CN108694477A - 一种电价预测方法及相关装置 - Google Patents
一种电价预测方法及相关装置 Download PDFInfo
- Publication number
- CN108694477A CN108694477A CN201810729659.9A CN201810729659A CN108694477A CN 108694477 A CN108694477 A CN 108694477A CN 201810729659 A CN201810729659 A CN 201810729659A CN 108694477 A CN108694477 A CN 108694477A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- prediction
- learning machine
- discrete
- adaptive value
- 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 115
- 238000000034 method Methods 0.000 claims abstract description 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 34
- 230000003044 adaptive effect Effects 0.000 claims description 62
- 239000002245 particle Substances 0.000 claims description 42
- 230000014759 maintenance of location Effects 0.000 claims description 26
- 241000544061 Cuculus canorus Species 0.000 claims description 25
- 230000006870 function Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000001228 spectrum Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 230000008569 process Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000750 progressive effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 235000005770 birds nest Nutrition 0.000 description 1
- 238000001831 conversion spectrum Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 235000005765 wild carrot Nutrition 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
- 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)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Finance (AREA)
- Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电价预测方法，可以将历史电价数据通过模态分解算法进行分解，得到多个离散模态，从而对每个离散模态利用优化的预测模型进行预测，可以得到对应每个离散模态的预测结果，将每个预测结果进行叠加即可得到电价的预测结果。由于将高度非线性的历史电价数据进行模态分解，再对模态分解结果进行预测，对于每个分解结果而言，预测过程可以避免高度非线性的问题，因此每个离散模态的预测结果就会更准确，将每个预测结果进行叠加即可得到基于历史电价数据的实际预测结果，从而可以使实际的预测结果也更加准确。本申请还提供了一种电价预测系统、装置及计算机可读存储介质，同样可以实现上述有益效果。
Description
技术领域
本发明涉及电价预测领域，更具体地说，涉及一种电价预测方法、系统、装置及计算机可读存储介质。
背景技术
随着我国电力市场的一系列改革，电力市场的市场化程度逐渐升高，垄断程度在逐渐的降低。在市场化的条件下，同样可以通过一定的方法进行电价预测，进而优化市场资源，促进市场化进程，最大化市场参与者的利益，使电力市场的发展更为稳定、有序、健康。随着电力市场化的不断深入，电价预测重要性愈来愈突出，合理的电价预测机制关系着市场参与者的切身利益，决定着供电系统的稳定健康发展。
目前，极限学习机可以应用到电价预测当中，但是，传统单一的极限学习机预测模型往往很难处理电价的高度非线性对预测结果的影响。
因此，如何提高电价预测结果的准确性，是本领域技术人员需要解决的问题。
发明内容
本发明的目的在于提供一种电价预测方法、系统、装置及计算机可读存储介质，以提高电价预测结果的准确性。
为实现上述目的，本发明实施例提供了如下技术方案：
第一方面，本申请提供一种电价预测方法，包括：
获取历史电价数据；
利用模态分解算法将所述历史电价数据分解为预设个数的离散模态；
利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值；
叠加每个所述预测值得到电价预测结果。
其中，所述历史电价数据包括连续两周的历史电价数据，其中所述历史电价数据的时间分辨点为0.5小时。
其中，所述利用模态分解算法将所述历史电价数据分解为预设个数的离散模态，包括：
利用希尔伯特变换函数确定预设个数的解析信号，与每个所述解析信号对应的单变频谱；
利用预估中心频率将每个所述解析信号与对应的每个所述单变频普混合得到相应的每个基频带；
利用每个所述基频带将所述历史电价数据分解为与每个所述基频带对应的离散模态。
