[发明专利]基于BP和PSO的数据预测方法、系统及相关装置

权利要求书

1.一种基于BP和PSO的数据预测方法，其特征在于，应用于电力系统负荷预测领域，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；

S7：若达到所述最大迭代次数或所述最优值误差小于所述预定误差，则输出所述网络结构下的最终权值和最终阈值，以利用所述最终权值和所述最终阈值完成对电力系统未来负荷数据的预测。

2.根据权利要求1所述的数据预测方法，其特征在于，所述利用训练样本集确定BP的网络结构，包括：

对所述训练样本集中的原始数据进行垂直预处理，以剔除异常数据，得到有效训练数据；

对影响所述网络结构的特征数据进行量化和归一化处理，得到处理后数据；

将所述处理后数据带入所述惯性因子周期改变公式和惯性因子动态改变公式进行优化处理，得到所述网络结构。

3.根据权利要求2所述的数据预测方法，其特征在于，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，包括：

利用所述网络结构和适应度函数计算得到所述PSO粒子群中每个PSO粒子的适应度值；

将所述适应度值通过最优值模型得到所述PSO粒子群的全局最优值。

4.根据权利要求1至3任一项所述的数据预测方法，其特征在于，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，包括：

将执行所述PSO参数初始化操作后得到的已知参数W_min、W_max、T、t带入所述惯性因子周期改变公式中，计算得到所述消除振荡后惯性因子的数值W₁；其中，所述T为PSO最大迭代次数、W_max为惯性因子初始最大值、W_min为惯性因子初始最小值、t为当前实际迭代次数。

5.根据权利要求4所述的数据预测方法，其特征在于，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，包括：

将每次迭代得到的全局最优值设定为G_best、局部最优值设定为P_best；

利用进化度公式进行运算，得到第t次迭代的进化度数值e；其中，所述t的取值范围为t1的正整数、所述G_best(t)为第t次迭代计算得到的全局最优值，所述G_best(t-1)为第(t-1)次迭代计算得到的全局最优值；

将每次迭代得到的G_best、P_best以及执行所述PSO参数初始化操作后得到的已知参数N利用聚合度公式进行运算，得到第t次迭代的聚合度数值a；其中，所述N为所述PSO粒子群中PSO粒子的个数；

利用所述动态性改变惯性因子的公式W₂＝W₀-0.55×e+0.15×a计算得到第t次迭代的第二惯性因子的数值W₂。