基于局域均值分解及优化RBF神经网络的短期电价预测方法技术

本发明专利技术电价预测的技术领域，更具体地，涉及一种基于局域均值分解及优化RBF神经网络的短期电价预测方法，首先获取电价历史数据并对数据做预处理；然后利用局域均值分解将历史电价数据分解成一系列拥有物理意义的PF分量；接着采用纵横交叉算法优化径向基神经网络的预测模型对所有PF分量进行提前0.5h预测；最后叠加所有PF分量的预测值，得到实际预测结果。本发明专利技术利用局域均值分解来减少电价序列的非平稳性和非线性问题，采用纵横交叉算法优化径向基神经网络组成混合模型进行提前预测，弥补了神经网络易陷入局部最优的缺陷，提高了神经网络的泛化能力，降低了电价序列复杂特性对预测结果的影响，提高了短期电价预测的精度。

【技术实现步骤摘要】
基于局域均值分解及优化RBF神经网络的短期电价预测方法
本专利技术涉及电价预测的
，更具体地，涉及一种基于局域均值分解及优化RBF神经网络的短期电价预测方法。
技术介绍
随着电力市场的改革，电价可以像普通商品一样在市场中进行交易，电价预测即在充分考虑市场供求关系，市场参与者实施电力市场大小，以及社会活动等影响因素，通过建立相关模型对历史电价数据进行研究，分析电价本身的变化规律，对未来电力市场市场边际价格进行预测。从发电方来看，准确的电价预测有利于其把握市场走向，掌握市场先机，从而构造最优的发电量和电价投标策略，以获得最大利润；从用电方来看，电价形成了其购电费用，准确的电价预测可以让用户根据需求控制其用电量，制定合理的用电计划，一些普通的用户可以通过购买能自动控制时间，智能化程度较高的家电来来享受低谷用电的实惠，从而降低生活成本，同时也起到削峰填谷的作用。因此，准确的电价预测对电力系统和电力市场正常运行起着重要作用。目前，文献中大多数模型都集中在短期电价预测。这些方法包括时间序列模型，人工智能模型和混合模型。与常规的神经网络模型相比，采用纵横交叉优化后的神经网络模型弥补了很多不足，它避免了神经网络的参数陷入局部最优的缺陷，提高了神经网络的泛化能力，所以可用于短期电价预测，然而，单一的预测模型是不能准确预测电价，由于电价序列具有非平稳性和非线性的复杂特性，变分模态分解技术将原始电价分解成一系列模态，再采用预测模型进行预测，能大程度的提高电价预测精度。但是电价不仅与历史电价有关，还与天气，发电侧报价，人为活动等不定性因素有关，这些因素都影响到电价预测的精度。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种基于局域均值分解及优化RBF神经网络的短期电价预测方法，能够应用于电力市场和电力系统相关领域的科学研究和工程应用，且可提高预测模型的泛化能力和预测精度。为解决上述技术问题，本专利技术采用的技术方案是：提供一种基于局域均值分解及优化RBF神经网络的短期电价预测方法，包括以下步骤：S1.获取历史电价数据并对历史电价数据进行预处理；S2.利用局域均值分解将步骤S1中所述历史电价数据分解为若干PF分量；S3.选择训练样本，建立纵横交叉算法优化RBF神经网络的预测模型；S4.对步骤S2中所有PF分量均采用步骤S3中所述纵横交叉算法优化RBF神经网络的预测模型进行预测得到PF分量的预测值；S5.叠加步骤S4中所有的PF分量的预测值，得到实际预测结果。本专利技术的基于局域均值分解及优化RBF神经网络的短期电价预测方法，采用局部均值分解减少了电价序列的非平稳性和非线性问题，采用纵横交叉算法优化径向基神经网络组成混合模型进行提前预测，降低了电价序列复杂特性对预测结果的影响，提高了短期电价预测的精度。优选地，步骤S1中，所述历史电价数据包括连续1周～4周的电价数据，时间分辨率为0.25h～1h，一天包含24～96个数据点。优选地，步骤S1中，所述历史电价数据包括连续2周的电价数据，时间分辨率为0.5h，一天包含48个数据点。优选地，步骤S2中所述局部均值分解包括以下步骤：S21.