[發(fā)明專利]一種基于WPD和WNN的短期電價(jià)預(yù)測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202111528340.8
• 申請(qǐng)日: 2021-12-14
• 公開(kāi)（公告）號(hào): CN114387012A
• 公開(kāi)（公告）日: 2022-04-22
• 發(fā)明（設(shè)計(jì)）人: 段震宇;劉天羽;鄒定江;王勉
• 申請(qǐng)（專利權(quán)）人: 上海電機(jī)學(xué)院
• 主分類號(hào): G06Q30/02
• 分類號(hào): G06Q30/02;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 上海科盛知識(shí)產(chǎn)權(quán)代理有限公司 31225
• 代理人: 楊元焱

本發(fā)明涉及一種基于WPD和WNN的短期電價(jià)預(yù)測(cè)方法，包括以下步驟：1)對(duì)歷史電價(jià)數(shù)據(jù)進(jìn)行預(yù)處理；2)通過(guò)WPD算法剔除歷史電價(jià)數(shù)據(jù)中的隨機(jī)波動(dòng)的數(shù)據(jù)，獲得重構(gòu)電價(jià)數(shù)據(jù)；3)將重構(gòu)電價(jià)序列輸入訓(xùn)練好的WNN模型，獲得預(yù)測(cè)電價(jià)。與現(xiàn)有技術(shù)相比，本發(fā)明具有抗干擾能力強(qiáng)、預(yù)測(cè)精度高等優(yōu)點(diǎn)。

技術(shù)領(lǐng)域

本發(fā)明涉及電價(jià)預(yù)測(cè)技術(shù)領(lǐng)域，尤其是涉及一種基于WPD和WNN的短期電價(jià)預(yù)測(cè)方法。

背景技術(shù)

現(xiàn)在的電力市場(chǎng)中，準(zhǔn)確預(yù)測(cè)電價(jià)對(duì)電力需求和供給以及優(yōu)化調(diào)度都有非常重要的意義。準(zhǔn)確的電價(jià)預(yù)測(cè)對(duì)于發(fā)電廠商以及電力市場(chǎng)交易決策者都有著重要的作用。通過(guò)電價(jià)預(yù)測(cè)來(lái)實(shí)時(shí)調(diào)整生產(chǎn)計(jì)劃以及做一些相關(guān)的電力決策，以此來(lái)達(dá)到資源的最優(yōu)分配以及效益的最大化。對(duì)于電力市場(chǎng)的參與者來(lái)說(shuō)，使他們的風(fēng)險(xiǎn)降到最低，實(shí)現(xiàn)利益的最大化。

由于在實(shí)時(shí)電價(jià)預(yù)測(cè)方面，實(shí)時(shí)電價(jià)具有非線性以及非平穩(wěn)性的特點(diǎn)，傳統(tǒng)的電價(jià)預(yù)測(cè)已經(jīng)滿足不了現(xiàn)有的復(fù)雜情況，達(dá)不到預(yù)期的效果。在目前技術(shù)中，預(yù)測(cè)電價(jià)方法主要有時(shí)間序列法以及人工智能模型，但是它們分別有自己的缺點(diǎn)。時(shí)間序列法缺點(diǎn)在于缺乏電價(jià)外的影響因素考慮很少，使得精度不高。人工智能模型在預(yù)測(cè)時(shí)難以深入挖掘時(shí)間序列的內(nèi)部規(guī)律，缺乏對(duì)時(shí)序數(shù)據(jù)時(shí)間相關(guān)性的考慮。

發(fā)明內(nèi)容

本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于WPD和WNN的短期電價(jià)預(yù)測(cè)方法，抗干擾能力強(qiáng)，預(yù)測(cè)精度高。

本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)：

一種基于WPD和WNN的短期電價(jià)預(yù)測(cè)方法，包括以下步驟：

1)對(duì)歷史電價(jià)數(shù)據(jù)進(jìn)行預(yù)處理；

2)通過(guò)WPD算法剔除歷史電價(jià)數(shù)據(jù)中的隨機(jī)波動(dòng)的數(shù)據(jù)，獲得重構(gòu)電價(jià)數(shù)據(jù)；

3)將重構(gòu)電價(jià)序列輸入訓(xùn)練好的WNN模型，獲得預(yù)測(cè)電價(jià)。

進(jìn)一步地，所述的步驟2)包括：

21)對(duì)歷史電價(jià)數(shù)據(jù)進(jìn)行三層WPD處理，獲得分解信號(hào)以及對(duì)應(yīng)的頻率；

22)刪除頻率大于設(shè)定閾值的分解信號(hào)，對(duì)剩余的分解信號(hào)進(jìn)行重構(gòu)，獲得重構(gòu)電價(jià)序列；

23)對(duì)重構(gòu)電價(jià)序列進(jìn)行數(shù)據(jù)歸一化，獲得重構(gòu)電價(jià)數(shù)據(jù)。

進(jìn)一步地，所述的步驟3)包括：

31)將重構(gòu)電價(jià)數(shù)據(jù)輸入訓(xùn)練好的WNN模型，獲得預(yù)測(cè)數(shù)據(jù)；

32)對(duì)預(yù)測(cè)數(shù)據(jù)進(jìn)行反歸一化，獲得預(yù)測(cè)電價(jià)。

進(jìn)一步地，所述的數(shù)據(jù)歸一化的計(jì)算公式為：

其中，為歸一化后的輸入變量，x為歸一化前的輸入變量，x_max和x_min分別為x的最大值和最小值。

進(jìn)一步地，所述的WNN模型為緊致型小波神經(jīng)網(wǎng)絡(luò)。

進(jìn)一步地，所述的緊致型小波神經(jīng)網(wǎng)絡(luò)中的Sigmoid激活函數(shù)替換為Morlet小波基函數(shù)。

進(jìn)一步地，所述的Morlet小波基函數(shù)h的公式為：

其中，x為輸入。

進(jìn)一步地，所述的緊致型小波神經(jīng)網(wǎng)絡(luò)中的隱含層的輸出計(jì)算公式為：