一种基于监督式学习的自适应竞价预测方法与流程

本发明涉及一种基于监督式学习的自适应竞价预测方法，属于电力市场预测技术领域。

背景技术

根据世界其他开展电力市场改革区域的经验，电力市场从时间上主要划分为中长期市场和现货市场。目前，中国电力市场发展尚处于初始阶段，市场的参与者都期待采用优化的竞价策略来最大化利润，并避免因错误竞价策略导致损失。然而，当前月度竞价存在以下特点：1，市场规则存在变化；2，准入供需比不断调整；3，用户由于某些原因导致出现不理性报价。这些特点使用户难以预测和把握市场走向，进而无法找到最优的竞价策略。

因此，如何帮助售电公司和发电集团找到优化的竞价策略成为了热门话题。然而，在技术上帮助用户找到适合自身情况的最优竞价难点主要是因为以下几个问题：1，市场频率低，可供学习的数据少；2，市场初期用户行为的差异大；3，用户竞价存在学习过程。

技术实现要素：

本发明所要解决的技术问题在于提供一种基于监督式学习的自适应竞价预测方法，对售电公司和发电集团找到优化的竞价策略给出指导性建议。

本发明将机器学习方法与电力市场规则、用户行为特征相结合，以及市场初期月度竞价表现出的特点：数据少、用户行为差异大、竞价存在学习过程，提出了一种基于时间序列的自适应竞价预测监督式学习方法。本方法全面考虑了用户不成熟的市场行为和用户竞价的延后性的实际问题，仅需要根据少量市场的数据，就可以学习用户行为并适应市场变化，通过自我修正机制，给出有价值的竞价决策建议。

本发明采用如下技术方案：一种基于监督式学习的自适应竞价预测方法，其特征在于，包括如下步骤：

步骤ss1：获取电力市场历史公开交易数据，建立自回归与监督式学习结合的时间序列预测模型；

步骤ss2：在时间序列预测模型的基础上，将现有观测量进行非线性处理，形成符合现实市场典型行为特征的新预测参数，模拟用户行为变化惯性；

步骤ss3：在监督式学习的基础上，增加递进的带加权的历史样本考量，模拟用户对市场适应的过程；

步骤ss4：运用多重线性理论来减少特征值数量，引入正则化参数来削减训练的参数绝对值，缓解过拟合；

步骤ss5：依次进行需求侧曲线预测和供给侧曲线预测，计算出出清结果；

步骤ss6：进行结果合理性判别，判别是否竞价情况优于前一时间节点，若是则判定为充足，输出市场预测结果和供给需求两侧报价预测，否则判定为不足，再进行收敛性判别；

步骤ss7：若判定收敛，则进行辅助反馈变量更新，监督预测模型价格往指定方向移动，并转入步骤ss2，否则提示预测失败。

作为一种较佳的实施例，所述步骤ss1具体包括：获取电力市场历史公开交易数据，包括过去k个时刻所有的观测量，建立时间序列预测模型，记作：gt:xt→yt，公式为(1)：

其中，假设每个时刻t有m个参数，当前时刻n过去k个时刻的所有观测量的参数的个数s＝k×m，需要求解的系数θs为第s个系数，θ^t为参数θ的转置，s个参数展开的矩阵表示为xm,t为t时刻第m个参数的数值；为了便于计算，将xt转换为这样规模为k×m的上述矩阵转化为有k×m个元素的一维列向量，即：

k≤t≤n，xt为第t时刻全部参数的矩阵表示，为的转置，yt为第t个时刻的实际结果，组成的矩阵记为

作为一种较佳的实施例，所述步骤ss2具体包括：通过遗忘机制的引入，将现有观测量进行非线性处理，模拟用户行为变化惯性，公式为(2)：

其中f(t)＝e^t-n是关于时间t的指数遗忘函数。

作为一种较佳的实施例，所述步骤ss3具体包括：模拟延后反应，体现用户对市场适应的过程，公式为(3)：

f(x(new,t))＝x(1,t)·x(1,t-1)·(x(2,t)-x(2,t-1))公式(3)；

其中，f(x(new,t))为当前时刻根据前两个时刻通过非线性组合计算出的新参数，x(1,t)，x(1,t-1)，x(2,t)，x(2,t-1)分别表示前一个时刻跟前两个时刻第t和t-1个参数值。

