CN107480829A - 一种短期电价预测方法、装置及系统 - Google Patents
一种短期电价预测方法、装置及系统 Download PDFInfo
- Publication number
- CN107480829A CN107480829A CN201710742846.6A CN201710742846A CN107480829A CN 107480829 A CN107480829 A CN 107480829A CN 201710742846 A CN201710742846 A CN 201710742846A CN 107480829 A CN107480829 A CN 107480829A
- Authority
- CN
- China
- Prior art keywords
- particle
- neural network
- electricity price
- fitness value
- population
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 83
- 238000013277 forecasting method Methods 0.000 title abstract 2
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 238000000034 method Methods 0.000 claims abstract description 55
- 238000005457 optimization Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000008569 process Effects 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 142
- 238000004364 calculation method Methods 0.000 claims description 30
- 238000004949 mass spectrometry Methods 0.000 claims description 12
- 230000001960 triggered effect Effects 0.000 claims description 3
- 238000011160 research Methods 0.000 abstract description 2
- 230000007935 neutral effect Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例公开了一种短期电价预测方法、装置及系统,包括获取经预处理后的电价历史数据;采用变分模态分解法对电价历史数据分解处理,得到多个离散模态分量;采用预先建立的神经网络优化模型对各个离散模态进行预测处理,得到与各个离散模态分量一一对应的预测值;将各个预测值进行叠加得到电价预测结果;其中,神经网络优化模型的建立过程为将训练样本数据添加至神经网络中;采用纵横交叉算法对神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。本发明实施例在使用过程中减少了电价序列非平稳性和非线性对预测结果的影响,提高了全局收敛精度和预测精度。
Description
技术领域
本发明实施例涉及电力系统技术领域,特别是涉及一种短期电价预测方法、装置及系统。
背景技术
随着电力市场的改革,电价可以像普通商品一样在市场中进行交易,电价预测是在充分考虑市场供求关系、市场参与者实施电力市场大小以及社会活动等影响因素,通过建立相关模型对历史电价数据进行研究、分析电价本身的变化规律,对未来电力市场边际价格进行预测。对发电方来说,准确的电价预测有利于其把握市场走向,掌握市场先机,从而构造最优的发电量和电价投标策略,以获得最大利润;对用电方来说,电价形成了购电费用,准确的电价预测可以让用户根据需求控制其用电量,制定合理的用电计划,从而降低生活成本,同时也起到削峰填谷的作用。因此,准确的电价预测对电力系统和电力市场正常运行起着重要作用。
目前,现有技术中主要是采用单一模型对短期电价进行预测,例如神经网络模型,但是采用单一的神经网络模型对短期电价进行预测时,神经网络的参数容易陷入局部最优,并且预测结果容易受到电价序列非平稳性和非线性的影响,从而在一定程度上影响了预测精度,使预测精度降低。
因此,如何提供一种解决上述技术问题的短期电价预测方法、装置及系统成为本领域技术人员目前需要解决的技术问题。
发明内容
本发明实施例的目的是提供一种短期电价预测方法、装置及系统,减少了电价序列非平稳性和非线性对预测结果的影响,提高了全局收敛精度和预测精度。
为解决上述技术问题,本发明实施例提供了一种短期电价预测方法,包括:
S11:获取经预处理后的电价历史数据;
S12:采用变分模态分解法对所述电价历史数据分解处理,得到多个离散模态分量;
S13:采用预先建立的神经网络优化模型对各个所述离散模态进行预测处理,得到与各个所述离散模态分量一一对应的预测值;
S14:将各个所述预测值进行叠加得到电价预测结果;
其中,所述神经网络优化模型的建立过程为:
S21:将训练样本数据添加至神经网络中;
S22:采用纵横交叉算法对所述神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
可选的,所述采用纵横交叉算法对所述神经网络的参数进行寻优处理的过程为:
S221:预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
S222:对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括神经网络的权值和阈值;
S223:采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为所述训练样本数据的总数;
S224:依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,所述横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代。
S225:依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,所述纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代;
