CN110930172A - 基于神经网络的跨国市场联合边际价格的预测方法及系统 - Google Patents
基于神经网络的跨国市场联合边际价格的预测方法及系统 Download PDFInfo
- Publication number
- CN110930172A CN110930172A CN201811090660.8A CN201811090660A CN110930172A CN 110930172 A CN110930172 A CN 110930172A CN 201811090660 A CN201811090660 A CN 201811090660A CN 110930172 A CN110930172 A CN 110930172A
- Authority
- CN
- China
- Prior art keywords
- neural network
- network model
- neurons
- value
- layer
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 34
- 210000002569 neuron Anatomy 0.000 claims abstract description 89
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- 230000002068 genetic effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 13
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013519 translation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 22
- 230000005611 electricity Effects 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 210000000349 chromosome Anatomy 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- HTIQEAQVCYTUBX-UHFFFAOYSA-N amlodipine Chemical compound CCOC(=O)C1=C(COCCN)NC(C)=C(C(=O)OC)C1C1=CC=CC=C1Cl HTIQEAQVCYTUBX-UHFFFAOYSA-N 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/08—Computing arrangements based on specific mathematical models using chaos models or non-linear system models
-
- 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
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Nonlinear Science (AREA)
- Evolutionary Biology (AREA)
- Physiology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Computational Mathematics (AREA)
Abstract
本发明提供了基于神经网络的跨国市场联合边际价格的预测方法及系统,包括:基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;基于校准后的神经网络模型预测边际价格。本发明通过确定神经网络模型的神经元数量,以及保证神经网络中权值和阀值为全局最优解,从而提升神经网络模型预测的准确性。
Description
技术领域
本发明涉及全球能源互联网技术领域,具体涉及基于神经网络的跨国市场联合边际价格的预测方法及系统。
背景技术
在全球能源互联网中,市场联合是促进跨国电力交易的重要手段,市场联合发生在国家与国家之间、区域与国家之间以及区域与区域之间,各国电力运营商之间的价格是通过竞争模式来确定的,电力的边际价格关系到各国电力运营商、发电方的经济利益,在竞争性环境里,如果能较准确的预测市场联合的边际电价,将有助于各国发电厂商构造最优的电价、电量投标策略,以获取最大利润,因此如何开展边际电价预测,以及如何提高边际电价预测的准确性将是迫切需要解决的问题。
