[发明专利]数据预测方法和装置

说明书

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。

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。