S226:判断当前迭代次数是否达到最大迭代次数,如果是,则依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过所述全局最优粒子得到最优参数;否则,返回S224,以进行下一次迭代;
可选的,所述电价历史数据包括预测日前连续两周的电价数据。
可选的,所述电价数据的时间分辨率为0.5小时。
本发明实施例相应的提供了一种短期电价预测装置,包括:
获取模块,用于获取经预处理后的电价历史数据;
分解模块,用于采用变分模态分解法对所述电价历史数据分解处理,得到多个离散模态分量;
预测模块,用于采用预先建立的神经网络优化模型对各个所述离散模态进行预测处理,得到与各个所述离散模态分量一一对应的预测值;
叠加模块,用于将各个所述预测值进行叠加得到电价预测结果;
其中,所述神经网络优化模型包括:
添加模块,用于将训练样本数据添加至神经网络中;
训练模块,用于采用纵横交叉算法对所述神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
可选的,所述训练模块包括:
预设单元,用于预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括神经网络的权值和阈值;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为所述训练样本数据的总数;
横向交叉单元,用于依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,所述横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代;
纵向交叉单元,用于依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,所述纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代;
判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则触发确定单元;否则,触发所述横向交叉单元,以进行下一次迭代;
所述确定单元,用于依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过所述全局最优粒子得到最优参数。
本发明实施例还提供了一种短期电价预测系统,包括如上述所述的短期电价预测装置。
本发明实施例提供了一种短期电价预测方法、装置及系统,包括获取经预处理后的电价历史数据;采用变分模态分解法对电价历史数据分解处理,得到多个离散模态分量;采用预先建立的神经网络优化模型对各个离散模态进行预测处理,得到与各个离散模态分量一一对应的预测值;将各个预测值进行叠加得到电价预测结果;其中,神经网络优化模型的建立过程为将训练样本数据添加至神经网络中;采用纵横交叉算法对神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
本发明实施例通过变分模态分解法对电价历史数据分解处理,并对分解后的各个离散模态分量进行预测,可以在一定程度上减少电价序列非平稳性和非线性对预测结果的影响,其中,本发明实施例中的预测模型为依据纵横交叉算法建立的神经网络优化模块,可以提高神经网络的泛化能力,提高了全局收敛精度,从而提高了预测精度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对现有技术和实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种短期电价预测方法的流程示意图;
图2为本发明实施例提供的一种神经网络优化模型建立方法的流程示意图;
图3为本发明实施例提供的一种短期电价预测装置的结构示意图;
图4为本发明实施例提供的一种神经网络优化模型的结构示意图。
具体实施方式
本发明实施例提供了一种短期电价预测方法、装置及系统,减少了电价序列非平稳性和非线性对预测结果的影响,提高了全局收敛精度和预测精度。
为使本发明实施例的目的、技术方案和优点更加清楚,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。
请参照图1,图1为本发明实施例提供的一种短期电价预测方法的流程示意图。
该方法包括:
S11:获取经预处理后的电价历史数据;
需要说明的是,电价历史数据包括预测日前连续两周的电价数据,并且所采集的电价数据的时间分辨率可以为0.5小时,也即每天包含48个数据点,当然,电价历史数据不仅限于包括预测日前连续两周的电价数据,也可以为其他具体时间段内的电价数据,并且时间分辨率也可以为其他具体的时间分辨率,两者均可以根据实际情况进行确定。
S12:采用变分模态分解法对电价历史数据分解处理,得到多个离散模态分量;
具体的,采用变分模态分解法对电价历史数据进行分解的过程为:
S121:利用希尔伯特变换对与电价历史数据对应的原始输入信号f(t)进行处理,得到每个模态函数uk(t)的解析信号,并获得单边频谱其中,t表示第t时刻,k表示第k个模态,j表示虚数单位,σ(t)表示第k个模态在第t时刻的中心频率。
S122:以每个模态的频谱及各模态的解析信号的混合为基准调制到相应基频带其中wk表示第k个模态的角频率,每个模态的频谱及各模态的解析信号的混合为预估中心频率
S123:将以上解调信号梯度的平方L2范数,估计出每个模态的信号的带宽,受约束的变分问题如下:
其中,{uk}={u1,…,uK},{wk}={w1,…,wK},k=1,2,3…K,表示对t求偏导,f(t)表示输入信号。
其中,变分问题具体步骤求解如下:
S1231:引入二次罚函数项a和拉格朗日乘子算子λ(t),进一步可以将上式约束问题转换为无约束问题,形成了扩展拉格朗日表达式,如式:
S1232:初始化参数和n。
其中,{uk}={u1,…,uK}表示k个模态函数,表示这k模态函数的初值,{wk}={w1,…,wK}表示k个中心频率,表示这k个中心频率的初值,是拉格朗日乘法算子的初值,n为迭代次数。
S1233:采用交替乘子方向法解决以上变分问题,通过交替更新以及λn+1寻求扩展拉格朗日表达式的鞍点,
其中,uk和wk分别由公式和进行更新,λ采用进行更新。
S1234:对于给定的判别精度e>0,若则停止迭代,并获得一个离散模态分量U1。
S1235:重复步骤S1233和S1234就可获得其余的离散模态分量U2、U3、...、Un。
