CN112949908A - 一种电价概率预测方法及装置 - Google Patents
一种电价概率预测方法及装置 Download PDFInfo
- Publication number
- CN112949908A CN112949908A CN202110156880.1A CN202110156880A CN112949908A CN 112949908 A CN112949908 A CN 112949908A CN 202110156880 A CN202110156880 A CN 202110156880A CN 112949908 A CN112949908 A CN 112949908A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- prediction
- data
- probability
- different
- 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 151
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000005457 optimization Methods 0.000 claims description 16
- 238000013507 mapping Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 230000009977 dual effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 14
- 238000012502 risk assessment Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012795 verification 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
- 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
- G06F18/23—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- 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)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Educational Administration (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (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
本发明公开了一种电价概率预测方法及装置,所述方法包括:构建SVM预测模型,获得不同时刻的电价预测数据;将电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;根据电价概率预测结果和电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。本发明通过分析电价预测误差在不同时段的差异性,提取特征参数并进行聚类,在不引入过多风险情形的前提下,精确的描述不同置信水平下的电价预测结果。
Description
技术领域
本发明涉及电力市场技术领域,尤其涉及一种电价概率预测方法及装置。
背景技术
随着现货市场的推进和竞争程度逐步加深,电价的波动性会日益明显,如何科学准确的评估风险对于市场主体显得十分重要。其中,发电商参与批发市场的报价策略往往基于对未来电价的预估并通过预测误差大小的不同可能性来评估决策的风险。因此,引入误差分布的电价概率预测对于发电侧主体具有重要意义。现有技术中,电价预测研究已有的价格预测研究成果主要集中在其确定性预测上,没有涉及到价格的不确定性或风险性研究,导致最终预测结果不全面,一方面,由于周期性社会活动难以建模是引入电价预测误差的主要原因之一,在总体上考虑误差并不能体现不同时段的电价误差特性;另一方面,由于预测得到的电价会应用于风险评估等大规模的优化问题,过多的风险场景会引入大量的风险分析工作量。
针对电价预测的准确性问题,现有技术一方面着眼于不同预测方法的总体准确性,重点考虑了不同预测模型和数据源的适配关系,但没有对预测误差进行深入研究分析,也没有考虑到预测误差的时域概率分布特性;另一方面基于相似日原理,分小时基于误差因子对预测数据进行分析,但该方法并未考虑到分析后的数据在风险评估中的使用难度,分小时的分析方法会在大规模风险评估优化问题中引入至少24个风险情形,从而引入过多工作量。
因此,现有的研究虽然对电价预测的准确性及误差进行了分析,但未能做到对误差概率的分析精度和预测结果用于风险分析的可行性的兼顾,因此难以直接用于发电商决策的风险评估。
发明内容
本发明目的在于,提供电价概率预测方法及装置,通过分析电价预测误差在不同时段的差异性,并提取出各个时段误差分布的特征参数,并对该特征参数进行聚类操作,在不引入过多风险情形的前提下,精确的描述不同置信水平下的电价区间。
为实现上述目的,本发明实施例提供一种电价概率预测方法,包括:
构建SVM预测模型,获得不同时刻的电价预测数据;
将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差;
根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;
