基于相似日-mRMR-回归的短期电价预测的优化方法技术

本发明专利技术涉及电力市场交易技术领域，具体涉及一种基于相似日

【技术实现步骤摘要】
基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法


[0001]本专利技术涉及电力市场交易
，具体涉及一种基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法。

技术介绍

[0002]伴随着电力市场的改革和开放，电力市场交易更加活跃，电力竞价交易成为常态。精准的进行电价预测，对参加电力交易的各方都至关重要。影响电价的因素多且复杂，如区域产业结构，气候条件，节假日活动等，导致电价具有波动性、随机性、季节性等特点，给预测工作带来困难。风能、太阳能等新能源的加入，也给电力市场交易带来了新的挑战。
[0003]相似日法是根据与预测日相似的历史日的数据进行电价预测，具有简单且易于实现的优点。但是传统的相似日法的相似度判定时未能充分体现电价的影响因素及其权重的变化，尤其是未能充分考虑风能、太阳能等新能源的波动性和间歇性等特点，导致电价预测困难，精准度不高。而在传统的回归算法预测时大多使用一个相对较短时间间隔内的价格序列，对历史数据的利用率非常低。

技术实现思路

[0004]本专利技术所要解决的技术问题在于提供一种基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，解决现有的预测方法存在的电价预测困难，精准度不高的问题。
[0005]本专利技术是这样实现的，
[0006]一种基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，该方法包括：
[0007]选出相似日序列集；
[0008]利用mRMR循环求解，得到最优特征集，利用最优特征集再次对相似日序列集进行优化；
[0009]基于相似日序列集合最优特征集建立回归模型，调整最优特征的数量，循环求解，利用平均绝对百分比误差指标进行评估，得到最终的回归模型；
[0010]采用最终的回归模型对短期电价进行预测。
[0011]进一步地，选出相似日序列集前，还包括：
[0012]采集历史数据，包括负荷数据、电价数据、气象信息、新能源出力以及火电机组容量；
[0013]数据的处理，利用相邻数据或相似数据，对缺失的数据进行补全，相邻数据指与缺失数据的前后相邻的一个或多个数据，根据需要选择相邻数据的数量及权重系数，联合计算得到缺失数据：
[0014]Xt＝a1*Xt
‑
1+a2*Xt
‑
2+
…
+b1*Xt+1+b2*Xt+2+
…
[0015]其中，Xt为缺失数据，Xt
‑
1为缺失数据的前一个数据，Xt+1为缺失数据的后一个数据，a1、a2、b1、b2分别为权重系数；相似数据指某一时刻，除缺失数据外，其他数据都与缺失数据时刻的其他数据相同或相似的数据；
[0016]设置异常数据的判定标准，进行异常数据检测，对异常数据进行修正。
[0017]进一步地，数据分为春夏秋冬四季，在每个季节再分为工作日、周末以及节假日，对分类后的数据进行归一化处理。归一化的方法采用最大最小值法：其中X为归一化后的值，范围为[0，1]，MIN为数据集合中的最小值，MAX为数据集合中的最大值。
[0018]进一步地，选出相似日序列集，包括相似日的初次判定，构建基于历史电价信息的扩展日矩阵A，并进行归一化为维度24的向量，A＝[x1、x2、x3、
…
、xn
‑
2、xn
‑
1、xn]，x1
‑
xn分别代表与电价相关的特征；基于n个特征，构建基于对实际电价贡献度的相关系数矩阵B:
[0019][0020]b1
‑
bn分别代表扩展日矩阵A中的n个特征的皮尔逊相关系数；
[0021]构建加权扩展日矩阵
[0022]用最大最小归一化方法，以每行为单位，对C中的数值进行归一化处理，将每个数据减去此行中的最小值，再除以此行中的最大值与最小值的差，使C中的数据在[0，1]范围内。
[0023][0024]用欧几里得范数在分类好的历史数据中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日，并根据欧式距离的大小进行升序排列，形成相似日序列集Y。
[0025]进一步地，利用mRMR循环求解，得到最优特征集，包括：对相似日序列集Y进行归一化和离散化处理；基于日发电量和电价的规律性，利用K
‑
Means聚类算法对相似日序列集合Y进行聚类，得到类别集合C；
[0026]利用互信息计算I(X；C)，找出与类别C关系最亲密的m个特征，x为特征，c为类别，其中p(x，c)，p(x)，p(c)分别为变量(X；C)的联合概率分布函数和边缘概率分布函数；
[0027]最大相关性指标D(S，c)：
[0028]S为含有m个特征的集合，N为最优特征集包含特征的个数，I(xi；c)为第i个特征与类别c之间的互信息值；
[0029]冗余性相关系数指标ρ
xixj
：
[0030]xi和xj分别为第i和就个特征，cov(xi，xj)为两个特征的协方差，ρ
xi
和ρ
xj
分别为特征xi和xj的标准差，ρ
xixj
为两个特征的相关系数，为0时代表两者相关性最小；
[0031]最小冗余性指标R:
[0032]根据利用遍历法，求解mRMR＝max[D(S,c)
‑
R(S)]得到最优特征集S；
[0033]利用mRMR算法得到每个特征的重要度，并按重要度对特征进行降序排列；根据排序结果，提取前N个特征，形成特征子集Ω。
[0034]进一步地，利用最优特征集再次对相似日序列集进行优化，包括：
[0035]基于相似日序列集Y以及最优特征集S，从新构建扩展日矩阵A
′
和相关系数矩阵B
′
，分别为：
[0036]A
′
＝[x
′1、x
′2、x
′3、
…
、x
′
m
][0037][0038]加权扩展日矩阵C
′
＝A
′
B
′
[0039][0040]用欧几里得范数在相似日序列集Y中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日，并根据欧式距离的大小进行升序排列，形成新的相似日序列集Y
′
。
[0041]进一步地，基于相似日序列集合最优特征集建立回归模型为y＝a1x1+a2x2+
…
+a
m
x
m
，根据需要，选取相似度考前的Q个相似日数据，每个日数据按小时细分为1
‑
24个时段数据，根据最优特征的个数是m，每个特征对应的系数是a1‑
...