其中，所述利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值，包括：
利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置；
利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
其中，所述利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置，包括：
S301，对待优化输入权值和待优化隐含层偏置进行粒子编码得到预设个数的初始粒子与所述初始粒子对应的初始种群，其中，每个所述初始粒子包括每个输入层节点到每个隐含层节点的输入权值和隐含层每个节点的偏置；
S302，设置目标学习机与目标适应值；
S303，确定随机数，判断所述随机数是否大于预设发现概率，若是，则执行S304，若否，则执行S306；
S304，利用莱维飞行原理更新所述初始种群中每个所述初始粒子，得到第一新种群；根据利用当前目标学习机对所述第一新种群进行预测前的目标输出和预测后的实际输出确定所述第一新种群的第一适应值；
S305，判断当前第一适应值是否小于当前目标适应值，若是，则将第一新种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308；
S306，利用预设纵向交叉概率更新所述初始种群中每个初始粒子的位置，得到第二新种群；根据利用当前目标学习机对所述第二新种群进行预测前的目标输出和预测后的实际输出确定所述第二新种群的第二适应值；
S307，判断当前第二适应值是否小于当前目标适应值，若是，则将所述第二种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308；
S308，判断当前迭代次数是否大于预设最大迭代次数；
S309，若是，则停止迭代，将所述保留结果中适应值最小的粒子设为最优输入权值和最优偏置；
S310，若否，则将所述保留结果中适应值最小的粒子对应的学习机作为当前目标学习机，将所述保留结果的适应值作为当前目标适应值，迭代次数加一，返回S303。
其中，所述待优化的输入权值和待优化隐含层偏置为前预设个数的所述历史电价数据对应的输入权值和隐含层偏置。
第二方面，本申请提供一种电价预测系统，包括：
获取模块，用于获取历史电价数据；
分解模块，用于利用模态分解算法将所述历史电价数据分解为预设个数的离散模态；
预测模块，用于利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值；
叠加模块，用于叠加每个所述预测值得到电价预测结果。
其中，所述预测模块，包括：
计算单元，用于利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置；
预测单元，用于利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
第三方面，本申请提供一种电价预测装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如所述电价预测方法的步骤。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如所述电价预测方法的步骤。
通过以上方案可知，本申请提供的一种电价预测方法，包括：获取历史电价数据；利用模态分解算法将所述历史电价数据分解为预设个数的离散模态；利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值；叠加每个所述预测值得到电价预测结果。
由此可见，本申请提供的一种电价预测方法，可以将历史电价数据通过模态分解算法进行分解，得到多个离散模态，从而对每个离散模态利用优化的预测模型进行预测，可以得到对应每个离散模态的预测结果，将每个预测结果进行叠加即可得到电价的预测结果。由于将高度非线性的历史电价数据进行模态分解，再对模态分解结果进行预测，对于每个分解结果而言，预测过程可以避免高度非线性的问题，因此每个离散模态的预测结果就会更准确，将每个预测结果进行叠加即可得到基于历史电价数据的实际预测结果，从而可以使实际的预测结果也更加准确。
本申请还提供了一种电价预测系统、装置及计算机可读存储介质，同样可以实现上述有益效果。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述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为本发明实施例公开的一种电价预测方法流程图；
图2为本发明实施例公开的一种具体的历史电价数据分解方法流程图；
图3为本发明实施例公开的一种具体的最优输入权值与最优偏置确定方法流程图；
图4为本发明实施例公开的一种电价预测系统结构示意图；
图5为本发明实施例公开的一种具体的分解模块结构示意图；
图6为本发明实施例公开的一种具体的预测模块结构示意图；
图7为本发明实施例公开的一种电价预测装置结构示意图。
具体实施方式
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作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。
本发明实施例公开了一种电价预测方法、系统、装置及计算机可读存储介质，以提高电价预测结果的准确性。
参见图1，本发明实施例提供的一种电价预测方法，具体包括：
S101，获取历史电价数据。
在本方案中，为解决电价数据的高度非线性问题，首先会对历史电价数据进行预处理，利用变分模态分解自适应地将历史电价数据分解成一系列拥有特定稀疏属性的离散模态，进而对各个离散模态，也就是历史电价数据的子序列进行单只重构预测，再将每一子序列的预测结果进行叠加，可以有效解决历史电价数据高度非线性导致的预测结果不准确的问题。
具体地，首先要获取历史电价数据。在本方案中，历史电价数据可以选取连续两周的历史电价数据，其中，每一天数据的时间分辨点为0.5小时，也就是每个历史电价数据的时间点相差半个小时，也即，一天包含48个数据点。
S102，利用模态分解算法将所述历史电价数据分解为预设个数的离散模态。