S13:采用预先建立的神经网络优化模型对各个离散模态进行预测处理,得到与各个离散模态分量一一对应的预测值;
S14:将各个预测值进行叠加得到电价预测结果;
其中,神经网络优化模型的建立过程为:
S21:将训练样本数据添加至神经网络中;
S22:采用纵横交叉算法对神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
进一步的,上述S22中采用纵横交叉算法对神经网络的参数进行寻优处理的过程,具体可以为:
S221:预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
具体的,不仅可以预先对上述参数进行设置,还可以对其他的参数信息进行设置,并且还可以根据训练样本数据确定神经网络的拓扑结构和各层的神经元数目。
S222:对待优化的参数进行粒子编码,并随机产生初始种群;参数包括神经网络的权值和阈值;
具体的,所产生的初始种群可以用X=[X1,X2,...,XM]T表示,其中XM为该初始种群中的第M个粒子,该种群中共有M个粒子,及种群规模为M。
S223:采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值,并依据各个适应度值确定最优粒子,其中:
适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为训练样本数据的总数;
需要说明的是,适应度值最下的粒子为当前种群中的最优粒子。
S224:依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代。
具体的,横向交叉是在两个粒子中做算数交叉操作,两个粒子是在同一维随机产生的,也即在同一维上将所有的粒子随机进行两两不重复分组,其中,横向交叉概率通常为1。经过横向交叉更新后,将更新后得到的各个子代粒子存储在矩阵MShc里面,计算该矩阵中所有子代粒子的适应度值,并将得到的适应度值与父代种群X中的相应的各个父代粒子的适应度值进行比较,选择出适应度值更好的粒子保存在父代种群X中,即当父代粒子的适应度值优于子代粒子的适应度值时,父代粒子依旧保存在父代种群中,当子代粒子的适应度值优于相应的父代粒子的适应度值时,用该子代粒子代替相应的父代粒子保存在父代种群X中,从而得到新的种群。
S225:依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代。
具体的,纵向交叉是种群中每个粒子的所有维进行两两不重复随机分组,并且均对其中的一个维进行更新,从而使每个当前粒子产生与其分别对应的新的子代粒子,再依据各个子代粒子的适应度值及相应的父代粒子的适应度值确定较优的粒子保存在当前的父代种群中,以得到新的种群。
S226:判断当前迭代次数是否达到最大迭代次数,如果是,则依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过全局最优粒子得到最优参数;否则,返回S224,以进行下一次迭代。
当k>Tmaxgen,k为当前迭代次数,Tmaxgen为最大迭代次数,停止迭代,并得到全局最优粒子,全局最优粒子对应的参数即为最优参数,也即得到最优权值和最优阈值,进一步得到神经网络优化模型。
本发明实施例提供了一种短期电价预测方法,包括获取经预处理后的电价历史数据;采用变分模态分解法对电价历史数据分解处理,得到多个离散模态分量;采用预先建立的神经网络优化模型对各个离散模态进行预测处理,得到与各个离散模态分量一一对应的预测值;将各个预测值进行叠加得到电价预测结果;其中,神经网络优化模型的建立过程为将训练样本数据添加至神经网络中;采用纵横交叉算法对神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
本发明实施例通过变分模态分解法对电价历史数据分解处理,并对分解后的各个离散模态分量进行预测,可以在一定程度上减少电价序列非平稳性和非线性对预测结果的影响,其中,本发明实施例中的预测模型为依据纵横交叉算法建立的神经网络优化模块,可以提高神经网络的泛化能力,提高了全局收敛精度,从而提高了预测精度。
相应的本发明实施例还公开了一种短期电价预测装置,具体请参照图2,图2为本发明实施例提供的一种短期电价预测装置的结构示意图。在上述实施例的基础上:
该装置包括:
获取模块11,用于获取经预处理后的电价历史数据;
分解模块12,用于采用变分模态分解法对电价历史数据分解处理,得到多个离散模态分量;
预测模块13,用于采用预先建立的神经网络优化模型对各个离散模态进行预测处理,得到与各个离散模态分量一一对应的预测值;
叠加模块14,用于将各个预测值进行叠加得到电价预测结果;
其中,神经网络优化模型包括添加模块21和训练模块22,请参照图4,具体为:
添加模块21,用于将训练样本数据添加至神经网络中;
训练模块22,用于采用纵横交叉算法对神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
可选的,训练模块包括:
预设单元,用于预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;参数包括神经网络的权值和阈值;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出初始种群中各个初始粒子的适应度值,并依据各个适应度值确定最优粒子,其中:
适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为训练样本数据的总数;
横向交叉单元,用于依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代。
纵向交叉单元,用于依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代。
判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则触发确定单元;否则,触发横向交叉单元,以进行下一次迭代。
确定单元,用于依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过全局最优粒子得到最优参数。
需要说明的是,本发明实施例通过变分模态分解法对电价历史数据分解处理,并对分解后的各个离散模态分量进行预测,可以在一定程度上减少电价序列非平稳性和非线性对预测结果的影响,其中,本发明实施例中的预测模型为依据纵横交叉算法建立的神经网络优化模块,可以提高神经网络的泛化能力,提高了全局收敛精度,从而提高了预测精度。
