,m表示染色体上的基因数量;
建立亲和度函数:
将实际输出和期望输出的平方和的倒数作为亲和度函数:
式中,f(i)表示亲和度值,En表示实际输出和期望估计值的误差平方和,n表示种群规模,l表示输入的样本个数,m表示输出层节点个数,ynj和y′nj分别表示实际输出和期望输出。
实施例2
如图3所示,本发明实施例2提供一种基于量子免疫优化的BP神经网络的电价预测方法。
在对神经网络进行训练前,首先要对训练参数进行初始化设置,表:3为网络训练中的几个主要参数值及其含义。这里需要注意的是,若在训练前没有对网络训练参数进行赋值,则系统会选取默认值(缺省值)作为训练参数。
传递函数的作用是对基函数的输出进行计算,以得到最后的输出结果函数,可看成是神经元对输入信号进行的第二次处理,神经元的传递函数有很多种类,且不同的函数具有不同的特点和性能,可利用这些种类繁多的,功能各异的函数构建整个神经网络。
表2:神经网络训练的主要参数
利用量子免疫优化BP神经网络对进行电价预测时,电价预测与时间的关系显然是非线性关系,故传递函数应选择为非线性Sigmoid函数,Sigmoid函数函数中最常见的两个非线性函数式Tansig和Logsig,由于网络输出值取值为(0,1),故可将非线性的Logsig函数作为网络的传递函数,将Tansig作为基函数,以保证整个网络拥有良好的非线性映射能力。
BP神经网络的核心思想是通过梯度下降法来计算目标函数的最小值,故对初始值的选取非常关键,一旦初始权值选取不合适,就会使得网络收敛时间变长或陷入局部最优,而量子免疫优化的BP神经网络算法能在全局进行搜索优化,其网络连接权值的计算步骤如下:
(1)根据BP神经网络的输入和输出样本值,首先确定网络的拓扑结构和给定的训练样本。
(2)对BP神经网络权值的编码方案进行规定明确,也就是说要把BP神经网络权系数替换成量子免疫优化BP神经网络算法中的抗体编码。
(3)对目标函数、种群的规模和种群的更新方式进行设定,此外还要对初始化种群进行初始化。
(4)选取网络输入和输出样本集的亲和度函数,评价输出的网络值,从而计算亲和度值。
(5)得到初始种群的全局最优解。
(6)根据量子旋转门对种群进行更新,每次循环后,都要比较转换误差与设定误差。
(7)若达到设定的迭代次数或误差满足要求之后,则结束计算,否则返回步骤(4)继续进行迭代。
(8)将搜索得到的全局最优解作为BP神经网络的初始值,对网络进行训练,直到满足设定的精度要求。
实施例3
本发明实施例3中,提供一种基于量子免疫优化的BP神经网络电价预测方法,选用某区域电力市场从2014年3月8日到2014年4月8日的短期历史电价和负荷为样本,然后将数据样本分成了两部分,一部分3月8日到4月2日为训练样本,另一部分4月3日到4月8日为预测样本用来验证模型预测准确度。其中,共有60组原始数据作为该模型网络的样本集,选取其中的48组当做训练样本,余下的12组数据作为测试样本集,因此可确定神经网络的输入和输出,其部分训练样本数据如表3所示:
表3:油色谱训练样本集
部分测试样本数据如表4所示:
表4:部分测试样品数据
网络参数的具体设置:根据前述的输入层,隐含层和输出层的参数选择,这里网络主体的拓扑结构设为:5-9-6,训练次数设为600,收敛精度设为10-4;学习速度设为默认的0.01。则三层的量子免疫优化BP神经网络需要对权值和阈值进行改进,改进的数量总数为:5×12+9×6+6=120,即有151个参数需要进行优化,BP神经网络的隐含层选择指数S型的tensing()函数,输出层的传递函数选取为losing()函数,这是因为输出层中的电价变化状态取值为0~1,这样的函数设定恰好符合网络的输出要求。
在确定了网络的机构后,将BP神经网络的初始权系数设为[-1,1]之间随机的数,然后将60组样本数据导入MATLAB中进行训练,发现该网络达到收敛条件,总共运行步数为500步,样本集的训练函数可选择trainlm,变异概率取值为0.05;交叉概率取值为0.75,学习速率取值0.01,最大训练次数设为500,则量子免疫优化BP网络的训练误差曲线如图4所示。
由图4可知,当训练样本为54组时,量子免疫BP神经网络迭代次数为80次时,就已经达到收敛条件,收敛速度相比于普通BP神经网络,不仅收敛速度快,误差也在更小,从这54组测试样本结果中可知:其平均误差为0.12,仅有3组的预测偏差较大。该网络的训练效果达到了设定的误差范围内,然后将训练好的6组数据来验证本次电价预测的是否正确及正确率如何。6组验证数据与预测结果的对比如表5所示:
表:5:验证数据与预测结果对比
所取60组样本中的前20组样本基本上都是正常状态,特征影响因子所含5种情况都在正常范围,小幅下跌状6态和小幅上涨状态分别有8组,共计16组,S1表示电价波动正常、S2表示电价小幅下跌状态,S3表示电价大幅下跌状态,S4表示电价持平状态,S5表示电价小幅上涨状态,S6表示电价大幅上涨状态。对60组数据作为预测样本,经量子免疫优化后的神经网络预测正确高达56组,仅有4组数据的特征影响因子相对模糊导致预测错误,电价预测准确率总体高达91.6%,基本上能够满足电价预测的要求。
在本实施例3中,对相同的样本数据,分别用普通的BP神经网络算法和经量子免疫优化后的BP神经网络(QIA-BP)算法进行预测分析。普通的BP神经网络算法预测的训练迭代图如图5所示:
通过普通的BP神经网络算法和经量子免疫优化后的BP神经网络算法的训练迭代图对比可发现,经量子免疫优化后的BP神经网络算法的训练迭代图在80次迭代后趋向于收敛,普通的BP神经网络算法的训练迭代图在100次迭代后还未收敛,量子免疫优化BP神经网络算法的收敛速度相比于普通BP神经网络算法,不仅收敛速度快,误差也要更小。
