CN117635245A - 基于多层次频域分解和ibmh优化delm的电价预测方法和系统 - Google Patents
基于多层次频域分解和ibmh优化delm的电价预测方法和系统 Download PDFInfo
- Publication number
- CN117635245A CN117635245A CN202311636246.3A CN202311636246A CN117635245A CN 117635245 A CN117635245 A CN 117635245A CN 202311636246 A CN202311636246 A CN 202311636246A CN 117635245 A CN117635245 A CN 117635245A
- Authority
- CN
- China
- Prior art keywords
- delm
- decomposition
- ibmh
- optimization
- prediction
- 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
- 238000000354 decomposition reaction Methods 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000005457 optimization Methods 0.000 title claims abstract description 56
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 230000008569 process Effects 0.000 claims abstract description 20
- 230000005611 electricity Effects 0.000 claims description 37
- 230000015654 memory Effects 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 14
- 230000014509 gene expression Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000012549 training Methods 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 241000283153 Cetacea Species 0.000 description 3
- 241000287127 Passeridae Species 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 3
- 244000062645 predators Species 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010845 search algorithm Methods 0.000 description 3
- 238000012300 Sequence Analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013485 heteroscedasticity test Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000449 premovement Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多层次频域分解和IBMH优化DELM的电价预测方法和系统，该方法包括将所输入的原始电力市场价格时间序列进行EEMD分解，以将原始电力市场价格时间序列数据分解成不同的模态；对EEMD分解得到的每一固有模态应用小波包分解，以分解成多个子频带；将每一子频带作为一IBMH‑DELM电价预测模型的输入，IBMH‑DELM电价预测模型输出预测结果；将各IBMH‑DELM电价预测模型的预测结果叠加，得到最终的电价预测。通过结合EEMD和小波包分解能够提供多层次的信号分析，有更强的信号去噪能力，同时可以保留信号细节；引入IBMH算法进行参数优化的DELM模型可以使得模型参数优化过程更为自动化，在训练过程中更快地收敛，提高了模型预测的性能和预测准确性。
Description
技术领域
本发明涉电价预测技术，具体涉及一种基于多层次频域分解和IBMH优化DELM的电价预测方法和系统
背景技术
随着电力市场改革的不断推进，电价预测的准确性将直接影响电力现货交易各方的利益以及电网系统的电力分配，而电网系统的电力分配合理性将会影响电网系统的安全稳定性。因此，准确的电价预测将成为许多学者感兴趣的研究问题，也是电力市场迫切需要解决的关键问题之一。然而，由于电价的波动性和周期性较大，且波动范围较广。受多种影响，电价难以预测。目前，电价预测模型主要有两大类：时间序列法和智能预测模型。
