【技术实现步骤摘要】
本专利技术涉及电价预测，特别是一种基于emd分解和ssa-svm模型的电价预测方法及系统。
技术介绍
1、基于人工智能和数据分析技术，目前已经建立了许多电价预测模型。鉴于单一模型往往具有一定的局限性和精度误差，结合不同算法的特点，构建混合电价预测模型成为研究热点。
2、常见的混合预测方法有遗传算法优化的bp神经网络(ga-bp)、小波变换分解的arima(wt-arima)、粒子群算法优化的ls-svm(pso-lssvm)、小波包分解的lstm网络(wpd-lstm)、混合贝叶斯支持向量机方法(be-svm)等。
3、上述混合模型在处理非平稳，非线性时间序列变化复杂的电价数据时还存在不足之处：ga-bp缺乏泛化能力，而且可能陷入局部最优，导致预测性能不佳；wt-arima非线性和非平稳性处理特性处理不足，较高的计算复杂度使其预测能力可能受到限制；pso-lssvm虽然可以在一定程度上处理非线性问题，但对于高度非线性的电价数据，ls-svm仍可能无法完全捕捉到其内在规律，从而影响预测性能；be-svm方法的性能在很大程度上取决于参数的选择，参数调优困难，而且对噪声敏感，虽然svm具有较强的鲁棒性，但在电价预测中，如果噪声较大或存在离群值，可能会影响be-svm的预测性能。
技术实现思路
1、鉴于现有的基于emd分解和ssa-svm模型的电价预测方法存在的问题，提出了本专利技术。利用emd对非线性和非平稳数据处理的优势，充分挖掘电价序列隐含信息，并结合ssa适
2、为解决上述技术问题，本专利技术提供如下技术方案：
3、第一方面，本专利技术实施例提供了一种基于emd分解和ssa-svm模型的电价预测方法，其包括，获取原始电价数据，将原始电价数据划分为训练集和测试集，对电价数据通过经验模态分解算法emd进行分解；构建ssa-svm模型，应用麻雀搜索算法ssa优化svm模型中的关键参数，将分解后的电价数据输入模型进行预测，得到每个特征信号下的预测值；将模型输出的预测值累加重构获得最终预测结果，进行基于emd分解和ssa-svm模型的电价预测。
4、作为本专利技术所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述通过经验模态分解算法emd进行分解具体包括，确定原始电价数据信号x(t)上所有的极大值和极小值点，使用三次样条插值构建信号的上包络线xmax(t)和下包络线xmin(t)；计算出包络均值相关计算公式如下：
5、
6、根据原始信号和包络均值求原始信号的中间条件函数h1(t)，相关计算公式如下：
7、
8、若h1(t)满足imf条件，则得到imf的第一个特征分量；若h1(t)不满足imf条件，则重复上述计算，直至满足imf条件，得到imf分量，相关公式如下：
9、imf1(t)＝h1(t)
10、将imf1(t)从信号中剥离得到残余分量r1(t)，相关计算公式如下：
11、r1(t)＝x(t)-imf1(t)
12、以r1(t)为待处理信号，相关计算公式如下：
13、x(t)＝r1(t)
14、直到不能再分解，则得到最终分解结果，相关计算公式如下：
15、
16、式中，x(t)为原始电价数据信号，rn(t)为残差分量，即最终分解完成后的待处理信号。
17、作为本专利技术所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述构建ssa-svm模型具体包括，构建svm模型，选择模型的核函数，确定核函数中需要选取的关键参数；对麻雀搜索算法ssa进行优化，使用优化后的麻雀搜索算法确定核函数中的关键参数；将经过emd分解后的待处理信号输入麻雀搜索算法中得出预测参数结果，将得到的预测参数结果代入到svm模型中进行训练，模型训练完成后，将得到的各待处理信号输入模型进行预测。
18、作为本专利技术所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述svm模型具体包括，加入拉格朗日函数，根据最优条件，得到原始优化问题的对偶形式，相关表达式如下：
19、
20、约束条件为：
21、
22、
23、式中，xi为输入向量，yi为输出向量，l为训练样本，ε为不敏感损失函数，c为惩罚参数，αi为拉格朗日乘子且αi≥0；设定非线性映射值φ将训练样本与高维空间进行映射并进行线性回归，引入核函数k(x,y)实现非线性回归，其优化方程转化为：
24、
25、k(x,xi)＝exp(-||x-xi||2/2g2)
26、式中，xi为输入向量，g为预测参数。
27、作为本专利技术所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述关键参数包括核函数中的预测参数g和惩罚参数c，使用优化后的麻雀搜索算法确定核函数中的关键参数，具体包括，将原始电价数据序列分解得到的子序列，本征模态imf和残差分量作为预测的输入；将各子序列进行归一化处理，相关计算公式如下：
