CN111191814A - 一种电价预测方法、***和计算机可读存储介质 - Google Patents

一种电价预测方法、***和计算机可读存储介质 Download PDF

Info

Publication number
CN111191814A
CN111191814A CN201911157776.3A CN201911157776A CN111191814A CN 111191814 A CN111191814 A CN 111191814A CN 201911157776 A CN201911157776 A CN 201911157776A CN 111191814 A CN111191814 A CN 111191814A
Authority
CN
China
Prior art keywords
electricity price
prediction
mode
daily fluctuation
day
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.)
Withdrawn
Application number
CN201911157776.3A
Other languages
English (en)
Inventor
储长青
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201911157776.3A priority Critical patent/CN111191814A/zh
Publication of CN111191814A publication Critical patent/CN111191814A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Finance (AREA)
  • Accounting & Taxation (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Human Resources & Organizations (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电价预测方法、***和计算机可读存储介质，所述方法包括：通过K‑means算法将历史电价数据聚为m类，并得到带模式标签的历史电价数据；根据带模式标签的历史电价数据训练构建电价模式识别模型；建立n个互相独立的日前电价预测模型；由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式；本发明能够提高电价日波动模式预测的精度，进一步改善日前电价预测的准确度。

Description

一种电价预测方法、***和计算机可读存储介质
技术领域
本发明涉及电力领域，尤其涉及一种电价预测方法、***和计算机可读存储介质。
背景技术
电价预测对于制定合理的报价策略、维持电力市场的安全稳定以及提高***运行的经济性具有重要意义。日前电价预测是电力市场电价预测的重要组成部分，主要用于预报未来24h内的电价走势。随着我国电力市场化改革的不断推进。对电价预测的准确性提出了更高的要求。因此，日前电价预测已成为电力领域的研究重点。
近年来，对电价预测提出了不同的理论和方法。其中既包括传统的时间序列预测方法(如累积式自回归滑动平均、广义自回归条件异方差等)，新兴的机器学习算法(如人工神经网络、支持向量机等)，以及组合预测方法(如基于证据理论的多模型组合预测、基于神经网络和自适应神经模糊处理***的组合预测等)。虽然上述电价预测方法都通过数据预处理或者参数优化等方式对原始模型作了较大的改进，并且在各自设定的场景或电力市场中进行了仿真验证，但基于所有历史数据的统一建模方法不能区分电价序列日波动模式的差异，导致在预测模型的建立过程中不同日波动模式的电价数据相互影响，模型对输入和输出的拟合度变差，难以得到较为理想的预测结果。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种电价预测方法、***和计算机可读存储介质。
为了实现上述目的，本发明第一方面提出了一种电价预测方法，所述方法包括：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
进一步的，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。
进一步的，所述加权投票算法的表达式为：
Figure BDA0002285269210000021
其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
进一步的，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：
从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j＝1，2，...，m)；
对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；
针对样本划分之后形成的新类，按计算式：
Figure BDA0002285269210000031
重新计算各聚类中心，其中|cj|代表类cj中的样本数目；
重复以上两步骤，直至聚类中心的位置不再发生变化。
进一步的，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：
建立电价模式识别模型；
对带模式标签的历史电价数据进行特征提取，并得到特征向量；
基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。
进一步的，在根据带模式标签的历史电价数据训练构建电价模式识别模型之后，所述方法还包括：
根据相应的历史电价数据建立基于RBF神经网络的日前电价预测模型；
基于RBF神经网络的日前电价预测模型得到预测日的电价预测序列。
进一步的，所述基于RBF神经网络的日前电价预测模型中的算法为：
Figure BDA0002285269210000041
式中：p＝1，2，...，P，且P为样本数目；wqr表示隐含层与输出层之间的连接权值；h为隐含层的节点数；yr表示网络第r个节点对应输入样本的输出结果；‖xp-cq‖为欧式范数；cq和σ分别表示高斯函数的中心和方差；Xp＝x1p，x2p，...，xkp，代表第P个输入向量；k为输入层的节点数。
本发明第二方面还提出一种电价预测***，所述电价预测***包括：存储器及处理器，所述存储器中包括一种电价预测方法程序，所述电价预测方法程序被所述处理器执行时实现如下步骤：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
进一步的，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分；
其中，所述加权投票算法的表达式为：
Figure BDA0002285269210000051
式中，WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种电价预测方法程序，所述电价预测方法程序被处理器执行时，实现如上述的一种电价预测方法的步骤。
本发明在对历史电价数据进行聚类的基础上，针对电价日波动模式预测建立了电价日波动模式识别模型；并以n种基本预测模型的日前电价预测结果作为上述波动模式识别模型的输入，得到对应的n种电价日波动模式预测结果；建立基于可信度加权组合的电价日波动模式天前预测模型，为n种模型的模式预测结果分配不同的权重，根据不同模式的投票值确定最终的模式预测结果，从而提高电价日波动模式预测的精度，进一步改善日前电价预测的准确度。
本发明的附加方面和优点将在下面的描述部分中给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
图1示出了本发明一种电价预测方法的流程图；
图2示出了本发明每个电价日波动模式的最终投票得分的计算方法流程图；
图3示出了本发明一种电价预测***的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种电价预测方法的流程图。
如图1所示，本发明第一方面提出一种电价预测方法，所述方法包括：
