CN108428022A - 一种基于相关度的短期实时电价趋势预测方法 - Google Patents
一种基于相关度的短期实时电价趋势预测方法 Download PDFInfo
- Publication number
- CN108428022A CN108428022A CN201810489684.4A CN201810489684A CN108428022A CN 108428022 A CN108428022 A CN 108428022A CN 201810489684 A CN201810489684 A CN 201810489684A CN 108428022 A CN108428022 A CN 108428022A
- Authority
- CN
- China
- Prior art keywords
- electricity
- rtp
- correlation
- price
- trend
- 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
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 230000005611 electricity Effects 0.000 claims abstract description 88
- 238000010219 correlation analysis Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 description 13
- 238000004364 calculation method Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 3
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 230000002354 daily effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000714 time series forecasting Methods 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
- 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
- G06Q30/0278—Product appraisal
-
- 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)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于相关度的短期实时电价趋势预测方法,包括以下步骤:S1对历史电价进行相关性分析;S2根据相关性分析结果获取历史电价中与过去30天电价的平均相关度最高的两天电价RTP1和RTP2;S3根据平均相关度最高的两天电价建立包含两个权重因子的初步预测模型,并预测电价趋势RTPtrend;S4建立关于电价趋势平均绝对百分比误差MAPEF的优化模型,并求取两个权重因子;S5根据权重因子已知的初步预测模型获取水平偏差因子a3;S6根据初步预测模型和水平偏差因子构建最终预测模型,并获取最终的预测电价。与现有技术相比,本发明具有操作简单、计算复杂度低和精确度高等优点。
Description
技术领域
本发明涉及电网实时电价的短期预测领域,尤其是涉及一种基于相关度的短期实时电价趋势预测方法。
背景技术
实时电价是在考虑生产电能成本和维护电力系统稳定运行的情况下,在等间隔的时段(如半小时、一小时等)内向用户提供电能的购买价格。用户可以根据实时电价的变化优化用电,实现降低用电成本和电力系统稳定运行的双赢。
目前,短期电价预测是电价预测中最重要的一部分,实时电价的预测方法有很多,比如时间序列预测方法、神经网络预测方法、小波预测方法、支持向量机预测方法等。这些方法可以实现实时电价的预测,但是相对来说计算复杂度都比较高。另外,大部分文献预测的电价都致力于减少预测的平均绝对百分比误差MAPE,去忽略了减少预测电价趋势的平均绝对百分比误差MAPEF。因为对于用户而言,影响调度优化的是电价的变化趋势而不是电价的幅值,电价幅值影响的是最终的用电成本。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于相关度的短期实时电价趋势预测方法。
本发明的目的可以通过以下技术方案来实现:
一种基于相关度的短期实时电价趋势预测方法,包括以下步骤:
S1对历史电价进行相关性分析;
S2根据相关性分析结果获取历史电价中与过去30天电价的平均相关度最高的两天电价RTP1和RTP2;
S3根据平均相关度最高的两天电价建立包含两个权重因子的初步预测模型,并预测电价趋势RTPtrend;
S4建立关于电价趋势平均绝对百分比误差MAPEF的优化模型,并求取两个权重因子;
S5根据权重因子已知的初步预测模型获取水平偏差因子a3;
S6根据初步预测模型和水平偏差因子构建最终预测模型,并获取最终的预测电价。
所述的步骤S1中,相关性分析采用Pearson相关系数,所述的Pearson相关系数的计算式为:
其中,X和Y为n维的向量,分别表示任意两天00:00到24:00的实时电价数据,和分别为向量X和Y的均值。
所述的步骤S3中,包含两个权重因子的初步预测模型的表达式为:
RTPtrend=a1RTP1+a2RTP2