根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
优选地,所述构建SVM预测模型,获得不同时段的电价预测数据,包括:
建立电价与输入数据之间的高维线性映射函数,引入松弛变量建立优化问题,预设SVM模型将所述优化问题转化为对偶问题,获得所述优化问题的最优解,将所述最优解代入高维线性映射函数,获得SVM预测模型:
yi=ω*φ(xi)+bi *;
其中,yi为输出i时刻的电价数据,xi为i时刻的输入数据矩阵,ω*为模型权重矩阵,bi *为常值,φ为非线性映射函数;
所述输入数据包括,目标T日24小时各时刻电价数据;
将所述电价数据输入所述SVM预测模型,输出目标T日24小时各时刻电价预测数据。
优选地,所述将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差,包括:
采用绝对误差Ei作为误差指标,计算如下:
Ei=Pi,forecast-Pi,actual;
式中,Pi,forecast为时间点i的电价预测值、Pi,actual为实际电价;
不同时刻的误差数据采用logistic分布模型拟合,其概率密度和累计密度函数分别如下:
获得不同时刻预测误差分布的均值和标准差。
优选地,所述根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果,包括:
采用所述不同时刻的预测误差分布的均值和标准差构建二维平面,记为(μi,σi);
采用Kmeans算法,随机选取K个中心点,分类系数为r,各数据点xi对应k个分类rik,其中,若数据点xi属于类K,则rik取1,否则取0;
根据最小化各数据点到各中心点的距离,选取所述分类系数r的值,如下:
更新中心点,重新计算中心点,如下:
重复更新计算直到收敛,输出各类中心点的坐标(μ,σ),根据所述各类中心点的坐标,获得所述电价概率预测结果。
优选地,所述根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果,包括:
所述目标T日24小时各时刻电价预测数据分时段加上各类均值,获得不同时段的电价预测数据的均值,根据所述概率密度函数,获得不同置信水平的电价概率预测结果。
本发明实施例提供还提供一种电价概率预测装置,包括:
原始预测模块,用于构建SVM预测模型,获得不同时刻的电价预测数据;
统计模块,用于将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差;
聚类模块,用于根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;
预测模块,用于根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
优选地,所述原始预测模块,包括:
建立电价与输入数据之间的高维线性映射函数,引入松弛变量建立优化问题,预设SVM模型将所述优化问题转化为对偶问题,获得所述优化问题的最优解,将所述最优解代入高维线性映射函数,获得SVM预测模型:
yi=ω*φ(xi)+bi *;
其中,yi为输出i时刻的电价数据,xi为i时刻的输入数据矩阵,ω*为模型权重矩阵,bi *为常值,φ为非线性映射函数;
所述输入数据包括,目标T日24小时各时刻电价数据;
将所述电价数据输入所述SVM预测模型,输出目标T日24小时各时刻电价预测数据。
优选地,所述统计模块,包括:
采用绝对误差Ei作为误差指标,计算如下:
Ei=Pi,forecast-Pi,actual;
式中,Pi,forecast为时间点i的电价预测值、Pi,actual为实际电价;
不同时刻的误差数据采用logistic分布模型拟合,其概率密度和累计密度函数分别如下:
获得不同时刻预测误差分布的均值和标准差。
优选地,所述聚类模块,包括:
采用所述不同时刻的预测误差分布的均值和标准差构建二维平面,记为(μi,σi);
采用Kmeans算法,随机选取K个中心点,分类系数为r,各数据点xi对应k个分类rik,其中,若数据点xi属于类K,则rik取1,否则取0;
根据最小化各数据点到各中心点的距离,选取所述分类系数r的值,如下:
更新中心点,重新计算中心点,如下:
重复更新计算直到收敛,输出各类中心点的坐标(μ,σ),根据所述各类中心点的坐标,获得所述电价概率预测结果。
优选地,所述预测模块,包括:
所述目标T日24小时各时刻电价预测数据分时段加上各类均值,获得不同时段的电价预测数据的均值,根据所述概率密度函数,获得不同置信水平的电价概率预测结果。
本发明实施例基于个时段的特征参数进行聚类,从而得到各聚类中心的特征参数,采用该特征参数对电价进行概率预测,本发明在不引入过多风险情形的前提下,精确的描述不同置信水平下的电价区间。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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是本发明某一实施例提供的一种电价概率预测方法的流程示意图;
图2是本发明另一实施例提供的SVM预测流程图;
图3是本发明某一实施例提供的一种电价概率预测方法的流程示意图;
图4是本发明某一实施例提供的一种电价概率预测装置的结构示意图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明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发明。如在本发明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。
