分布式短期电价预测方法及多智能体预测系统、装置与流程

本发明属于电价预测，尤其涉及一种分布式短期电价预测方法及多智能体预测系统、装置。

背景技术：

1、基于区块链的电能交易系统是电力物联网的一项重要组成部分。基于区块链的电能交易系统需要大量以智能电能表为主的智能计量终端，将数据上报区块链物联网平台，且需要智能计量终端与其周围的智能计量终端进行终端侧的统计，且具备短时电价预测功能，为参与交易的各方带来参考。准确的短期电价预测将有助于选择最优报价策略，使购电的动态成本控制成为可能，同时也为监管部门的实时监管提供了重要的科学依据，在保证电力市场正常运行的同时，提供最佳的环境污染治理。

2、电价预测是一个新的研究领域，现阶段主要是利用点对点的倍比法、回归分析法、专家系统、模糊逻辑系统等方法进行电价预测。但短期电价预测具有时变性，影响因素复杂，对精度要求高，一般采用单一的电价预测模型进行预测具有模型适应性不强、预测速度慢、难以达到预测要求等问题。

技术实现思路

1、针对现有技术中的上述不足，本发明提供的一种分布式短期电价预测方法及多智能体预测系统、装置，根据用电环境信息和客户端各时段内的电价值，基于时间序列模型、量子神经网络模型和灰色模型，利用多智能体系统进行分布式电价预测，解决了现有短期电价预测方法精度不足的问题。

2、为了达到上述发明目的，本发明采用的技术方案为：

3、本发明提供的一种分布式短期电价预测方法，包括如下步骤：

4、s1、获取原始电价序列；

5、s2、基于原始电价序列，利用时间序列模型进行短期电价预测，得到第一短期电价预测结果；

6、s3、基于原始电价序列，利用量子神经网络模型进行短期电价预测，得到第二短期电价预测结果；

7、s4、基于原始电价序列，利用灰色模型进行短期电价预测，得到第三短期电价预测结果；

8、s5、根据方差-协方差组合预测法，基于第一短期电价预测结果、第二短期电价预测结果和第三电价预测结果，进行短期电价组合预测，得到短期电价组合预测结果；

9、s6、将短期电价组合预测结果作为分布式短期电价预测结果，完成分布式短期电价的预测。

10、本发明的有益效果为：本发明提供的一种分布式短期电价预测方法，基于原始电价序列，实现了针对短期电价预测获取到有效的电价值样本，并基于原始电价序列分别利用了时间序列模型、量子神经网络模型和灰色模型进行短期电价预测，得到第一短期电价预测结果、第二短期电价预测结果和第三短期电价预测结果，并根据方差-协方差组合预测法，基于第一短期电价预测结果、第二短期电价预测结果和第三电价预测结果，以及电价预测结果对应的预测误差方差，进行了短期电价组合预测，得到了短期电价组合预测结果，完成了分布式短期电价的预测，有效的提升了短期电价预测的精度。

11、进一步地，所述原始电价序列包括待预测电价时段前的预设时长内的电价值、前一日与待预测电价时段相同时段内的电价值，以及待预测电价时段前的预设时长内的电价值构成的时间顺序相关电价值序列；

12、所述原始电价序列为通过调节滑动数据窗长度以进行滑动平均处理后得到的时间顺序相关电价值序列。

13、采用上述进一步方案的有益效果为：本发明获取的原始电价序列基于待预测电价时段相关的预设时长时段进行获取，充分考虑了每日用电习惯和短时间内在前时间段的用电习惯，并通过在实际预测中动态的调整数据窗，长短数据窗交替使用，实现了对于存在数据波动大的时段，进行滑动平均处理以得到相对比较平稳的序列，有效减小了数据获取引起的误差。

14、进一步地，所述s2包括如下步骤：

15、s21、划分获取到的原始电价序列，得到训练集和测试集；

16、s22、对训练集中的原始电价序列进行时间序列平稳性检验和白噪声检验，通过绘制原始电价序列的acf与pacf图，进行季节特征和趋势特征分析，并确定季节性差分数和非季节性差分数；