预测电价的时间序列方法是根据电价的均值恢复特征建立回归模型。常用的模型包括广义自回归条件异方差条件模型(GARCH)和累积自回归滑动平均模型(ARIMA)。GARCH模型是用来建模时间序列数据的波动性的一种方法，适用于电价这种具有波动性的时间序列。在电价预测中，GARCH模型可以帮助捕捉电价的波动性和条件异方差性，考虑到电价在不同时间段可能有不同的波动水平，通过自回归和条件异方差的组合，可以提供关于未来电价波动性的估计。ARIMA模型实现的具体操作方法为可以利用小波变换分解电价随机序列，随后应用ARIMA预测各个子电价序列，然后将每个子序列的结果重构为电价非平稳时期的最终预测结果。BP神经网络、卷积神经网络(CNN)、支持向量机和极限学习机(ELM)等智能模型也已被采用进行相关研究。同时，有人提出一种基于混合极限学习机的日前市场价格预测方法，利用优化算法调整正则极限学习机(RELM)参数，提高RELM参数的准确性。此外，通过利用CNN降低数据维度，可以提高长短期记忆网络(LSTM)对多因素影响的电价序列的预测精度。
数据分解处理和优化算法的改进是提高精度的关键技术。集成经验模态分解(EEMD)、变分模态分解(VMD)等方法被用来将数据分解成不同的序列并建立预测模型来提高精度。以经验小波变换(EWT)和基于混合AM的长短期记忆网络(LSTM)作为预测模型也有研究先例。综合采用EEMD和VMD分解两种方法可以提高模型的整体预测精度。虽然麻雀搜索算法、鲸鱼优化算法和海洋捕食者算法等种群优化算法具有它们具有显着的优点，但容易出现局部优化且收敛速度慢，因此需要改进以提高优化性能。
发明内容
针对现有电价序列的随机性和周期性往往导致电价预测的准确性较低的问题，本发明提供一种基于多层次频域分解和IBMH优化DELM的电价预测方法和系统，以提高电价预测的准确性。
为实现上述目的，本发明的技术方案是：
第一方面，本发明提供一种基于多层次频域分解和IBMH优化DELM的电价预测方法，所述方法包括：
将所输入的原始电力市场价格时间序列进行EEMD分解，以将原始电力市场价格时间序列数据分解成不同的模态；
对EEMD分解得到的每一固有模态应用小波包分解，以分解成多个子频带；
将每一子频带作为一IBMH-DELM电价预测模型的输入，IBMH-DELM电价预测模型输出预测结果；
将各IBMH-DELM电价预测模型的预测结果叠加，得到最终的电价预测。
进一步地，所述将所输入的原始电力市场价格时间序列数据进行EEMD分解包括：
步骤11：将原始电力市场价格时间序列与与多个随机生成的噪声信号相加，以产生扰动信号xi'(t)＝xi(t)+ni(t)；其中，xi(t)是原始电力市场价格时间序列；ni(t)是随机生成的噪声信号；xi'(t)是两者叠加以后得到的扰动信号。
步骤12：对扰动信号进行固有模态分解，得到一系列固有模态函数IMF(intrinsicmode function)；
步骤13：重复步骤11和步骤12，共迭代m次，每次迭代引入具有等效振幅的噪声信号；
步骤14：将每组IMF取平均值，消除噪声的影响，得到最终的IMF。
进一步地，所述小波包分解的方程如下式：
式中，是小波包系数，h和g分别是低通滤波器和高通滤波器的滤波系数；j表示第j分解层，n为对应层的节点数，2n表示节点数为偶数时；2n+1表示节点数为奇数时；l表示的是自变量，即信号中l点处的计算公式；k为l点信号在每一层中的代指，在不同分解层计算得到的分解信号按照上式进行逐层计算。
进一步地，小波包分解后，对频率信号进行重构，重构算法如下式：
式中，和/>分别是低通滤波器和高通滤波器的重构系数。
进一步地，所述IBMH-DELM电价预测模型以DELM网络架构为基础，采用改进搜索边界策略的元启发式优化算法IBMH优化DELM网络架构的输入权重。
进一步地，所述DELM网络架构由多个ELM-AE组成，所述ELM-AE包括多个隐藏层，当处理经过降维的高维特征表示时，隐藏层的输出权重β的表达式为：
式中，输出节点与隐藏节点之间的权重用β＝[β1,β2,...,βn]，正则化参数用C表示，输入数据用X表示；H是隐藏层的输出矩阵，HT是隐藏层的输出矩阵的转置。
进一步地，在等维特征表达的情况下，隐藏层的输出权重β用数学表达式表示如下：
β＝TH-1
式中，T表示的是极限学习机的输出层的输出矩阵，H表示的是隐藏层的输出矩阵。
进一步地，所述改进搜索边界策略的元启发式优化算法IBMH包括：
假设个体indth在kth迭代时，计划移动到新位置则坐标值位于dimth时，维度表示为/>受搜索空间边界/>的限制，如果一个个体超出了搜索范围超出搜索边界的个体将停留在边界上，表达式如下式：
第二方面，本发明提供一种基于多层次频域分解和IBMH优化DELM的电价预测系统，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如上任一所述方法的步骤。
第三方面，本发明提供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如上任一所述方法的步骤。
本发明与现有技术相比，其有益效果在于：
针对现有电价序列的随机性和周期性往往导致电价预测的准确性较低的问题，本发明提出了一种基于集合经验模态分解(EEMD)和小波包分解(WPD)的多层次频域分解方法，以及经过改进搜索边界的元启发式优化算法(IBMH)优化的深度极限学习机(DELM)综合进行电力市场价格预测的方案，多层次频域分解方法能够提供多层次的信号分析，有更强的信号去噪能力，同时可以保留信号细节；IBMH算法相比传统的种群优化算法具备更高的鲁棒性，提高了算法的性能；引入IBMH算法进行参数优化的DELM模型可以使得模型参数优化过程更为自动化，在训练过程中更快地收敛，提高了模型预测的性能和预测准确性。此系统使得针对电力市场价格的信号分析和模型优化更为全面、鲁棒，并能更好地适应不同问题的需求，从而提高了预测和建模的准确性和效率。
附图说明
图1为本发明实施例1提供的基于多层次频域分解和IBMH优化DELM的电价预测方法的流程图；