以历史电价数据为原始信号x(t)，原始信号x(t)中所有局部极值点ni(i＝1，2，...，M)，M表示极值点数，设任意两相邻极值点为ni和ni+1，则有：mi＝(ni+ni+1)/2ai＝|ni+ni+1|/2式中，mi为相邻两个极值点ni和ni+1的平均值，ai为包络估计值；S22.将mi和ai离散的点分别用直线连线成折线，采用滑动平均法对mi和ai进行处理，得到局部均值函数m11(t)和局部包络函数a11(t)；S23.将局部均值函数m11(t)从原始信号x(t)中分离出来，得到：h11(t)＝x(t)-m11(t)并对h11(t)进行解调，得到：s11(t)＝h11(t)/a11(t)S24.若s11(t)为纯调频信号，则s11(t)的局部包络函数满足a12(t)＝1；若a12(t)≠1，则按下式迭代至s1n(t)变为纯调频函数，即s1n(t)的包络估计函数a1(n+1)(t)＝1；得到以下公式：h11(t)＝x(t)-m11(t)h12(t)＝s11(t)-m12(t)h1n(t)＝s1(n-1)(t)-m1n(t)式中，s11(t)＝h11(t)/a11(t)s12(t)＝h12(t)/a12(t)s1n(t)＝h1n(t)-a1n(t)迭代终止条件为：S25.在迭代过程中产生的所有包络估计函数相乘得到包络信号a1(t)，S26.将包络信号a1(t)和纯调频信号s1n(t)相乘得到原始信号中的第一个PF分量PF1(t)，PF1(t)＝a1(t)s1n(t)；S27.将PF1(t)从原始信号x(t)中分离出来，得到一个新的信号u1(t)，u1(t)＝x(t)-PF1(t)；S28.将u1(t)作为原始信号重复步骤S21～S27，循环k次，直到uk(t)为一个单调函数为止：u1(t)＝x(t)-PF1(t)u2(t)＝u1(t)-PF2(t)uk(t)＝uk-1(t)-PFk(t)S29.原始信号x(t)被k个PF分量和uk(t)重构，即：本专利技术在MATLAB平台实行局域均值分解的函数是LMD(·)，本专利技术中的局域均值分解将原始电价序列分解为6个PF分量。优选地，步骤S24中，取一个结束的范围a1n(t)±Δx作为迭代的终止条件；取步骤S25中a1(t)≈1。这样设置利用以下近似算法可以提高计算速度，且不影响计算精度。优选地，步骤S26中，PF1的幅值为a1(t)，瞬时频率为f1(t)可直接由s1n(t)求得，即为：优选地，步骤S3中，建立纵横交叉算法优化RBF神经网络的预测模型包括以下步骤：S31.根据给定的训练样本，确定神经网络拓扑结构和各层的神经元数目，并确定纵横交叉算法的纵向交叉概率Pv、种群规模M、最大迭代次数Tmaxgen；S32.对所要优化的粒子编码，在编码的解空间中，随机产生初始种群X＝[X1，X2，...，XM]T；S33.利用下式对步骤S32中所述初始种群中每个粒子进行适应度评价：式中，pt表示神经网络的实际输出，表示神经网络的目标输出，N表示训练样本数；S34.按照下式进行横向交叉操作，横向交叉操作获得的子代保存在矩阵MShc，再计算矩阵MShc里所有粒子的适应值，将得到的适应值与父代种群X的适应值进行对比，选出适应度更好的粒子保存在矩阵DShc中，表示为下式：MShc(i，d)＝r1×X(i，d)+(1-r1)×X(j，d)+c1×(X(i，d)-X(j，d))MShc(j，d)＝r2×X(j，d)+(1-r2)×X(i，d)+c2×(X(j，d)-X(i，d))i，j∈N(1，M)，d∈N(1，D)式中，r1、r2是[0，1]之间的随机数；c1、c2是[-1，1]之间的随机数；M为粒子数的范围；D为变量的维数；X(i，d)、X(j，d)分别表示父代粒子X(i)和X(j)的第d维；MShc(i，d)、MShc(j，d)分别表示X(i，d)和X(j，d)通过横向交叉在第d维产生子代。本专利技术的横向交叉概率取1，横向交叉是在两个粒子中做算术交叉操作，且两个粒子是在同一维随机产生。S35.按照下式进行纵向交叉操作本文档来自技高网...

