一种电价预测方法、系统和计算机可读存储介质技术方案

本发明专利技术提供一种电价预测方法、系统和计算机可读存储介质，所述方法包括：通过K‑means算法将历史电价数据聚为m类，并得到带模式标签的历史电价数据；根据带模式标签的历史电价数据训练构建电价模式识别模型；建立n个互相独立的日前电价预测模型；由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式；本发明专利技术能够提高电价日波动模式预测的精度，进一步改善日前电价预测的准确度。

A method, system and computer readable storage medium for electricity price forecasting

【技术实现步骤摘要】
一种电价预测方法、系统和计算机可读存储介质
本专利技术涉及电力领域，尤其涉及一种电价预测方法、系统和计算机可读存储介质。
技术介绍
电价预测对于制定合理的报价策略、维持电力市场的安全稳定以及提高系统运行的经济性具有重要意义。日前电价预测是电力市场电价预测的重要组成部分，主要用于预报未来24h内的电价走势。随着我国电力市场化改革的不断推进。对电价预测的准确性提出了更高的要求。因此，日前电价预测已成为电力领域的研究重点。近年来，对电价预测提出了不同的理论和方法。其中既包括传统的时间序列预测方法(如累积式自回归滑动平均、广义自回归条件异方差等)，新兴的机器学习算法(如人工神经网络、支持向量机等)，以及组合预测方法(如基于证据理论的多模型组合预测、基于神经网络和自适应神经模糊处理系统的组合预测等)。虽然上述电价预测方法都通过数据预处理或者参数优化等方式对原始模型作了较大的改进，并且在各自设定的场景或电力市场中进行了仿真验证，但基于所有历史数据的统一建模方法不能区分电价序列日波动模式的差异，导致在预测模型的建立过程中不同日波动模式的电价数据相互影响，模型对输入和输出的拟合度变差，难以得到较为理想的预测结果。
技术实现思路
为了解决上述至少一个技术问题，本专利技术提出了一种电价预测方法、系统和计算机可读存储介质。为了实现上述目的，本专利技术第一方面提出了一种电价预测方法，所述方法包括：通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；根据带模式标签的历史电价数据训练构建电价模式识别模型；选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。进一步的，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。进一步的，所述加权投票算法的表达式为：其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。进一步的，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j＝1，2，...，m)；对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；针对样本划分之后形成的新类，按计算式：重新计算各聚类中心，其中|cj|代表类cj中的样本数目；重复以上两步骤，直至聚类中心的位置不再发生变化。进一步的，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：建立电价模式识别模型；对带模式标签的历史电价数据进行特征提取，并得到特征向量；基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。进一步的，在根据带模式标签的历史电价数据训练构建电价模式识别模型之后，所述方法还包括：根据相应的历史电价数据建立基于RBF神经网络的日前电价预测模型；基于RBF神经网络的日前电价预测模型得到预测日的电价预测序列。进一步的，所述基于RBF神经网络的日前电价预测模型中的算法为：式中：p＝1，2，...，P，且P为样本数目；wqr表示隐含层与输出层之间的连接权值；h为隐含层的节点数；yr表示网络第r个节点对应输入样本的输出结果；‖xp-cq‖为欧式范数；cq和σ分别表示高斯函数的中心和方差；Xp＝x1p，x2p，...，xkp，代表第P个输入向量；k为输入层的节点数。本专利技术第二方面还提出一种电价预测系统，所述电价预测系统包括：存储器及处理器，所述存储器中包括一种电价预测方法程序，所述电价预测方法程序被所述处理器执行时实现如下步骤：通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；根据带模式标签的历史电价数据训练构建电价模式识别模型；选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。进一步的，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分；其中，所述加权投票算法的表达式为：式中，WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。本专利技术第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种电价预测方法程序，所述电价预测方法程序被处理器执行时，实现如上述的一种电价预测方法的步骤。本专利技术在对历史电价数据进行聚类的基础上，针对电价日波动模式预测建立了电价日波动模式识别模型；并以n种基本预测模型的日前电价预测结果作为上述波动模式识别模型的输入，得到对应的n种电价日波动模式预测结果；建立基于可信度加权组合的电价日波动模式天前预测模型，为n种模型的模式预测结果分配不同的权重，根据不同模式的投票值确定最终的模式预测结果，从而提高电价日波动模式预测的精度，进一步改善日前电价预测的准确度。本专利技术的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。附图说明图1示出了本专利技术一种电价预测方法的流程图；图2示出了本专利技术本文档来自技高网...

【技术保护点】
1.一种电价预测方法，其特征在于，所述方法包括：/n通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；/n根据带模式标签的历史电价数据训练构建电价模式识别模型；/n选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；/n由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；/n将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；/n根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。/n

【技术特征摘要】
1.一种电价预测方法，其特征在于，所述方法包括：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。


2.根据权利要求1所述的一种电价预测方法，其特征在于，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。


3.根据权利要求2所述的一种电价预测方法，其特征在于，
所述加权投票算法的表达式为：
其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。


4.根据权利要求1所述的一种电价预测方法，其特征在于，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：
从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j1，2，...，m)；
对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；
针对样本划分之后形成的新类，按计算式：重新计算各聚类中心，其中|cj|代表类cj中的样本数目；
重复以上两步骤，直至聚类中心的位置不再发生变化。


5.根据权利要求1所述的一种电价预测方法，其特征在于，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：
建立电价模式识别模型；
对带模式标签的历史电价数据进行特征提取，并得到特征向量；
基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。


6.根据权利要求1所述的一种电价预测方法，其...

【专利技术属性】
技术研发人员：储长青，
申请(专利权)人：储长青，
类型：发明
国别省市：湖南;43