另外,对于本发明实施例中所涉及到的短期电价预测方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
本发明实施例还提供了一种短期电价预测系统,包括如上述的短期电价预测装置。
需要说明的是,本发明实施例通过变分模态分解法对电价历史数据分解处理,并对分解后的各个离散模态分量进行预测,可以在一定程度上减少电价序列非平稳性和非线性对预测结果的影响,其中,本发明实施例中的预测模型为依据纵横交叉算法建立的神经网络优化模块,可以提高神经网络的泛化能力,提高了全局收敛精度,从而提高了预测精度。另外,对于本发明实施例中所涉及到的短期电价预测方法的具体介绍请参照上述方法实施例,本申请在此不再赘述。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
还需要说明的是,在本说明书中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其他实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (7)
1.一种短期电价预测方法,其特征在于,包括:
S11:获取经预处理后的电价历史数据;
S12:采用变分模态分解法对所述电价历史数据分解处理,得到多个离散模态分量;
S13:采用预先建立的神经网络优化模型对各个所述离散模态进行预测处理,得到与各个所述离散模态分量一一对应的预测值;
S14:将各个所述预测值进行叠加得到电价预测结果;
其中,所述神经网络优化模型的建立过程为:
S21:将训练样本数据添加至神经网络中;
S22:采用纵横交叉算法对所述神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
2.根据权利要求1所述的短期电价预测方法,其特征在于,所述采用纵横交叉算法对所述神经网络的参数进行寻优处理的过程为:
S221:预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
S222:对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括神经网络的权值和阈值;
S223:采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为所述训练样本数据的总数;
S224:依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,所述横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代;
S225:依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,所述纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代;
S226:判断当前迭代次数是否达到最大迭代次数,如果是,则依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过所述全局最优粒子得到最优参数;否则,返回S224,以进行下一次迭代。
3.根据权利要求2所述的短期电价预测方法,其特征在于,所述电价历史数据包括预测日前连续两周的电价数据。
4.根据权利要求3所述的短期电价预测方法,其特征在于,所述电价数据的时间分辨率为0.5小时。
5.一种短期电价预测装置,其特征在于,包括:
获取模块,用于获取经预处理后的电价历史数据;
分解模块,用于采用变分模态分解法对所述电价历史数据分解处理,得到多个离散模态分量;
预测模块,用于采用预先建立的神经网络优化模型对各个所述离散模态进行预测处理,得到与各个所述离散模态分量一一对应的预测值;
叠加模块,用于将各个所述预测值进行叠加得到电价预测结果;
其中,所述神经网络优化模型包括:
添加模块,用于将训练样本数据添加至神经网络中;
训练模块,用于采用纵横交叉算法对所述神经网络的参数进行寻优处理,得到训练后的神经网络优化模型。
6.根据权利要求5所述的短期电价预测装置,其特征在于,所述训练模块包括:
预设单元,用于预先对纵横交叉算法的纵向交叉概率、种群规模、最大迭代次数Tmaxgen及粒子维度进行设置;
初始化单元,用于对待优化的参数进行粒子编码,并随机产生初始种群;所述参数包括神经网络的权值和阈值;
适应度计算单元,用于采用训练样本数据及适应度值计算关系式计算出所述初始种群中各个初始粒子的适应度值,并依据各个所述适应度值确定最优粒子,其中:
所述适应度值计算关系式为其中,为神经网络的目标输出,Pt为神经网络的实际输出,N为所述训练样本数据的总数;
横向交叉单元,用于依据横向交叉计算关系式对种群中的粒子进行更新,并计算更新后的各个子代粒子的适应度值,将各个子代粒子的适应度值与其分别对应的父代粒子的适应度值进行比较,择优保存至种群中;
其中,所述横向交叉计算关系式为:
MShc(i,d)=r1×X(i,d)+(1-r1)×X(j,d)+c1×(X(i,d)-X(j,d))
MShc(j,d)=r2×X(j,d)+(1-r2)×X(i,d)+c2×(X(j,d)-X(i,d))
i,j∈N(1,M),d∈N(1,D)
其中,r1和r2均为[0,1]之间的随机数;c1和c2均为[-1,1]之间的随机数;M为种群中的粒子总数;D为粒子维数;X(i,d)和X(j,d)分别表示父代粒子X(i)和X(j)的第d维;MShc(i,d)和MShc(j,d)分别表示X(i,d)和X(j,d)分别通过横向交叉算法后在第d维产生的子代;
纵向交叉单元,用于依据纵向交叉计算关系式对当前种群中的各个粒子进行更新,并计算更新后的各个当前子代粒子的适应度值,将各个当前子代粒子的适应度值与各自分别对应的父代粒子的适应度值进行比较,择优保存至当前种群中;
其中,所述纵向交叉计算关系式为:
MSvc(i,d1)=r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D),r∈[0,1]
其中,MSvc(i,d1)为粒子X(i)的第d1维和第d2维通过纵向交叉操作后产生的子代;
判断单元,用于判断当前迭代次数是否达到最大迭代次数,如果是,则触发确定单元;否则,触发所述横向交叉单元,以进行下一次迭代;
所述确定单元,用于依据当前种群中的各个粒子的适应度值确定出全局最优粒子,并通过所述全局最优粒子得到最优参数。