目前,边际电价的预测方法可以归纳为三大类模型:1、时间关系模型,一般对被预测对象有严格而具体的要求,如:时间序列分析;2、结构关系模型,要求被预测事物与其影响因素之间保持固定结构函数关系;3、因果关系模型,主要特点是被预测事物与其影响因素之间是用因果关系描述的,如人工神经网络模型。而小波神经网络是基于小波分析而构成的人工神经网络模型,并基于误差反向传播(Error Back Propagation,BP)算法训练小波神经网络,但BP算法的小波神经网络的隐含层神经元(即隐层小波基)个数较难确定,隐含层神经元数目太少,则人工神经网络模型过于粗糙,神经网络不能探索出复杂的映射规律;数目太多,映射关系可能被扭曲,神经网络推理能力下降。另外,BP人工神经网络将系统输入输出问题转化为非线性优化问题,采用梯度下降法,通过反向传播来不断调整网络的权值和阀值,最终使网络的误差平方和最小,该训练方法是一个局部寻优法,虽能保证网络权值的收敛,但收敛速度慢,不能保证全局最优,从而影响预测的精度。
发明内容
为了解决现有技术中所存在的预测边际电价准确率低的问题,本发明提供一种跨国市场联合边际价格的预测方法及系统。本发明提供的预测方法主要采用小波函数替代BP神经网络中的S激活函数,并采用遗传算法训练小波神经网络,以保证小波神经网络中权值和阀值能得到全局最优解,从而提升预测的准确性。
本发明提供的技术方案是:基于神经网络的跨国市场联合边际价格的预测方法,包括:
基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
基于校准后的神经网络模型预测边际价格。
进一步的,所述基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量,包括:
基于采集窗宽、采集频率和电力运营商的数量计算神经网络中输入层的神经元数量;
基于所述输入层的神经元数量、嵌入维度和延迟时间计算神经网络中隐含层的神经元数量。
优选的,所述输入层的神经元数量,按下式计算:
M=p·k·q
式中:M:输入层的神经元数量;p:采集窗宽;k:采集频率;q:电力运营商的数量。
优选的,所述隐含层的神经元数量,按下式计算:
N=M+(m-1)τ
式中:N:隐含层的神经元数量;m:嵌入维度;τ:延迟时间。
优选的,所述利用遗传算法校准所述神经网络模型的权值和阈值,包括:
将电力运营商在采集窗宽内边际价格的实际值组成时间序列值;
基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值;
所述神经网络模型中输入层的神经元数量和隐含层的神经元数量为基于神经网络中输入层的神经元数量和隐含层的神经元数量预先设置。
优选的,所述基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值,包括:
步骤101、随机生成多个个体的初始化种群,并为每个个体对应的神经网络模型的权值和阈值赋初始值;
步骤102、每个个体基于各自的神经网络模型和边际价格的时间序列值得到边际价格的预测值,基于边际价格的预测值和对应边际价格的实际值得到每个个体的适应度值;
步骤103、当适应度值满足预设的收敛条件时,则结束循环,并输出当前神经网络模型对应的权值和阈值;否则对适应度值进行排序,并选择预设数量的适应度值对应的个体进行交叉和变异产生新样本;对所述新样本执行步骤102。
优选的,所述边际价格的预测值,按下式计算:
式中:输出层输出的边际价格的预测值;σ:S型函数;N:隐含层的神经元数量;wj1:隐含层j与输出层的连接权值;母小波函数;aj:隐含层节点j的伸缩系数;bj:隐含层节点j的平移系数,且j=1、2....N;M:输入层的神经元数量;wij:连接输入层节点i与隐含层节点j的连接权值;xi:输入层的第i个输入神经元输入的边际价格实际值,且i=1、2...M;θj:隐含层节点j的阀值;θ:输出层阀值。
优选的,所述适应度值,按下式计算:
优选的,所述基于校准后的神经网络模型预测边际价格,包括:
按预设的采集频率获取电力运营商边际价格的实际值;
基于所述边际价格的实际值和校准后的神经网络模型预测设定时刻的边际价格。
基于同一发明构思,本发明还提供了基于神经网络的跨国市场联合边际价格的预测系统,包括:
确定模块,用于基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
校准模块,用于将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
预测模块,用于基于校准后的神经网络模型预测边际价格。
优选的,所述确定模块,包括:
输入层确定单元,用于基于采集窗宽、采集频率和电力运营商的数量计算神经网络中输入层的神经元数量;
隐含层确定单元,用于基于所述输入层的神经元数量、嵌入维度和延迟时间计算神经网络中隐含层的神经元数量。
优选的,所述校准模块,包括:
时间序列子模块,用于将电力运营商在采集窗宽内边际价格的实际值组成时间序列值;