S102，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
S104，根据带模式标签的历史电价数据训练构建电价模式识别模型；
S106，选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
S108，由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
S110，将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
S112，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
需要说明的是，准确的电价日波动模式预报能够为日前电价预测模型的数据选取提供明确的方向，从改善建模数据环境的角度提高模型的预测精度。
图2示出了本发明每个电价日波动模式的最终投票得分的计算方法流程图。
如图2所示，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
S202，根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
S204，针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。
进一步的，所述加权投票算法的表达式为：
Figure BDA0002285269210000071
其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
需要说明的是，可信度加权组合即根据多次独立预测中每个日前电价预测模型对不同电价日波动模式预测性能的统计结果为每个模型分配不同的权重。下面通过具体的实例说明可信度加权组合的原理。假设在步骤S102中通过聚类得到了2种电价日波动模式，即模式1和模式2；选取A，B，B三种不同的方法建立常规日前电价预测模型，即m＝2，n＝3。设表1为日前电价预测模型经过电价日波动模式识别模型之后得到的模式预测结果。
表1：
日前电价预测模型 模式预测结果
A 模式1
B 模式2
C 模式1
根据表1，最终电价日波动模式l和模式2的投票得分分别为：
S1＝WA，1+WC，1；
S2＝WB，2；
判断S1与S2的大小，如果S1＞S2，则最终的电价模式预测结果为模式1；反之为模式2。
可以理解，为了体现不同方法在电价日波动模式预测方面的性能差异，采用可信度加权组合对n种预测方法得到的模式预测结果分配不同的权重，从而提高电价日波动模式预测的精度。
根据本发明的实施例，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：
从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j＝1，2，...，m)；
对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；
针对样本划分之后形成的新类，按计算式：
Figure BDA0002285269210000081
重新计算各聚类中心，其中|cj|代表类cj中的样本数目；
重复以上两步骤，直至聚类中心的位置不再发生变化。
根据本发明的实施例，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：
建立电价模式识别模型；
对带模式标签的历史电价数据进行特征提取，并得到特征向量；
基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。
根据本发明的实施例，在根据带模式标签的历史电价数据训练构建电价模式识别模型之后，所述方法还包括：
根据相应的历史电价数据建立基于RBF神经网络的日前电价预测模型；
基于RBF神经网络的日前电价预测模型得到预测日的电价预测序列。
进一步的，所述基于RBF神经网络的日前电价预测模型中的算法为：
Figure BDA0002285269210000091
式中：p＝1，2，...，P，且P为样本数目；wqr表示隐含层与输出层之间的连接权值；h为隐含层的节点数；yr表示网络第r个节点对应输入样本的输出结果；‖xp-cq‖为欧式范数；cq和σ分别表示高斯函数的中心和方差；xp＝x1p，x2p，...，xkp，代表第P个输入向量；k为输入层的节点数。
图3示出了本发明一种电价预测***的框图。
如图3所示，本发明第二方面还提出一种电价预测***3，所述电价预测***3包括：存储器31及处理器32，所述存储器中包括一种电价预测方法程序，所述电价预测方法程序被所述处理器执行时实现如下步骤：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
需要说明的是，本发明的***可以在PC、手机、PAD等终端设备中进行操作。
需要说明的是，所述处理器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(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。
进一步的，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。
进一步的，所述加权投票算法的表达式为：
Figure BDA0002285269210000111
其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
进一步的，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：
从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j＝1，2，...，m)；
对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；
针对样本划分之后形成的新类，按计算式：
Figure BDA0002285269210000112
重新计算各聚类中心，其中|cj|代表类cj中的样本数目；
重复以上两步骤，直至聚类中心的位置不再发生变化。
进一步的，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：
建立电价模式识别模型；
对带模式标签的历史电价数据进行特征提取，并得到特征向量；
基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。
所述电价预测方法程序被所述处理器执行时还实现如下步骤：
根据相应的历史电价数据建立基于RBF神经网络的日前电价预测模型；
基于RBF神经网络的日前电价预测模型得到预测日的电价预测序列。
进一步的，所述基于RBF神经网络的日前电价预测模型中的算法为：
Figure BDA0002285269210000121
式中：p＝1，2，...，P，且P为样本数目；wqr表示隐含层与输出层之间的连接权值；h为隐含层的节点数；yr表示网络第r个节点对应输入样本的输出结果；‖xp-cq‖为欧式范数；cq和σ分别表示高斯函数的中心和方差；xp＝x1p，x2p，...，xkp，代表第P个输入向量；k为输入层的节点数。
本发明第三方面还提出一种计算机可读存储介质，所述计算机可读存储介质中包括一种电价预测方法程序，所述电价预测方法程序被处理器执行时，实现如上述的一种电价预测方法的步骤。
本发明在对历史电价数据进行聚类的基础上，针对电价日波动模式预测建立了电价日波动模式识别模型；并以n种基本预测模型的日前电价预测结果作为上述波动模式识别模型的输入，得到对应的n种电价日波动模式预测结果；建立基于可信度加权组合的电价日波动模式天前预测模型，为n种模型的模式预测结果分配不同的权重，根据不同模式的投票值确定最终的模式预测结果，从而提高电价日波动模式预测的精度，进一步改善日前电价预测的准确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，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，如：多个单元或组件可以结合，或可以集成到另一个***，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。

