一种基于历史边际电价的配电网电价预测方法

1.本发明属于自动化领域，涉及一种基于历史边际电价的配电网电价预测方法。


背景技术：

2.目前，研究较为广泛的电价预测模型主要分为线性的统计学模型和非线性的机器学习模型两类。对于线性模型，通常采用统计理论和数学方程来推断时间序列的预测值，其中比较著名的有线性回归模型，指数平滑模型和自回归积分滑动平均模型。非线性的机器学习方法是从时间序列，算法比较复杂但准确性高，相关方法有人工神经网络，支持向量回估模型等。
3.本专利提出了一种基于kalman-bp组合预测模型，预测短期时间的电价。该方法能克服单一模型预测电价的局限性，预测精度高。
4.现有目前针对配电网边际电价预测决策方案还存在以下问题及难点，(1)在电力市场上，目前电价的形成受到众多不确定因素的影响，包括自然环境，电力需求，电网运行约束以及电力市场中买卖双方竞价策略等有时会导致价格尖峰的产生，即价格出现波动性，传统bp神经网络预测电价模型考虑的影响较为单一(2)传统预测方法进行的前提通常需要时间序列不存在异方差，同分布等苛刻的条件，这在实际预测中较难达到(3)人工智能算法虽然有自学习能力，但往往预测方法单一，不能到达预期效果，以及精度不够。
5.基于以上问题，本专利提出了基于回测的历史数据不断更正模型得到精确度较高的kalman-bp组合模型。实际采用时还选取了数据拟合的方法，较好模拟了指标趋势，使得模型预测后的平均误差保持在预期状态。


