一种基于历史边际电价的配电网电价预测方法

技术特征：
1.一种基于历史边际电价的配电网电价预测方法，其特征在于：该方法包括以下步骤：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；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；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；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。2.根据权利要求1所述的一种基于历史边际电价的配电网电价预测方法，其特征在于：所述kalman滤波算法为：x(k|k-1)＝φ(k)x(k-1|k-1)+s(k)p(k|k-1)＝φ(k)p(k-1|k-1)φ(k)
t
+q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；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；k(k)＝p(k|k-1)h
t
[hp(k|k-1)h
t
+r]x(k|k)＝x(k|k-1)+k(k)[z(k)-hx(k|k-1)]p(k|k)＝[i-k(k)h]p(k|k-1)。3.根据权利要求2所述的一种基于历史边际电价的配电网电价预测方法，其特征在于：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。4.根据权利要求3所述的一种基于历史边际电价的配电网电价预测方法，其特征在于：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。

技术总结
本发明涉及一种基于历史边际电价的配电网电价预测方法，属于自动化领域。该方法为：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；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；通过BP神经网络将数据分为训练；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。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。免去人工判别或用传统机器识别方法。免去人工判别或用传统机器识别方法。


技术研发人员：段盼 刘峰佚 杨作红 何娅 张奔 张连芳 时英桥
受保护的技术使用者：重庆邮电大学
技术研发日：2022.03.09
技术公布日：2022/6/1