具体地，对历史电价数据，也就是原始序列进行预处理。
利用模态分解算法自适应地将历史电价数据进行分解，得到一系列拥有特定稀疏属性的离散模态。具体处理方法为，利用模态分解算法对上述获取到的历史电价数据进行分解，得到预设个数的离散模态。具体分解算法将在下文实施例中做具体介绍，此处不进行赘述。
S103，利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
在本方案中，对布谷鸟算法做了改进，并根据改进后的布谷鸟算法得到的优化学习机的预测模型，并利用该优化的预测模型对每个离散模态进行预测可以得到对应每个离散模态的预测值，预测模型的具体介绍将在下文实施例中做具体介绍，此处不进行赘述。
S104，叠加每个所述预测值得到电价预测结果。
在得到每个离散模态的预测之后，将所有预测值进行叠加，即可得到目标电价的预测结果。需要说明的是，对于本方案，可以根据实际情况，相对于得到预测结果的时间点，提前预设时间进行预测，例如提前0.5小时进行电价预测。
由此可见，本申请实施例提供的一种电价预测方法，可以将历史电价数据通过模态分解算法进行分解，得到多个离散模态，从而对每个离散模态利用优化的预测模型进行预测，可以得到对应每个离散模态的预测结果，将每个预测结果进行叠加即可得到电价的预测结果。由于将高度非线性的历史电价数据进行模态分解，再对模态分解结果进行预测，对于每个分解结果而言，预测过程可以避免高度非线性的问题，因此每个离散模态的预测结果就会更准确，将每个预测结果进行叠加即可得到基于历史电价数据的实际预测结果，从而可以使实际的预测结果也更加准确。
下面对本发明实施例提供的一种具体的电价预测方法进行介绍，基于上述实施例，本发明实施例对上述实施例中S102做了进一步的限定和说明，其他内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。
参见图2，所述S102具体包括：
S201，利用希尔伯特变换函数确定预设个数的解析信号，与每个所述解析信号对应的单变频谱。
在本方案中，对于历史电价数据的分解，可以先利用希尔伯特变换函数确定每个模态函数的解析信号，并获得单变频谱。
例如，原始输入信号，也即历史电价数据为f(t)，利用希尔伯特变换，得到每个模态函数uk(t)的解析信号，并获得单变频谱其中，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。
S202，利用预估中心频率将每个所述解析信号与对应的每个所述单变频普混合得到相应的每个基频带。
具体地，将每个单边频谱以及各模态函数进行混合，即，以预估中心为基准，将单变频谱与各模态函数uk(t)调制到相应的基频带其中，wk表示第k个模态的角频率。
S203，利用每个所述基频带将所述历史电价数据分解为与每个所述基频带对应的离散模态。
具体地，通过以上解析信号梯度的平方L2范数，估计出每个模态函数的信号的带宽，得到如下式的受约束的变分问题：
其中{uk}＝{u1，…，uK}，{wk}＝{w1,…,wK}；k＝1,2,3…K，表示对t求偏导，f(t)表示原始输入信号。
其中变分问题具体步骤求解如下：
步骤1：引入二次方函数项a和拉格朗日乘子算子λ(t)，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：
步骤2：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}表示第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。
步骤3：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。其中，
步骤4：给定的判别精度e，若e＞0，则停止迭代。获得一个分量U1。
步骤5：重复步骤3和步骤4就可获得其余分量U2、U3、...、Un。
在MATLAB平台实行变分模态分解的的函数是VMD(·)，本发明中的变分模态分解将原始电价序列分解为8个模态。
下面对本发明实施例提供的一种具体的电价预测方法进行介绍，下文描述的实施例在上述实施例的基础上，对S103做了进一步的限定和说明，其他步骤内容与上述实施例可以相互参照，在本发明实施例不再赘述。
在本方案中，S103具体包括：
利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置；
利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
具体地，参见图3，所述利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置，可以具体包括以下步骤：
S301，对待优化的输入权值和待优化隐含层偏置进行粒子编码得到预设个数的初始粒子与所述初始粒子对应的初始种群，其中，每个所述初始粒子包括每个输入层节点到每个隐含层节点的输入权值和隐含层每个节点的偏置。
需要说明的是，由于传统布谷鸟算法再后期难免会遇到局部最优的问题，而且传统的极限学习机预测模型存在非参数最优问题，因此在本方案中，对采用改进的布谷鸟算法优化极限学习机的最优输入权值和最优隐含层偏置，而不是传统的随机生成的输入权值和隐含层偏置，可以有效解决极限学习机存在的非最优参数的缺陷。
具体地，首先要进行准备工作，即，确定下述步骤中的训练样本，也即待优化粒子，待优化粒子即待优化输入权值和待优化隐含层偏置，同时确定待优化粒子的种群规模n，对于每个粒子来说，粒子的粒子维数D为待优化的输入权值和待优化隐含层偏置的个数。作为优选的，训练样本可以确定为前600个历史电价数据。
确定极限学习机的网络拓扑结构和各层节点数，并确定本方案中改进布谷鸟算法的预设发现概率Pa，维度交叉概率Pv，最大迭代次数Tmaxgen。
对待优化输入权值和待优化隐含层偏置进行粒子编码，得到预设个数的初始粒子与对应的初始种群，也即，在预设范围内，随机产生预设个数的鸟巢，其中，初始粒子可以表示为
Xi＝[w11,w12,...,w1l,w21,w22,...,w2l,...,wn1,wn2,...,wnl,b1,b2,...,bl]；i＝1,2,...,M.