术语“包括”和“包含”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。
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。
请参阅图1,本发明实施例提供一种电价概率预测方法,包括:
S101、构建SVM预测模型,获得不同时刻的电价预测数据。
请参照图2,支持向量机(Support Vector Machine,SVM)是一类按监督学习方式对数据进行二元分类的广义线性分类器,其决策边界是对学习样本求解的最大边距超平面,SVM算法的原理和计算过程如下:
首先,初始化模型的参数和样本的权重,训练集样本的权重系数设为相同。
其次,建立电价与输入数据之间的高维线性映射函数,如下:
yi=ωφ(xi)+bi (1)
其中,yi为输出i时刻的电价数据,xi为i时刻的输入数据矩阵,ω为模型权重矩阵,bi为常值,φ为非线性映射函数,引入松弛变量建立优化问题,如下:
求解获得最优解ω*和bi *,代入公式(1)中,如下:
yi=ω*φ(xi)+bi * (4)
对公式(4)输入目标T日24小时各时刻电价数据,输出目标T日24小时各时刻电价预测数据。
其中,预测过程中,输入数据包括,目标T日24小时各时刻电价数据,将电价数据输入所述SVM预测模型,输出目标T日24小时各时刻电价预测数据。将预测目标日记为T日,并将相关特征参数作为SVM模型的输入,获得预测得到训练时段24小数数据。其中相关特征参数包括,
日类型:星期一~星期日分别标记为1-7;
是否为周末:周末标记为1、工作日标记为0;
T日负荷高峰时刻的系统供需比;
T日系统负荷统计数据:负荷最大值、负荷均值、负荷最小值;
T日24小时各时刻点系统负荷值;
T-1日历史电价统计数据:最大值、平均值、最小值;
T-1日24小时各时刻历史电价数值;
T-2日历史电价统计数据:最大值、平均值、最小值;
T-2日24小时各时刻点历史电价值。
相较于传统的方法,本发明通过分析电价预测误差在不同时段的差异性,能够精确的描述不同置信水平下的电价区间。
S102、将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差。
具体的,Logistic分布指当n趋向于无穷大时,从指数分布中抽取的容量n的随机样本的最大与最小样本值的平均的极限分布。
采用绝对误差Ei作为误差指标,计算如下:
Ei=Pi,forecast-Pi,actual (5)
式中,Pi,forecast为时间点i的电价预测值、Pi,actual为实际电价;
不同时刻的误差数据采用logistic分布模型拟合,其概率密度和累计密度函数分别如下:
获得不同时刻预测误差分布的均值和标准差。
相较于传统的方法,本发明通过分析电价预测误差在不同时段的差异性,并通过提取各时段的误差分布的特征参数为下一步的聚类分析进行评估,能够精确的描述不同置信水平下的电价区间。
S103、根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果。
具体的,采用所述不同时刻的预测误差分布的均值和标准差构建二维平面,记为(μi,σi);
采用Kmeans算法,随机选取K个中心点,分类系数为r,各数据点xi对应k个分类rik,其中,若数据点xi属于类K,则rik取1,否则取0;
根据最小化各数据点到各中心点的距离,选取所述分类系数r的值,如下:
更新中心点,重新计算中心点,如下:
重复更新计算直到收敛,输出各类中心点的坐标(μ,σ),根据所述各类中心点的坐标,获得电价概率预测结果。
请参照图3,在执行Kmeans算法时需要选择聚类数,数据集到各类心的总距离会随着类数的增加而下降,本实施例可以选取上述曲线的拐点处对应的类数。在PJM日前市场2020年1月至6月的数据测试集中,将拐点设置为下一次总距离减少量小于上一次的1/6时的点,Kmeans输出各类中心点的坐标,并用于电价概率预测,获得电价概率预测结果。
S104、根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
具体的,在目标T日24小时各时刻电价预测数据分时段可以加上各类均值,不同时段的电价预测数据的均值,基于概率密度函数(公式(6)),获得不同置信水平的电价概率预测结果,
本发明在PJM日前数据测试集得到的90.51%置信水平的电价概率预测区间与实际电价的对比图。
相较于现有技术对电价预测的准确性及误差进行了分析,但未能做到对误差概率的分析精度和预测结果用于风险分析的可行性的兼顾,因此难以直接用于发电商决策的风险评估。本发明提出了一种电价概率预测方法充分分析了电价预测误差在不同时段的差异性,并提取出了各时段误差分布的特征参数,在此基础上各时段的特征参数本身对其进行聚类操作,大大减少了引入风险评估的风险情形,保证了后续风险分析的可行性,最后,基于各聚类中心的特征参数对于电价进行了概率预测,并采用PJM日前数据进行校验,结果表明,该方法可以在不引入过多风险情形的前提下,精确的描述不同置信水平下的电价区间,且便于用于后续的风险评估。
请参阅图4,基于上述实施例中一种电价概率预测方法,本发明实施例还提供一种电价概率预测装置,包括:
原始预测模块11,用于构建SVM预测模型,获得不同时刻的电价预测数据;
统计模块12,用于将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差;
