校准窗口集成与耦合市场特征的双层日前电价预测方法技术

本发明专利技术涉及校准窗口集成与耦合市场特征的双层日前电价预测方法，属于电力市场技术领域，该预测算法为双层框架：内层框架为基于改进自适应噪声完备集合经验模态分解ICEEMDAN的择优预测：通过ICEEMDAN算法将原始电价序列分解为各个子序列后，对每个子序列使用本文提出的统计模型套索估计自回归模型LEAR和人工智能模型长期和短期时间序列网络LSTNet预测等。外层算法为基于贝叶斯模型平均的校准窗口集成预测：设置一组不同时间长度的校准窗口作为输入数据集中的训练集，在每个校准窗口数据集上训练内层预测模型，然后在测试集上预测并使用BMA方法对不同的校准窗口的预测赋予相应权重，整合得到最终预测电价。相比现有预测算法，本发明专利技术所提预测方面更加准确和稳定。本发明专利技术所提预测方面更加准确和稳定。本发明专利技术所提预测方面更加准确和稳定。

【技术实现步骤摘要】
校准窗口集成与耦合市场特征的双层日前电价预测方法


[0001]本专利技术属于电力市场
，具体涉及校准窗口集成与耦合市场特征的双层日前电价预测方法。

技术介绍

[0002]在构建新型电力系统和实现双碳目标的背景下，《关于加快建设全国统一电力市场体系的指导意见》强调要实现电力资源在全国更大范围内共享互济和优化配置，加快形成统一的电力市场体系。电价是电力市场交易的关键要素，准确的日前电价预测对于电力市场参与主体制定计划策略至关重要。
[0003]现有日前电价预测模型主要分为统计模型和人工智能模型两类。统计模型依赖于线性回归，并通过解释变量的线性组合来表示预测结果变量，在处理线性数据时效果较好，但对于非线性数据的处理能力不足。自回归滑动平均(autoregressive moving average,ARMA)族模型和广义自回归条件异方差模型(generalized autoregressive conditional heteroskedastic,GARCH)是常用的统计模型。人工智能模型相比于统计模型更擅长处理非平稳非线性数据，特别是深度神经网络算法。极限学习机(extreme learning machine,ELM)、长短时记忆网络(long short termmemory,LSTM)、门控循环单元(gate recurrent unit,GRU)和卷积时空网络(CNN
‑
LSTM)是常用的人工智能算法。为获得更准确的预测结果，许多研究工作和试验从不同的角度以寻求可用于电力系统管理和电力市场的改进电价预测模型。现有技术采用分解算法奇异谱分析将原始电价序列分解为不同的模态分量，证明了对电价分解可以有效提高预测精度。还有采用特征选择算法最大信息系数相关性分析在预测前选定对电价预测重要的特征集，降低了预测模型的复杂度；还有则考虑了空间因素对电价预测的影响，使用图卷积神经网络提取所研究区域周围区域的数据，刻画统一市场内不同价区的相互作用。还有则引入了Attention机制，在电价预测过程中突出关键特征的作用，提高了模型预测的速度。还有从混合模型的角度，基于核极限学习机(KELM)和ARMA提出了一种兼具线性和非线性预测能力的混合电价预测模型。
[0004]以上现有技术都侧重于开发更好的模型结构，以提升算法性能。但忽略了以下几点:1)校准窗口的选择对于电价预测的影响：在计量经济学中，预测模型的性能对校准窗口的选择很敏感，并且结合基于不同长度的校准窗口的预测能有效提高预测精度。2)耦合市场的影响：在电力市场不断发展的同时，耦合市场也不断增长，传统的电价预测通常考虑历史电价、发电量、用电量这些典型特征，而缺乏关注耦合市场特征对于电价预测的影响，尤其是电力市场与耦合市场之间输电网络的影响。