图2为EEMD方法流程框图；
图3为WPD分解的工作机制图；
图4为三维空间最大搜索角度和距离示意图；
图5为跟随者在迭代更新后位置以及方向路径图；
图6为本发明实施例1提供的基于多层次频域分解和IBMH优化DELM的电价预测系统的组成示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
现有的利用小波变换分解电价随机序列方法，存在容易出现信息丢失、不适用于非平稳信号、具有局部性、对噪声敏感等问题和不足。变分模态分解(VMD)方法用于数据分解时更适合于关心频率分量的分解和频域特征提取时，而电价数据序列具有明显的非线性特性，VMD在处理电价数据时，可能无法准确地拟合和分解这些非线性成分，会导致模态函数的提取不准确。而且，VMD的分解过程通常是局部的，它将信号分解成一组局部模态函数。这可能导致对于某些非线性特性的全局表示不足。在一些情况下，信号的非线性特性可能涉及多个尺度，而VMD的局部性可能无法完全捕获这些尺度。
现有用于优化模型参数采用的麻雀搜索算法、鲸鱼优化算法和海洋捕食者算法等种群优化算法，存在各自的问题。麻雀搜索算法容易陷入局部最优解，且依赖于一些参数的设置；鲸鱼优化算法相对较新，但缺乏深入的理论基础且收敛速度较慢；海洋捕食者算法在处理大规模问题时容易出现局部优化且收敛速度较慢。
针对现有电价序列的随机性和周期性往往导致电价预测的准确性较低的问题，参阅图1所示，本实施例提供了一种基于多层次频域分解和IBMH优化DELM的电价预测方法主要包括如下步骤：
步骤1：将所输入的原始电力市场价格时间序列进行EEMD分解，以将原始电力市场价格时间序列数据分解成不同的模态，每个模态代表不同的频率和尺度成分。
在集成经验模态分解EEMD中，原始信号与多组随机噪声信号相加，生成多组IMF，然后取这些IMF的平均值以得到最终结果。通过采用集成经验模态分解EEMD这种方式，减小了噪声对分解的影响，提高了信号分解的鲁棒性，特别适用于电价时间序列分析这种处理复杂和噪声较大的信号，处理信号中的非线性成分和非平稳特性，而不需要事先了解信号的性质，能够自适应地分解信号，对于复杂的信号分析非常有用。
在本步骤中，采用EEMD方法将原始信号分解为一组固有模态函数，并给出了相应的分解结果。但每一固有模态函数IMF均具有非线性和不规则的特征，这可能会影响预测的准确性。为了解决这一问题，则进入下述步骤2。
步骤2：对EEMD分解得到的每一固有模态应用小波包分解WPD，以分解成多个子频带；这些子频带包含不同尺度和频率的信息
如此，通过小波包分解WPD处理所有的IMF，将线性和不规则的IMF分量分解成更平滑和适合预测的近似详细分量。
由此可见，通过步骤1和步骤2这种多层次频域分解方法的优势在于它综合了EEMD和WPD两种不同的分解技术，以处理电价信号中的复杂性。通过将EEMD和WPD相结合，非线性和不规则特征得到更好的处理，从而提高了电价预测的准确性，这对电力市场决策和规划具有重要价值。
步骤3：将每一子频带作为一IBMH-DELM电价预测模型的输入，IBMH-DELM电价预测模型输出预测结果；
步骤4：将各IBMH-DELM电价预测模型的预测结果叠加，得到最终的电价预测。
在一具体实施例中，如图2所示，上述步骤1包括：
步骤11：首先将原始信号与多个随机生成的噪声信号相加，以产生扰动信号xi'(t)＝xi(t)+ni(t)；其中，xi(t)是原始电力市场价格时间序列；ni(t)是随机生成的噪声信号；xi'(t)是两者叠加以后得到的扰动信号。
步骤12：对扰动信号进行固有模态分解，得到一系列固有模态函数IMF(intrinsicmode function)；
步骤13：重复步骤11和步骤12，共迭代m次，每次迭代引入具有等效振幅的噪声信号；
步骤14：将每组IMF取平均值，消除噪声的影响，得到最终的IMF。
如此，通过上述步骤，这种集成方法减小了噪声对分解的影响，提高了信号分解的鲁棒性，特别适用于电价时间序列分析这种处理复杂和噪声较大的信号，可以处理信号中的非线性成分和非平稳特性，而不需要事先了解信号的性质，能够自适应地分解信号，对于复杂的信号分析非常有用。
在一具体实施例中，上述步骤2中，小波包分解WPD，也称小波包变换，是小波变换的一种高级形式，用于将信号分解成不同频率和尺度的成分，以便更好的理解信号的频率特性。小波包分解的过程类似于小波变换，但它更加详细和灵活。信号首先被分解成低频和高频部分，然后进一步分解，依此类推，直到达到所需的深度。在每个分解级别上，信号被分为两部分：低频成分和高频成分。这些成分代表了信号的不同频率和尺度特征。整体形成一个树状结构。WPD的工作机制如图3，小波包分解的方程如式(1)。
式中，是小波包系数，h和g分别是低通滤波器和高通滤波器的滤波系数；j表示第j分解层，n为对应层的节点数，2n表示节点数为偶数时；2n+1表示节点数为奇数时；l表示的是自变量，即信号中l点处的计算公式；k为l点信号在每一层中的代指，在不同分解层计算得到的分解信号按照上式进行逐层计算。
小波包分解后，需要对频率信号进行重构，重构算法如式(2)。
式中，和/>分别是低通滤波器和高通滤波器的重构系数。
在一具体实施例中，上述步骤3中，IBMH-DELM电价预测模型以DELM网络架构为基础，采用改进搜索边界策略的元启发式优化算法IBMH优化DELM的输入权重。
该DELM网络架构是由多个ELM-AE组成。极限学习机ELM是一种采用单隐藏层前馈架构的神经网络。在训练过程中，ELM网络随机生成隐藏层的输入权重和阈值。这种随机化特性为ELM网络提供了快速学习和高泛化能力等优点。此外，自动编码器AE算法是一种无监督的算法，适用于处理复杂数据和特征学习。AE的一个显著特征是它能够在网络模型中保持相同的输入和输出结构。
