【技术实现步骤摘要】
分时电价预测方法、装置及终端设备
[0001]本申请属于数据预测
,尤其涉及一种分时电价预测方法、装置及终端设备。
技术介绍
[0002]电价是电力市场的支点,电力市场的各参与方都以电价为基础交易。电价预测的精准性和实时性的提升有助于市场各方有效参与市场运营与管理。
[0003]然而,随着光伏发电和风力发电等新能源的广泛参与,电力市场参与方对分时电价的预测越发困难,其发电侧波动大、不规律以及转换频次高等一系列特点,增加了电价预测的不确定性,导致不能准确预测分时电价。
技术实现思路
[0004]为解决现实存在的预测分时电价不准确的问题,本申请实施例提供了分时电价预测方法、装置及终端设备。
[0005]本申请是通过如下技术方案实现的:
[0006]第一方面,本申请实施例提供了一种分时电价预测方法,包括:
[0007]获取目标用户的历史电价数据、历史总负荷数据、历史风能负荷数据、历史光伏负荷数据和历史日期数据;
[0008]确定历史电价数据、历史总负荷数据、历史风能负荷数据和历史光伏负荷数据中对分时电价的影响程度超出阈值的目标变量;
[0009]根据目标变量构建分时电价预测模型;
[0010]基于深度极限学习机DELM,确定分时电价预测模型输出的分时电价。
[0011]在第一方面的一种可能的实现方式中,基于深度极限学习机DELM,确定分时电价预测模型输出的分时电价,包括:
[0012]采用多个极限学习机自动编码器ELM
‑ ...
【技术保护点】
【技术特征摘要】
1.一种分时电价预测方法,其特征在于,包括:获取目标用户的历史电价数据、历史总负荷数据、历史风能负荷数据、历史光伏负荷数据和历史日期数据;确定所述历史电价数据、所述历史总负荷数据、所述历史风能负荷数据和所述历史光伏负荷数据中对分时电价的影响程度超出阈值的目标变量;根据所述目标变量构建分时电价预测模型;基于深度极限学习机DELM,确定所述分时电价预测模型输出的分时电价。2.如权利要求1所述的分时电价预测方法,其特征在于,所述基于深度极限学习机DELM,确定所述分时电价预测模型输出的分时电价,包括:采用多个极限学习机自动编码器ELM
‑
AE进行无监督预训练;采用基于麻雀搜索算法SSA优化ELA
‑
AE随机输入权重与随机偏置,对所述DELM进行优化;基于优化后的DELM,确定所述分时电价预测模型输出的分时电价。3.如权利要求2所述的分时电价预测方法,其特征在于,所述采用多个极限学习机自动编码器ELM
‑
AE进行无监督预训练,包括:ELM
‑
AE的隐含层输出为:h=g(ax+b),a
T
a=I,b
T
b=1式中,a为输入层和隐含层之间的输入,b为隐含层的偏置,g(.)为激活函数;ELM
‑
AE的隐含层输出和输出神经元输出数值关系表示为:式中,β为连接隐含层和输出层的输出权值;输出权值β矩阵为:式中,C为平衡经验风险与结构风险的参数;对于等维的ELM
‑
AE,输出权值β为:β=H
‑1X,β
T
β=IDELM使用ELM
‑
AE逐层训练,第i个隐含层的输出和第(i
‑
1)个隐含层的输出的数值关系为:式中,H
i
表示第i个隐含层的输出,β
i
表示ELM
‑
AE对第(i
‑
1)个隐含层和第i个隐含层训练时的权值矩阵,此时ELM
‑
AE的输入为H
i
‑1,隐含层的神经元数目与DELM上第i个隐含层上的神经元数目一致,DELM上的输出权值β通过最小化最小二乘估计的正则化代价函数求得。4.如权利要求2所述的分时电价预测方法,其特征在于,所述采用基于麻雀搜索算法SSA优化ELA
‑
AE随机输入权重与随机偏置,包括:将当前种群划分为发现者和跟随者;其中,当前种群中包括N只麻雀,选取当前种群中位置最好的PN只麻雀作为发现者,剩余的N
‑
PN只麻雀作为跟随者;
更新所述发现者的位置,所述发现者的位置更新公式如下:式中,t表示当前迭代次数,表示迭代为t时麻雀在第j维中的特征值,iter
max
表示最大迭代次数,α∈(0,1]是一个均匀分布的随机数,R2为警戒值,ST为安全阈值,Q为服从正态分布的随机数,L表示1
×
D的矩阵且每个元素均为1;更新所述跟随者的位置,所述跟随者的位置更新公式如下:式中,X
P
为发现者所占据的最佳位置,X
worst
表示当前全局最差位置,A表示1
×
D...
【专利技术属性】
技术研发人员:吴向明,杨晨光,韩光,陶鹏,
申请(专利权)人:国家电网有限公司国网河北省电力有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。