28、
29、式中，x′i为子序列第i点的归一化结果，xi为子序列第i点的电价，xmax和xmin为子序列中电价的最大值和最小值；确定优化参数个数为2，迭代次数，初始化麻雀种群位置向量，设置麻雀种群数量，发现者和预警者比例，以及预警阈值；计算每个麻雀个体的适应度，得出高适应度值的当前麻雀最佳位置；判断是否满足位置更新条件，若满足，则进行位置更新；若不满足，则保留当前位置；判断是否满足停止搜索条件，如满足，则停止寻优，得到最优解。
30、作为本专利技术所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述优化后的麻雀搜索算法具体包括，初始化种群、迭代次数、发现者与追随者比例，相应表达式如下：
31、
32、式中，n为麻雀种群的数量，d表示麻雀个体所附带的维度；计算麻雀个体适应度，相关表达式如下：
33、
34、式中，fx为每一行麻雀个体的适应度值；有较强搜索能力即具备较好适应度值的发现者在搜索过程中会优先获取食物，作为探索者，可获得比追随者更大的觅食搜索范围；发现者在迭代过程中的位置更新如下：
35、
36、式中，表示迭代t次第i只麻雀在j维时的位置，α表示(0,1]范围内的随机数，tmax表示最大迭代次数，r2∈[0,1]表示预警值，st∈[0,1]表示安全值，q为服从正态分布的随机数，l1表示1×d列的矩阵，且所有元素均为1；当r2<st时，则表示麻雀周围没有天敌，探索者进行全局搜索；若r2≥st时，则表示部分麻雀已经发现捕食本文档来自技高网...
【技术保护点】
1.一种基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：包括，
2.如权利要求1所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述通过经验模态分解算法EMD进行分解具体包括，
3.如权利要求2所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述构建SSA-SVM模型具体包括，
4.如权利要求3所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述SVM模型具体包括，
5.如权利要求4所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述关键参数包括核函数中的预测参数g和惩罚参数C，使用优化后的麻雀搜索算法确定核函数中的关键参数，具体包括，
6.如权利要求5所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述优化后的麻雀搜索算法具体包括，
7.如权利要求6所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：所述预测结果包括对各子序列分别建模，重复得到各自的预测结果，将所有预测结果累加重
8.一种基于EMD分解和SSA-SVM模型的电价预测系统，基于权利要求1～7任一所述的基于EMD分解和SSA-SVM模型的电价预测方法，其特征在于：包括，
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于：所述处理器执行所述计算机程序时实现权利要求1～7任一所述基于EMD分解和SSA-SVM模型的电价预测方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于：所述计算机程序被处理器执行时实现权利要求1～7任一所述基于EMD分解和SSA-SVM模型的电价预测方法的步骤。
...【技术特征摘要】
1.一种基于emd分解和ssa-svm模型的电价预测方法，其特征在于：包括，
2.如权利要求1所述的基于emd分解和ssa-svm模型的电价预测方法，其特征在于：所述通过经验模态分解算法emd进行分解具体包括，
3.如权利要求2所述的基于emd分解和ssa-svm模型的电价预测方法，其特征在于：所述构建ssa-svm模型具体包括，
4.如权利要求3所述的基于emd分解和ssa-svm模型的电价预测方法，其特征在于：所述svm模型具体包括，
5.如权利要求4所述的基于emd分解和ssa-svm模型的电价预测方法，其特征在于：所述关键参数包括核函数中的预测参数g和惩罚参数c，使用优化后的麻雀搜索算法确定核函数中的关键参数，具体包括，
6.如权利要求5所述的基于emd分解和ssa-svm模型的电价预测方法，其特征在于：所述优化后的麻雀搜索算法具体包括，
7.如权利要求6...
【专利技术属性】
技术研发人员：程其麟，罗国忠，朱明，李俊，李小璐，陈仕军，唐瑞，李明莉，罗杰，刘敏，赵箐，
申请(专利权)人：贵州电力交易中心有限责任公司，
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。