当DELM网络架构处理经过降维的高维特征表示时，隐藏层的输出权重β的表达式为：
式中，输出节点与隐藏节点之间的权重用β＝[β1,β2,...,βn]，正则化参数用C表示，输入数据用X表示；H是隐藏层的输出矩阵，HT是隐藏层的输出矩阵的转置。
在等维特征表达的情况下，隐藏层的输出权重β可以用数学表达式表示如下：
β＝TH-1
式中，T表示的是极限学习机的输出层的输出矩阵，H表示的是隐藏层的输出矩阵。
由于DELM本质上是由多个ELM-AE组成，ELM-AE中多个隐藏层的集成有利于数据特征的映射，从而增强模型的预测精度和泛化能力。与传统的深度学习技术不同，DELM采用分层无监督训练方法来最小化重建误差，从而确保模型中的输入数据非常接近输出数据。
为了提高DELM模型预测的性能和预测准确性，本实施例采用改进搜索边界策略的元启发式优化算法IBMH优化DELM的输入权重。元启发式算法IBMH可以用去解决复杂的优化问题。此元启发式算法的核心思想是将个体组织成群体，模拟个体在群体中协作，以在搜索空间中找到最佳解决方案。每个个体代表搜索空间中的一个可能解。在此算法中，个体之间通过模拟群体行为相互协作。这种协作可以包括信息的共享、群体移动和个体之间的相互吸引力。这些协作机制可以根据问题的性质和算法的变体而变化。此算法可以用于机器学习模型的超参数优化，它提供了一种自适应的、多样性的搜索策略，有助于找到更好的超参数组合，从而提高模型的性能。
在n维向量搜索空间中，进行到第k次迭代时，对第i名成员而言，其搜索的角度是方向为/>进一步可以表示出其搜索位置为：
同理，可以将搜索的角度和搜索的方向用矢量表达式表示出来：
则对其进行坐标变换，可以得到下式：
以上为n维向量空间下的情况，当将搜索空间降维至3维空间时，确认前进方向后，最大搜索角度θmax∈Rn-1和最大搜索距离lmax∈R1即可以决定三维空间下的搜索范围，如图4所示。
A.发现者搜索：
第k次迭代时，根据迭代结果选择种群中最优的值对应成员为领导者角色，其坐标用Xp表示，对其前方、右侧、左侧区域分别进行搜索，公式表示如下：
式中，θmax表示最大搜索角，lmax表示最大搜索距离，μ1∈R1是符合正态分布的随机数，μ2∈Rn-1是区间(0,1)上的随机数列。
θmax的计算公式如下式：
θmax＝π/α2 (10)
式中，α是一个与维度n有关的常数，可以通过下式计算得到：
式中，round(·)表示取整计算。
此外，lmax可以通过下式计算：
式中，Ui和Li分别代表控制变量的取值范围的上限和下限。
发现者在不断进行的迭代过程中，会将每一次迭代计算后得到的结果和上次迭代计算得到的结果进行比较之后进行下一次搜索方向的重新选择。如果本次迭代计算得到的结果较上一次迭代计算结果更优，则发现者将改变搜索方向，将搜索区域更新；反之，则发现者将在原地开始下一次搜索方向角度的变换，表示为：
式中，ωmax＝θmax/2表示发现者的最大方向变换角度。如果在第α次角度变换后仍旧没有找到更优的结果，则恢复到最初设置的角度，即：
B.跟随者搜索：
在第k次迭代过程中，占种群数量总数80％的跟随者中的第i个跟随者跟着发现者，并在发现者周围区域试图找寻最优的结果：
式中，μ3∈Rn是(0,1)区间上的的均匀分布的随机序列。
下图5为跟随者在每次迭代计算更新后期自身的位置和方向路径示意图，中心位置表示此事发现者所在的位置，除开中心位置以外的区域为跟随者在发现者周围区域进行搜索找寻最优结果的位置，从下图可以清晰地看到各个跟随者都在向着发现者所在的位置和方向进行更新移动。
C.游荡者搜索：
在第k次迭代过程中，占种群数量总数为20％的游荡者群体中的第i个游荡者为了防止整个种群搜索过程陷入到求解局部最优解的困境中，可以按照下式对自身角度进行更新：
进而，游荡者会随机移动距离li，li的计算表达式如下：
li＝αμ1lmax (17)
最后对位置进行更新：
整个迭代过程中，种群中成员应该满足约束边界条件和自变量边界条件，根据回飞原理，当个体成员无法满足上诉各个表达式中的约束条件时会强制返回到上一次迭代的结果，并在带到迭代要求后发现者所在的维度空间位置即为所求解的最优解。
本实施例采用一种改进了搜索边界策略的元启发式优化算法(IBMH算法)。假设个体indth在kth迭代时，计划移动到新位置则坐标值位于dimth时，维度表示为/>受搜索空间边界/>的限制，在原始的元启发式优化算法中，如果一个个体超出了搜索范围，它会回到移动前的位置，表达式如下式：
在改进的算法中，超出搜索边界的个体将停留在边界上，表达式如下式：
如此，通过引入改进了搜索边界策略的元启发式优化算法(IBMH算法)进行参数优化的DELM模型可以使得模型参数优化过程更为自动化，在训练过程中更快地收敛，提高了模型预测的性能和预测准确性。
综上，本发明充分结合了信号分解技术(EEMD和WPD)、深度极限学习机(DELM)和改进后的元启发式优化(IBMH算法)，以更好地理解电力市场价格的动态特性并提高预测准确性。
实施例2：
参阅图6所示，本实施例提供的基于多层次频域分解和IBMH优化DELM的电价预测系统包括处理器61、存储器62以及存储在该存储器62中并可在所述处理器61上运行的计算机程序63，例如冗余度机械臂运动规划程序。该处理器61执行所述计算机程序63时实现上述实施例1步骤，例如图1所示的步骤。