17、s23、基于季节性差分数和非季节性差分数，将原始电价序列进行季节差分和趋势差分，去除季节和趋势影响，得到具有平稳性和预测价值的待用电价序列；

18、s24、基于待用电价序列，绘制去除季节和趋势影响的acf图和pacf图；

19、s25、根据赤池信息量准则，结合去除季节和趋势影响的acf图和pacf图进行模型定阶，并确定最优参数和模型的计算表达式，得到时间序列模型；

20、所述时间序列模型的计算表达式如下：

21、

22、

23、

24、θq(b)＝1-θ1b-θ2b2-…-θqbq,mq(bs)＝1-ψ1bs-ψ2b2s-…-ψqbqs

25、其中，表示d阶差分，d表示非季节差分阶数，表示周期为s的d阶差分，d表示季节差分阶数，xt表示t时刻的时间序列，θq(b)表示q阶移动平均系数多项式，b表示延迟算子，mq(bs)表示包含季节周期的q阶移动平均系数多项式，s表示季节周期，bs表示季节周期延迟算子，φp(b)表示p阶自回归系数多项式，ap(bs)表示包含季节周期的p阶自回归系数多项式，εt表示白噪声序列，φ1表示1阶第一待估系数，φp表示p阶第一待估系数，p表示非季节自回归阶数，表示1阶第二待估参数，表示p阶第二待估参数，p表示季节自回归阶数，θ1表示1阶第三待估参数，θq表示q阶第三待估参数，q表示非季节移动平均阶数，ψ1表示1阶第四待估系数，ψq表示q阶第四待估系数，q表示季节移动平均阶数；

26、s26、通过分析时间序列模型的残差序列对时间序列模型进行检验，得到通过模型检验的时间序列模型；

27、s27、利用通过模型检验的时间序列模型对测试集进行电价预测，得到第一短期电价预测结果。

28、采用上述进一步方案的有益效果为：本发明通过对原始电价序列依次进行时间序列平稳性检验和白噪声检验，对原始电价序列绘制acf与pacf图，进行季节特征和趋势特征分析，确定季节性与非季节性差分阶数，通过季节性与非季节性差分，得到具有平稳性和预测价值的待用电价序列，再结合aic法进一步确定模型阶数，充分提取了时间序列中的信息，拟合效果较好，实现了基于单一时间序列模型的较为准确的短期电价预测。

29、进一步地，所述s3包括如下步骤：

30、s31、基于原始电价序列构建电价特征向量，且将电价相关负荷作为电价影响因素；

31、s32、构建量子神经网络模型，并对量子神经网络模型进行参数初始化，其中，所述量子神经网络模型中输入层、隐藏层、输出层的节点个数依次为n、m、t′；

32、s33、计算参数初始化后的量子神经网络模型的隐层输出值，其中，隐层中节点的激励函数，基于量子态叠加理论，采用若干个sigmoid函数线性叠加构成的多层激活函数；

33、所述隐层的输出函数的计算表达式如下：

34、

35、其中，hj,k表示隐层输出值，j表示第j个隐层节点，k表示第k个电价值样本，n′表示量子间隔的总数，r表示第r个量子间隔，f()表示sigmoid函数，β表示陡度因子，n表示输入层节点的总数，wji表示第i个输入层节点到第j个隐层节点的连接权值，xi,k表示隐层的输入向量，θr表示第r个量子间隔；

36、s34、基于隐层输出值，计算输出层的输出值；

37、所述输出层的输出值的计算表达式如下：

38、

39、其中，ol,k表示输出层的输出值，vlj表示第j个隐层节点到第l个输出层节点的连接权值；

40、s35、采用量子神经网络误差评价函数评定模型预测性能，分别得到隐层和输出层的输出误差；

41、所述量子神经网络误差评价函数的计算表达式如下：

42、

43、其中，e表示输出值的误差，ok′表示第k′个输出层节点的预测目标值，pk′表示第k′个输出层节点的预测实际输出值，t′表示输出层节点的总数；

44、s36、基于隐层和输出层的输出误差，通过梯度下降法调整权值和量子间隔，得到权值调整量和量子间隔调整量；

45、所述权值调整量和量子间隔调整量的计算表达式分别如下：

46、

47、

48、其中，δw表示权值调整量，η1表示权值调整学习率，e1表示输出层输出值的误差，w表示节点间的连接权值，表示量子间隔调整量，η2表示量子间隔调整学习率，e2表示隐层输出值的误差，表示第j个隐藏节点的量子间隔；