量子免疫优化BP神经网络算法和普通BP神经网络算法的最终电价预测结果图如图6和7所示。图6和7中分别展示了单纯的BP网络神经和经量子免疫优化后的BP神经网络对相同数据经训练后对12组数据的预测结果,量子免疫优化后的BP神经网络的预测结果为12组数据有11组是准确的,普通BP的预测结果为12组数据有10组是准确的。通过预测结果的对比分析。可知经量子免疫优化后的BP神经网络算法与单纯的BP神经网络相比,对电价预测的预测更贴近于真实值,即误差更小,对12组预测数据得到的平均绝对百分比准确度为:91.6%。而单纯BP神经网络对12组数据的预测平均绝对百分比准确度为83.3%。与单纯的BP神经网络预测相比,经量子免疫优化后的BP神经网络算法的准确度提高了8.3%。即说明经量子免疫优化后的BP神经网络在电价预测方面的精度要远高于普通的BP神经网络算法,具有更好的实际预测效果。
综上所述,本发明实施例所述的基于量子免疫优化的BP神经网络的电价预测方法,采用的是量子免疫优化BP神经网络算法来作为电价预测的主算法,基于该算法完成了电价预测的建模,确定了神经网络的重要参数,这样优化之后的算法既能发挥BP神经网络非线性映射能力强、网络构架灵活的优势,又能避免其学习能力差,收敛速度慢的缺点,能更好地应用于电价预测。经量子免疫优化后的BP神经网络在电价预测方面的精度要远高于普通的BP神经网络算法,具有更好的实际预测效果。因此该改进算法不仅大大提高了电价预测的准确度,预测方案也更为快速高效,能有效节约检修的人力和财力资源,缩短预测周期。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本发明公开的技术方案的基础上,本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于:
将多组电价影响因子的指标值输入到电价预测模型中;其中,
每一组电价影响因子包含多个电价影响因子;
所述电价预测模型使用多组训练数据经利用量子免疫优化算法进行全局优化的BP神经网络训练得到;
所述多组训练数据中的每一组训练数据均包括:一组电价影响因子的指标值以及与该组电价影响因子的的指标值对应的电价变化状态;
获取所述电价预测模型的输出信息,其中,所述输出信息包括:与电价影响因子的指标值对应的电价变化状态类型。
2.根据权利要求1所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于,利用量子免疫优化算法对BP神经网络进行全局优化包括:
根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本;
输入训练样本,计算亲和度值;
利用亲和度值,对抗体进行选择操作,根据量子旋转门对初始种群进行迭代更新,直至达到设定的迭代次数或比较转换误差与设定误差满足误差要求,得到初始种群的全局最优解;
将搜索得到的全局最优解作为BP神经网络的初始值。
3.根据权利要求2所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于,根据BP神经网络的输入样本值和输出样本值,确定BP神经网络的拓扑结构和训练样本包括:
选取输入向量;对电价影响的特征影响因子进行归一化处理,将各个电价影响因子占总含量的百分比作为输入向量;
选取输出变量;采用二进制对电价变化状态进行编码赋值,确定电价变化状态类型与期望输出值之间的关系;
隐含层相关参数的确定。
4.根据权利要求3所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于,计算亲和度值包括:
确立编码方式:
其中,k表示量子比特个数,α、β分别表示概率出现的复数,满足|α|2+|β|2=1,m表示染色体上的基因数量;
建立亲和度函数:
将实际输出和期望输出的平方和的倒数作为亲和度函数:
式中,f(i)表示亲和度值,En表示实际输出和期望估计值的误差平方和,n表示种群规模,l表示输入的样本个数,m表示输出层节点个数,ynj和y′nj分别表示实际输出和期望输出。
5.根据权利要求1-4任一项所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于,所述电价影响因子包括天气、负荷预测、燃料价格、电力供应、水电资源状况。
6.根据权利要求5所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于:电价变化状态包括正常、小幅下跌、大幅下跌、小幅上涨、大幅上涨以及持平。
8.根据权利要求7所述的基于量子免疫优化BP神经网络算法的电价预测方法,其特征在于:BP神经网络输入层的节点数为5,隐含层节点数为9,输出层节点数为6。
9.一种计算机设备,包括存储器和处理器,所述处理器和所述存储器相互通信,所述存储器存储有可被所述处理器执行的程序指令,其特征在于:所述处理器调用所述程序指令执行如权利要求1-8任一项所述的方法。
10.一种计算机可读存储介质,其存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922079.9A CN112036651A (zh) | 2020-09-04 | 2020-09-04 | 基于量子免疫优化bp神经网络算法的电价预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010922079.9A CN112036651A (zh) | 2020-09-04 | 2020-09-04 | 基于量子免疫优化bp神经网络算法的电价预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112036651A true CN112036651A (zh) | 2020-12-04 |
Family
ID=73592126
