CN112308335A - 一种基于xgboost算法的短期电价预测方法及装置 - Google Patents
一种基于xgboost算法的短期电价预测方法及装置 Download PDFInfo
- Publication number
- CN112308335A CN112308335A CN202011274667.2A CN202011274667A CN112308335A CN 112308335 A CN112308335 A CN 112308335A CN 202011274667 A CN202011274667 A CN 202011274667A CN 112308335 A CN112308335 A CN 112308335A
- Authority
- CN
- China
- Prior art keywords
- day
- xgboost
- electricity price
- predicted
- model
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Evolutionary Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于xgboost算法的短期电价预测方法、装置、终端设备及存储介质,所述方法包括:根据预设的特征选用规则获取训练样本数据;对所述训练样本数据进行归一化预处理;将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。本发明通过考虑现货市场出清价格数据的本身特性,筛选出其关键的影响因素以构建特征向量,基于xgboost算法构建预测模型进行短期电价预测,从而有效提高电价预测的精度。
Description
技术领域
本发明涉及电力市场技术领域,尤其是涉及一种基于xgboost算法的短期电价预测方法、装置、终端设备及可读存储介质。
背景技术
电力市场化的核心工作之一是构建现货市场,主要包括日前、日内和实时市场,市场出清价格是现货市场中供需关系的实际反映,直接影响着市场主体的市场利润,因此如何精确有效地预测电力现货市场的出清价格对市场主体制定决策方案和把握市场规律具有重要意义。
已有的电价预测方法和理论主要可分为三大类:市场模拟法、统计方法和基于数据挖掘的方法。市场模拟法主要基于市场主体报价行为建模,并通过求解安全约束的优化问题来模拟实际市场情况,但该方法需要大量的市场信息(甚至涉及到机密信息),且需要进行大规模优化计算,因此该方法在工程上的应用前景有待考证。统计方法则是基于电价之间存在的时间依赖性和递归关系的假设,对时间序列进行拟合建模,从而推演得到短期电价预测值,然而统计方法中的模型限制了其对非线性关系的描述,预测精度难以提升至较高水平。
随着数字计算机和海量数据存储硬件的逐渐兴起,基于数据挖掘的预测方法近年来受到了国内外广大研究者的青睐。现货市场出清价格是一个强非线性的形成过程,基于数据挖掘的方法由于未对价格形成过程背后的潜在现象做出任何假设,而是通过对数据本身的特征提取实现预测,因此与传统统计方法相比,能够更好适应非线性尖峰行为并更精确地建模电价的数据特征,具有更好的预测精度,逐渐成为近年来短期电价预测的主要研究方向。
绝大多数的数据挖掘方法是机器学习或深度学习方法,现有的电价预测方法多采用传统的GBRT算法,由于传统的GBRT算法只利用了泰勒展开式的一阶导数,因此预测模型的预测精度较低,难以适合应用于对具有强非线性的现货市场出清价格进行预测。
发明内容
本发明实施例所要解决的技术问题在于,提供一种基于xgboost算法的短期电价预测方法、装置、终端设备及可读存储介质,能够提升电价预测的精度,从而适合应用于对具有强非线性的现货市场出清价格进行预测。
为了解决上述技术问题,本发明实施例提供了一种基于xgboost算法的短期电价预测方法,包括:
根据预设的特征选用规则获取训练样本数据;
对所述训练样本数据进行归一化预处理;
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;
根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;
对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
进一步地,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
进一步地,所述将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型,具体为:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
为了解决相同的技术问题,本发明还提供了一种基于xgboost算法的短期电价预测装置,包括:
数据获取模块,用于根据预设的特征选用规则获取训练样本数据;
数据预处理模块,用于对所述训练样本数据进行归一化预处理;
模型训练模块,用于将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;
数据输入模块,用于根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;
预测输出模块,用于对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
进一步地,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
进一步地,所述模型训练模块具体用于:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
为了解决相同的技术问题,本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的基于xgboost算法的短期电价预测方法。
为了解决相同的技术问题,本发明还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,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于xgboost算法的短期电价预测方法。
与现有技术相比,本发明具有如下有益效果:
本发明提供了一种基于xgboost算法的短期电价预测方法、装置、终端设备及存储介质,所述方法包括:根据预设的特征选用规则获取训练样本数据;对所述训练样本数据进行归一化预处理;将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。本发明通过考虑现货市场出清价格数据的本身特性,筛选出其关键的影响因素以构建特征向量,基于xgboost算法构建预测模型进行短期电价预测,从而有效提高电价预测的精度。
附图说明
图1是本发明一实施例提供的基于xgboost算法的短期电价预测方法的流程示意图;
图2是本发明一实施例提供的基于xgboost算法的短期电价预测装置的结构示意图;
图3是本发明一实施例提供的xgboost模型的训练和预测过程示意图。
