一种电力价格预测方法及系统技术方案

本发明专利技术涉及电力数据预测技术领域，公开了一种电力价格预测方法及系统，其方法通过采用奇异谱分析对电力价格时间序列进行分解，得到多组特征分量，以降低原始电力价格时间序列的波动性，通过对每组特征分量分别建立活性竞争蝙蝠算法优化的极限学习机的电力价格预测模型，有效解决极限学习机存在的非最优参数缺陷，使得训练得到的电力价格预测子模型更加准确，通过，还将每个电力价格子模型的预测输出值进行加和处理，得到最终的电力价格预测结果，避免了极限学习机的非最优参数的情况，提高了对电力价格预测的精度。高了对电力价格预测的精度。高了对电力价格预测的精度。

【技术实现步骤摘要】
一种电力价格预测方法及系统


[0001]本专利技术涉及电力数据预测
，尤其涉及一种电力价格预测方法及系统。

技术介绍

[0002]近年来，随着风能和太阳能等清洁能源的快速发展与利用，风电和光伏装机容量急剧上升，全球新能源行业蓬勃发展，大规模新能源正逐渐并入电网。但由于风电和光伏等新能源的发电成本低，电力市场的日前出清价格出现了降低的趋势；而且电能不能大量储存，要时刻满足供需平衡，风光等新能源的随机性与不稳定性使得日前出清价格波动强烈，呈现出非线性特点，建立高准确率的日前电价预测模型迫在眉睫然。电价波动大小与电力市场风险紧密相关，因此，准确的电价预测对于电力系统和电力市场具有重要的意义。
[0003]目前电价预测方法可分为统计学预测法和机器学习预测法，统计学包括广义自回归条件异方差、时间序列等，通过学习不同时刻的电价递归关系实现电价预测，但这些方法，对于非线性序列预测效果并不佳。随着机器学习的广泛应用，不少研究者将其应用到电价预测当中。如神经网络、极限学习机等，与传统的梯度下降法神经网络相比，极限学习机避免了许多缺点，如局部极小和高的计算负担，它能很大程度提高学习速度以及拥有良好的泛化能力,因此可用于电价预测，但诸多文献研究表明极限学习机随机生成初始输入权值和隐含层偏置，存在非最优参数的问题，因此，现有技术对电力价格预测精度较低。