其中，n和l分别为极限学习机的输入层和隐含层个数，wnl为输入层第n个节点到隐含层第l个节点的输入权值，bl为隐含层第l个节点的偏置。
S302，设置目标学习机与目标适应值。
具体地，首先确定目标学习机与对应的目标适应值，需要说明的是，在第一次迭代中，目标学习机为预设的初始学习机，利用初始学习机对上述初始粒子对应的种群进行预测，利用预测前的目标输出结果和预测后的实际输出结果计算对应的目标适应值。
计算适应值的公式可以参考下式：
其中，pt表示极限学习机神经网络的实际输出，表示极限学习机的目标输出，N表示训练样本数。
S303，确定随机数，判断所述随机数是否大于预设发现概率，若是，则执行S304，若否，则执行S306。
在本方案中，为解决传统布谷鸟算法中非最优参数的问题，首先确定随机数，随机数r∈[0,1]，并判断本次随机数是否大于预设的发现概率Pv，如果大于，则执行S304，按照传统的莱维飞行原理更新初始粒子，如果不大于，则进入竞争机制，执行S306进行更新。
S304，利用莱维飞行原理更新所述初始种群中每个所述初始粒子，得到第一新种群；根据利用当前目标学习机对所述第一新种群进行预测前的目标输出和预测后的实际输出确定所述第一新种群的第一适应值。
具体地，如果本次确定的随机数大于预设的发现概率，则利用莱维飞行原理更新初始种群中的每个初始粒子，更新后的解为则可以利用如下式得到：
Lévy～u＝t-λ
式中a＞0，a表示莱维飞行的步长，函数L(λ)表示无限均值和方差的莱维飞行，Lévy(莱维)飞行一般是随机产生一个步长，且步长是服从L(λ)～u-λ(1＜λ≤3)搜索路径。
完成所有初始粒子的更新后得到第一新种群，利用当前目标学习机对第一新种群进行预测，并确定对应的预测前目标输出和预测后的实际输出，并利用本步骤中的目标输出、实际输出与上述适应值的计算公式确定对应第一新种群的第一适应值。
S305，判断当前第一适应值是否小于当前目标适应值，若是，则将所述第一新种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308。
将第一适应值与目标适应值进行比较，如果第一适应值优于当前的目标适应值，则将第一种群作为保留结果，如果当前的目标适应值优于当前的第一适应值，则将当前目标适应值对应的种群作为保留结果。执行S308。
S306，利用预设纵向交叉概率更新所述初始种群中每个初始粒子的位置，得到第二新种群；根据利用当前目标学习机对所述第二新种群进行预测前的目标输出和预测后的实际输出确定所述第二新种群的第二适应值。
具体地，当随机数不大于预设发现概率时，则进入竞争机制，根据预设的纵向交叉概率Pv更新初始种群中每个初始粒子的位置，得到第二新种群。即，利用下式进行种群的更新：
MSvc(i,d1)＝r·X(i,d1)+(1-r)·X(i,d2)
其中，i∈N(1,M)，d1,d2∈N(1,D)，r∈[0，1]，D表示所有的维数，先将两维随机组合在一起，共有D/2个组合，MSvc(i,d1)是粒子X(i)的第d1维和第d2维进行交叉得到的子代，且d1、d2是随机产生的维，根据下式产生新个体保存在第二新种群MSvc中。
利用当前目标学习机对第二新种群进行预测，并确定预测前的目标输出和预测后的实际输出，利用本步骤中的目标输出与实际输出根据上述适应值的计算公式计算出对应第二新种群的第二适应值。
S307，判断当前第二适应值是否小于当前目标适应值，若是，则将所述第二种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308。
具体地，将当前第二适应值与当前目标适应值进行比较，如果第二适应值小于目标适应值，则第二适应值对应的第二新种群优于目标适应值对应的种群，则保留第二新种群，如果第二适应值不小于目标适应值，则目标适应值对应的种群优于第二新种群，则保留目标适应值对应的种群。
S308，判断当前迭代次数是否大于预设最大迭代次数。
S309，若是，则停止迭代，将所述保留结果中适应值最小的粒子设为最优输入权值和最优偏置。
具体地，当前迭代次数大于预设最大迭代次数时，将作为保留结果的种群中适应值最小的粒子，也就是对应的种群中最优的粒子设为最优输入权值和最优偏置。
S310，若否，则将所述保留结果中适应值最小的粒子对应的学习机作为当前目标学习机，将所述保留结果的适应值作为当前目标适应值，迭代次数加一，返回S303。
如果当前迭代次数不大于最大迭代次数，则需继续进行迭代，利用当前保留结果对应的种群中适应性值最小的粒子确定学习机预测模型，并作为当前目标学习机，将保留结果的种群的适应值作为当前目标适应值，使迭代次数加一，返回S303。
下面对本发明实施例提供的一种电价预测系统进行介绍，下文描述的一种电价预测系统与上文描述的一种电价预测方法可以相互参照。
参见图4，本发明实施例提供的一种电价预测系统，具体包括：
获取模块401，用于获取历史电价数据。
分解模块402，用于利用模态分解算法将所述历史电价数据分解为预设个数的离散模态。
预测模块403，用于利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
叠加模块404，用于叠加每个所述预测值得到电价预测结果。
本实施例的电价预测系统用于实现前述的电价预测方法，因此电价预测系统中的具体实施方式可见前文中的电价预测方法的实施例部分，例如，获取模块401，分解模块402，预测模块403，叠加模块404，分别用于实现上述电价预测方法中步骤S101，S102，S103和S104，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
参见图5，本发明实施例提供一种具体的电价预测系统，基于上述系统实施例，本发明实施例对上述实施例中分解模块402做了进一步限定和说明，其他内容与上述实施例大致相同，具体内容可以参考上述实施例，此处不再赘述。