校准子模块,用于基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值;
所述神经网络模型中输入层的神经元数量和隐含层的神经元数量为基于神经网络中输入层的神经元数量和隐含层的神经元数量预先设置。
与现有技术相比,本发明的有益效果为:
本发明提供的技术方案,基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;基于校准后的神经网络模型预测边际价格,通过确定神经网络模型的神经元数量,以及保证神经网络中权值和阀值为全局最优解,从而提升神经网络模型预测的准确性。
本发明提供的技术方案,采用小波函数替代BP神经网络中的S激活函数,并采用遗传算法训练小波神经网络,以保证小波神经网络中权值和阀值能得到全局最优解,从而提升预测的准确性。
本发明提供的技术方案,基于混沌相空间重构理论,运用相空间重构法联合优化重构相空间的参数,选取嵌入维数为神经网络的输入层和隐含层神经元节点数,从而保证神经元个数选择的科学性,通过以上对BP神经网络的优化,提升了跨国市场联合边际价格预测的准确性,使预测的结果更接近实际情况。
本发明提供的技术方案,通过实验的仿真结果,表明基于遗传算法的小波神经网络预测精度明显好于BP神经网络,同时基于遗传算法的小波神经网络不必认为的确定网络结构和隐含层神经元个数,通过遗传算法的全局搜索能力以及小波神经网络练好的时频局部特征来逼近历史数据序列,因而预测效果较好。
附图说明
图1为本发明提供的基于神经网络的跨国市场联合边际价格的预测方法流程图;
图2为本发明实施例中小波神经网络结构示意图;
图3为本发明实施例中跨国运营商市场联合边际价格预测算法流程图。
具体实施方式
为了更好地理解本发明,下面结合说明书附图和实例对本发明的内容做进一步的说明。
实施例1:
目前,边际电价预测方法可以归纳为三大类模型:1、时间关系模型,一般对被预测对象有严格而具体的要求,如:时间序列分析;2、结构关系模型,要求被预测事物与其影响因素之间保持固定结构函数关系;3、因果关系模型,主要特点是被预测事物与其影响因素之间是用因果关系描述的,如人工神经网络模型,其中因果关系模型是目前预测模型研究的热点。
小波神经网络是基于小波分析而构成的人工神经网络模型,即使用母小波取代传统的Sigmoid函数,其函数描述是通过所选取的一簇母小波进行叠加实现。
如图2所示,小波神经网络结构采用三层网络,其中网络的隐含层神经元采用小波函数作激励函数,输出层神经元采用Sigmod函数。设xi是输入层的第i个输入神经元,i=1、2...M,M为输入层节点数,是输出层的输出值,Wij是连接输入层节点i与隐含层节点j的连接权值,θj是隐含层节点j的阀值,Wj1是隐含层j与输出层(输出层只有1个,即电价)的连接权值,θ是输出层阀值,aj表示隐含层节点j的伸缩系数,bj表示隐含层节点j的平移系数,其中j=1、2....N,N为隐含层的节点数。
其中σ(x)为sigmoid函数,即
σ(x)=1/[1+exp(-x)] (2-3)
本实施例中ψa,b(x)采用Morlet母小波,即
ψ(x)=cos(1.75x)exp(-x2/2) (2-4)
但BP算法的小波神经网络的隐含层神经元(即隐层小波基)个数较难确定,隐含层神经元数目太少,则模型过于粗糙,神经网络不能探索出复杂的映射规律;数目太多,映射关系可能被扭曲,神经网络推理能力下降。另外,BP人工神经网络将系统输入输出问题转化为非线性优化问题,采用梯度下降法,通过反向传播来不断调整网络的权值和阀值,最终使网络的误差平方和最小,该训练方法是一个局部寻优法,虽能保证网络权值的收敛,但收敛速度慢,不能保证全局最优,从而影响预测的精度。
本实施例中,将BP神经网络模型中的S激活函数采用小波函数替代,得到小波神经网络模型,也是BP神经网络模型,然后通过遗传算法训练小波神经网络模型以保证小波神经网络模型中权值和阀值得到全局最优解,从而提升预测的准确性。
因此,本实施例提供了基于神经网络的跨国市场联合边际价格的预测方法,如图1所示,包括:
S1、基于各国电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
S2、将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
S3、基于校准后的神经网络模型预测边际价格。
1、神经网络神经元数量的确定:
在跨国电力市场边际价格预测场景中,设置每个国家电力运营商的历史边际价格数据采集窗宽为7天,采集频率为1小时,即采集信号S={Sqpk},其中q=1,2...n,n代表电力运营商的数量;p=1,2...7,代表采集窗宽为7天;k=1,2...24,表示采集频率,可以取每天采集的次数,本实施例中每小时采集一次数据,m=24为嵌入维度,τ=1小时为延迟时间。
输入层神经元的数量:
M=p·k·q=7*24*q (2-5)
隐含层神经元的数量:
N=M+(m-1)τ=7*24*i+(24-1)*1 (2-6)
由输入层的神经元数量和隐含层的神经元数量共同构成神经网络神经元的数量;
所以第q个电力市场运营商的时间序列的价格:
Xi=[x1,i,x1,i+τ,x1,i+2τ...x1,i+(m-1)τ...x7,i,x7,i+τ,x7,i+2τ...x7,i+(m-1)τ] (2-7)
2、如图3采用遗传算法训练神经网络中的权值和阀值:
结合跨国电力市场联合边际价格预测的典型场景,将权值和阀值看成种群中的个体(染色体),并采用实数编码。
染色体的长度为:
S=R·S1+S1·S2+S1+S2 (2-8)
式中,R为BP神经网络输入层的节点数,S1为BP神经网络隐含层的节点数,S2为BP神经网络输出层的节点数。
个体的适应度函数:
本实施例通过仿真对本发明提供的预测方法进行验证,表1列出了实验的仿真结果,基于遗传算法的小波神经网络预测精度明显好于BP神经网络,同时基于遗传算法的小波神经网络不必认为的确定网络结构和隐含层神经元个数,通过遗传算法的全局搜索能力以及小波神经网络练好的时频局部特征来逼近历史数据序列,因而预测效果较好。
表1电价预测分析
实施例2:
本方法在跨国电力市场交易边际价格预测方法的应用,流程图详见图3,主要步骤说明如下:
1、输入跨国市场联合中运营商的总数量、采集频率即每天采集价格数据的次数及延迟时间。
2、根据(2-5)、(2-6)、(2-7)计算出神经网络的输入层和隐含层神经元数量及输入值的时间序列值。
3、根据输入层和隐含层的神经元数量,初始化群体,并初始化采用随机生成阀值θ和权值w;参数编码采用实数编码,字符串形式如下:
其中h表示隐含层,o表示输出层。
将第3步中用遗传算法生成的各项阀值θ和权值w代入神经网络中,利用训练样本开展训练,计算出所有个体的适应度,以及群体中最大的适应度值和每代群体的平均适应度值。
5、选择若干适应度最大的个体,直接继承给下一代,采用适应度比例方法进行选择操作,在该方法中,各个个体的选择概率和其适应度值成比例;更新各个个体的优良排序,如果最优个体的预测精度达到要求,输出所有阀值θ和权值w,若预测精度没有达到要求,则进入第6步。
6、对当前一代群体进行交叉和变异等遗传操作,以产生下一代群体。
7、循环执行3至6,直至满足训练精度要求。
在跨国电力市场电力联合场景中,因为BP神经网络的神经元个数的选择存在难点,以及在梯度下降法训练神经网络过程中,权值和阀值的求解不能保证全局最优,从而导致该神经网络在跨国市场联合边际价格预测应用中预测准确性波动不稳定。通过遗传算法训练神经网络的权值和阀值,保证权值和阀值求解全局最优,另外基于混沌相空间重构理论,运用混沌相关积分法(chaos-correlation integral method,C-Cmethod)联合优化重构相空间的参数,选取嵌入维数为神经网络的输入层和隐含层神经元节点数,从而保证神经元个数选择的科学性,通过以上对BP神经网络的优化,提升了跨国市场联合边际价格预测的准确性,使预测的结果更接近实际情况。
基于同一种发明构思,本发明还提供了一种边际价格的预测系统,包括:
确定模块,用于基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
校准模块,用于将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
预测模块,用于基于校准后的神经网络模型预测边际价格。
实施例中,所述确定模块,包括:
输入层确定单元,用于基于采集窗宽、采集频率和电力运营商的数量计算神经网络中输入层的神经元数量;
隐含层确定单元,用于基于所述输入层的神经元数量、嵌入维度和延迟时间计算神经网络中隐含层的神经元数量。
实施例中,所述校准模块,包括:
时间序列子模块,用于将电力运营商在采集窗宽内边际价格的实际值组成时间序列值;
校准子模块,用于基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值;
所述神经网络模型中输入层的神经元数量和隐含层的神经元数量为基于神经网络中输入层的神经元数量和隐含层的神经元数量预先设置。
实施例中,所述校准子模块,包括:
第一循环单元,用于随机生成多个个体的初始化种群,并为每个个体对应的神经网络模型的权值和阈值赋初始值;
第二循环单元,用于每个个体基于各自的神经网络模型和边际价格的时间序列值得到边际价格的预测值,基于边际价格的预测值和对应边际价格的实际值得到每个个体的适应度值;
第三循环单元,用于判断第二循环单元的适应度值,当适应度值满足预设的收敛条件时,则结束循环,并输出当前神经网络模型对应的权值和阈值;否则对适应度值进行排序,并选择预设数量的适应度值对应的个体进行交叉和变异产生新样本;对所述新样本通过第二循环单元进行处理。