聚类模块13,用于根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;
预测模块14,用于根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
关于一种电价概率预测装置的具体限定可以参见上文中对于的限定,在此不再赘述。上述一种电价概率预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
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)
1.一种电价概率预测方法,其特征在于,包括:
构建SVM预测模型,获得不同时刻的电价预测数据;
将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差;
根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;
根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
2.根据权利要求1所述的电价概率预测方法,其特征在于,所述构建SVM预测模型,获得不同时段的电价预测数据,包括:
建立电价与输入数据之间的高维线性映射函数,引入松弛变量建立优化问题,预设SVM模型将所述优化问题转化为对偶问题,获得所述优化问题的最优解,将所述最优解代入高维线性映射函数,获得SVM预测模型:
yi=ω*φ(xi)+bi *;
其中,yi为输出i时刻的电价数据,xi为i时刻的输入数据矩阵,ω*为模型权重矩阵,bi *为常值,φ为非线性映射函数;
所述输入数据包括,目标T日24小时各时刻电价数据;
将所述电价数据输入所述SVM预测模型,输出目标T日24小时各时刻电价预测数据。
4.根据权利要求3所述的电价概率预测方法,其特征在于,所述根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果,包括:
采用所述不同时刻的预测误差分布的均值和标准差构建二维平面,记为(μi,σi);
采用Kmeans算法,随机选取K个中心点,分类系数为r,各数据点xi对应k个分类rik,其中,若数据点xi属于类K,则rik取1,否则取0;
根据最小化各数据点到各中心点的距离,选取所述分类系数r的值,如下:
更新中心点,重新计算中心点,如下:
重复更新计算直到收敛,输出各类中心点的坐标(μ,σ),根据所述各类中心点的坐标,获得所述电价概率预测结果。
5.根据权利要求4所述的电价概率预测方法,其特征在于,所述根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果,包括:
所述目标T日24小时各时刻电价预测数据分时段加上各类均值,获得不同时段的电价预测数据的均值,根据所述概率密度函数,获得不同置信水平的电价概率预测结果。
6.一种电价概率预测装置,其特征在于,包括:
原始预测模块,用于构建SVM预测模型,获得不同时刻的电价预测数据;
统计模块,用于将所述电价预测数据输入logistic分布统计,获得不同时刻预测误差的特征参数,所述特征参数包括均值和标准差;
聚类模块,用于根据所述获得不同时刻预测误差的特征参数构建二维平面,采用Kmeans算法进行聚类,获得不同时刻的聚类结果,提取不同时刻所述聚类结果的中心点特征参数,获得电价概率预测结果;
预测模块,用于根据所述电价概率预测结果和所述电价预测数据,进行不同置信水平下电价概率预测,获得不同置信水平下电价概率预测结果。
7.根据权利要求6所述的电价概率预测装置,其特征在于,所述原始预测模块,还用于:
建立电价与输入数据之间的高维线性映射函数,引入松弛变量建立优化问题,预设SVM模型将所述优化问题转化为对偶问题,获得所述优化问题的最优解,将所述最优解代入高维线性映射函数,获得SVM预测模型:
yi=ω*φ(xi)+bi *;
其中,yi为输出i时刻的电价数据,xi为i时刻的输入数据矩阵,ω*为模型权重矩阵,bi *为常值,φ为非线性映射函数;
所述输入数据包括,目标T日24小时各时刻电价数据;
将所述电价数据输入所述SVM预测模型,输出目标T日24小时各时刻电价预测数据。
10.根据权利要求9所述的电价概率预测装置,其特征在于,所述预测模块,还用于:
所述目标T日24小时各时刻电价预测数据分时段加上各类均值,获得不同时段的电价预测数据的均值,根据所述概率密度函数,获得不同置信水平的电价概率预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156880.1A CN112949908A (zh) | 2021-02-04 | 2021-02-04 | 一种电价概率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110156880.1A CN112949908A (zh) | 2021-02-04 | 2021-02-04 | 一种电价概率预测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949908A true CN112949908A (zh) | 2021-06-11 |
Family
ID=76242195