所述分解模块402具体包括：
计算单元501，用于利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置。
预测单元502，用于利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
本实施例的电价预测系统用于实现前述的电价预测方法，因此电价预测系统中的具体实施方式可见前文中的电价预测方法的实施例部分，例如，计算单元501，预测单元502，分别用于实现上述电价预测方法中步骤S201，S202，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
下面对本发明实施例提供的一种具体的电价预测系统进行介绍，下文描述的一种具体的电价预测系统在上述实施例的基础上，对预测模块403作了进一步的限定和说明，其他内容与上述实施例可以相互参照，此处不再赘述。
参见图6，预测模块403具体包括：
优化单元601，用于利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置。
离散模态预测单元602，用于利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
本实施例的电价预测系统用于实现前述的电价预测方法，因此电价预测系统中的具体实施方式可见前文中的电价预测方法的实施例部分，其中本实施例中优化单元601用于实现上述电价预测方法中步骤S301至S310，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
下面对本发明实施例提供一种电价预测装置进行介绍，下文描述的一种电价预测装置可以与上述任一实施例相互参照。
参见图7，本发明实施例提供的一种电价预测装置具体包括：
存储器701，用于存储计算机程序；
处理器702，用于执行所述计算机程序时实现如上述任一实施例所述电价预测方法的步骤。
具体的，存储器701包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机可读指令，该内存储器为非易失性存储介质中的操作系统和计算机可读指令的运行提供环境。处理器702为电价预测装置提供计算和控制能力，可以实现上述任一电价预测方法实施例所提供的步骤。
在上述实施例的基础上，作为优选实施方式，所述电价预测装置还包括：
输入接口703，用于获取外部导入的计算机程序、参数和指令，经处理器控制保存至存储器中。该输入接口703可以与输入装置相连，接收用户手动输入的参数或指令。该输入装置可以是显示屏上覆盖的触摸层，也可以是终端外壳上设置的按键、轨迹球或触控板，也可以是键盘、触控板或鼠标等。具体的，在本实施例中，用户可以通过输入接口703手动输入训练样本、发现概率、维度交叉概率、最大迭代次数等。
显示单元704，用于显示处理器发送的数据。该显示单元704可以为PC机上的显示屏、液晶显示屏或者电子墨水显示屏等。具体的，在本实施例中，显示单元704可以显示电价预测装置的预测结果等信息。
网络端口705，用于与外部各终端设备进行通信连接。该通信连接所采用的通信技术可以为有线通信技术或无线通信技术，如移动高清链接技术(MHL)、通用串行总线(USB)、高清多媒体接口(HDMI)、无线保真技术(WiFi)、蓝牙通信技术、低功耗蓝牙通信技术、基于IEEE802.11s的通信技术等。具体的，在本实施例中，可通过网络端口获取历史电价数据，以及发送实际预测结果。
本申请还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时可以实现上述实施例所提供的电价预测方法的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
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，在其它实施例中实现。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。
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，在其它实施例中实现。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 (10)
1.一种电价预测方法，其特征在于，包括：
获取历史电价数据；
利用模态分解算法将所述历史电价数据分解为预设个数的离散模态；
利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值；
叠加每个所述预测值得到电价预测结果。
2.根据权利要求1所述的方法，其特征在于，所述历史电价数据包括连续两周的历史电价数据，其中所述历史电价数据的时间分辨点为0.5小时。
3.根据权利要求1所述的方法，其特征在于，所述利用模态分解算法将所述历史电价数据分解为预设个数的离散模态，包括：
利用希尔伯特变换函数确定预设个数的解析信号，与每个所述解析信号对应的单变频谱；
利用预估中心频率将每个所述解析信号与对应的每个所述单变频普混合得到相应的每个基频带；
利用每个所述基频带将所述历史电价数据分解为与每个所述基频带对应的离散模态。
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值，包括：
利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置；
利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