Claims (10)

1.一种电价预测方法，其特征在于，所述方法包括：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
2.根据权利要求1所述的一种电价预测方法，其特征在于，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分。
3.根据权利要求2所述的一种电价预测方法，其特征在于，
所述加权投票算法的表达式为：
Figure FDA0002285269200000021
其中：WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
4.根据权利要求1所述的一种电价预测方法，其特征在于，通过K-means算法以无导师监督的方式将历史电价数据聚为m类，具体包括：
从所述历史电价数据中随机选取m个样本作为初始聚类中心cj(j1，2，...，m)；
对于所述历史电价数据中的每个样本xi，计算其与m个聚类中心的欧氏距离，并将样本归类到与其距离最小的聚类中心所对应的类中；
针对样本划分之后形成的新类，按计算式：
Figure FDA0002285269200000022
重新计算各聚类中心，其中|cj|代表类cj中的样本数目；
重复以上两步骤，直至聚类中心的位置不再发生变化。
5.根据权利要求1所述的一种电价预测方法，其特征在于，根据带模式标签的历史电价数据训练构建电价模式识别模型，具体包括：
建立电价模式识别模型；
对带模式标签的历史电价数据进行特征提取，并得到特征向量；
基于所述特征向量和模式标签并采用机器学习方法对电价模式识别模型进行训练，以优化所述电价模式识别模型的识别精度。
6.根据权利要求1所述的一种电价预测方法，其特征在于，在根据带模式标签的历史电价数据训练构建电价模式识别模型之后，所述方法还包括：
根据相应的历史电价数据建立基于RBF神经网络的日前电价预测模型；
基于RBF神经网络的日前电价预测模型得到预测日的电价预测序列。
7.根据权利要求6所述的一种电价预测方法，其特征在于，所述基于RBF神经网络的日前电价预测模型中的算法为：
Figure FDA0002285269200000031
式中：p＝1，2，...，P，且P为样本数目；wqr表示隐含层与输出层之间的连接权值；h为隐含层的节点数；yr表示网络第r个节点对应输入样本的输出结果；‖xp-cq‖为欧式范数；cq和σ分别表示高斯函数的中心和方差；xp＝x1p，x2p，...，xkp，代表第P个输入向量；k为输入层的节点数。
8.一种电价预测***，其特征在于，所述电价预测***包括：存储器及处理器，所述存储器中包括一种电价预测方法程序，所述电价预测方法程序被所述处理器执行时实现如下步骤：
通过K-means算法以无导师监督的方式将历史电价数据聚为m类，分别用标签l，2，…，m表示，并得到带模式标签的历史电价数据；
根据带模式标签的历史电价数据训练构建电价模式识别模型；
选取n种电价预测方法基于相同的历史电价数据建立n个互相独立的日前电价预测模型；
由n个互相独立的日前电价预测模型分别得到预测日的n个电价预测序列；
将所述n个电价预测序列输入所述电价模式识别模型中，输出n个电价日波动模式的预测结果；
根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，并选取得分最高的电价日波动模式作为最终预测的电价日波动模式。
9.根据权利要求1所述的一种电价预测方法，其特征在于，根据所述n个电价日波动模式的预测结果计算每个电价日波动模式的最终投票得分，具体包括：
根据加权投票算法分别计算不同的日前电价预测模型对各个电价日波动模式的投票权重；
针对每个电价日波动模式，分别累加不同的日前电价预测模型对其投票的权重，并得到每个电价日波动模式的最终投票得分；
其中，所述加权投票算法的表达式为：
Figure FDA0002285269200000041
式中，WX，Y表示日前电价预测模型Y对电价日波动模式X的投票权重；D表示算法独立运行的次数；CX，Y，d表示第d次运行中日前电价预测模型Y对电价日波动模式X预测正确的样本数；TX，d表示第d次运行中所有日前电价预测模型对电价日波动模式X预测正确的样本数。
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中包括一种电价预测方法程序，所述电价预测方法程序被处理器执行时，实现如权利要求1至7中任一项所述的一种电价预测方法的步骤。
CN201911157776.3A 2019-11-22 2019-11-22 一种电价预测方法、***和计算机可读存储介质 Withdrawn CN111191814A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911157776.3A CN111191814A (zh) 2019-11-22 2019-11-22 一种电价预测方法、***和计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911157776.3A CN111191814A (zh) 2019-11-22 2019-11-22 一种电价预测方法、***和计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN111191814A true CN111191814A (zh) 2020-05-22

