基于各向异性核组合核极限学习机的电价预测方法及系统与流程

摘要: 本发明属于电力市场电价预测,尤其涉及一种基于各向异性核组合核极限学习机的电价预测方法及系统。背景技术:1、随着电力市场化改革的持续深化与新能源高比例并网,电力现...
基于各向异性核组合核极限学习机的电价预测方法及系统与流程

本发明属于电力市场电价预测,尤其涉及一种基于各向异性核组合核极限学习机的电价预测方法及系统。

背景技术:

1、随着电力市场化改革的持续深化与新能源高比例并网,电力现货电价呈现出非平稳性、尖峰突发性、时变异方差、工况差异化显著的复杂特征。精准的电价预测是电力市场主体报价决策、电网经济调度、电力风险管控的核心依据。相较于单一数值的点预测,包含置信区间的区间预测能够量化电价波动不确定性,规避极端电价带来的决策风险,是当前电价预测领域的核心研究方向。

2、现有主流电价预测方法多基于机器学习与集成学习算法,其中核极限学习机凭借训练速度快、泛化能力强、无需手动设计隐层结构的优势,被广泛应用于电价时序预测场景。但现有技术存在诸多固有缺陷:

3、第一,传统样本抽样方式为均匀随机抽样,未考虑电价尖峰极值样本稀缺、易丢失的特点,导致模型对极端电价突变场景拟合能力差,在尖峰时刻预测偏差大。

4、第二,现有核极限学习机普遍采用各向同性核函数,对电价时序、负荷、气象等差异化特征采用统一度量标准,无法刻画不同特征对电价波动的差异化贡献,特征适配性差,限制了模型对复杂电价规律的挖掘能力。

5、第三,常规集成学习采用固定权重加权方式,无法适配电价时序动态波动特性,平稳时段与尖峰时段预测精度差异大,难以实现全工况自适应预测。

6、第四,现有不确定性量化多采用固定方差模型,未区分模型结构不确定性与数据噪声不确定性,且未考虑季节、峰谷、节假日等工况差异,导致区间预测出现平稳时段区间冗余、极端时段覆盖率不足的问题,预测可靠性低。

7、综上,现有电价预测技术存在样本利用不充分、特征适配性弱、集成策略僵化、不确定性量化缺乏工况自适应性的技术短板,难以满足电力现货市场高精度、高可靠、全工况适配的电价预测需求。

技术实现思路

1、针对现有技术中电价预测存在的尖峰样本易丢失、核函数适配性差、集成权重固定、区间预测无工况自适应、不确定性量化不准等技术缺陷,本发明提供一种基于各向异性核组合核极限学习机集成模型的电价预测方法及系统。

2、第一方面,本发明提供一种基于各向异性核组合核极限学习机的电价预测方法,包括:

3、获取历史电价时间序列,通过相空间重构得到电价时序样本集;

4、采用高斯混合模型对所述电价时序样本集聚类,根据电价时序样本集中各类别的样本数量、标准差和尖峰稀有度权重确定抽样数量,按所述抽样数量从各类别中抽取样本,合并生成多组训练样本集;

5、针对每一组训练样本集,构建一个核极限学习机子模型,所述核极限学习机子模型采用组合核函数,所述组合核函数由各向异性拉普拉斯核函数和各向异性径向基核函数加权构成,各向异性核函数为输入特征的每一个维度配置独立的核衰减系数;

6、以各核极限学习机子模型在滑动时间窗口内的历史预测绝对误差组成误差矩阵,将所述误差矩阵输入长短期记忆网络,得到各核极限学习机子模型的动态权重,按所述动态权重对各核极限学习机子模型的预测值进行加权融合,得到集成点预测结果;

7、对所述核极限学习机子模型进行自举采样和动态加权集成,根据多组集成预测结果计算模型不确定性方差;

8、以集成点预测残差为样本,用尖峰工况加权的最大似然损失函数训练多层感知机,得到数据噪声不确定性方差;