技术实现思路

[0004]本专利技术提供了一种电力价格预测方法及系统，解决了现有技术对电力价格预测精度较低的技术问题。
[0005]有鉴于此，本专利技术第一方面提供了一种电力价格预测方法，包括以下步骤：
[0006]获取历史电力价格数据，构建电力价格时间序列；
[0007]采用奇异谱分析对所述电力价格时间序列进行分解，得到多组特征分量；
[0008]对每组特征分量构建相应的训练数据集和测试数据集；
[0009]对每组特征分量分别建立活性竞争蝙蝠算法优化的极限学习机的电力价格预测模型；
[0010]将所述训练数据集中的训练样本逐一输入至所述电力价格预测模型中进行训练，得到各自对应的电力价格预测子模型；
[0011]将所述测试数据集中的测试样本逐一输入到对应的电力价格预测子模型进行预测，得到每个电力价格预测子模型的电力价格预测值；
[0012]将所有电力价格预测值进行加和处理，得到最终的电力价格预测结果。
[0013]优选地，采用奇异谱分析对所述电力价格时间序列进行分解，得到多组特征分量的步骤具体包括：
[0014]定义电力价格时间序列为Y＝[y1,y2,
…
,y
N
]T
，N表示样本总数，则根据电力价格时间序列Y建立滞后L阶的向量X
i
为：
[0015]X
i
＝[y
i
,y
i+1
,
…
,y
i+L
‑1]T
,i＝1,2,
…
,K
[0016]式中，L表示窗口长度，K＝N
‑
L+1；
[0017]根据滞后L阶的向量X
i
生成轨迹矩阵X为：
[0018][0019]式中，K表示轨迹矩阵X的的列数；
[0020]假设协方差矩阵S＝XX
T
，S的奇异值分解产生一组共L个特征值λ1,λ2,
…
,λ
L
，并根据特征值大小降序排列，记为λ1＞λ2＞
…
＞λ
L
≥0，求得各特征值对应的正交特征向量U1，U2，...,U
i
,...,U
L
，对轨迹矩阵X进行奇异值分解为：
[0021]X＝x1+x2+x
i
+
…
+x
d
[0022]式中，为矩阵X的奇异值，d表示轨迹矩阵X的奇异值的个数，为奇异谱，U
i
为轨迹矩阵X的正交特征向量，V
i
为轨迹矩阵X的主成分；
[0023]将分解得到的奇异值分成m个不相交的组I1，I2，...,I
m
，将I
m
＝(i
i
,i2,...,i
p
)表示为一组指数，p表示指数的总数，对应于组I
m
的合成矩阵X
I
定义为则轨迹矩阵X分解为：
[0024][0025]从而将合成矩阵X
I
转换成其所对应的时间序列数据特征分量，每一组数据特征分量包含原始信号的趋势分量、周期分量和噪声分量中的一种；
[0026]通过相应特征值的占比计算I
m
的特征分量的贡献率，将贡献率为小于0.01％的序列为噪声分量，剔除所述噪声分量；
[0027]通过对角平均将每个轨迹矩阵X通过以下过程转移到时间序列中：
[0028]假设轨迹矩阵X为一个L
×
K的矩阵，矩阵元素为x
ij
，1≤i≤L，1≤j≤K，设L
*
＝min(L,K),K
*
＝max(L,K)，其中，L
*
表示轨迹矩阵X的行和列的最小值，K
*
表示轨迹矩阵X的行和列的最大值，N＝K+L
‑
1，若L<K，令其中，表示重构后时间序列元素值，若L≥K，则则重构后的时间序列Z＝{z1,z2,
…
,z
N
}表示如下：
[0029][0030]式中，表示重构后时间序列元素值，k表示重构后第k个分量，从而得到多组特征分量z
k
。
[0031]优选地，对每组特征分量构建相应的训练数据集和测试数据集的步骤具体包括：
[0032]获取每组特征分量中每个特征分量与电力价格之间的映射关系，以构建相应的训练数据集和测试数据集。
[0033]优选地，对每组特征分量分别建立活性竞争蝙蝠算法优化的极限学习机的电力价格预测模型的步骤具体包括：
[0034]构建初始极限学习机的电力价格预测模型；
[0035]设定活性竞争蝙蝠算法的活性变异概率Pa，维度交叉概率Pv，脉冲发射频率r
i
，最大频率f
max
，最小频率f
min
，缩放因子σ，种群规模M，最大迭代次数Tmaxgen和粒子维数D，粒子维数D为所要优化的输入权值和隐含层偏置个数；
[0036]对所要优化的输入权值和隐含层偏置进行蝙蝠编码，并随机产生初始种群Q＝[Q1,Q2,...,Q
g
,...,Q
G
]T
，其中，第g个蝙蝠为：
[0037]Q
g
＝[w
11
,w
12
,...,w
1l
,w...