示例性的，所述计算机程序63可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器62中，并由所述处理器61执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序63在所述基于多层次频域分解和IBMH优化DELM的电价预测系统中的执行过程。
所称处理器61可以是中央处理单元(Central Processing Unit，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(FieldProgrammable 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。
所述存储器62可以是所述基于多层次频域分解和IBMH优化DELM的电价预测系统的内部存储元，例如基于多层次频域分解和IBMH优化DELM的电价预测系统的硬盘或内存。所述存储器62也可以是所述基于多层次频域分解和IBMH优化DELM的电价预测系统的外部存储设备，例如所述基于多层次频域分解和IBMH优化DELM的电价预测系统上配备的插接式硬盘，智能存储卡(SmartMedia 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62还可以既包括所述基于多层次频域分解和IBMH优化DELM的电价预测系统的内部存储单元也包括外部存储设备。所述存储器62用于存储所述计算机程序以及所述基于多层次频域分解和IBMH优化DELM的电价预测系统所需的其他程序和数据。所述存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
实施例3：
本实施例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实施例1所述方法的步骤。
所示计算机可读介质可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理再以电子方式获得所述程序，然后将其存储在计算机存储器中。
上述实施例只是为了说明本发明的技术构思及特点，其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰，都应涵盖在本发明的保护范围内。
Claims (10)
1.一种基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述方法包括：
将所输入的原始电力市场价格时间序列进行EEMD分解，以将原始电力市场价格时间序列数据分解成不同的固有模态；
对EEMD分解得到的每一固有模态应用小波包分解，以分解成多个子频带；
将每一子频带作为一IBMH-DELM电价预测模型的输入，IBMH-DELM电价预测模型输出预测结果；
将各IBMH-DELM电价预测模型的预测结果叠加，得到最终的电价预测。
2.如权利要求1所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述将所输入的原始电力市场价格时间序列数据进行EEMD分解包括：
步骤11：将原始电力市场价格时间序列与与多个随机生成的噪声信号相加，以产生扰动信号xi'(t)＝xi(t)+ni(t)；其中，xi(t)是原始电力市场价格时间序列；ni(t)是随机生成的噪声信号；xi'(t)是两者叠加以后得到的扰动信号；
步骤12：对扰动信号进行固有模态分解，得到一系列固有模态函数IMF；
步骤13：重复步骤11和步骤12，共迭代m次，每次迭代引入具有等效振幅的噪声信号；
步骤14：将每组IMF取平均值，消除噪声的影响，得到最终的IMF。
3.如权利要求1所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述小波包分解的方程如下式：
式中，是小波包系数，h和g分别是低通滤波器和高通滤波器的滤波系数；j表示第j分解层，n为对应层的节点数，2n表示节点数为偶数时；2n+1表示节点数为奇数时；l表示的是自变量，即信号中l点处的计算公式；k为l点信号在每一层中的代指，在不同分解层计算得到的分解信号按照上式进行逐层计算。
4.如权利要求3所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，小波包分解后，对频率信号进行重构，重构算法如下式：
式中，和/>分别是低通滤波器和高通滤波器的重构系数。
5.如权利要求1所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述IBMH-DELM电价预测模型以DELM网络架构为基础，采用改进搜索边界策略的元启发式优化算法IBMH优化DELM网络架构的输入权重。
6.如权利要求5所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述DELM网络架构由多个ELM-AE组成，所述ELM-AE包括多个隐藏层，当处理经过降维的高维特征表示时，隐藏层的输出权重β的表达式为：
式中，输出节点与隐藏节点之间的权重用β＝[β1,β2,...,βn]，正则化参数用C表示，输入数据用X表示；H是隐藏层的输出矩阵，HT是隐藏层的输出矩阵的转置。
7.如权利要求6所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，在等维特征表达的情况下，隐藏层的输出权重β用数学表达式表示如下：
β＝TH-1
式中，T表示的是极限学习机的输出层的输出矩阵，H表示的是隐藏层的输出矩阵。