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、完整的描述,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。
需要说明的是,绝大多数的数据挖掘方法是机器学习或深度学习方法,在众多算法中,xgboost(Extreme Gradient Boosting)是一种大规模可并行的算法,是在GradientBoosting Decision Tree(GBRT)的基础上发展而来。研究表明,与传统的GBRT相比,xgboost能并行多核CPU进行计算,在同等条件下,可比同类算法提升10倍以上。另外,由于传统的GBRT只利用了泰勒展开式的一阶导数,而xgboost对目标误差函数进行了二阶导数展开,从而有效提升模型的预测精度,因此适合应用于对具有强非线性的现货市场出清价格进行预测。
本发明提出一种基于xgboost的短期电价预测方法。首先,立足于现货市场出清价格数据的本身特性,筛选出其关键的影响因素以构建特征向量,并进一步探讨数据预处理方式;其次,基于xgboost的基本原理,研究基于xgboost的短期电价预测具体框架流程。
请参见图1和图3,本发明实施例提供了一种基于xgboost算法的短期电价预测方法,包括步骤:
S1、根据预设的特征选用规则获取训练样本数据。
在本发明实施例中,进一步地,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
需要说明的是,特征选择是利用xgboost模型进行电价预测的关键所在,其直接影响着预测精度的上限。因此,本发明实施例的特征向量选用了对短期电价具有影响效应的微观影响因素,涵盖了时间、供需比、负荷及前两日电价。将以上特征分别为向量形式构成该日的特征向量,用以描述该日特征。在本发明实施例所提的基于xgboost的电价预测模型中,输出量共计24维特征,分别对应预测日当天24小时各时刻电价;输入量共计84维特征,具体如下:
1、预测日当天的日类型:星期一-星期日分别标记为1-7;
2、预测日当天是否为周末:工作日标记为0、周末标记为1;
3、预测日当天高峰时刻的系统供需比;
4-6、预测日当天系统负荷统计量:最小值、均值、最大值;
7-30、预测日当天24小时各时刻系统负荷值;
31-33、预测日前一日电价统计量:最小值、均值、最大值;
34-57、预测日前一日24小时各时刻电价值;
58-60、预测日前两日电价统计量:最小值、均值、最大值;
61-84、预测日前两日24小时各时刻电价值。
S2、对所述训练样本数据进行归一化预处理。
需要说明的是,在本发明实施例中,电价特征向量中包含的日类型、供需比、负荷值及电价值等变量具有不同的量纲且数值上具有较大差别,这不利于xgboost的训练,为此,有必要首先对样本数据进行归一化预处理。因此本发明实施例采用z-score归一化方法对训练样本进行归一化处理,公式如下:
式中,x*为归一化后的样本值,x为待归一化的样本值,μ为样本均值,σ为样本标准差。
考虑到训练样本和待预测数据的输入量都进行了样本数据的归一化处理,因此,对输出电价数据进行反归一化处理是必不可少的。反归一化是归一化的逆过程,如下式所示:x=x*σ+μ,其中变量的含义与上式相同。
S3、将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型。
在本发明实施例中,进一步地,步骤S3具体为:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
需要说明的是,将预处理后的训练数据输入到超参数初步调整后的xgboost模型中,模型利用贪心算法,逐层计算决策树的参数分配,使得目标函数达到最小。此处假设在数据集上训练模型,其中为样本i归一化处理后的特征向量(详见步骤(1)),y为样本i归一化处理后的待预测日24点电价值。
Xgboost的基学习器选择分类回归树(classificaton and regression tree,CART),应用K个CART函数相加构成集成树模型来预测目标值,即
式中,Γ={f(x)=ωq(x)},(ω∈RT,q:Rm→{1,...,T})是分类回归树构成的函数空间;ω为叶子权重;T为树上叶子节点的数量;q为每棵树的结构,即样本实例到对应叶子节点索引的映射;每个fk对应一棵独立树结构qk和叶子权重ωk。
为了学习模型中的函数集合,xgboost的学习目标函数为:
对上式中的损失函数进行泰勒级数展开,并保留至二阶项且移除常数项,即:
上式可作为衡量树结构质量的得分函数。通过所有可能的树结构不可能被完全枚举出来,故采用从一个叶子节点开始反复添加分支的贪婪算法。假设IL和IR为分类后左右子节点的实例集,设I=IL∪IR,则分裂后的结构损失如下:可用来确定是否分裂和确定分裂候选点。
S4、根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型。
S5、对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
需要说明的是,将归一化预处理后的预测日特征变量值输入到训练好的xgboost模型中,从而得到对应的输出。为了使输出量恢复成实际值,需要对输出的负荷数据进行反归一化处理,由此计算得到对预测日的电价预测值。
需要说明的是,对于以上方法或流程实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于可选实施例,所涉及的动作并不一定是本发明实施例所必须的。
请参见图2,为了解决相同的技术问题,本发明还提供了一种基于xgboost算法的短期电价预测装置,包括:
数据获取模块1,用于根据预设的特征选用规则获取训练样本数据;
数据预处理模块2,用于对所述训练样本数据进行归一化预处理;
模型训练模块3,用于将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;
数据输入模块4,用于根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;
预测输出模块5,用于对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
进一步地,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
进一步地,所述模型训练模块3具体用于:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
为了解决相同的技术问题,本发明还提供了一种终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的基于xgboost算法的短期电价预测方法。
为了解决相同的技术问题,本发明还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,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于xgboost算法的短期电价预测方法。