【技术保护点】

【技术特征摘要】
1.一种电力价格预测方法，其特征在于，包括以下步骤：获取历史电力价格数据，构建电力价格时间序列；采用奇异谱分析对所述电力价格时间序列进行分解，得到多组特征分量；对每组特征分量构建相应的训练数据集和测试数据集；对每组特征分量分别建立活性竞争蝙蝠算法优化的极限学习机的电力价格预测模型；将所述训练数据集中的训练样本逐一输入至所述电力价格预测模型中进行训练，得到各自对应的电力价格预测子模型；将所述测试数据集中的测试样本逐一输入到对应的电力价格预测子模型进行预测，得到每个电力价格预测子模型的电力价格预测值；将所有电力价格预测值进行加和处理，得到最终的电力价格预测结果。2.根据权利要求1所述的电力价格预测方法，其特征在于，采用奇异谱分析对所述电力价格时间序列进行分解，得到多组特征分量的步骤具体包括：定义电力价格时间序列为Y＝[y1,y2,
…
,y
N
]
T
，N表示样本总数，则根据电力价格时间序列Y建立滞后L阶的向量X
i
为：X
i
＝[y
i
,y
i+1
,
…
,y
i+L
‑1]
T
,i＝1,2,
…
,K式中，L表示窗口长度，K＝N
‑
L+1；根据滞后L阶的向量X
i
生成轨迹矩阵X为：式中，K表示轨迹矩阵X的的列数；假设协方差矩阵S＝XX
T
，S的奇异值分解产生一组共L个特征值λ1,λ2,
…
,λ
L
，并根据特征值大小降序排列，记为λ1＞λ2＞
…
＞λ
L
≥0，求得各特征值对应的正交特征向量U1，U2，...,U
i
,...,U
L
，对轨迹矩阵X进行奇异值分解为：X＝x1+x2+x
i
+
…
+x
d
式中，为矩阵X的奇异值，d表示轨迹矩阵X的奇异值的个数，为奇异谱，U
i
为轨迹矩阵X的正交特征向量，V
i
为轨迹矩阵X的主成分；将分解得到的奇异值分成m个不相交的组I1，I2，...,I
m
，将I
m
＝(i
i
,i2,...,i
p
)表示为一组指数，p表示指数的总数，对应于组I
m
的合成矩阵X
I
定义为则轨迹矩阵X分解为：从而将合成矩阵X
I
转换成其所对应的时间序列数据特征分量，每一组数据特征分量包含原始信号的趋势分量、周期分量和噪声分量中的一种；通过相应特征值的占比计算I
m
的特征分量的贡献率，将贡献率为小于0.01％的序列为噪声分量，剔除所述噪声分量；
通过对角平均将每个轨迹矩阵X通过以下过程转移到时间序列中：假设轨迹矩阵X为一个L
×
K的矩阵，矩阵元素为x
ij
，1≤i≤L，1≤j≤K，设L
*
＝min(L,K),K
*
＝max(L,K)，其中，L
*
表示轨迹矩阵X的行和列的最小值，K
*
表示轨迹矩阵X的行和列的最大值，N＝K+L
‑
1，若L<K，令其中，表示重构后时间序列元素值，若L≥K，则则重构后的时间序列Z＝{z1,z2,
…
,z
N
}表示如下：式中，表示重构后时间序列元素值，k表示重构后第k个分量，从而得到多组特征分量z
k
。3.根据权利要求2所述的电力价格预测方法，其特征在于，对每组特征分量构建相应的训练数据集和测试数据集的步骤具体包括：获取每组特征分量中每个特征分量与电力价格之间的映射关系，以构建相应的训练数据集和测试数据集。4.根据权利要求3所述的电力价格预测方法，其特征在于，对每组特征分量分别建立活性竞争蝙蝠算法优化的极限学习机的电力价格预测模型的步骤具体包括：构建初始极限学习机的电力价格预测模型；设定活性竞争蝙蝠算法的活性变异概率Pa，维度交叉概率Pv，脉冲发射频率r
i
，最大频率f
max
，最小频率f
min
，缩放因子σ，种群规模M，最大迭代次数Tmaxgen和粒子维数D，粒子维数D为所要优化的输入权值和隐含层偏置个数；对所要优化的输入权值和隐含层偏置进行蝙蝠编码，并随机产生初始种群Q＝[Q1,Q2,...,Q
g
,...,Q
G
]
T
，其中，第g个蝙蝠为：Q
g
＝[w
11
,w
12
,...,w
1l
,w
21
,w
22
,
…
,w
2l
,...,w
n1
,w
n2
,...,w
nl
,b1,b2,
…
,b
l
].式中，n和l分别为极限学习机的输入层和隐含层个数，w
...

【专利技术属性】
技术研发人员：董朕，黄磊，简俊威，吴建光，高东慧，
申请(专利权)人：广东电网有限责任公司肇庆供电局，
类型：发明
国别省市：