8.如权利要求5所述的基于多层次频域分解和IBMH优化DELM的电价预测方法，其特征在于，所述改进搜索边界策略的元启发式优化算法IBMH包括：
假设个体indth在kth迭代时，计划移动到新位置则坐标值位于dimth时，维度表示为受搜索空间边界/>的限制，如果一个个体超出了搜索范围超出搜索边界的个体将停留在边界上，表达式如下式：
9.一种基于多层次频域分解和IBMH优化DELM的电价预测系统，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8中任一所述方法的步骤。
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8中任一所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311636246.3A CN117635245A (zh) | 2023-11-30 | 2023-11-30 | 基于多层次频域分解和ibmh优化delm的电价预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311636246.3A CN117635245A (zh) | 2023-11-30 | 2023-11-30 | 基于多层次频域分解和ibmh优化delm的电价预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117635245A true CN117635245A (zh) | 2024-03-01 |
Family
ID=90037245
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311636246.3A Pending CN117635245A (zh) | 2023-11-30 | 2023-11-30 | 基于多层次频域分解和ibmh优化delm的电价预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117635245A (zh) |
Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN107705157A (zh) * | 2017-10-19 | 2018-02-16 | 大连理工大学 | 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统 |
| CN109029996A (zh) * | 2018-09-11 | 2018-12-18 | 温州大学苍南研究院 | 一种轮毂轴承故障诊断方法 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
| CN109146186A (zh) * | 2018-08-29 | 2019-01-04 | 广东工业大学 | 一种基于双重分解的短期风电功率预测方法 |
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| 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 |
| CN112561178A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种考虑微气象因素的分布式光伏出力预测方法 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN113468817A (zh) * | 2021-07-13 | 2021-10-01 | 淮阴工学院 | 一种基于igoa优化elm的超短期风电功率预测方法 |
| CN113902187A (zh) * | 2021-10-08 | 2022-01-07 | 国网河北省电力有限公司营销服务中心 | 分时电价预测方法、装置及终端设备 |
| CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
| CN114330194A (zh) * | 2021-12-31 | 2022-04-12 | 桂林电子科技大学 | 基于sfo优化深度极限学习机的模拟电路故障诊断方法 |
| CN115481784A (zh) * | 2022-08-26 | 2022-12-16 | 合肥工业大学 | 一种基于改进组合模型的交通流量预测方法及应用 |
| CN116562908A (zh) * | 2023-05-05 | 2023-08-08 | 佛山科学技术学院 | 一种基于双层vmd分解和ssa-lstm的电价预测方法 |
| CN117056669A (zh) * | 2023-08-10 | 2023-11-14 | 杭州柏孚智能科技有限公司 | 一种振动信号的去噪方法和系统 |
-
2023
- 2023-11-30 CN CN202311636246.3A patent/CN117635245A/zh active Pending
Patent Citations (17)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103091096A (zh) * | 2013-01-23 | 2013-05-08 | 北京信息科技大学 | 基于eemd和小波包变换的早期故障敏感特征提取方法 |
| CN107705157A (zh) * | 2017-10-19 | 2018-02-16 | 大连理工大学 | 基于统一动态集成模型和元启发式算法的汽车备件销量预测方法及系统 |
