基于bp神经网络与马尔可夫链的短期电价预测方法
【专利摘要】本发明涉及一种基于BP神经网络与马尔可夫链的短期电价预测方法，包括以下步骤：(S1)建立短期电价预测的BP神经网络模型并进行初步预测，得到电价预测值；(S2)对步骤(S1)求得的电价预测值进行误差分析，并求出绝对百分比误差APE；(S3)采用模糊C?均值聚类法对APE的马尔可夫状态空间进行划分，得到APE的马尔可夫链状态；(S4)根据APE的马尔可夫链状态，求出马尔可夫状态转移概率矩阵；(S5)根据马尔可夫状态转移概率矩阵，计算被预测时刻的APE状态概率向量；(S6)对电价预测值进行修正，得到最终的预测结果。与现有技术相比，本发明具有精确度高等优点。
【专利说明】
基于BP神经网络与马尔可夫链的短期电价预测方法
技术领域
[0001] 本发明设及电网短期电价预测方法，尤其是设及一种基于BP神经网络与马尔可夫 链的短期电价预测方法。
【背景技术】
[0002] 短期电价预测主要是对未来几个小时、几天或一周内的电价进行预测。在得知未 来电价趋势的情况下，市场参与者可W制定出适当的竞价策略，从而竞价风险，获得稳定的 收益。电力用户也可W安排合理的用电时段，从而降低用电成本。
[0003] 目前，人工神经网络模型被广泛应用于电价预测中。大多数文献都采用BP神经网 络模型进行电价的短期预测，为神经网络在电价预测中的应用提供了思路。但是从运些文 献的预测结果看出，虽然BP神经网络模型具有较强的非线性映射能力和良好的泛化特性， 但是对样本依赖性大，在预测变化剧烈的短期电价时精度不够高，无法很好地达到预测目 标。
【发明内容】
[0004] 本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高的基 于BP神经网络与马尔可夫链的短期电价预测方法。
[0005] 本发明的目的可W通过W下技术方案来实现:一种基于BP神经网络与马尔可夫链 的短期电价预测方法，包括W下步骤：
[0006] (SI)建立短期电价预测的BP神经网络模型并进行初步预测，得到电价预测值；
[0007] (S2)对步骤(SI)求得的电价预测值进行误差分析，并求出绝对百分比误差APE; [000引（S3)采用模糊C-均值聚类法对ATO的马尔可夫状态空间进行划分，得到m个ATO的 马尔可夫链状态:Ql,化…Qm;
[0009] (S4)根据APE的马尔可夫链状态，求出马尔可夫状态转移概率矩阵；
[0010] (S5)根据马尔可夫状态转移概率矩阵，计算被预测时刻的APE状态概率向量；
[0011] (S6)对电价预测值进行修正，得到最终的预测结果。
[0012] 所述的步骤(SI)中，B巧巾经网络模型的输入变量为被预测时刻前一天同一时刻的 电价值和负荷值、被预测时刻前两天同一时刻的电价值和负荷值、被预测时刻前一周同一 时刻的电价值和负荷值、被预测时刻的负荷值，输出变量为被预测时刻的电价，每个神经元 之间的传递函数采用Sigmoid方程，神经元输入X与输出f(x)的关系为：
[0013]
[0014] 所述的步骤(S2)中，绝对百分比误差APE的计算公式为：
[0015]
[0016] 其中，C为电价实际值，C'为电价预测值。
[0017]所述的步骤(S4)中，马尔可夫状态转移概率矩阵的计算公式为：
[001 引
[0019]其中，Pi功矩阵P的元素，1 = 1，2，一111〇' = 1，2，一111，111表示4阳的马尔可夫链状态个 数，Pu表示状态化经过1步转移到状态A的转移概率，〇1及^表示APE的两个马尔可夫链状 态，Pij的计算公式为：
[0020]