技术实现要素：

6.有鉴于此，本发明的目的在于提供一种基于历史边际电价的配电网电价预测方法。改进现有故障辅助决策方案，实现电网多层级告警、闭环告警推送、辅助决策等功能。
7.为达到上述目的，本发明提供如下技术方案：
8.一种基于历史边际电价的配电网电价预测方法，该方法包括以下步骤：
9.s1：基于kalman-bp组合模型预测实时电价的方法，首先将得到的实时边际电价数据进行处理；
10.s2：将处理后的信息通过kalman滤波算法去噪，kalman滤波算法将被预测数据看出是在白噪声作用下一个随机线性系统的输出，并且其输入/输出关系由状态方程和输出方程在时间域内给出，使得预测电价曲线更加平滑，更接近真实值；
11.s3：通过bp神经网络将数据分为训练，验证和测试3种样本来避免出现“过拟合”，通过kalman滤波算法去噪后的电价数据，再进行神经网络预测；将前3个月的电价作为bp神经网络的训练样本，训练后得到效果较好的一组优化参数，并用后3个月的数据进行预测，确定该模型的可靠性；
12.s4：利用kalman滤波去噪后的数据进行bp神经网络建模，对一天后的实时电价进
行预测。
13.可选的，所述kalman滤波算法为：
14.x(k|k-1)＝φ(k)x(k-1|k-1)+s(k)
15.p(k|k-1)＝φ(k)p(k-1|k-1)φ(k)
t
+q
16.式中，φ(k)为转移矩阵，x(k-1|k-1)为k-1时下的最优估值，(k|k-1)为k状态下一步预测值；p(k-1|k-1)为k-1状态下的验后协方差阵，p(k|k-1)为k状态下的协方差阵，q为过程噪声协方差阵，s(k)为系统中输入的噪声误差；
17.校正过程是为获取最优估值，通过3个方程对先前预测值进行校正；
18.k(k)＝p(k|k-1)h
t
[hp(k|k-1)h
t
+r]
[0019]
x(k|k)＝x(k|k-1)+k(k)[z(k)-hx(k|k-1)]
[0020]
p(k|k)＝[i-k(k)h]p(k|k-1)。
[0021]
可选的，所述bp神经网络包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节。
[0022]
可选的，所述s3中，首先，通过kalman滤波消除原始测量值中的随机误差；其次，对去噪后的数据进行bp神经网络预测；在实际训练过程中，观察预测值与实际值的偏差，根据偏差调整阈值和权值，使预测结果精度提高；最后，根据训练所得的最优参数，对数据进行预测。
[0023]
本发明的有益效果在于：改进现有的电力设备红外图像状态探测识别方案，能够用于电力设备红外图像状态探测识别与定位标记，通过算法模型自动处理红外图像信息，免去人工判别或用传统机器识别方法，建立更高效、更准确、更高泛化的的状态探测模型。
[0024]
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
[0025]
为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：
[0026]
图1为bp神经网络计算模型；
[0027]
图2为本发明流程图；
[0028]
图3为kalman-bp组合模型预测结果；
[0029]
图4为传统bp神经网络预测结果。
具体实施方式
[0030]
以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离
本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。
[0031]
其中，附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本发明的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0032]
本发明实施例的附图中相同或相似的标号对应相同或相似的部件；在本发明的描述中，需要理解的是，若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此附图中描述位置关系的用语仅用于示例性说明，不能理解为对本发明的限制，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0033]
请参阅图1～图4，本发明包括以下部分：
[0034]
(1)卡尔曼滤波模型
[0035]
kalman滤波是根据数据当前状态，实现对下一刻数据的预测，是一种最优回归数据处理方法。kalman滤波算法由2个过程组成：一步预测过程和校正过程。一步预测过程通过状态方程和预测协方差方程完成。
[0036]
x(k|k-1)＝φ(k)x(k-1|k-1)+s(k)
[0037]
p(k|k-1)＝φ(k)p(k-1|k-1)φ(k)
t
+q
[0038]
式中，φ(k)为转移矩阵，x(k-1|k-1)为k-1时下的最优估值，(k|k-1)为k状态下一步预测值。p(k-1|k-1)为k-1状态下的验后协方差阵，p(k|k-1)为k状态下的协方差阵，q为过程噪声协方差阵，s(k)为系统中输入的噪声误差。
[0039]
校正过程主要是为了获取最优估值，通过3个方程对先前预测值进行校正。
[0040]
k(k)＝p(k|k-1)h
t
[hp(k|k-1)h
t
+r]
[0041]
x(k|k)＝x(k|k-1)+k(k)[z(k)-hx(k|k-1)]
[0042]
p(k|k)＝[i-k(k)h]p(k|k-1)
[0043]
(2)bp神经网络
[0044]
bp神经网络的实现过程如图1所示，该实现过程主要包括两个阶段，第一阶段为信号的前向传播，该阶段信号从输入层经过隐含层，最后到达输出层；第二阶段为误差的反向传播，在阶段中误差信号从输出层到隐含层，最后到输入层，该阶段依次对隐含层到输出层以及输入层到隐含层的权重和偏置进行调节
[3]
。
[0045]
(3)kalman-bp组合模型原理
[0046]
在实际的电价预测中，电价的形成受到很多因素的影响，包括自然环境的变化，电力需求，电网运行约束，以及电力市场中买卖双方竞价策略等，会导致价格尖峰的产生。使用单一的bp神经网络，由于随机误差会对训练过程有所影响，造成拟合数据不准确，最终使得预测结果的偏差也逐渐变大。针对单一bp神经网络的不足，采用kalman滤波与bp神经网络组合模型进行预测。
[0047]
首先，通过kalman滤波消除原始测量值中的随机误差；其次，对去噪后的数据进行
bp神经网络预测。在实际训练过程中，观察预测值与实际值的偏差，根据偏差调整阈值和权值，使预测结果精度提高。最后，根据训练所得的最优参数，对数据进行预测。流程图如图1所示。
[0048]
实施例：
[0049]
(1)基于上述kalman-bp组合模型预测实时电价的方法，首先将得到的实时边际电价数据进行处理。
[0050]
(2)将处理后的信息通过kalman滤波算法去噪，kalman滤波算法将被预测数据看出是在白噪声作用下一个随机线性系统的输出，并且其输入/输出关系由状态方程和输出方程在时间域内给出，使得预测电价曲线更加平滑，更接近真实值。
[0051]
(3)bp神经网络对数据集的逼近能力较强，通过将数据分为训练，验证和测试3种样本来避免出现“过拟合”，通过kalman滤波算法去噪后的电价数据，再进行神经网络预测。将前3个月的电价作为bp神经网络的训练样本，训练后得到效果较好的一组优化参数，并用后3个月的数据进行预测，确定该模型的可靠性。
[0052]
(4)用上述得到的优化模型，kalman滤波去噪后的数据进行bp神经网络建模，对一天后的实时电价进行预测，预测结果如图3和图4所示。
[0053]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。