CN111160969A - 一种电力价格预测方法及装置 - Google Patents
一种电力价格预测方法及装置 Download PDFInfo
- Publication number
- CN111160969A CN111160969A CN201911383446.6A CN201911383446A CN111160969A CN 111160969 A CN111160969 A CN 111160969A CN 201911383446 A CN201911383446 A CN 201911383446A CN 111160969 A CN111160969 A CN 111160969A
- Authority
- CN
- China
- Prior art keywords
- price
- prediction
- target
- subsequence
- result
- 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
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012417 linear regression Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 24
- 238000004590 computer program Methods 0.000 claims description 16
- 239000000126 substance Substances 0.000 claims description 2
- 230000008569 process Effects 0.000 abstract description 16
- 238000012549 training Methods 0.000 abstract description 4
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000003064 k means clustering Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本发明适用于数据处理技术领域,提供了一种电力价格预测方法及装置,该方法包括:根据电力交易信息,获取价格历史数据;对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。本发明不仅提高了电力价格预测的准确性,而且免去了机器学习方法所需要的模型训练过程,具有较高的实时性,可以进行在线预测;本发明整体运算简单,保证了预测的准确性、便捷性和迅速性,节约了计算资源。
Description
技术领域
本发明属于数据处理技术领域,尤其涉及一种电力价格预测方法及装置。
背景技术
模式序列相似性预测电力价格时只是单纯的对结果集中的数据计算其算术平均值,但是这种方法的前提是各个价格对于结果的影响是均衡的,但是在实际中这种假设不合理,随着时间的推移,各种影响因素均在进行动态变化,都会使得各个电力价格对预测结果的影响是不一样的,从而导致预测的电力价格准确性欠佳、偏差较大,所以亟需一种解决电力价格预测准确性差的新方法。
发明内容
有鉴于此,本发明实施例提供了一种电力价格预测方法、装置、终端设备及计算机可读存储介质,以解决现有技术中电力价格预测准确性差的技术问题。
本发明实施例的第一方面,提供了一种电力价格预测方法,包括:
根据电力交易信息,获取价格历史数据;
对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;
采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;
根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
本发明实施例的第二方面,提供了一种电力价格预测装置,包括:
信息获取模块,用于根据电力交易信息,获取价格历史数据;
第一结果获取模块,用于对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;
权重获取模块,用于采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;
第二结果获取模块,用于根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
本发明实施例的第三方面,提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述电力价格预测方法的步骤。
本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述电力价格预测方法的步骤。
本发明实施例提供的电力价格预测方法的有益效果至少在于:
(1)本发明实施例首先通过模式序列相似性预测电力价格,基于这种相关性与距离预测日的远近有关,提出了一种将模式序列相似性预测方法与局部线性回归结合的预测方法,加大距离预测点近的数据的权重,减小距离预测点远的数据的权重,这是一种改进的模式序列相似性的电力价格预测方法。
(2)本发明实施例不仅提高了电力价格预测的准确度,而且免去了机器学习方法所需要的模型训练过程,具有较高的实时性,可以进行在线预测。
(3)本发明实施例整体运算简单,保证了预测的准确性、便捷性和迅速性,节约了计算资源。
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它的附图。
图1是本发明实施例提供的电力价格预测方法的实现流程示意图;
图2是本发明实施例提供的电力价格预测方法中获取目标预测对象的初始价格预测结果的实现流程示意图;
图3是本发明实施例提供的电力价格预测方法中获取目标模式子序列的实现流程示意图;
图4是本发明实施例提供的电力价格预测装置的示意图;
图5是本发明实施例提供的电力价格预测装置中第一结果获取模块的示意图;
图6是本发明实施例提供的电力价格预测装置中序列获取单元的示意图;
图7是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。若未特别指明,实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
参阅图1,是本发明实施例提供的电力价格预测方法的实现流程示意图,该方法可以包括:
步骤S10:根据电力交易信息,获取价格历史数据。
