[發明專利]一種電價預測方法、系統和計算機可讀存儲介質

在審

• 申請號: 201911157776.3
• 申請日: 2019-11-22
• 公開（公告）號: CN111191814A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 儲長青
• 申請（專利權）人: 儲長青
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q30/02;G06Q50/06
• 代理公司: 長沙鑫澤信知識產權代理事務所(普通合伙) 43247
• 代理人: 李翠梅

本發明提供一種電價預測方法、系統和計算機可讀存儲介質，所述方法包括：通過K?means算法將歷史電價數據聚為m類，并得到帶模式標簽的歷史電價數據；根據帶模式標簽的歷史電價數據訓練構建電價模式識別模型；建立n個互相獨立的日前電價預測模型；由n個互相獨立的日前電價預測模型分別得到預測日的n個電價預測序列；將所述n個電價預測序列輸入所述電價模式識別模型中，輸出n個電價日波動模式的預測結果；根據所述n個電價日波動模式的預測結果計算每個電價日波動模式的最終投票得分，并選取得分最高的電價日波動模式作為最終預測的電價日波動模式；本發明能夠提高電價日波動模式預測的精度，進一步改善日前電價預測的準確度。

技術領域

本發明涉及電力領域，尤其涉及一種電價預測方法、系統和計算機可讀存儲介質。

背景技術

電價預測對于制定合理的報價策略、維持電力市場的安全穩定以及提高系統運行的經濟性具有重要意義。日前電價預測是電力市場電價預測的重要組成部分，主要用于預報未來24h內的電價走勢。隨著我國電力市場化改革的不斷推進。對電價預測的準確性提出了更高的要求。因此，日前電價預測已成為電力領域的研究重點。

近年來，對電價預測提出了不同的理論和方法。其中既包括傳統的時間序列預測方法(如累積式自回歸滑動平均、廣義自回歸條件異方差等)，新興的機器學習算法(如人工神經網絡、支持向量機等)，以及組合預測方法(如基于證據理論的多模型組合預測、基于神經網絡和自適應神經模糊處理系統的組合預測等)。雖然上述電價預測方法都通過數據預處理或者參數優化等方式對原始模型作了較大的改進，并且在各自設定的場景或電力市場中進行了仿真驗證，但基于所有歷史數據的統一建模方法不能區分電價序列日波動模式的差異，導致在預測模型的建立過程中不同日波動模式的電價數據相互影響，模型對輸入和輸出的擬合度變差，難以得到較為理想的預測結果。

發明內容

為了解決上述至少一個技術問題，本發明提出了一種電價預測方法、系統和計算機可讀存儲介質。

為了實現上述目的，本發明第一方面提出了一種電價預測方法，所述方法包括：

通過K-means算法以無導師監督的方式將歷史電價數據聚為m類，分別用標簽l，2，…，m表示，并得到帶模式標簽的歷史電價數據；

根據帶模式標簽的歷史電價數據訓練構建電價模式識別模型；

選取n種電價預測方法基于相同的歷史電價數據建立n個互相獨立的日前電價預測模型；

由n個互相獨立的日前電價預測模型分別得到預測日的n個電價預測序列；

將所述n個電價預測序列輸入所述電價模式識別模型中，輸出n個電價日波動模式的預測結果；

根據所述n個電價日波動模式的預測結果計算每個電價日波動模式的最終投票得分，并選取得分最高的電價日波動模式作為最終預測的電價日波動模式。

進一步的，根據所述n個電價日波動模式的預測結果計算每個電價日波動模式的最終投票得分，具體包括：

根據加權投票算法分別計算不同的日前電價預測模型對各個電價日波動模式的投票權重；

針對每個電價日波動模式，分別累加不同的日前電價預測模型對其投票的權重，并得到每個電價日波動模式的最終投票得分。

進一步的，所述加權投票算法的表達式為：

其中：W_X，Y表示日前電價預測模型Y對電價日波動模式X的投票權重；D表示算法獨立運行的次數；C_X，Y，d表示第d次運行中日前電價預測模型Y對電價日波動模式X預測正確的樣本數；T_X，d表示第d次運行中所有日前電價預測模型對電價日波動模式X預測正確的樣本數。