【技术保护点】
1.基于局域均值分解及优化RBF神经网络的短期电价预测方法，其特征在于，包括以下步骤：S1.获取历史电价数据并对历史电价数据进行预处理；S2.利用局域均值分解将步骤S1中所述历史电价数据分解为若干PF分量；S3.选择训练样本，建立纵横交叉算法优化RBF神经网络的预测模型；S4.对步骤S2中所有PF分量均采用步骤S3中所述纵横交叉算法优化RBF神经网络的预测模型进行预测得到PF分量的预测值；S5.叠加步骤S4中所有的PF分量的预测值，得到实际预测结果。

【技术特征摘要】
1.基于局域均值分解及优化RBF神经网络的短期电价预测方法，其特征在于，包括以下步骤：S1.获取历史电价数据并对历史电价数据进行预处理；S2.利用局域均值分解将步骤S1中所述历史电价数据分解为若干PF分量；S3.选择训练样本，建立纵横交叉算法优化RBF神经网络的预测模型；S4.对步骤S2中所有PF分量均采用步骤S3中所述纵横交叉算法优化RBF神经网络的预测模型进行预测得到PF分量的预测值；S5.叠加步骤S4中所有的PF分量的预测值，得到实际预测结果。2.根据权利要求1所述的基于局域均值分解及优化RBF神经网络的短期电价预测方法，其特征在于，步骤S1中，所述历史电价数据包括连续1周～4周的电价数据，时间分辨率为0.25h～1h，一天包含24～96个数据点。3.根据权利要求1所述的基于局域均值分解及优化RBF神经网络的短期电价预测方法，其特征在于，步骤S1中，所述历史电价数据包括连续2周的电价数据，时间分辨率为0.5h，一天包含48个数据点。4.根据权利要求1所述的基于局域均值分解及优化RBF神经网络的短期电价预测方法，其特征在于，步骤S2中所述局部均值分解包括以下步骤：S21.以历史电价数据为原始信号x(t)，原始信号x(t)中所有局部极值点ni(i＝1,2,…,M)，M表示极值点数，设任意两相邻极值点为ni和ni+1，则有：mi＝(ni+ni+1)/2ai＝|ni+ni+1|/2式中，mi为相邻两个极值点ni和ni+1的平均值，ai为包络估计值；S22.将mi和ai离散的点分别用直线连线成折线，采用滑动平均法对mi和ai进行处理，得到局部均值函数m11(t)和局部包络函数a11(t)；S23.将局部均值函数m11(t)从原始信号x(t)中分离出来，得到：h11(t)＝x(t)-m11(t)并对h11(t)进行解调，得到：s11(t)＝h11(t)/a11(t)S24.若s11(t)为纯调频信号，则s11(t)的局部包络函数满足a12(t)＝1；若a12(t)≠1，则按下式迭代至s1n(t)变为纯调频函数，即s1n(t)的包络估计函数a1(n+1)(t)＝1；得到以下公式：h11(t)＝x(t)-m11(t)h12(t)＝s11(t)-m12(t)h1n(t)＝s1(n-1)(t)-m1n(t)式中，s11(t)＝h11(t)/a11(t)s12(t)＝h12(t)/a12(t)s1n(t)＝h1n(t)-a1n(t)迭代终止条件为：S25.在迭代过程中产生的所有包络估计函数相乘得到包络信号a1(t)，S26.将包络信号a1(t)和纯调频信号s1n(t)相乘得到原始信号中的第一个PF分量PF1(t)，PF1(t)＝a1(t)s1n(t)；S27.将PF1(t)从原始信号x(t)中分离出来，得到一个新的信号u1(t)，u1(t)＝x(t)-PF1(t)；S28.将u1(t)作为原始信号重复步骤S21～S27，循环k次，直到uk(t)为一个单调函数为止：u1(t)＝x(t)-PF1(t)u2(t)＝u1(t)-PF2(t)uk(t)＝uk-1(t)-PFk(t)S29.原始信号x(t)被k个PF分量和uk(t)重构，即：5.根据权利要求4...

【专利技术属性】
技术研发人员：孟安波，李皓，殷豪，吴非，邵慧栋，许锐埼，刘诗韵，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44