| CN109146183A (zh) * | 2018-08-24 | 2019-01-04 | 广东工业大学 | 基于信号分解和智能优化算法的短期冲击负荷预测模型建立方法 |
| CN109146186A (zh) * | 2018-08-29 | 2019-01-04 | 广东工业大学 | 一种基于双重分解的短期风电功率预测方法 |
| CN109376897A (zh) * | 2018-08-29 | 2019-02-22 | 广东工业大学 | 一种基于混合算法的短期风电功率预测方法 |
| CN109029996A (zh) * | 2018-09-11 | 2018-12-18 | 温州大学苍南研究院 | 一种轮毂轴承故障诊断方法 |
| CN110738010A (zh) * | 2019-10-17 | 2020-01-31 | 湖南科技大学 | 集成深度学习模型的风电场短期风速预测方法 |
| 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 |
| WO2021128510A1 (zh) * | 2019-12-27 | 2021-07-01 | 江苏科技大学 | 基于sdae和改进gwo-svm的轴承缺陷识别方法 |
| CN112561178A (zh) * | 2020-12-21 | 2021-03-26 | 国网甘肃省电力公司电力科学研究院 | 一种考虑微气象因素的分布式光伏出力预测方法 |
| CN113468817A (zh) * | 2021-07-13 | 2021-10-01 | 淮阴工学院 | 一种基于igoa优化elm的超短期风电功率预测方法 |
| CN113902187A (zh) * | 2021-10-08 | 2022-01-07 | 国网河北省电力有限公司营销服务中心 | 分时电价预测方法、装置及终端设备 |
| CN114169251A (zh) * | 2021-12-27 | 2022-03-11 | 广东工业大学 | 一种超短期风电功率预测方法 |
| CN114330194A (zh) * | 2021-12-31 | 2022-04-12 | 桂林电子科技大学 | 基于sfo优化深度极限学习机的模拟电路故障诊断方法 |
| CN115481784A (zh) * | 2022-08-26 | 2022-12-16 | 合肥工业大学 | 一种基于改进组合模型的交通流量预测方法及应用 |
| CN116562908A (zh) * | 2023-05-05 | 2023-08-08 | 佛山科学技术学院 | 一种基于双层vmd分解和ssa-lstm的电价预测方法 |
| CN117056669A (zh) * | 2023-08-10 | 2023-11-14 | 杭州柏孚智能科技有限公司 | 一种振动信号的去噪方法和系统 |
Non-Patent Citations (13)
| Title |
|---|
| D.N.G.SILVA ET AL.: "An evolutionary extreme learning machine based on group search optimization", 2011 IEEE CONGRESS OF EVOLUTIONARY COMPUTATION, 8 June 2011 (2011-06-08) * |
| 刘勇 等: "《智能优化算法》", 31 August 2019, 上海人民出版社, pages: 54 * |
| 周江嫚: "基于极限学习机的模拟电路故障诊断", 中国优秀硕士学位论文全文数据库 信息科技, 15 May 2014 (2014-05-15) * |
| 孙乾;任小洪;乐英高;: "基于粒子群优化极限学习机数据预测模型研究", 四川理工学院学报(自然科学版), no. 05, 20 October 2019 (2019-10-20) * |
| 孙曙光;庞毅;王景芹;张超;杜太行;于晗;: "一种基于新型小波阈值去噪预处理的EEMD谐波检测方法", 电力系统保护与控制, no. 02, 16 January 2016 (2016-01-16) * |
| 彭丽维;张彼德;孔令瑜;李孟洁;: "级联H桥七电平逆变器的边际谱与DELM故障诊断", 电力电子技术, no. 01, 20 January 2020 (2020-01-20) * |
| 殷豪 等: "基于二次模式分解和级联式深度学习的超短期风电功率预测", 电网技术, 28 February 2022 (2022-02-28), pages 446 - 448 * |
| 沈俊;尚建华;孙嘉曈 等: "基于人群搜索算法的机载激光雷达回波波形分解", 中国激光, no. 11, 10 November 2018 (2018-11-10) * |
| 肖顺根;宋萌萌;孔庆光;陈肇祥;: "基于EEMD降噪与非抽样提升小波包的滚动轴承故障诊断方法", 延边大学学报(自然科学版), no. 01, 20 March 2015 (2015-03-20) * |
| 许国根 等: "《预测理论与方法及其MATLAB实现》", 30 September 2020, 北京航空航天大学出版社, pages: 253 - 255 * |
| 谢承旺: "《多目标群体智能优化算法》", 30 June 2020, 北京理工大学出版社, pages: 164 * |