在获取价格历史数据后,可进行以下步骤:
请参阅图1,进一步地,在获取价格历史数据后,可以进行下述步骤:
步骤S20:对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果。
进一步地,为了获取目标预测对象的初始价格预测结果,需要对所述价格历史数据进行均值聚类处理。请参阅图2,是本发明实施例提供的电力价格预测方法中获取目标预测对象的初始价格预测结果的实现流程示意图,在本实施例中,基于模式序列的相似性预测算法,主要包括K-means聚类阶段、相似序列匹配阶段和预测阶段。获取目标预测对象的初始价格预测结果的一种方式可以包括如下步骤:
步骤S201:对所述价格历史数据进行均值聚类处理,获取目标模式子序列。
进一步地,为了获取目标模式子序列,需要至少获取单位时间电力价格长度和历史数据的单位时间数。请参阅图3,是本发明实施例提供的电力价格预测方法中获取目标模式子序列的实现流程示意图,在本实施例中,获取目标模式子序列的一种方式可以包括如下步骤:
步骤S2011:根据所述价格历史数据,至少获取单位时间电力价格长度和历史数据的单位时间数。
步骤S2012:对所述单位时间电力价格长度和所述历史数据的单位时间数进行均值聚类处理,获取目标模式子序列。
K-means聚类:K均值聚类算法(K-means clustering algorithm)是一种迭代求解的聚类分析算法,其步骤是随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
聚类是进行价格预测的第一步,是进行准确预测的有力支撑。K-means聚类是经典的聚类算法,在时间序列上效果表现最好,本具体实施例采用K-means聚类算法。K-means算法的目标是将M个维度为N的点分为K个簇,并使得每个簇内的各个数据点距离最近。简单来说就是,根据先验知识给出K,然后在N个点中随机挑选K个点作为种子点,即初始簇心点,然后计算种子点之外的点到各个种子点的距离,并将每个点归属到距离其最近的簇,接着跟新簇心,不断重复直到簇心稳定。在进行价格预测时,维度M代表每天的电力价格长度,N表示历史数据天数,根据聚类结果,获取每天的电力价格聚类后的标识,包含标识的序列为获取电力价格的模式序列。
在获取目标模式子序列后,可进行以下步骤:
步骤S202:基于所述价格历史数据,对所述目标模式子序列进行相似序列匹配处理,获取与所述目标模式子序列对应的相似模式子序列。
相似序列匹配:该阶段先选择特定长度的滑动窗口,在历史模式序列滑动窗口获取完全相同的模式子序列,即相似模式子序列,最后取得相似模式子序列所对应的下一天的电力价格数据,令X(i)∈IR24为第i天的电力价格。这个向量中的每一个元素表示第i天第j小时的电力价格数据:
令Li∈{1,…,K}模式子序列,最后取为第i天所对应的聚类后的标号。
K是聚类算法中簇的数目,则滑动窗口长度为W的模式子序列定义如下:
所述基于所述价格历史数据,对所述目标模式子序列进行相似序列匹配处理,获取与所述目标模式子序列对应的相似模式子序列步骤后,还包括:若不能获取与所述目标模式子序列对应的相似模式子序列,则将窗口长度缩减一个单位后,返回所述对所述目标模式子序列进行相似序列匹配处理步骤。
相似序列匹配过程中可能会出现找不到与目标子序列完全匹配的子序列,本发明实施例提出一种动态调节过程。如果在历史数据集上面扫描一次,没有扫描到与目标模式子序列完全相同的子序列那么将目标模式子序列修改为即将窗口长度缩减1个单位。这样保证在搜索的过程中至少可以找到长度为1的模式子序列与目标模式子序列完全相同。
步骤S203:根据所述相似模式子序列,获取结果集。
步骤S204:根据所述结果集,获取目标预测对象的初始价格预测结果。
初始价格预测结果的获取方式为:
这一步是根据获得的结果集获取想要的预测结果,考虑到相似模式子序列与目标模式子序列是完全相同的,代表这些天所处的外部影响因素是一样的,所以子序列下一天的电力价格与要预测当天的电力价格会有很强的相关性,假设表示第d天需要预测的电力价格数据,最终的结果是:
基于模式序列相似性的电力价格预测方法会取出结果集中存在的m天的电力价格,对这几天电力价格求算术平均值,这个值就是最终的预测价格结果。
请参阅图1,进一步地,在获取目标预测对象的初始价格预测结果后,可以进行下述步骤:
步骤S30:采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重。
所述目标预测对象的更新后的权重获取方式为:
其中,w(i)表征更新后的权重,i表征所述结果集中每个元素获得该元素对应的编号,τ表征带宽参数。
预测时,每个数据点对于预测值都有影响,但是影响的程度与其距离预测日距离有关。局部加权平均回归算法其原理就是加大训练集中离预测点近的数据的权重,减小距离预测点远的数据的权重。
在原始的线性回归中,预测点x对应的值需要:
在解空间中搜索并找到一个θ,使得公式∑i(y(i)-θTx(i))2达到最小值;θTx是最终预测值。
局部加权线性回归的计算方式如下:
在解空间搜索并找到一个θ,使得公式∑iw(i)*(y(i)-θTx(i))2达到最小值;θTx是最终预测值。
w(i)是一个非负实数权值,根据公式看出如果某i点对应w(i)的的数值很大的话,通过调节θ降低i对应的误差项很难。如果w(i)很小的话,在求解时可以忽略掉i对应的误差项。
在局部加权线性回归中,权值计算公式是:
根据公式,如果|x(i)-x|很小,那么w(i)趋近于1,如果|x(i)-x|很大,则w(i)很小,因此,离预测点x越近的点会获得更高的权重。参数τ表示带宽参数,可以通过控制着x(i)对应的权重值随x(i)到x的距离增加所减小的速度。
根据上述局部加权平均的计算方法,在量化相似序列数据预测当天的距离时可以采用如下方法:假设x(d)为要预测的d天的电力价格数据,x(i)∈ESd,则上述的权重公式可以更新为:
上述公式会在计算权重时候在结果集中每个元素获得该元素对应的编号i,获得编号后,与预测天的编号d做差,用该值|i-d|来具体量化相似序列距当前预测天的相关性。
根据权重公式,基于改进的模式序列相似性预测阶段标识如下:
与未改进的预测算法相比,增加了权重部分,通过该部分表示历史数据对最终结果的影响。
请参阅图1,进一步地,在获取所述目标预测对象的更新后的权重后,可以进行下述步骤:
步骤S40:根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
所述目标预测对象的电力价格预测结果的获取方式为:
应当理解的是,以上各英文字母和/或符号仅是为清楚说明设备或者本方法具体参数意义,也可用其他字母或者符号表示。此处不做限制。