5.根据权利要求4所述的方法，其特征在于，所述利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置，包括：
S301，对待优化输入权值和待优化隐含层偏置进行粒子编码得到预设个数的初始粒子与所述初始粒子对应的初始种群，其中，每个所述初始粒子包括每个输入层节点到每个隐含层节点的输入权值和隐含层每个节点的偏置；
S302，设置目标学习机与目标适应值；
S303，确定随机数，判断所述随机数是否大于预设发现概率，若是，则执行S304，若否，则执行S306；
S304，利用莱维飞行原理更新所述初始种群中每个所述初始粒子，得到第一新种群；根据利用当前目标学习机对所述第一新种群进行预测前的目标输出和预测后的实际输出确定所述第一新种群的第一适应值；
S305，判断当前第一适应值是否小于当前目标适应值，若是，则将第一新种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308；
S306，利用预设纵向交叉概率更新所述初始种群中每个初始粒子的位置，得到第二新种群；根据利用当前目标学习机对所述第二新种群进行预测前的目标输出和预测后的实际输出确定所述第二新种群的第二适应值；
S307，判断当前第二适应值是否小于当前目标适应值，若是，则将所述第二种群作为保留结果，若否，则将当前目标适应值对应的种群作为保留结果，执行S308；
S308，判断当前迭代次数是否大于预设最大迭代次数；
S309，若是，则停止迭代，将所述保留结果中适应值最小的粒子设为最优输入权值和最优偏置；
S310，若否，则将所述保留结果中适应值最小的粒子对应的学习机作为当前目标学习机，将所述保留结果的适应值作为当前目标适应值，迭代次数加一，返回S303。
6.根据权利要求5所述的方法，其特征在于，所述待优化的输入权值和待优化隐含层偏置为前预设个数的所述历史电价数据对应的输入权值和隐含层偏置。
7.一种电价预测系统，其特征在于，包括：
获取模块，用于获取历史电价数据；
分解模块，用于利用模态分解算法将所述历史电价数据分解为预设个数的离散模态；
预测模块，用于利用改进布谷鸟算法优化极限学习机的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值；
叠加模块，用于叠加每个所述预测值得到电价预测结果。
8.根据权利要求7所述的系统，其特征在于，所述预测模块，包括：
计算单元，用于利用改进布谷鸟算法优化学习机得到最优输入权值和最优偏置；
预测单元，用于利用包括所述最优输入权值和所述最优偏置的预测模型对每个所述离散模态进行预测，得到对应每个所述离散模态的预测值。
9.一种电价预测装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至6任一项所述电价预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电价预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810729659.9A CN108694477A (zh) | 2018-07-05 | 2018-07-05 | 一种电价预测方法及相关装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810729659.9A CN108694477A (zh) | 2018-07-05 | 2018-07-05 | 一种电价预测方法及相关装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108694477A true CN108694477A (zh) | 2018-10-23 |
Family
ID=63850401
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810729659.9A Pending CN108694477A (zh) | 2018-07-05 | 2018-07-05 | 一种电价预测方法及相关装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108694477A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113505921A (zh) * | 2021-07-06 | 2021-10-15 | 西安热工研究院有限公司 | 一种短期电价预测方法、系统、设备及存储介质 |
| CN113807964A (zh) * | 2021-09-16 | 2021-12-17 | 陈炜 | 一种预测股票价格和确定参数的方法、设备及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107480829A (zh) * | 2017-08-25 | 2017-12-15 | 广东工业大学 | 一种短期电价预测方法、装置及系统 |
| CN107527110A (zh) * | 2017-07-07 | 2017-12-29 | 上海电力学院 | 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法 |
-
2018
- 2018-07-05 CN CN201810729659.9A patent/CN108694477A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107527110A (zh) * | 2017-07-07 | 2017-12-29 | 上海电力学院 | 基于布谷鸟搜索优化mgm（1，n）的年用电量预测方法 |