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010922079.9A Pending CN112036651A (zh) | 2020-09-04 | 2020-09-04 | 基于量子免疫优化bp神经网络算法的电价预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112036651A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
CN112926836A (zh) * | 2021-01-31 | 2021-06-08 | 中国人民解放军63963部队 | 一种基于健康状态的分队作战任务匹配方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
-
2020
- 2020-09-04 CN CN202010922079.9A patent/CN112036651A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557817A (zh) * | 2020-11-27 | 2021-03-26 | 广东电网有限责任公司肇庆供电局 | 一种基于量子免疫优化算法的有源配电网故障定位方法、系统、存储介质及计算机设备 |
CN112926836A (zh) * | 2021-01-31 | 2021-06-08 | 中国人民解放军63963部队 | 一种基于健康状态的分队作战任务匹配方法 |
CN113837479A (zh) * | 2021-09-28 | 2021-12-24 | 南京凡科信息科技有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
CN113837479B (zh) * | 2021-09-28 | 2024-03-15 | 江苏湛德医疗用品有限公司 | 一种监测目标设备运行状态的预警方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Almalaq et al. | Evolutionary deep learning-based energy consumption prediction for buildings | |
CN109241291B (zh) | 基于深度强化学习的知识图谱最优路径查询系统及其方法 | |
CN109102126B (zh) | 一种基于深度迁移学习的理论线损率预测模型 | |
CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
CN106600059A (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
CN101782743A (zh) | 神经网络建模方法及系统 | |
CN110059887B (zh) | 基于自适应遗传算法的bp神经网络风险识别方法及系统 | |
CN112733417B (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和系统 | |
Feng et al. | Parallel cooperation search algorithm and artificial intelligence method for streamflow time series forecasting | |
CN113887916A (zh) | 一种配电网线损动态量化评估方法及系统 | |
CN108280998A (zh) | 基于历史数据动态选择的短时交通流预测方法 | |
CN109919356A (zh) | 一种基于bp神经网络区间需水预测方法 | |
CN115186803A (zh) | 一种考虑pue的数据中心算力负荷需求组合预测方法和系统 | |
Cheng et al. | GRU-ES: Resource usage prediction of cloud workloads using a novel hybrid method | |
CN114298377A (zh) | 一种基于改进极限学习机的光伏发电预测方法 | |
CN115983485A (zh) | 一种发电厂碳排放的预测方法及系统 | |
CN113139341B (zh) | 基于联邦集成学习的电量需求预测方法和系统 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统 | |
Wang et al. | Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP | |
CN115860170A (zh) | 一种考虑电力电子负载的配电系统电能质量优化方法 | |
CN115689001A (zh) | 基于模式匹配的短期负荷预测方法 | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
CN111274530B (zh) | 一种容器云资源的预测方法 | |
CN114202063A (zh) | 一种基于遗传算法优化的模糊神经网络温室温度预测方法 | |
CN114528094A (zh) | 基于lstm和遗传算法的分布式系统资源优化分配方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20201204 |
|
RJ01 | Rejection of invention patent application after publication |