应当理解的是,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的电力价格预测方法的有益效果至少在于:
(1)本发明实施例首先通过模式序列相似性预测电力价格,基于这种相关性与距离预测日的远近有关,提出了一种将模式序列相似性预测方法与局部线性回归结合的预测方法,加大距离预测点近的数据的权重,减小距离预测点远的数据的权重,这是一种改进的模式序列相似性的电力价格预测方法。
(2)本发明实施例不仅提高了电力价格预测的准确度,而且免去了机器学习方法所需要的模型训练过程,具有较高的实时性,可以进行在线预测。
(3)本发明实施例整体运算简单,保证了预测的准确性、便捷性和迅速性,节约了计算资源。
本发明实施例的目的还在于提供一种电力价格预测装置,图4为本发明实施例提供的电力价格预测装置的示意图,为了便于说明,仅示出与本申请实施例相关的部分。
请参阅图4,电力价格预测装置包括信息获取模块51、第一结果获取模块52、权重获取模块53以及第二结果获取模块54。其中,信息获取模块51用于根据电力交易信息,获取价格历史数据;第一结果获取模块52用于对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;权重获取模块53用于采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;第二结果获取模块54用于根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
请参阅图5,进一步地,第一结果获取模块52包括第一获取单元521、第二获取单元522、第三获取单元523以及第四获取单元524。其中,第一获取单元521用于对所述价格历史数据进行均值聚类处理,获取目标模式子序列;第二获取单元522用于基于所述价格历史数据,对所述目标模式子序列进行相似序列匹配处理,获取与所述目标模式子序列对应的相似模式子序列;第三获取单元523用于根据所述相似模式子序列,获取结果集;第四获取单元524用于根据所述结果集,获取目标预测对象的初始价格预测结果。
请参阅图6,进一步地,第一获取单元521包括第一确定单元5211和第二确定单元5212。其中,第一确定单元5211用于根据所述价格历史数据,至少获取单位时间电力价格长度和历史数据的单位时间数;第二确定单元5212用于对所述单位时间电力价格长度和所述历史数据的单位时间数进行均值聚类处理,获取目标模式子序列。
图7是本发明一实施例提供的终端设备的示意图。如图7所示,所述终端设备6,包括存储器61、处理器60以及存储在所述存储器61中并可在所述处理器60上运行的计算机程序62,所述处理器60执行所述计算机程序62时实现如所述电力价格预测方法的步骤。例如图1-图3所示的步骤S10至S40。
所述终端设备6可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器60、所述存储器61。本领域技术人员可以理解,图7仅仅是终端设备6的示例,并不构成对终端设备6的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器60可以是中央处理单元(Central Processing Unit,CPU),还可以是其它通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器61可以是所述终端设备6的内部存储单元,例如终端设备6的硬盘或内存。所述存储器61也可以是终端设备6的外部存储设备,例如所述终端设备6上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器61还可以既包括所述终端设备6的内部存储单元也包括外部存储设备。所述存储器61用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器61还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
具体可以如下,本申请实施例还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质;也可以是单独存在,未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序:
计算机可读存储介质,包括所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现所述电力价格预测方法的步骤。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块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。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,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、或者计算机软件和电子硬件的结合来实现。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。
在本发明所提供的实施例中,应该理解到,所揭露的装置/终端设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,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讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述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。
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。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力价格预测方法,其特征在于,包括:
根据电力交易信息,获取价格历史数据;
对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;
采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;
根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
