[发明专利]数据预测方法和装置

权利要求书

1.一种年度电力负荷数据预测方法，其特征在于，包括：

获取样本数据；所述样本数据包括N个不同时期的历史电力负荷数据，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，计算预测年度电力负荷数据。

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个不同时期的历史电力负荷数据进行归一化处理，获得归一化处理后的N个不同时期的历史电力负荷数据；

从所述归一化处理后的N个不同时期的历史电力负荷数据中，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电力负荷数据，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电力负荷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。