[0021] 其中，1^为4阳所有马尔可夫链状态中Qj出现的次数，NiJ为化经过1步转移到Qj的次 数。
[0022] 所述的步骤倾）中，被预测时刻的A阳状态概率向量Xn的计算公式为:Xn = X〇 ? pn， 其中，n表示被预测时刻，Xo表示初始时刻的状态概率向量。
[0023] 所述的步骤(S6)中，对电价预测值进行修正时，取步骤(S5)求得的状态概率向量 Xn中最大概率值对应的马尔可夫链状态Qp为被预测时刻的APE的马尔可夫链状态，最终的预 测结果C*的计算方式如下：
[0024]
[0025]
[0026] 其中，C'为电价预测值，Sa和Sb分别表示Qp的区间上界和下界。
[0027] 与现有技术相比，本发明结合BP神经网络和马尔可夫链的优势建立短期电价预测 模型，马尔可夫链适用于对随机波动性较大的问题进行预测，首先利用BP神经网络来初步 预测短期电价的变化曲线，再根据马尔可夫链来确定预测误差的状态转移规律，进而修正 预测结果，可W提高预测精确度。
【附图说明】
[002引图1为本发明的流程图；
[0029] 图2是基于BP神经网络的电价初步预测结果；
[0030] 图3是采用本发明的方法得到的电价预测最终结果。
【具体实施方式】
[0031] 下面结合附图和具体实施例对本发明进行详细说明。本实施例W本发明技术方案 为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于 下述的实施例。
[0032] 如图1所示，一种基于BP神经网络与马尔可夫链的短期电价预测方法，包括W下步 骤：
[0033] (SI)建立短期电价预测的BP神经网络模型并进行初步预测，得到电价预测值;BP 神经网络模型的输入变量为被预测时刻前一天同一时刻的电价值和负荷值、被预测时刻前 两天同一时刻的电价值和负荷值、被预测时刻前一周同一时刻的电价值和负荷值、被预测 时刻的负荷值，输出变量为被预测时刻的电价，每个神经元之间的传递函数采用Sigmoid方 程，神鮮^车命A Y占车命mf (X)的关系为：
[0034]
[0035] (S2)对步骤(SI)求得的电价预测值进行误差分析，并求出绝对百分比误差APE;绝 对百分比误差APE的计算公式为：
[0036]
[0037] 其中，C为电价实际值，C'为电价预测值。
[003引（S3)采用模糊C-均值聚类法对ATO的马尔可夫状态空间进行划分，得到m个ATO的 马尔可夫链状态:Ql,化…Qm;
[0039] (S4)根据APE的马尔可夫链状态，求出马尔可夫状态转移概率矩阵;马尔可夫状态 转移概率矩阵的计算公式为：
[0040；
[00川其中，Pij为矩阵P的元素 ，i = 1，2，.? 'm，j = 1，2，.? .!!!,m表示A阳的马尔可夫链状态个 数，Pu表示状态化经过1步转移到状态A的转移概率，01及^表示APE的两个马尔可夫链状 态，Pij的计算公式为：
[0042]
[0043] 其中，1^为4阳所有马尔可夫链状态中A出现的次数，Ni功化经过1步转移到化的次 数。
[0044] (S5)根据马尔可夫状态转移概率矩阵，计算被预测时刻的APE状态概率向量;被预 巧耐刻的A阳状态概率向量Xn的计算公式为:? = ? ? pn，其中，n表示被预测时刻，Xo表示初 始时刻的状态概率向量。
[0045] (S6)对电价预测值进行修正，得到最终的预测结果，具体为:对电价预测值进行修 正时，取步骤(S5)求得的状态概率向量Xn中最大概率值对应的马尔可夫链状态Qp为被预测 时刻的APE的马尔可夫链状态，最终的预测结果C*的计算方式如下：
[0046] c* = C'（l+S*)
[0047]
[004引其中，C'为电价预测值，Sa和Sb分别表示Qp的区间上界和下界。