Family

ID=70709156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911157776.3A Withdrawn CN111191814A (zh) 2019-11-22 2019-11-22 一种电价预测方法、***和计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN111191814A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695742A (zh) * 2020-06-22 2020-09-22 南方电网科学研究院有限责任公司 一种综合能源***日前调度区间优化方法、***及设备
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、***、计算机设备和存储介质
CN112308335A (zh) * 2020-11-12 2021-02-02 南方电网能源发展研究院有限责任公司 一种基于xgboost算法的短期电价预测方法及装置
CN112348597A (zh) * 2020-11-27 2021-02-09 新智数字科技有限公司 基于最小二乘支持向量机模型的电力价格预测方法和装置
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
CN116028838A (zh) * 2023-01-09 2023-04-28 广东电网有限责任公司 一种基于聚类算法的能源数据处理方法、装置及终端设备

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111695742A (zh) * 2020-06-22 2020-09-22 南方电网科学研究院有限责任公司 一种综合能源***日前调度区间优化方法、***及设备
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、***、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、***、计算机设备和存储介质
CN112308335A (zh) * 2020-11-12 2021-02-02 南方电网能源发展研究院有限责任公司 一种基于xgboost算法的短期电价预测方法及装置
CN112348597A (zh) * 2020-11-27 2021-02-09 新智数字科技有限公司 基于最小二乘支持向量机模型的电力价格预测方法和装置
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
CN116028838A (zh) * 2023-01-09 2023-04-28 广东电网有限责任公司 一种基于聚类算法的能源数据处理方法、装置及终端设备
CN116028838B (zh) * 2023-01-09 2023-09-19 广东电网有限责任公司 一种基于聚类算法的能源数据处理方法、装置及终端设备

Similar Documents

Publication Publication Date Title
CN111191814A (zh) 一种电价预测方法、***和计算机可读存储介质
Abedinia et al. A new feature selection technique for load and price forecast of electrical power systems
Hadavandi et al. Integration of genetic fuzzy systems and artificial neural networks for stock price forecasting
CN112085565B (zh) 基于深度学习的信息推荐方法、装置、设备及存储介质
CN110046634B (zh) 聚类结果的解释方法和装置
CN110414550B (zh) 人脸识别模型的训练方法、装置、***和计算机可读介质
CN116523277B (zh) 一种基于需求响应的智慧能源管理方法及***
Hong et al. Locational marginal price forecasting using deep learning network optimized by mapping-based genetic algorithm
CN116028838B (zh) 一种基于聚类算法的能源数据处理方法、装置及终端设备
CN109902823A (zh) 一种基于生成对抗网络的模型训练方法及设备
CN111932302A (zh) 一种区域中业务站点数量的确定方法、装置、设备及***
CN113706291A (zh) 欺诈风险预测方法、装置、设备及存储介质
CN115718826A (zh) 图结构数据中的目标节点分类方法、***、设备及介质
CN108921693A (zh) 一种数据的衍生方法、装置及设备
Zhang et al. Locational marginal price forecasting using convolutional long-short term memory-based generative adversarial network
CN113886697A (zh) 基于聚类算法的活动推荐方法、装置、设备及存储介质
CN114037182A (zh) 建筑物负荷预测模型训练方法、装置及非易失性存储介质
CN117592595A (zh) 一种配电网负荷预测模型建立、预测方法及装置
CN106033546A (zh) 基于自上而下学习的行为分类方法
CN110309857A (zh) 基于人工智能的图书分类装置、方法、设备及存储介质
CN113589034B (zh) 一种配电***的窃电检测方法、装置、设备和介质
Sinaga et al. Stock trend prediction using SV-kNNC and SOM
CN112559640B (zh) 图谱表征***的训练方法及装置
CN113920374A (zh) 基于随机森林的用户分类方法、装置、设备及存储介质
CN114238852A (zh) 运营数据的分析方法、装置、存储介质及电子设备

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20200522

WW01 Invention patent application withdrawn after publication