其中,a1和a2为权重因子,RTPtrend为初步预测模型预测的电价趋势。
所述的步骤S4中,关于电价趋势平均绝对百分比误差MAPEF的优化模型的表达式为:
min(MAPEFp1(a1,a2)+MAPEFp7(a1,a2))
s.t.0≤a1,a2≤1
其中,MAPEFp1(a1,a2)和MAPEFp7(a1,a2)分别为相对于预测日过去第1天和过去第7天的电价趋势平均绝对百分比误差,均为关于权重因子a1,a2的函数。
所述的步骤S4中,关于电价趋势平均绝对百分比误差MAPEF的计算式为:
其中,RTPactual真实的实时电价,C为常数,n为一天实时电价的划分点数。
所述的步骤S5具体包括以下步骤:
通过已经求得的两个权重因子的权重预测模型预测过去2个小时电价,并将过去2个小时电价的平均水平偏差作为水平偏差因子a3。
所述的步骤S6中,最终预测模型为:
RTPforcast=a1RTP1+a2RTP2+a3
其中,RTPforcast为最终的预测电价。
所述的步骤S6中,预测不同日期的实时电价所对应的三个因子a1,a2和a3也是不同的
与现有技术相比,本发明具有以下优点:
本发明致力于减少预测电价趋势的平均绝对百分比误差MAPEF。因为对于用户而言,影响调度优化的是电价的变化趋势而不是电价的幅值,电价幅值影响的是最终的用电成本。本发明分析历史电价发现不同日期之间的电价存在着一定的相关度,利用相关度分析找到与预测日最相关的两天电价,建立权重预测模型预测电价趋势,再利用求得的两个权重因子a1和a2去预测过去2个小时电价得到预测电价的平均水平偏差,进而修正电价趋势得到最终的预测结果。这种方法具有操作简单、计算复杂度低和精确度高等优点。
附图说明
图1为本发明的流程图。
图2是过去一年电价的平均相关度分析结果。
图3是采用本发明的方法得到的2017年12月1日的电价预测最终结果。
图4是采用本发明的方法得到的2016年12月1日到2017年12月1日的电价预测最终结果的误差。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。
实施例
如图1所示,一种基于相关度的短期实时电价趋势预测方法,包括一下步骤:
(S1)选取历史电价中的一天电价分别与过去的30天的电价做相关性分析;一天的实时电价为当天00:00到24:00的电价数据,两天实时电价数据之间的相关性分析采用的是Pearson相关系数。Pearson相关系数计算公式为:
其中,X和Y为n维的向量;和分别为向量X和Y的均值。
(S2)采用步骤(S1)方法求得过去一年的平均相关度,并找到平均相关度最高的两天电价;寻找与今天电价平均相关度最高的历史两天电价RTP1和RTP2。其中,求出过去一年电价的平均相关度是针对历史实时电价数据的。先对过去一年中求出每一天电价分别与过去1天、过去2天……过去30天的电价之间的相关度,然后求出过去一年中每天电价与过去1天、过去2天……过去30天的电价之间的平均相关度,最后找到最高两个平均相关度所对应的两天RTP1和RTP2。如图2所示,相关度最高的两天电价为相对于预测日的过去第1天和过去第7天。
(S3)采用步骤(S2)方法求得平均相关度最高的两天建立一个包含两个权重因子的权重预测模型预测电价趋势;建立一个包含两个权重因子的权重预测模型预测电价趋势RTPtrend,其计算公式为:
RTPtrend=a1RTP1+a2RTP2
其中,a1和a2为两个权重因子,RTP1和RTP2为步骤(S2)相关性分析得到的平均相关度最高的两天电价,即相对于预测日的过去第1天和过去第7天。
(S4)建立电价的趋势平均绝对百分比误差MAPEF的优化模型求出两个权重因子;电价的趋势平均绝对百分比误差MAPEF的计算公式为:
其中,RTPactual和RTPtrend分别为真实的实时电价和预测的实时电价趋势,C为任意的常数,n为一天实时电价的划分点数(例如时变电价,n=24)。
建立电价的趋势平均绝对百分比误差MAPEF的优化模型如下:
min(MAPEFp1(a1,a2)+MAPEFp7(a1,a2))
s.t.0≤a1,a2≤1
其中,MAPEFp1(a1,a2)和MAPEFp7(a1,a2)分别为相对于预测日过去第1天和过去第7天的电价趋势平均绝对百分比误差,它们是关于权重因子a1,a2的函数。通过实例仿真求解得到a1=0.6,a2=0.1。
(S5)根据步骤(S4)求出的权重因子预测过去2小时的电价,求出过去2小时预测电价的平均水平偏差,并作为预测模型的水平偏差因子;根据步骤(S4)求得的两个权重因子a1和a2可以求得预测日的电价趋势RTPtrend。为了减少幅值误差,需要作求出水平偏差因子a3。采用步骤(S4)求得的两个权重因子a1和a2去预测过去2个小时电价,并计算出过去2个小时电价的平均水平偏差作为水平偏差因子a3。通过实例仿真求解得到a3=0.849。
(S6)利用求得的预测电价趋势加上水平偏差因子,得到最终的预测结果。利用求得的预测电价趋势加上水平偏差因子,得到最终的预测结果RTPforcast的计算公式为:
RTPforcast=a1RTP1+a2RTP2+a3
预测不同日期的实时电价所对应的三个因子a1,a2和a3也是不同的。
本实施例采用由美国Ameren Illinois电力公司提供的2016年12月1日至2017年11月30日之间以一小时为间隔的实时电价(单位为Cents/kWh)数据作为历史数据集,预测2017年12月1日的实时电价,在MATLAB上仿真分析。通过实例仿真求解得到最终的预测结果如图3所示。其中MAPEF=3.5553%,MAPE=3.6643%。