【技术保护点】

【技术特征摘要】
1.一种基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，其特征在于，该方法包括：选出相似日序列集；利用mRMR循环求解，得到最优特征集，利用最优特征集再次对相似日序列集进行优化；基于相似日序列集合最优特征集建立回归模型，调整最优特征的数量，循环求解，利用平均绝对百分比误差指标进行评估，得到最终的回归模型；采用最终的回归模型对短期电价进行预测。2.根据权利要求1所述的基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，其特征在于，选出相似日序列集前，还包括：采集历史数据，包括负荷数据、电价数据、气象信息、新能源出力以及火电机组容量；数据的处理，利用相邻数据或相似数据，对缺失的数据进行补全，相邻数据指与缺失数据的前后相邻的一个或多个数据，根据需要选择相邻数据的数量及权重系数，联合计算得到缺失数据：Xt＝a1*Xt
‑
1+a2*Xt
‑
2+
…
+b1*Xt+1+b2*Xt+2+
…
其中，Xt为缺失数据，Xt
‑
1为缺失数据的前一个数据，Xt+1为缺失数据的后一个数据，a1、a2、b1、b2分别为权重系数；相似数据指某一时刻，除缺失数据外，其他数据都与缺失数据时刻的其他数据相同或相似的数据；设置异常数据的判定标准，进行异常数据检测，对异常数据进行修正。3.根据权利要求2所述的基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，其特征在于，数据分为春夏秋冬四季，在每个季节再分为工作日、周末以及节假日，对分类后的数据进行归一化处理。归一化的方法采用最大最小值法：其中X为归一化后的值，范围为[0，1]，MIN为数据集合中的最小值，MAX为数据集合中的最大值。4.根据权利要求2所述的基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，其特征在于，选出相似日序列集，包括相似日的初次判定，构建基于历史电价信息的扩展日矩阵A，并进行归一化为维度24的向量，A＝[x1、x2、x3、
…
、xn
‑
2、xn
‑
1、xn]，x1
‑
xn分别代表与电价相关的特征；基于n个特征，构建基于对实际电价贡献度的相关系数矩阵B:b1
‑
bn分别代表扩展日矩阵A中的n个特征的皮尔逊相关系数；构建加权扩展日矩阵用最大最小归一化方法，以每行为单位，对C中的数值进行归一化处理，将每个数据减去此行中的最小值，再除以此行中的最大值与最小值的差，使C中的数据在[0，1]范围内。
用欧几里得范数在分类好的历史数据中搜索与待预测日的加权扩展日特征矩阵欧式距离最小的历史日作为最近相似日，并根据欧式距离的大小进行升序排列，形成相似日序列集Y。5.根据权利要求4所述的基于相似日
‑
mRMR
‑
回归的短期电价预测的优化方法，其特征在于，利用mRMR循环求解，得到最优特征集，包括：对相似日序列集Y进行归一化和离散化处理；基于日发电量和电价的规律性，利用K
‑
Means聚类算法对相似日序列集合Y进行聚类，得到类别集合C；利用互信息计算I(X；C)，找出与类别C关系最亲密的m个特征，x为特征，c为类别，其中...

【专利技术属性】
技术研发人员：高阳，钟丹田，许傲然，谷彩连，冷雪敏，王森，
申请(专利权)人：沈阳工程学院，
类型：发明
国别省市：