可以理解的是上述装置项实施例,是与本发明方法项实施例相对应的,本发明实施例提供的一种基于xgboost算法的短期电价预测装置,可以实现本发明任意一项方法项实施例提供的基于xgboost算法的短期电价预测方法。
为了解决相同的技术问题,本发明还提供了一种基于xgboost算法的短期电价预测终端设备,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现任一项所述的基于xgboost算法的短期电价预测方法。
所述基于xgboost算法的短期电价预测终端设备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。所述处理器可以是中央处理单元(Central ProcessingUnit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、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,所述处理器是所述基于xgboost算法的短期电价预测终端设备的控制中心,利用各种接口和线路连接整个基于xgboost算法的短期电价预测终端设备的各个部分。
所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
为了解决相同的技术问题,本发明还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,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行任一项所述的基于xgboost算法的短期电价预测方法。
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。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种基于xgboost算法的短期电价预测方法,其特征在于,包括:
根据预设的特征选用规则获取训练样本数据;
对所述训练样本数据进行归一化预处理;
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;
根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;
对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
2.根据权利要求1所述的基于xgboost算法的短期电价预测方法,其特征在于,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
4.根据权利要求1所述的基于xgboost算法的短期电价预测方法,其特征在于,所述将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型,具体为:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
5.一种基于xgboost算法的短期电价预测装置,其特征在于,包括:
数据获取模块,用于根据预设的特征选用规则获取训练样本数据;
数据预处理模块,用于对所述训练样本数据进行归一化预处理;
模型训练模块,用于将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型;
数据输入模块,用于根据所述特征选用规则获取预测日特征数据,并将所述预测日特征数据输入至所述xgboost电价预测模型;
预测输出模块,用于对所述xgboost电价预测模型的输出值进行反归一化处理得到预测日电价预测值。
6.根据权利要求5所述的基于xgboost算法的短期电价预测装置,其特征在于,所述预设的特征选用规则所规定的特征包括预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值。
8.根据权利要求5所述的基于xgboost算法的短期电价预测装置,其特征在于,所述模型训练模块具体用于:
将归一化预处理后的所述训练样本数据输入至预先构建的xgboost模型进行训练,利用贪心算法逐层计算xgboost模型中决策树的参数分配,获取当使得预设的目标函数值达到预设的条件时的优化参数,并采用所述优化参数进行构建得到所述xgboost电价预测模型。
9.一种终端设备,其特征在于,包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序,所述存储器与所述处理器耦接,且所述处理器执行所述计算机程序时,实现如权利要求1至4任一项所述的基于xgboost算法的短期电价预测方法。
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存储有计算机程序,其中,在所述计算机程序运行时控制所述计算机可读存储介质所在的设备执行如权利要求1至4任一项所述的基于xgboost算法的短期电价预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011274667.2A CN112308335A (zh) | 2020-11-12 | 2020-11-12 | 一种基于xgboost算法的短期电价预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011274667.2A CN112308335A (zh) | 2020-11-12 | 2020-11-12 | 一种基于xgboost算法的短期电价预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112308335A true CN112308335A (zh) | 2021-02-02 |
Family
ID=74334523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011274667.2A Pending CN112308335A (zh) | 2020-11-12 | 2020-11-12 | 一种基于xgboost算法的短期电价预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112308335A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN115249166A (zh) * | 2021-12-20 | 2022-10-28 | 国家电投集团电站运营技术(北京)有限公司 | 出清电价预测方法、装置、计算机设备和存储介质 |
CN117436927A (zh) * | 2023-12-21 | 2024-01-23 | 开普云信息科技股份有限公司 | 一种虚拟电厂调峰市场价格预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276501A (zh) * | 2019-06-28 | 2019-09-24 | 新奥数能科技有限公司 | 短期电力交易市场的电价的预测方法及装置 |
CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
CN111191814A (zh) * | 2019-11-22 | 2020-05-22 | 储长青 | 一种电价预测方法、系统和计算机可读存储介质 |
-
2020
- 2020-11-12 CN CN202011274667.2A patent/CN112308335A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110276501A (zh) * | 2019-06-28 | 2019-09-24 | 新奥数能科技有限公司 | 短期电力交易市场的电价的预测方法及装置 |
CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
CN111191814A (zh) * | 2019-11-22 | 2020-05-22 | 储长青 | 一种电价预测方法、系统和计算机可读存储介质 |
Non-Patent Citations (2)
Title |
---|
施国良 等: "基于Lasso和Xgboost的油价预测研究", 《工业技术经济》 * |
黄卿 等: "机器学习方法在股指期货预测中的应用研究—基于BP神经网络、SVM和XGBoost的分析比较", 《数学的实践与认识》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232886A (zh) * | 2020-10-30 | 2021-01-15 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN112232886B (zh) * | 2020-10-30 | 2021-06-04 | 南方电网能源发展研究院有限责任公司 | 一种电价概率预测方法、系统、计算机设备和存储介质 |
CN115249166A (zh) * | 2021-12-20 | 2022-10-28 | 国家电投集团电站运营技术(北京)有限公司 | 出清电价预测方法、装置、计算机设备和存储介质 |
CN117436927A (zh) * | 2023-12-21 | 2024-01-23 | 开普云信息科技股份有限公司 | 一种虚拟电厂调峰市场价格预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chou et al. | Forward forecast of stock price using sliding-window metaheuristic-optimized machine-learning regression | |
CN112308335A (zh) | 一种基于xgboost算法的短期电价预测方法及装置 | |
CN107622329A (zh) | 基于多时间尺度长短时记忆神经网络的电力负荷预测方法 | |
CN113159835B (zh) | 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 | |
CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Hinojosa et al. | Short-term hydrothermal generation scheduling solved with a mixed-binary evolutionary particle swarm optimizer | |
CN116707331B (zh) | 基于模型预测的逆变器输出电压高精度调节方法及系统 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Yu et al. | Ceam: A novel approach using cycle embeddings with attention mechanism for stock price prediction | |
Luo et al. | Artificial intelligent based day-ahead stock market profit forecasting | |
CN114970357A (zh) | 节能效果评价方法、系统、装置及存储介质 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Li et al. | Improved LSTM-based prediction method for highly variable workload and resources in clouds | |
CN113705929A (zh) | 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法 | |
Wibawa et al. | Deep Learning Approaches with Optimum Alpha for Energy Usage Forecasting. | |
CN112598181A (zh) | 负荷预测方法、装置、设备和存储介质 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN112257958A (zh) | 一种电力饱和负荷预测方法及装置 | |
CN116843483A (zh) | 一种车险理赔方法、装置、计算机设备及存储介质 | |
Li et al. | Quantifying the impact of building load forecasts on optimizing energy storage systems | |
Zhang et al. | Short-term load forecasting based on big data technologies | |
Cano-Martínez et al. | Dynamic energy prices for residential users based on Deep Learning prediction models of consumption and renewable generation | |
CN116760006A (zh) | 一种风电功率预测方法、装置、设备及存储介质 | |
Helseth et al. | SOVN Model Implementation: method, functionality and details | |
Paulo et al. | Assessment of biomass supply chain design and planning using discrete-event simulation modeling |
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: 20210202 |