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它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.基于神经网络的跨国市场联合边际价格的预测方法,其特征在于,包括:
基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
基于校准后的神经网络模型预测边际价格。
2.如权利要求1所述的方法,其特征在于,所述基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量,包括:
基于采集窗宽、采集频率和电力运营商的数量计算神经网络中输入层的神经元数量;
基于所述输入层的神经元数量、嵌入维度和延迟时间计算神经网络中隐含层的神经元数量。
3.如权利要求2所述的方法,其特征在于,所述输入层的神经元数量,按下式计算:
M=p·k·q
式中:M:输入层的神经元数量;p:采集窗宽;k:采集频率;q:电力运营商的数量。
4.如权利要求2所述的方法,其特征在于,所述隐含层的神经元数量,按下式计算:
N=M+(m-1)τ
式中:N:隐含层的神经元数量;M:输入层的神经元数量;m:嵌入维度;τ:延迟时间。
5.如权利要求2所述的方法,其特征在于,所述利用遗传算法校准所述神经网络模型的权值和阈值,包括:
将电力运营商在采集窗宽内边际价格的实际值组成时间序列值;
基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值;
所述神经网络模型中输入层的神经元数量和隐含层的神经元数量为基于神经网络中输入层的神经元数量和隐含层的神经元数量预先设置。
6.如权利要求5所述的方法,其特征在于,所述基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值,包括:
步骤101、随机生成多个个体的初始化种群,并为每个个体对应的神经网络模型的权值和阈值赋初始值;
步骤102、每个个体基于各自的神经网络模型和边际价格的时间序列值得到边际价格的预测值,基于边际价格的预测值和对应边际价格的实际值得到每个个体的适应度值;
步骤103、当适应度值满足预设的收敛条件时,则结束循环,并输出当前神经网络模型对应的权值和阈值;否则对适应度值进行排序,并选择预设数量的适应度值对应的个体进行交叉和变异产生新样本;对所述新样本执行步骤102。
9.如权利要求1所述的方法,其特征在于,所述基于校准后的神经网络模型预测边际价格,包括:
按预设的采集频率获取电力运营商边际价格的实际值;
基于所述边际价格的实际值和校准后的神经网络模型预测设定时刻的边际价格。
10.基于神经网络的跨国市场联合边际价格的预测系统,其特征在于,包括:
确定模块,用于基于电力运营商的数量、延迟时间和嵌入维度确定神经网络神经元的数量;
校准模块,用于将所述神经网络神经元的数量带入预先构建的神经网络模型中,并利用遗传算法校准所述神经网络模型的权值和阈值;
预测模块,用于基于校准后的神经网络模型预测边际价格。
11.如权利要求10所述的系统,其特征在于,所述确定模块,包括:
输入层确定单元,用于基于采集窗宽、采集频率和电力运营商的数量计算神经网络中输入层的神经元数量;
隐含层确定单元,用于基于所述输入层的神经元数量、嵌入维度和延迟时间计算神经网络中隐含层的神经元数量。
12.如权利要求11所述的系统,其特征在于,所述校准模块,包括:
时间序列子模块,用于将电力运营商在采集窗宽内边际价格的实际值组成时间序列值;
校准子模块,用于基于所述神经网络模型和时间序列值利用遗传算法进行迭代校准所述神经网络模型的权值和阈值;
所述神经网络模型中输入层的神经元数量和隐含层的神经元数量为基于神经网络中输入层的神经元数量和隐含层的神经元数量预先设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090660.8A CN110930172A (zh) | 2018-09-19 | 2018-09-19 | 基于神经网络的跨国市场联合边际价格的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811090660.8A CN110930172A (zh) | 2018-09-19 | 2018-09-19 | 基于神经网络的跨国市场联合边际价格的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110930172A true CN110930172A (zh) | 2020-03-27 |
Family
ID=69855824