7.一种短期电价预测系统,其特征在于,包括如权利要求5或6所述的短期电价预测装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742846.6A CN107480829A (zh) | 2017-08-25 | 2017-08-25 | 一种短期电价预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710742846.6A CN107480829A (zh) | 2017-08-25 | 2017-08-25 | 一种短期电价预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107480829A true CN107480829A (zh) | 2017-12-15 |
Family
ID=60602514
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710742846.6A Pending CN107480829A (zh) | 2017-08-25 | 2017-08-25 | 一种短期电价预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107480829A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549956A (zh) * | 2018-04-08 | 2018-09-18 | 西安邮电大学 | 一种太阳黑子月均值的混合预测方法 |
CN108694477A (zh) * | 2018-07-05 | 2018-10-23 | 广东工业大学 | 一种电价预测方法及相关装置 |
CN108830431A (zh) * | 2018-08-03 | 2018-11-16 | 广东工业大学 | 一种基于鲸鱼优化算法的电价预测方法及相关装置 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
CN109583588A (zh) * | 2018-12-17 | 2019-04-05 | 华北电力大学(保定) | 一种短期风速预测方法及系统 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110322074A (zh) * | 2019-07-09 | 2019-10-11 | 北京华电天仁电力控制技术有限公司 | 一种考虑电力供求关系的短期电价预测方法和系统 |
CN112288184A (zh) * | 2020-11-12 | 2021-01-29 | 南京师范大学 | 基于卡尔曼滤波的出清电价预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105160204A (zh) * | 2015-10-28 | 2015-12-16 | 河海大学 | 一种碳排放价格组合预测方法 |
CN105956682A (zh) * | 2016-04-19 | 2016-09-21 | 上海电力学院 | 基于bp神经网络与马尔可夫链的短期电价预测方法 |
US20160313751A1 (en) * | 2015-04-23 | 2016-10-27 | Johnson Controls Technology Company | Hvac controller with predictive cost optimization |
-
2017
- 2017-08-25 CN CN201710742846.6A patent/CN107480829A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160313751A1 (en) * | 2015-04-23 | 2016-10-27 | Johnson Controls Technology Company | Hvac controller with predictive cost optimization |
CN105160204A (zh) * | 2015-10-28 | 2015-12-16 | 河海大学 | 一种碳排放价格组合预测方法 |
CN105956682A (zh) * | 2016-04-19 | 2016-09-21 | 上海电力学院 | 基于bp神经网络与马尔可夫链的短期电价预测方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108549956A (zh) * | 2018-04-08 | 2018-09-18 | 西安邮电大学 | 一种太阳黑子月均值的混合预测方法 |
CN108694477A (zh) * | 2018-07-05 | 2018-10-23 | 广东工业大学 | 一种电价预测方法及相关装置 |
CN108830431A (zh) * | 2018-08-03 | 2018-11-16 | 广东工业大学 | 一种基于鲸鱼优化算法的电价预测方法及相关装置 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
CN109583588A (zh) * | 2018-12-17 | 2019-04-05 | 华北电力大学(保定) | 一种短期风速预测方法及系统 |
CN110264251A (zh) * | 2019-05-31 | 2019-09-20 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110264251B (zh) * | 2019-05-31 | 2021-08-10 | 杭州博钊科技有限公司 | 表征现金流的数据组织形式与基于多任务学习的预测方法 |
CN110322074A (zh) * | 2019-07-09 | 2019-10-11 | 北京华电天仁电力控制技术有限公司 | 一种考虑电力供求关系的短期电价预测方法和系统 |
CN112288184A (zh) * | 2020-11-12 | 2021-01-29 | 南京师范大学 | 基于卡尔曼滤波的出清电价预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480829A (zh) | 一种短期电价预测方法、装置及系统 | |
