一种电力价格预测方法及系统与流程

1.本发明涉及电力数据预测技术领域，尤其涉及一种电力价格预测方法及系统。


背景技术：

2.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。
3.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。


技术实现要素：

4.本发明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。
5.有鉴于此，本发明第一方面提供了一种电力价格预测方法，包括以下步骤：
6.获取历史电力价格数据，构建电力价格时间序列；
7.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；
8.对每组特征分量构建相应的训练数据集和测试数据集；
9.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；
10.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；
11.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；
12.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。
13.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：
14.定义电力价格时间序列为y＝[y1,y2,
…
,yn]
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xi为：
[0015]
xi＝[yi,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xi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，...,ui,...,u
l
，对轨迹矩阵x进行奇异值分解为：
[0021]
x＝x1 x2 xi
…
xd[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，ui为轨迹矩阵x的正交特征向量，vi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，...,im，将im＝(ii,i2,...,i
p
)表示为一组指数，p表示指数的总数，对应于组im的合成矩阵xi定义为则轨迹矩阵x分解为：
[0024][0025]
从而将合成矩阵xi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im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,
…
,zn}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zk。
[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ri，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,...,qg,...,qg]
t
，其中，第g个蝙蝠为：
[0037]
qg＝[w
11
,w
12
,...,w
1l
,w
21
,w
22
,...,w
2l
,...,w
n1
,w
n2
,...,w
nl
,b1,b2,...,b
l
].
[0038]
式中，n和l分别为极限学习机的输入层和隐含层个数，w
nl
为输入层第n个节点到隐含层第l各节点的输入权值，b
l
为隐含层第l个节点的偏置；
[0039]
将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：
[0040]
β＝h
e[0041]
式中，β为极限学习机的输出权值，e为训练样本的输出目标矩阵，h是隐含层的输出矩阵可表示如下：
[0042][0043]
式中，y1...yn表示极限学习机的输入量；
[0044]
g()为隐含层激活函数，选用sigmoid函数，如下：
[0045][0046]
通过虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，记录每一个虚拟蝙蝠的频率fi、速度v
it
和位置在t 1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：
[0047][0048][0049][0050]
式中，f
min
为虚拟蝙蝠的最小频率，f
max
为虚拟蝙蝠的最大频率，是服从均匀分布的随机变量，x
best
为种群全局最优位置；
[0051]
通过下式的适应度函数计算每个样本的适应度值：
[0052][0053]
式中，x
t
、分别是t时刻的电力价格实际值和电力价格预测输出值；
[0054]
每一个虚拟蝙蝠的速度和位置更新后，，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解：
[0055]
x
new
＝x
old
σε
t
×at
[0056]
式中，x
old
为旧解，即为新解x
new
之前的一个解，σ是用来控制步长的缩放因子，ε
t
服从高斯正态分布n[0,1]，a
t
是当前时步内所有蝙蝠的平均响度，且a0＝1，a
min
＝0；
[0057]
随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i的平均响度且新解的适应度值小于旧解的适应度值，则接受新解，并通过下式更新和ri：
[0058][0059][0060]ri
表示第i个蝙蝠的脉冲发射频率，表示t代第i个蝙蝠的脉冲发射频率，ρ和γ是[0.9,0.98]间常数，对于任意的0＜ρ＜1，γ＞0有：t
→
∞；粒子更新完成后，计算更新位置后的粒子适应度值，得到最优个体x
best
；
[0061]
若随机数大于活性变异概率pa，则进入活性变异算子，对最优个体x
best
进行高斯变异操作，更新x
best
的位置：
[0062][0063][0064]
式中，为高斯变异后的最优粒子，n(0,1)为均值为0、方差为1的高斯分布随机量；
[0065]
判断当前迭代次数是否达到预设的最大迭代次数，若判断为否，则转至确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解的步骤，若判断为是，则判断种群最优个体x
best
的适应度值是否连续10代保持不变，若种群最优个体x
best