[0049]本实施例采用澳大利亚能源市场运营商提供的新南威尔斯州2015年1月1日至3月 24日之间W-小时为间隔的实时电价(单位为$/MWh)和负荷(单位为MW)数据作为训练样 本，预测3月25日至3月31日的实时电价，在Matlab上仿真分析。如图2所示为基于BP神经网 络的电价初步预测结果，可见在电价平稳上升或下降阶段预测曲线的拟合度较高，而在电 价的峰值和谷值附近AI^幅值较大，预测精度较低。图3为经过马尔可夫链修正后的电价最 终预测结果，与图2相比，可见修正后预测曲线在电价峰谷附近的拟合度大有改善，整体APE 保持在-10%~13%，绝大多数时段的A阳处于-5%~巧％，可见预测精度得到明显提高。
【主权项】
1. 一种基于BP神经网络与马尔可夫链的短期电价预测方法，其特征在于，包括以下步 骤： (51) 建立短期电价预测的BP神经网络模型并进行初步预测，得到电价预测值； (52) 对步骤(S1)求得的电价预测值进行误差分析，并求出绝对百分比误差APE; (53) 采用模糊C-均值聚类法对APE的马尔可夫状态空间进行划分，得到APE的马尔可夫 链状态； (54) 根据APE的马尔可夫链状态，求出马尔可夫状态转移概率矩阵； (55) 根据马尔可夫状态转移概率矩阵，计算被预测时刻的APE状态概率向量； (56) 对电价预测值进行修正，得到最终的预测结果。2. 根据权利要求1所述的一种基于BP神经网络与马尔可夫链的短期电价预测方法，其 特征在于，所述的步骤(S1)中，BP神经网络模型的输入变量为被预测时刻前一天同一时刻 的电价值和负荷值、被预测时刻前两天同一时刻的电价值和负荷值、被预测时刻前一周同 一时刻的电价值和负荷值、被预测时刻的负荷值，输出变量为被预测时刻的电价，每个神经 元之间的传递函数采用Sigmoid方程。3. 根据权利要求1所述的一种基于BP神经网络与马尔可夫链的短期电价预测方法，其 特征在于，所述的步骤(S2)中，绝对百分比误差APE的计算公式为：其中，C为电价实际值，C'为电价预测值。4. 根据权利要求1所述的一种基于BP神经网络与马尔可夫链的短期电价预测方法，其 特征在于，所述的步骤(S4)中，马尔可夫状态转移概率矩阵的计算公式为：其中，Pij为矩阵P的元素 ，i = 1，2，···!!!，j = 1，2，···!!!，m表示APE的马尔可夫链状态个数， Pij表示状态Qi经过1步转移到状态Qj的转移概率，Qi及Qj表示APE的两个马尔可夫链状态，Pij 的计算公式为：其中，Nj为APE的所有马尔可夫链状态中Qj出现的次数，Nij为Qi经过1步转移到Qj的次 数。5. 根据权利要求4所述的一种基于BP神经网络与马尔可夫链的短期电价预测方法，其 特征在于，所述的步骤(S5)中，被预测时刻的APE状态概率向量X n的计算公式为:Χη = Χ〇· Ρη，其中，η表示被预测时刻，Χο表示初始时刻的状态概率向量。6.根据权利要求1所述的一种基于BP神经网络与马尔可夫链的短期电价预测方法，其 特征在于，所述的步骤(S6)中，对电价预测值进行修正时，取步骤(S5)求得的状态概率向量 Xn中最大概率值对应的马尔可夫链状态％为被预测时刻的APE的马尔可夫链状态，最终的预 测结果C*的计算方式如下： c^c'd+a*)其中，c'为电价预测值，δ4ρδΒ分别表示％的区间上界和下界。
【文档编号】G06Q10/04GK105956682SQ201610242879
【公开日】2016年9月21日
【申请日】2016年4月19日
【发明人】黄羹墙, 杨俊杰, 刘冰瑶, 李亚, 赵勤学, 杜文妍, 黄毅, 方子璐, 丁蓉
【申请人】上海电力学院