技术实现思路

[0005]本专利技术目的在于提供校准窗口集成与耦合市场特征的双层日前电价预测方法，用于解决上述现有技术中存在的技术问题。
[0006]为实现上述目的，本专利技术的技术方案是：
[0007]校准窗口集成与耦合市场特征的双层日前电价预测方法，包括以下步骤：
[0008]S1、内层框架为基于改进自适应噪声完备集合经验模态分解ICEEMDAN的择优预测：通过ICEEMDAN算法将原始电价序列分解为各个子序列后，对每个子序列使用统计模型套索估计自回归模型LEAR和人工智能模型长期和短期时间序列网络LSTNet预测；然后根据评价指标选出每个子序列的最优预测模型并整合得到预测电价；
[0009]S2、外层框架为基于贝叶斯模型平均的校准窗口集成预测：设置一组不同时间长度的校准窗口作为输入数据集中的训练集，在每个校准窗口数据集上训练内层预测模型，然后在测试集上预测并使用BMA方法对不同的校准窗口的预测赋予相应权重，整合得到最终预测电价。
[0010]进一步的，步骤S1中ICEEMDAN具体分解步骤如下：
[0011]1)向原始序列x中添加I组白噪声ω
(i)
，构造序列x
(i)
(i＝1,2,
…
,I):
[0012]x
(i)
＝x+β0E1(ω
(i)
)
ꢀꢀꢀꢀꢀꢀ
(29)
[0013]式中：β0为添加噪声相对于原信号的信噪比与添加噪声标准差的比值，E1(
·
)表示EMD分解噪声后的第一个模态分量；
[0014]2)利用局部均值分解计算第一组残差r1，并计算第一个模态分量IMF1：
[0015][0016]IMF1＝x
‑
r1ꢀꢀꢀꢀꢀꢀ
(31)
[0017]式中：N(
·
)表示产生信号的局部均值；
[0018]3)继续在第一组残差添加白噪声，构造序列计算第二组残差并计算第二个模态分量：
[0019][0020]IMF2＝r1‑
r2ꢀꢀꢀꢀꢀꢀꢀꢀ
(33)
[0021]4)计算第K组残差和第K个模态分量：
[0022][0023]IMF
k
＝r
k
‑1‑
r
k
ꢀꢀꢀꢀꢀꢀꢀꢀ
(35)
[0024]5)重复上述步骤，直到获得所有的模态分量。
[0025]进一步的，步骤S1中LEAR的低频子序列预测具体如下：
[0026]LEAR模型是使用L1正则化估计参数的具有外生输入的ARX；ARX是一种自回归线性时间序列模型，ARX模型中预测的电价p
d,h
定义为：
[0027][0028]式中：p
d
‑
i
表示前i小时电价，u
i
表示第i个外生变量，a
i
和b
i
分别是自回归参数和外生参数，ε
d,h
是残余噪声；使用L1估计系数的计算公式如下：
[0029][0030][0031]式中：θ
h
是参数集，RSS是残差的平方和，是预测电价,λ是正则化的参数；
[0032]利用坐标下降法进行求解，计算流程如下：
[0033]1)初始化参数
[0034]2)对于第K轮迭代，对每个参数依次进行迭代，每次迭代以单个参数为变量求得目标函数的最小值，其余固定为常量，最小值通过求导得到；迭代公式如下：
[0035][0036]3)若满足迭代终止条件，则得到最优值，否则进行下一次迭代。
[0037]进一步的，步骤S1中基于LSTNet的高频子序列预测具体如下：
[0038]LSTNet网络通过设置卷积层用以捕获多维输入变量之间的短期局部依赖模式，同时设置循环神经网络层则捕获复杂的长期依赖模式和循环跳跃层用以捕获特别长期依赖的模式；LSTNet通过使用全连接层模拟自回归过程来为预测添加线性分量使输出能够相应输入尺度的变化，同时将最终预测分解为线性部分和非线性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.校准窗口集成与耦合市场特征的双层日前电价预测方法，其特征在于，包括以下步骤：S1、内层框架为基于改进自适应噪声完备集合经验模态分解ICEEMDAN的择优预测：通过ICEEMDAN算法将原始电价序列分解为各个子序列后，对每个子序列使用统计模型套索估计自回归模型LEAR和人工智能模型长期和短期时间序列网络LSTNet预测；然后根据评价指标选出每个子序列的最优预测模型并整合得到预测电价；S2、外层框架为基于贝叶斯模型平均的校准窗口集成预测：设置一组不同时间长度的校准窗口作为输入数据集中的训练集，在每个校准窗口数据集上训练内层预测模型，然后在测试集上预测并使用BMA方法对不同的校准窗口的预测赋予相应权重，整合得到最终预测电价。2.如权利要求1所述的校准窗口集成与耦合市场特征的双层日前电价预测方法，其特征在于，步骤S1中ICEEMDAN具体分解步骤如下：1)向原始序列x中添加I组白噪声ω