采用同样的方法预测2016年12月1日至2017年12月1日的电价,对预测结果的误差进行分析,如图4所示。可以看出,预测的平均MAPEF=6.211%和平均MAPE=8.421%。可见该方法具有操作简单、计算复杂度低和精确度高等优点。
Claims (7)
1.一种基于相关度的短期实时电价趋势预测方法,其特征在于,包括以下步骤:
S1对历史电价进行相关性分析;
S2根据相关性分析结果获取历史电价中与过去30天电价的平均相关度最高的两天电价RTP1和RTP2;
S3根据平均相关度最高的两天电价建立包含两个权重因子的初步预测模型,并预测电价趋势RTPtrend;
S4建立关于电价趋势平均绝对百分比误差MAPEF的优化模型,并求取两个权重因子;
S5根据权重因子已知的初步预测模型获取水平偏差因子a3;
S6根据初步预测模型和水平偏差因子构建最终预测模型,并获取最终的预测电价。
2.根据权利要求1所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S1中,相关性分析采用Pearson相关系数,所述的Pearson相关系数的计算式为:
其中,X和Y为n维的向量,分别表示任意两天00:00到24:00的实时电价数据,和分别为向量X和Y的均值。
3.根据权利要求1所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S3中,包含两个权重因子的初步预测模型的表达式为:
RTPtrend=a1RTP1+a2RTP2
其中,a1和a2为权重因子,RTPtrend为初步预测模型预测的电价趋势。
4.根据权利要求3所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S4中,关于电价趋势平均绝对百分比误差MAPEF的优化模型的表达式为:
min(MAPEFp1(a1,a2)+MAPEFp7(a1,a2))
s.t.0≤a1,a2≤1
其中,MAPEFp1(a1,a2)和MAPEFp7(a1,a2)分别为相对于预测日过去第1天和过去第7天的电价趋势平均绝对百分比误差,均为关于权重因子a1,a2的函数。
5.根据权利要求4所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S4中,关于电价趋势平均绝对百分比误差MAPEF的计算式为:
其中,RTPactual真实的实时电价,C为常数,n为一天实时电价的划分点数。
6.根据权利要求1所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S5具体包括以下步骤:
通过已经求得的两个权重因子的权重预测模型预测过去2个小时电价,并将过去2个小时电价的平均水平偏差作为水平偏差因子a3。
7.根据权利要求3所述的一种基于相关度的短期实时电价趋势预测方法,其特征在于,所述的步骤S6中,最终预测模型为:
RTPforcast=a1RTP1+a2RTP2+a3
其中,RTPforcast为最终的预测电价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489684.4A CN108428022A (zh) | 2018-05-21 | 2018-05-21 | 一种基于相关度的短期实时电价趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810489684.4A CN108428022A (zh) | 2018-05-21 | 2018-05-21 | 一种基于相关度的短期实时电价趋势预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108428022A true CN108428022A (zh) | 2018-08-21 |
Family
ID=63163702
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810489684.4A Pending CN108428022A (zh) | 2018-05-21 | 2018-05-21 | 一种基于相关度的短期实时电价趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108428022A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401219A (zh) * | 2019-07-22 | 2019-11-01 | 中国科学院电工研究所 | 一种分布式能源和用户群体交直流配用电系统智能运行方法 |
CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
-
2018
- 2018-05-21 CN CN201810489684.4A patent/CN108428022A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401219A (zh) * | 2019-07-22 | 2019-11-01 | 中国科学院电工研究所 | 一种分布式能源和用户群体交直流配用电系统智能运行方法 |
CN117217843A (zh) * | 2023-10-18 | 2023-12-12 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