9、融合所述模型不确定性方差和所述数据噪声不确定性方差,用季节-峰谷-节假日三维度修正系数校正总不确定性方差,根据校正后的总不确定性方差和预设置信度对应的标准正态分布分位数,输出电价预测区间。

10、第二方面,本发明提供一种基于各向异性核组合核极限学习机的电价预测系统,包括:

11、获取模块,配置为获取历史电价时间序列,通过相空间重构得到电价时序样本集;

12、合并模块,配置为采用高斯混合模型对所述电价时序样本集聚类,根据电价时序样本集中各类别的样本数量、标准差和尖峰稀有度权重确定抽样数量,按所述抽样数量从各类别中抽取样本,合并生成多组训练样本集;

13、构建模块,配置为针对每一组训练样本集,构建一个核极限学习机子模型,所述核极限学习机子模型采用组合核函数,所述组合核函数由各向异性拉普拉斯核函数和各向异性径向基核函数加权构成,各向异性核函数为输入特征的每一个维度配置独立的核衰减系数;

14、融合模块,配置为以各核极限学习机子模型在滑动时间窗口内的历史预测绝对误差组成误差矩阵,将所述误差矩阵输入长短期记忆网络,得到各核极限学习机子模型的动态权重,按所述动态权重对各核极限学习机子模型的预测值进行加权融合,得到集成点预测结果;

15、计算模块,配置为对所述核极限学习机子模型进行自举采样和动态加权集成,根据多组集成预测结果计算模型不确定性方差;

16、训练模块,配置为以集成点预测残差为样本,用尖峰工况加权的最大似然损失函数训练多层感知机,得到数据噪声不确定性方差;

17、输出模块,配置为融合所述模型不确定性方差和所述数据噪声不确定性方差,用季节-峰谷-节假日三维度修正系数校正总不确定性方差,根据校正后的总不确定性方差和预设置信度对应的标准正态分布分位数,输出电价预测区间。

18、第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于各向异性核组合核极限学习机的电价预测方法的步骤。

19、第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于各向异性核组合核极限学习机的电价预测方法的步骤。

20、本技术的基于各向异性核组合核极限学习机的电价预测方法及系统,具有以下有益效果:

21、通过电价波动阈值约束的高斯混合模型聚类与尖峰稀有度加权抽样,对尖峰突变样本所在类别赋予更高的抽样权重,使生成的每组训练样本集中尖峰样本占比显著提升,保证极限学习机子模型对极端电价场景的充分学习,解决了传统均匀抽样导致尖峰样本易丢失的技术缺陷。

22、通过设计各向异性拉普拉斯核函数、各向异性径向基核函数及交叉核函数项加权的组合核函数,为输入特征的每一个维度配置独立的核衰减系数,使模型能够自适应地刻画电价时序、负荷、气象等不同特征对电价波动的差异化贡献,解决了传统各向同性核函数特征适配性差的问题。

23、通过以各子模型在滑动时间窗口内的历史预测绝对误差为输入、以集成预测总误差最小化为训练目标的长短期记忆网络,动态学习各子模型的实时权重,使预测精度更高的子模型在当前时刻获得更大的集成权重,解决了传统固定权重集成无法适配电价时序动态波动特性的问题。

24、通过将电价预测不确定性拆分为模型结构不确定性与数据噪声不确定性两类分别量化,模型结构不确定性通过自举采样和动态加权集成计算,数据噪声不确定性通过尖峰工况加权的最大似然多层感知机拟合,克服了传统固定方差模型无法区分两类不确定性的缺陷。

25、通过引入季节-峰谷-节假日三维度时序偏差修正系数对总不确定性方差进行自适应校正,其中节假日判定优先于季节判定、季节判定优先于日内时段判定,使区间预测在不同工况下具有自适应调整能力,解决了传统区间预测在平稳时段区间冗余、极端时段覆盖率不足的问题。