| CN107480829A (zh) * | 2017-08-25 | 2017-12-15 | 广东工业大学 | 一种短期电价预测方法、装置及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN113505921A (zh) * | 2021-07-06 | 2021-10-15 | 西安热工研究院有限公司 | 一种短期电价预测方法、系统、设备及存储介质 |
| CN113807964A (zh) * | 2021-09-16 | 2021-12-17 | 陈炜 | 一种预测股票价格和确定参数的方法、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhou et al. | A truthful online mechanism for location-aware tasks in mobile crowd sensing | |
| Farman et al. | Analytical network process based optimum cluster head selection in wireless sensor network | |
| Raftery et al. | Estimating and projecting trends in HIV/AIDS generalized epidemics using incremental mixture importance sampling | |
| CN112100841B (zh) | 盾构机姿态预测方法、装置、终端设备以及存储介质 | |
| CN110378434A (zh) | 点击率预测模型的训练方法、推荐方法、装置及电子设备 | |
| CN108694477A (zh) | 一种电价预测方法及相关装置 | |
| CN104506378A (zh) | 一种预测数据流量的装置及方法 | |
| CN113112030A (zh) | 训练模型的方法及系统和预测序列数据的方法及系统 | |
| CN107770365A (zh) | 一种基于Android的多特征APP流预测及推荐方法 | |
| Breidt et al. | Endogenous post-stratification in surveys: Classifying with a sample-fitted model | |
| CN112132347B (zh) | 一种基于数据挖掘的短期电力负荷预测方法 | |
| Tyralis et al. | A review of predictive uncertainty estimation with machine learning | |
| Han et al. | A full Bayesian approach for Boolean genetic network inference | |
| Pillonetto et al. | Full Bayesian identification of linear dynamic systems using stable kernels | |
| CN113094602B (zh) | 酒店推荐方法、系统、设备及介质 | |
| Moustapha et al. | Multi-objective robust optimization using adaptive surrogate models for problems with mixed continuous-categorical parameters | |
| McAvoy et al. | Evaluating the structure-coefficient theorem of evolutionary game theory | |
| US20220122174A1 (en) | Method and apparatus for peer-to-peer energy sharing based on reinforcement learning | |
| CN109905880B (zh) | 一种网络划分方法、系统及电子设备和存储介质 | |
| CN112561817A (zh) | 基于am-gan的遥感图像去云方法、装置、设备及存储介质 | |
| CN117009659A (zh) | 套餐推荐方法、装置、设备及存储介质 | |
| US20230419195A1 (en) | System and Method for Hierarchical Factor-based Forecasting | |
| CN109240885A (zh) | 一种性能监控方法、系统及电子设备和存储介质 | |
| Ye et al. | MvTS-library: An open library for deep multivariate time series forecasting | |
| Peng et al. | Drl-based dependent task offloading strategies with multi-server collaboration in multi-access edge computing |
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: 20181023 |
|
| RJ01 | Rejection of invention patent application after publication |