Zhang et al. | A hybrid short-term electricity price forecasting framework: Cuckoo search-based feature selection with singular spectrum analysis and SVM | |
de Oliveira et al. | Forecasting mid-long term electric energy consumption through bagging ARIMA and exponential smoothing methods | |
Panigrahi et al. | A hybrid ETS–ANN model for time series forecasting | |
Tang et al. | Long-term electricity consumption forecasting based on expert prediction and fuzzy Bayesian theory | |
Hassani et al. | Singular spectrum analysis: methodology and application to economics data | |
Yuan et al. | Wind power prediction using hybrid autoregressive fractionally integrated moving average and least square support vector machine | |
Cannizzaro et al. | Solar radiation forecasting based on convolutional neural network and ensemble learning | |
Benmouiza et al. | Forecasting hourly global solar radiation using hybrid k-means and nonlinear autoregressive neural network models | |
Mocanu et al. | Unsupervised energy prediction in a Smart Grid context using reinforcement cross-building transfer learning | |
Sharma et al. | A sequential ensemble model for photovoltaic power forecasting | |
Tang et al. | A multi-scale method for forecasting oil price with multi-factor search engine data | |
Chen et al. | Electricity price forecasting with extreme learning machine and bootstrapping | |
Hong et al. | SVR with hybrid chaotic genetic algorithms for tourism demand forecasting | |
Amjady et al. | A new prediction strategy for price spike forecasting of day-ahead electricity markets | |
CN114912721B (zh) | 一种储能调峰需求的预测方法及系统 | |
Fortin et al. | Probabilistic forecasting from ensemble prediction systems: Improving upon the best‐member method by using a different weight and dressing kernel for each member | |
Moghaddam et al. | Study of forecasting renewable energies in smart grids using linear predictive filters and neural networks | |
Carapellucci et al. | A methodology for the synthetic generation of hourly wind speed time series based on some known aggregate input data | |
Lenzi et al. | Benefits of spatiotemporal modeling for short‐term wind power forecasting at both individual and aggregated levels | |
Safari et al. | Very short-term wind power prediction interval framework via bi-level optimization and novel convex cost function | |
Sun et al. | Hybrid model based on VMD decomposition, clustering analysis, long short memory network, ensemble learning and error complementation for short-term wind speed forecasting assisted by Flink platform | |
WO2023103130A1 (zh) | 一种基于量子游走的时间序列多尺度分析方法 | |
Lawson et al. | Bayesian framework for power network planning under uncertainty | |
Taheri et al. | Electricity demand time series forecasting based on empirical mode decomposition and long short-term memory |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171215 |