的适应度值连续10代保持不变，则进入维度竞争算子，根据维度交叉概率pv更新种群粒子位置，从而对种群中所有维度进行两两不重复随机配对，按顺序依次取出每一对，若粒子x的第d1维和第d2维被选中，若随机数大于维度交叉概率pv，则重新选取一对维数，若随机数小于维度交叉概率pv，则对种群中所有粒子x(i)的第d1维和第d2维执行概率维度竞争算子，根据下式产生新粒子保存在ms
vc
中，
[0066]
ms
vc
(i,d1)＝r
·
x(i,d1) (1-r)
·
x(i,d2)i∈n(1,g)；d1,d2∈n(1,d)；r∈[0,1]
[0067]
将ms
vc
中粒子与x中的父代粒子进行适应度值比较，择优保留在x中，重复上述步骤d/2次后结束，记录最优粒子x
best
；
[0068]
判断当前迭代次数是否达到预设的最大迭代次数，若判断为是，则结束寻优，将x
best
转为极限学习机的输入权值和偏置进行预测；若判断为否，则转至确定一个解后，随机
产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解的步骤。
[0069]
第二方面，本发明还提供了一种电力价格预测系统，包括：
[0070]
数据获取模块，用于获取历史电力价格数据，构建电力价格时间序列；
[0071]
分解模块，用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；
[0072]
构建模块，用于对每组特征分量构建相应的训练数据集和测试数据集；
[0073]
模型构建模块，用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；
[0074]
训练模块，用于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；
[0075]
预测模块，用于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；
[0076]
处理模块，用于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。
[0077]
从以上技术方案可以看出，本发明具有以下优点：
[0078]
本发明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。
附图说明
[0079]
图1为本发明实施例提供的一种电力价格预测方法的流程图；
[0080]
图2为本发明实施例提供的一种电力价格预测系统的结构示意图。
具体实施方式
[0081]
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0082]
为了便于理解，请参阅图1，本发明提供的一种电力价格预测方法，包括以下步骤：
[0083]
s1、获取历史电力价格数据，构建电力价格时间序列。
[0084]
可以理解的是，通过按照时间序列进行采集电力价格数据，从而构建电力价格时间序列。
[0085]
s2、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。
[0086]
s3、对每组特征分量构建相应的训练数据集和测试数据集。
[0087]
s4、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。
[0088]
s5、将训练数据集中的训练样本逐一输入至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。
[0089]
s6、将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。
[0090]
s7、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。
[0091]
本实施例提供了一种电力价格预测方法，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。
[0092]
在一个具体实施例中，步骤s2具体包括：
[0093]
s201、定义电力价格时间序列为y＝[y1,y2,
…
,yn]
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xi为：
[0094]
xi＝[yi,y
i 1
,
…
,y
i l-1
]
t
,i＝1,2,
…
,k
[0095]
式中，l表示窗口长度，k＝n-l 1；
[0096]
根据滞后l阶的向量xi生成轨迹矩阵x为：
[0097][0098]
式中，k表示轨迹矩阵x的的列数；
[0099]
s202、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，...,ui,...,u
l
，对轨迹矩阵x进行奇异值分解为：
[0100]
x＝x1 x2 xi
…
xd[0101]
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，ui为轨迹矩阵x的正交特征向量，vi为轨迹矩阵x的主成分；
[0102]
s203、将分解得到的奇异值分成m个不相交的组i1，i2，...,im，将im＝(ii,i2,...,i
p
)表示为一组指数，p表示指数的总数，对应于组im的合成矩阵xi定义为则轨迹矩阵x分解为：
[0103][0104]
从而将合成矩阵xi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；
[0105]
其中，较为相似的特征值对应的奇异值划分为同一组。
[0106]
s203、通过相应特征值的占比计算im的特征分量x
ii
的贡献率，将贡献率为小于0.01％的序列为噪声分量，剔除噪声分量；
[0107]
s204、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：
[0108]
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,
…
,zn}表示如下：
[0109][0110]
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zk。
[0111]
在一个具体实施例中，步骤s3具体包括：
[0112]
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。
[0113]
在一个具体实施例中，步骤s4具体包括：
[0114]
s401、构建初始极限学习机的电力价格预测模型；
[0115]
s402、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ri，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t