(i)
，构造序列x
(i)
(i＝1,2,
…
,I):x
(i)
＝x+β0E1(ω
(i)
)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)式中：β0为添加噪声相对于原信号的信噪比与添加噪声标准差的比值，E1(
·
)表示EMD分解噪声后的第一个模态分量；2)利用局部均值分解计算第一组残差r1，并计算第一个模态分量IMF1：IMF1＝x
‑
r1ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)式中：N(
·
)表示产生信号的局部均值；3)继续在第一组残差添加白噪声，构造序列计算第二组残差并计算第二个模态分量：IMF2＝r1‑
r2ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)4)计算第K组残差和第K个模态分量：IMF
k
＝r
k
‑1‑
r
k
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)5)重复上述步骤，直到获得所有的模态分量。3.如权利要求2所述的校准窗口集成与耦合市场特征的双层日前电价预测方法，其特征在于，步骤S1中LEAR的低频子序列预测具体如下：LEAR模型是使用L1正则化估计参数的具有外生输入的ARX；ARX是一种自回归线性时间序列模型，ARX模型中预测的电价p
d,h
定义为：式中：p
d
‑
i
表示前i小时电价，u
i
表示第i个外生变量，a
i
和b
i
分别是自回归参数和外生参数，ε
d,h
是残余噪声；使用L1估计系数的计算公式如下：
式中：θ
h
是参数集，RSS是残差的平方和，是预测电价,λ是正则化的参数；利用坐标下降法进行求解，计算流程如下：1)初始化参数2)对于第K轮迭代，对每个参数依次进行迭代，每次迭代以单个参数为变量求得目标函数的最小值，其余固定为常量，最小值通过求导得到；迭代公式如下：3)若满足迭代终止条件，则得到最优值，否则进行下一次迭代。4.如权利要求3所述的校准窗口集成与耦合市场特征的双层日前电价预测方法，其特征在于，步骤S1中基于LSTNet的高频子序列预测具体如下：LSTNet网络通过设置卷积层用以捕获多维输入变量之间的短期局部依赖模式，同时设置循环神经网络层则捕获复杂的长期依赖模式和循环跳跃层用以捕获特别长期依赖的模式；LSTNet通过使用全连接层模拟自回归过程来为预测添加线性分量使输出能够相应输入尺度的变化，同时将最终预测分解为线性部分和非线性部分，线性部分集中在局部尺度问题，非线性部分包含循环的特征；LSTNet各个模块具体如下：1)卷积模块：没有池化层的卷积神经网络，提取时间维度中的短期特征和变量之间的局部依赖性；卷积核对输入矩阵进行如下卷积操作：S＝f(WX+b)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(12)式中：S为卷积运算得到的特征矩阵,W为权重矩阵,b为偏移向量,W和b为网络学习得到的参数,f为Relu函数；2)循环和循环跳跃模块：循环跳跃模块是具有时间跳跃链接的循环单元结构，具体就是在当前单元和相邻周期的同一相位的隐藏单位之间添加跳转链接，以扩展信息流的时间跨度；使用RNN的变体LSTM网络作为循环单元；LSTM网络的基本单元包括遗忘门、输入门和输出门；遗忘门中的输入X
t
与状态记忆单元C
t
‑<...

【专利技术属性】
技术研发人员：沈晓东，刘慧鑫，刘彦，
申请(专利权)人：四川大学，
类型：发明
国别省市：