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811090660.8A Pending CN110930172A (zh) | 2018-09-19 | 2018-09-19 | 基于神经网络的跨国市场联合边际价格的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110930172A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159835A (zh) * | 2021-04-07 | 2021-07-23 | 远光软件股份有限公司 | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 |
-
2018
- 2018-09-19 CN CN201811090660.8A patent/CN110930172A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159835A (zh) * | 2021-04-07 | 2021-07-23 | 远光软件股份有限公司 | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 |
CN113159835B (zh) * | 2021-04-07 | 2023-02-28 | 远光软件股份有限公司 | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8250007B2 (en) | Method of generating precedence-preserving crossover and mutation operations in genetic algorithms | |
CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
CN110264984B (zh) | 模型训练方法、音乐生成方法、装置和电子设备 | |
CN112308281A (zh) | 一种温度信息预测方法及装置 | |
CN111985719A (zh) | 一种基于改进的长短期记忆网络的电力负荷预测方法 | |
CN109886560A (zh) | 配电网改造措施与电压合格率指标关联性挖掘方法及装置 | |
CN110009181A (zh) | 配电网改造措施与失负荷量指标关联性挖掘方法及装置 | |
CN116799796A (zh) | 一种光伏发电功率预测方法、装置、设备及介质 | |
CN112884236A (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
CN113253709B (zh) | 一种适用于轨道交通车辆健康诊断方法及装置 | |
CN117096875B (zh) | 一种基于Spatio-Temporal Transformer模型的短期负荷预测方法及系统 | |
CN110930172A (zh) | 基于神经网络的跨国市场联合边际价格的预测方法及系统 | |
US11989656B2 (en) | Search space exploration for deep learning | |
CN111695967A (zh) | 一种报价的确定方法、装置、设备及存储介质 | |
CN111274542A (zh) | 基于藤copula和混合偏移正态分布的置信容量评估方法及装置 | |
CN116054144A (zh) | 分布式光伏接入的配电网重构方法、系统及存储介质 | |
CN114282657A (zh) | 一种市场数据长期预测模型训练方法、装置、设备及存储介质 | |
CN114238106A (zh) | 测试时间预测方法及装置、电子设备、存储介质 | |
CN116415700A (zh) | 一种结合人工智能的风能数值预报方法及其装置 | |
CN113627513A (zh) | 一种训练数据生成方法、系统、电子设备及存储介质 | |
CN112580885A (zh) | 一种配件合格率的预测方法、装置、设备及存储介质 | |
CN110322055A (zh) | 一种提高数据风险模型评分稳定性的方法和系统 | |
CN110910164A (zh) | 产品销售预测方法、系统、计算机设备和存储介质 | |
GALLEMIT | Water Monitoring and Analysis System: Validating an IoT-Enabled Prototype Towards Sustainable Aquaculture | |
CN116187494A (zh) | 电力负荷预测方法及装置 |
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: 20200327 |
|
RJ01 | Rejection of invention patent application after publication |