maxgen
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；
[0116]
s403、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,...,qg,...,qg]
t
，其中，第g个蝙蝠为：
[0117]
qg＝[w
11
,w
12
,...,w
1l
,w
21
,w
22
,...,w
2l
,...,w
n1
,w
n2
,...,w
nl
,b1,b2,...,b
l
].
[0118]
式中，n和l分别为极限学习机的输入层和隐含层个数，w
nl
为输入层第n个节点到隐含层第l各节点的输入权值，b
l
为隐含层第l个节点的偏置；
[0119]
s404、将每个粒子转换成极限学习机对应的输入权值和隐含层偏置，根据伪逆算法计算出极限学习机的输出权值为：
[0120]
β＝h
e[0121]
式中，β为极限学习机的输出权值，e为训练样本的输出目标矩阵，h是隐含层的输出矩阵可表示如下：
[0122][0123]
式中，y1...yn表示极限学习机的输入量；
[0124]
g()为隐含层激活函数，选用sigmoid函数，如下：
[0125][0126]
s405、通过虚拟蝙蝠探索目标空间，在目标空间的t次迭代中，记录每一个虚拟蝙蝠的频率fi、速度v
it
和位置在t 1次迭代中，虚拟蝙蝠的速度和位置更新方式如下：
[0127][0128][0129][0130]
式中，f
min
为虚拟蝙蝠的最小频率，f
max
为虚拟蝙蝠的最大频率，是服从均匀分布的随机变量，x
best
为种群全局最优位置；
[0131]
s406、通过下式的适应度函数计算每个样本的适应度值：
[0132][0133]
式中，x
t
、分别是t时刻的电力价格实际值和电力价格预测输出值；
[0134]
s407、每一个虚拟蝙蝠的速度和位置更新后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解：
[0135]
x
new
＝x
old
σε
t
×at
[0136]
式中，x
old
为旧解，即为新解x
new
之前的一个解，σ是用来控制步长的缩放因子，ε
t
服从高斯正态分布n[0,1]，a
t
是当前时步内所有蝙蝠的平均响度，且a0＝1，a
min
＝0；
[0137]
s408、随机游走产生一个新解后，随机产生一个0到1的随机数，若随机数小于当前时步内所有蝙蝠i的平均响度且新解的适应度值小于旧解的适应度值，则接受新解，并通过下式更新和ri：
[0138][0139][0140]ri
表示第i个蝙蝠的脉冲发射频率，表示t代第i个蝙蝠的脉冲发射频率，ρ和γ是[0.9,0.98]间常数，对于任意的0＜ρ＜1，γ＞0有：t
→
∞；粒子更新完成后，计算更新位置后的粒子适应度值，得到最优个体x
best
；
[0141]
s409、若随机数大于活性变异概率pa，则进入活性变异算子，对最优个体x
bes
t进行高斯变异操作，更新x
best
的位置：
[0142]
[0143][0144]
式中，为高斯变异后的最优粒子，n(0,1)为均值为0、方差为1的高斯分布随机量；
[0145]
s410、判断当前迭代次数是否达到预设的最大迭代次数，若判断为否，则转至确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解的步骤，若判断为是，则判断种群最优个体x
best
的适应度值是否连续10代保持不变，若种群最优个体x
best
的适应度值连续10代保持不变，则进入维度竞争算子，根据维度交叉概率pv更新种群粒子位置，从而对种群中所有维度进行两两不重复随机配对，按顺序依次取出每一对，若粒子x的第d1维和第d2维被选中，若随机数大于维度交叉概率pv，则重新选取一对维数，若随机数小于维度交叉概率pv，则对种群中所有粒子x(i)的第d1维和第d2维执行概率维度竞争算子，根据下式产生新粒子保存在ms
vc
中，
[0146]
ms
vc
(i,d1)＝r
·
x(i,d1) (1-r)
·
x(i,d2)i∈n(1,g)；d1,d2∈n(1,d)；r∈[0,1]
[0147]
s411、将ms
vc
中粒子与x中的父代粒子进行适应度值比较，择优保留在x中，重复上述步骤d/2次后结束，记录最优粒子x
best
；
[0148]
s412、判断当前迭代次数是否达到预设的最大迭代次数，若判断为是，则结束寻优，将x
best
转为极限学习机的输入权值和偏置进行预测；若判断为否，则转至确定一个解后，随机产生一个0到1的随机数，若随机数大于脉冲发射频率ri，使用随机游走产生一个新解的步骤。
[0149]
以上为本发明提供的一种电力价格预测方法的实施例的详细描述，以下为本发明提供的一种电力价格预测系统的实施例的详细描述。
[0150]
为了便于理解，请参阅图2，本发明提供了一种电力价格预测系统，包括：
[0151]
数据获取模块100，用于获取历史电力价格数据，构建电力价格时间序列；
[0152]
分解模块200，用于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；
[0153]
构建模块300，用于对每组特征分量构建相应的训练数据集和测试数据集；
[0154]
模型构建模块400，用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；
[0155]
训练模块500，用于将训练数据集中的训练样本逐一输入至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；
[0156]
预测模块600，用于将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；
[0157]
处理模块700，用于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。
[0158]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0159]
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为
一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0160]
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0161]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
[0162]
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。