| 韩威: "基于EEMD和小波包的动车组轴箱轴承故障诊断系统的研究", 中国优秀硕士学位论文全文数据库 工程科技II辑, 15 February 2018 (2018-02-15) * |
| 马留洋;董朕;: "基于经验模态分解和小波包分解的组合风电功率预测模型分析", 内蒙古电力技术, no. 02, 28 February 2017 (2017-02-28) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Memarzadeh et al. | A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets | |
| Li et al. | Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy | |
| Lin et al. | An efficient deep reinforcement learning model for urban traffic control | |
| Zheng et al. | Layer-wise learning based stochastic gradient descent method for the optimization of deep convolutional neural network | |
| Wei et al. | Deep reinforcement learning and parameter transfer based approach for the multi-objective agile earth observation satellite scheduling problem | |
| CN112884236B (zh) | 一种基于vdm分解与lstm改进的短期负荷预测方法及系统 | |
| CN115034430A (zh) | 碳排放量预测方法、装置、终端及存储介质 | |
| Li et al. | Short-term wind power prediction based on modal reconstruction and CNN-BiLSTM | |
| Zhang et al. | A hybrid ensembled double-input-fuzzy-modules based precise prediction of PV power generation | |
| CN114676645A (zh) | 一种非平稳时间序列预测方法及系统 | |
| Wu et al. | Explainable temporal dependence in multi-step wind power forecast via decomposition based chain echo state networks | |
| CN113011669B (zh) | 一种生猪月度存栏量预测方法 | |
| Xinxin et al. | Short-term wind speed forecasting based on a hybrid model of ICEEMDAN, MFE, LSTM and informer | |
| CN117668563A (zh) | 文本识别方法、装置、电子设备及可读存储介质 | |
| CN112232565A (zh) | 基于两阶段的时间序列预测方法、预测系统、终端及介质 | |
| CN117251705A (zh) | 一种每日天然气负荷预测方法 | |
| CN117635245A (zh) | 基于多层次频域分解和ibmh优化delm的电价预测方法和系统 | |
| CN116780506A (zh) | 一种家庭微电网能量管理方法、装置、设备及存储介质 | |
| Su et al. | A combined model based on secondary decomposition technique and grey wolf optimizer for short-term wind power forecasting | |
| Ogawa et al. | Integration of deep Boltzmann machine and generalized radial basis function network for photovoltaic generation output forecasting | |
| CN114819267A (zh) | 一种短期负荷的预测方法、装置、电子设备和存储介质 | |
| CN114239945A (zh) | 短期电力负荷预测方法、装置、设备及存储介质 | |
| Prasad et al. | A study of gradient descent schemes for general-sum stochastic games | |
| Koeppe et al. | Workflow concepts to model nonlinear mechanics with computational intelligence | |
| Xiao et al. | A dynamic multi-model transfer based short-term load forecasting |
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 |