2.如权利要求1所述的电力价格预测方法,其特征在于,所述对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果,包括:
对所述价格历史数据进行均值聚类处理,获取目标模式子序列;
基于所述价格历史数据,对所述目标模式子序列进行相似序列匹配处理,获取与所述目标模式子序列对应的相似模式子序列;
根据所述相似模式子序列,获取结果集;
根据所述结果集,获取目标预测对象的初始价格预测结果。
3.如权利要求2所述的电力价格预测方法,其特征在于,所述对所述价格历史数据进行均值聚类处理,获取目标模式子序列,包括:
根据所述价格历史数据,至少获取单位时间电力价格长度和历史数据的单位时间数;
对所述单位时间电力价格长度和所述历史数据的单位时间数进行均值聚类处理,获取目标模式子序列。
4.如权利要求2所述的电力价格预测方法,其特征在于,所述基于所述价格历史数据,对所述目标模式子序列进行相似序列匹配处理,获取与所述目标模式子序列对应的相似模式子序列步骤后,还包括:
若不能获取与所述目标模式子序列对应的相似模式子序列,则将窗口长度缩减一个单位后,返回所述对所述目标模式子序列进行相似序列匹配处理步骤。
8.一种电力价格预测装置,其特征在于,包括:
信息获取模块,用于根据电力交易信息,获取价格历史数据;
第一结果获取模块,用于对所述价格历史数据进行处理,获取目标预测对象的初始价格预测结果;
权重获取模块,用于采用局部加权线性回归法对所述价格历史数据进行处理,获取所述目标预测对象的更新后的权重;
第二结果获取模块,用于根据所述初始价格预测结果和所述更新后的权重,获取所述目标预测对象的电力价格预测结果。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383446.6A CN111160969A (zh) | 2019-12-27 | 2019-12-27 | 一种电力价格预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911383446.6A CN111160969A (zh) | 2019-12-27 | 2019-12-27 | 一种电力价格预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160969A true CN111160969A (zh) | 2020-05-15 |
Family
ID=70558821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911383446.6A Pending CN111160969A (zh) | 2019-12-27 | 2019-12-27 | 一种电力价格预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160969A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737317A (zh) * | 2020-06-23 | 2020-10-02 | 广联达科技股份有限公司 | 一种测算方法及装置 |
-
2019
- 2019-12-27 CN CN201911383446.6A patent/CN111160969A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737317A (zh) * | 2020-06-23 | 2020-10-02 | 广联达科技股份有限公司 | 一种测算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111382248B (zh) | 一种问题回复方法、装置、存储介质及终端设备 | |
CN113298152B (zh) | 模型训练方法、装置、终端设备及计算机可读存储介质 | |
CN113377909B (zh) | 释义分析模型训练方法、装置、终端设备及存储介质 | |
CN113947693A (zh) | 获取目标对象识别模型的方法、装置及电子设备 | |
CN111242387A (zh) | 一种人才离职预测方法、装置、电子设备及存储介质 | |
CN114896067A (zh) | 任务请求信息的自动生成方法、装置、计算机设备及介质 | |
CN116684330A (zh) | 基于人工智能的流量预测方法、装置、设备及存储介质 | |
CN111475541A (zh) | 数据决策方法、装置、电子设备及存储介质 | |
CN115034315A (zh) | 基于人工智能的业务处理方法、装置、计算机设备及介质 | |
CN114912720A (zh) | 基于记忆网络电力负荷预测方法、装置、终端及存储介质 | |
CN113743650B (zh) | 电力负荷预测方法、装置、设备与存储介质 | |
CN111160969A (zh) | 一种电力价格预测方法及装置 | |
CN112016797B (zh) | 基于knn的资源配额调整方法、装置和电子设备 | |
CN111091420A (zh) | 一种电力价格的预测方法及装置 | |
CN116257885A (zh) | 基于联邦学习的隐私数据通信方法、系统和计算机设备 | |
CN111400440A (zh) | 一种意图识别的方法及装置 | |
CN111679959A (zh) | 计算机性能数据确定方法、装置、计算机设备及存储介质 | |
CN111241106A (zh) | 近似数据处理方法、装置、介质及电子设备 | |
CN111091099A (zh) | 一种场景识别模型的构建方法、场景识别方法及设备 | |
CN113723712B (zh) | 风电功率预测方法、系统、设备及介质 | |
CN115546554A (zh) | 敏感图像的识别方法、装置、设备和计算机可读存储介质 | |
CN115470900A (zh) | 一种神经网络模型的剪枝方法、装置及设备 | |
CN113961765A (zh) | 基于神经网络模型的搜索方法、装置、设备和介质 | |
CN109783745B (zh) | 对页面进行个性化排版的方法、装置和计算机设备 | |
CN114067149A (zh) | 互联网服务提供方法、装置和计算机设备 |
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: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |