[发明专利]一种电价超短期预测方法

说明书

本发明公开了一种电价超短期预测方法，包括如下步骤：S1：获取电价历史数据并对电价历史数据做预处理获得电价序列；S2：利用奇异谱分析直接提取电价序列的趋势成分、振荡成分、噪声成分；S3：过滤掉噪声成分，并采用奇异谱序列对降噪后的趋势成分和振荡成分序列进行重构获得训练样本；S4：动态选择训练样本，建立布谷鸟算法优化极限学习机的预测模型；S5：对趋势成分和振荡成分序列采用布谷鸟算法优化极限学习机模型进行提前0.5h预测获得子序列；S6：叠加各子序列的预测值，得到实际预测结果。本发明采用奇异谱分析对原始数据进行预处理，采用布谷鸟算法优化极限学习机的输入权值和隐含层偏置，有效解决极限学习机存在的非最优参数缺陷。

技术领域

本发明涉及一种预测方法，尤其涉及一种电价超短期预测方法。

背景技术

随着我国电力市场的一系列改革，电力市场的市场化程度逐渐升高，垄断程度在逐渐的降低。在市场化的条件下，同样可以通过一定的方法进行电价预测，进而优化市场资源，促进市场化进程，最大化市场参与者的利益，使电力市场的发展更为稳定有序健康。随着电力市场化的不断深入，电价预测的重要性将愈来愈突显，合理的电价机制关系着实力市场参与者的切身利益，决定着供电系统的稳定和健康发展。

目前，国内外电价短期预测的方法大致分为：时间序列模型、人工智能模型和混合模型。相比传统前馈神经网络，ELM学习速度更快、精度更高、参数调整简单，已经得到了不少学者的关注研究，因此可用于短期电价预测中，但诸多文献研究表明极限学习机随机生成初始输入权值和隐含层偏置，存在非最优参数的问题；有些学者运用了大量的函数进行测试证明布谷鸟算法(cuckoo search，CS)在某些方面优于粒子群算法和遗传算法，优势体现在：全局搜索能力强、收敛速度快、所含参数少、通用性和鲁棒性、等优点，故CS算法被广泛用于解决许多实际问题。然而，单一的预测模型是不能准确预测电价，由于电价具有很大的波动性，电价数据受到很多干扰因素的影响，奇异谱分析(Singular SpectrumAnalysis，SSA)是一种强大的降噪技术，SSA能直接提取原始序列的趋势、振荡和噪声部分，特别适合研究有周期振荡的系统，SSA已在水文预测、电力负荷和天气预报预测等领域有相关研究。

综上，现有技术存在如下缺点：一是传统单一的极限学习机预测模型易陷入局部最优的问题，不能达到最优的预测效果，二是单一的预测方法很难处理电价的高度非线性对预测结果的影响需要使用分解技术对原始序列进行分解。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提供一种电价超短期预测方法，可应用于电力市场和电力系统相关领域的科学研究和工程应用，可提高预测模型的泛化能力和预测精度。

本发明的目的在于提出一种电价超短期预测方法，包括如下步骤：

S1：获取电价历史数据并对电价历史数据做预处理获得电价序列；

S2：利用奇异谱分析直接提取电价序列的趋势成分、振荡成分、噪声成分；

S3：过滤掉噪声成分，并采用奇异谱序列对降噪后的趋势成分和振荡成分序列进行重构获得训练样本；

S4：动态选择训练样本，建立布谷鸟算法优化极限学习机的预测模型；

S5：对趋势成分和振荡成分序列采用布谷鸟算法优化极限学习机模型进行提前0.5h预测获得子序列；

S6：叠加各子序列的预测值，得到实际预测结果。

优选的，在步骤一中，所述电价历史数据包括连续2周的电价数据，时间分辨率为0.5h，即一天包含48个数据点。

优选的，在步骤三中，所述训练样本为前600个历史电价数据。

步骤S3具体包括如下步骤：