CN117217843B (zh) * | 2023-10-18 | 2024-04-19 | 河北建投电力科技服务有限公司 | 基于云计算的电力销售电价数据处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wei et al. | Daily natural gas consumption forecasting via the application of a novel hybrid model | |
Hansen et al. | A partially observable markov decision process approach to residential home energy management | |
Sevlian et al. | Short term electricity load forecasting on varying levels of aggregation | |
Wang et al. | Industrial and residential electricity demand dynamics in Japan: How did price and income elasticities evolve from 1989 to 2014? | |
Lei et al. | A proposed grey model for short-term electricity price forecasting in competitive power markets | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
Blum et al. | Electricity demand forecasting using Gaussian processes | |
Feng et al. | Day-ahead hourly electricity load modeling by functional regression | |
EP3104323A1 (en) | Electric power business profit and loss calculation system and electric power business profit and loss calculation method | |
KR20200128232A (ko) | 전력 수요 예측 장치 및 그 방법 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN103413187A (zh) | 一种基于弹性系数的年度电量预测方法 | |
CN108428022A (zh) | 一种基于相关度的短期实时电价趋势预测方法 | |
Ohtsuka et al. | Space‐Time Model versus VAR Model: Forecasting Electricity demand in Japan | |
CN104504479A (zh) | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 | |
Bican et al. | A hybrid method for time series prediction using EMD and SVR | |
CN103901170B (zh) | 一种基于参数辨识的农业大棚湿度检测方法 | |
Nematirad et al. | A Novel Statistical Framework for Optimal Sizing of Grid-Connected Photovoltaic–Battery Systems for Peak Demand Reduction to Flatten Daily Load Profiles | |
Tan et al. | Data-driven inverse optimization for modeling intertemporally responsive loads | |
Braga et al. | A dynamic state observer to control the energy consumption in aluminium production cells | |
Lourenco et al. | Short-term load forecasting using a Gaussian process model: The influence of a derivative term in the input regressor | |
CN115829418B (zh) | 适用于负荷管理的电力用户负荷特性画像构建方法和系统 | |
CN110210677B (zh) | 一种结合聚类和深度学习算法的母线短期日负荷预测方法和装置 | |
CN111144634A (zh) | 一种电力价格预测的方法以及装置 | |
CN110322074A (zh) | 一种考虑电力供求关系的短期电价预测方法和系统 |
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 |
Application publication date: 20180821 |
|
RJ01 | Rejection of invention patent application after publication |