作为一种较佳的实施例，所述步骤ss4具体包括：剔除所有具有多重共线性特征并引入正则化参数避免过拟合，公式为(4)：

其中，取λ＝0.5，e为自然常数。假设每个时刻t有m个参数，当前时刻n过去k个时刻的所有观测量的参数的个数s＝k×m，为第i个需求解系数的平方，s个参数展开的矩阵表示为xm,t为t时刻第m个参数的数值；为了便于计算，将xt转换为这样规模为k×m的上述矩阵转化为有k×m个元素的一维列向量，即：

k≤t≤n，xt为第t时刻全部参数的矩阵表示，yt为第t个时刻的实际结果。

作为一种较佳的实施例，λ＝0.5，预测出发电侧最高报价和售电侧最低报价，最终可得到未加反馈机制作用的结果。

本发明所达到的有益效果：第一，本发明提出的一种基于监督式学习的自适应竞价预测方法，采用改进的时间序列加监督式学习算法，为了模拟逐渐成熟的市场行为，引入了遗忘机制，通过加入遗忘机制，削减历史拟合误差的权重来起到“遗忘”的作用；第二，本发明针对用户的延后反应，本发明将独立生成一组现有参数非线性组合产生的新参数最为额外的输入，在保持优化模型线性特征的情况下，实现更准确的预测；第三，本发明针对数据量少而出现的过拟合问题，除了提出具有多重共线性特征的输入来避免过拟合外，加入了正则化参数；第四，本发明同时进行辅助反馈变量更新，使监督预测模型价格向优于前时间节点方向移动从而进行反馈修正；第五，本发明对预测模型进行检验，可有效应用于电力交易市场中，对售电公司及大用户在今后电力现货市场中的竞价也具有一定的借鉴意义。

附图说明

图1是本发明的一种基于监督式学习的自适应竞价预测方法的优选实施例的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示的是本发明的一种基于监督式学习的自适应竞价预测方法的优选实施例的流程图，本发明提出一种基于监督式学习的自适应竞价预测方法，包括如下步骤：

步骤ss1：获取电力市场历史公开交易数据，建立自回归与监督式学习结合的时间序列预测模型；

步骤ss2：在时间序列预测模型的基础上，将现有观测量进行非线性处理，形成符合现实市场典型行为特征的新预测参数，模拟用户行为变化惯性；

步骤ss3：在监督式学习的基础上，增加递进的带加权的历史样本考量，模拟用户对市场适应的过程；

步骤ss4：运用多重线性理论来减少特征值数量，引入正则化参数来削减训练的参数绝对值，缓解过拟合；

步骤ss5：依次进行需求侧曲线预测和供给侧曲线预测，计算出出清结果；

步骤ss6：进行结果合理性判别，判别是否竞价情况优于前一时间节点，若是则判定为充足，输出市场预测结果和供给需求两侧报价预测，否则判定为不足，再进行收敛性判别；

步骤ss7：若判定收敛，则进行辅助反馈变量更新，监督预测模型价格往指定方向移动，并转入步骤ss2，否则提示预测失败。

本发明的一种基于监督式学习的自适应竞价预测方法的优选实施例具体包括如下步骤：

a)作为市场参与者，根据电力交易中心等公开渠道获得近几个月的市场信息，如表1所示：

表1广东电力市场公开数据

根据获取的电力市场历史公开交易数据，建立预测模型，公式为(1)：

其中，每个月份t有m＝16个参数，过去k＝5个月的参数个数为

s＝80，xt＝{xt-k+1，...，xt}k≤t≤n。

b)通过遗忘机制的引入，将现有观测量进行非线性处理，模拟用户行为变化惯性，公式为(2)：

其中f(t)＝e^t-n是关于时间t的指数遗忘函数。

c)模拟延后反应，体现用户对市场适应的过程，公式为(3)：

f(x(new,t))＝x(1,t)·x(1,t-1)·(x(2,t)-x(2,t-1))公式(3)

d)剔除所有具有多重共线性特征并引入正则化参数避免过拟合，公式为(4)：

一般地，取λ＝0.5，预测出发电侧最高报价和售电侧最低报价，最终可得到未加反馈机制作用的结果。

一种基于监督式学习的自适应竞价预测方法还包括设计成闭环结构，带有自我修正反馈机制，避免不合理预测。出清结果如表2所示：

表2出清价格比较

此处根据特定的示例性实施案例描述了本发明。对本领域的技术人员来说不脱离本发明范围下进行适当的替换或修改是显而易见的。示例性的实施案例仅仅是例证性的，而不是对本发明的范围的限制，本发明的范围由所附属的权利要求定义。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。