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110156880.1A Pending CN112949908A (zh) | 2021-02-04 | 2021-02-04 | 一种电价概率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949908A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997989A (zh) * | 2021-11-29 | 2022-02-01 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
-
2021
- 2021-02-04 CN CN202110156880.1A patent/CN112949908A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113997989A (zh) * | 2021-11-29 | 2022-02-01 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
CN113997989B (zh) * | 2021-11-29 | 2024-03-29 | 中国人民解放军国防科技大学 | 磁浮列车单点悬浮系统安全检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
Gong et al. | Bottom-up load forecasting with Markov-based error reduction method for aggregated domestic electric water heaters | |
CN113393028B (zh) | 一种基于数据挖掘技术的负荷预测方法 | |
CN109902340B (zh) | 一种计及复杂气象耦合特性的多源-荷联合场景生成方法 | |
CN107506868A (zh) | 一种短时电力负荷预测的方法及装置 | |
Safari et al. | Very short-term wind power prediction interval framework via bi-level optimization and novel convex cost function | |
Toubeau et al. | Capturing spatio-temporal dependencies in the probabilistic forecasting of distribution locational marginal prices | |
CN113255900A (zh) | 一种考虑改进谱聚类与Bi-LSTM神经网络的冲击性负荷预测方法 | |
CN108879656B (zh) | 一种基于子抽样svr集成的短期电力负荷预测方法 | |
Zhang et al. | Transfer learning featured short-term combining forecasting model for residential loads with small sample sets | |
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 | |
CN115358437A (zh) | 基于卷积神经网络的供电负荷预测方法 | |
CN117543544A (zh) | 一种负荷预测方法、装置、设备及存储介质 | |
CN113449904A (zh) | 多能负荷预测方法、装置及设备 | |
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 | |
Li et al. | GMM-HMM-based medium-and long-term multi-wind farm correlated power output time series generation method | |
Pinceti et al. | Synthetic time-series load data via conditional generative adversarial networks | |
CN101206727B (zh) | 数据处理装置和数据处理方法 | |
CN112949908A (zh) | 一种电价概率预测方法及装置 | |
Danish | A framework for modeling and optimization of data-driven energy systems using machine learning | |
CN112232886B (zh) | 一种电价概率预测方法、系统、计算机设备和存储介质 | |
CN113761023A (zh) | 一种基于改进广义神经网络的光伏发电短期功率预测方法 | |
Wang et al. | Cloud computing and extreme learning machine for a distributed energy consumption forecasting in equipment-manufacturing enterprises | |
CN116993181A (zh) | 基于rbf-arx的综合能源系统时序概率多元负荷预测方法及系统 | |
CN112508278A (zh) | 一种基于证据回归多模型的多联供系统负荷预测方法 |
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: 20210611 |
|
RJ01 | Rejection of invention patent application after publication |