49、s37、基于权值调整量和量子间隔调整量对量子神经网络模型的参数进行调整，并将电价特征向量输入到调整后的量子神经网络模型的输入层，得到第二短期电价预测结果。

50、采用上述进一步方案的有益效果为：本发明通过对电价和其影响因素的相关性分析，选取对电价影响大的因素作为模型的输入特征量，通过量子神经网络模型实现了基于单一量子神经网络模型的较为准确的短期电价预测。

51、进一步地，所述s4包括如下步骤：

52、s41、对获取到的原始电价序列进行一次累加，得到一次累加电价序列；

53、s42、对获取到的原始电价序列进行一次累减，得到一次累减电价序列；

54、s43、依次对一次累加电价序列中相邻的两个序列元素求均值并构建序列，得到一次累加均值电价序列；

55、s44、基于一次累加电价序列，构造白化微分方程；

56、所述白化微分方程的计算表达式如下：

57、

58、其中，表示一次累加电价序列关于电价值对应时间t″的二阶微分结果，t″表示电价值对应时间，a1表示第一微分参数，表示一次累加电价序列关于电价值对应时间t″的一阶微分结果，a2表示第二微分参数，x(1)表示一次累加电价序列，b表示第三微分参数；

59、s45、基于原始电价序列、一次累减电价序列和一次累加均值电价序列，利用最小二乘法估计白化微分方程的参数列，得到估计的参数列矩阵；

60、所述估计的参数列矩阵的计算表达式如下：

61、

62、

63、其中，表示估计的参数列矩阵，bt表示第一电价序列矩阵的转置矩阵，b表示第一电价序列矩阵，y表示一次累减电价序列矩阵，表示原始电价序列中的第2个电价值，表示原始电价序列中的第n″个电价值，表示一次累加均值电价序列中的第1个电价值，表示一次累加均值电价值序列中的第n″-1个电价值，表示一次累减电价序列中的第1个电价值，表示一次累减电价序列中的第n″个电价值，其中，n″为自然数，对应原始电价序列中的电价值总个数；

64、s46、基于估计的参数列矩阵，得到第三短期电价预测结果；

65、所述第三短期电价预测结果的计算表达式如下：

66、

67、

68、r2+a1r+a2＝0

69、其中，表示原始电价序列中的第k″+1个电价值，表示一次累加电价序列中的第k″+1个电价值，表示一次累加电价序列中的第k″个电价值，c1为第一常数系数，e表示指数基底常数，r1表示位置参数r的第1个解值，r2表示未知参数r的第2个解值。

70、采用上述进一步方案的有益效果为：本发明通过对原始电价序列进行一次累加、一次累减，并对一次累加的结果进行相邻求平均，采用最小二乘法估计得到基于灰色模型的短期电价预测值，也实现了基于单一量子神经网络模型的较为准确的短期电价预测。

71、进一步地，所述s5包括如下步骤：

72、s51、分别根据第一短期电价预测结果、第二短期电价预测结果和第三短期电价预测结果，得到时间序列模型、量子神经网络模型和灰色模型的预测误差方差；

73、s52、基于时间序列模型、量子神经网络模型和灰色模型的预测误差方差，构建拉格朗日等式，并通过拉格朗日等式，计算得到最佳组合权系数；

74、所述最佳组合权系数的拉格朗日等式如下：

75、l(w1′,w2′,w3′,λ)＝σ1·w1′2+σ2·w2′2+σ3·w3′2+λ(w1′+w2′+w3′-1)

76、其中，l(w1′,w2′,w3′,λ)表示最佳组合权系数的拉格朗日等式，σ1表示时间序列模型的预测误差方差，w1′表示时间预测模型的最佳组合权值系数，σ2表示量子神经网络模型的预测误差方差，w2′表示量子神经网络模型的最佳组合权值系数，σ3表示灰色模型的预测误差方差，w3′表示灰色模型的最佳组合权值系数，λ表示拉格朗日乘子；

77、s53、基于最佳组合权系数、第一短期电价预测结果、第二短期电价预测结果和第三短期电价预测结果，计算得到短期电价组合预测结果；

78、所述短期电价组合预测结果的计算表达式如下：

79、fc＝w1′f1+w2′f2+w3′f3

80、其中，fc表示短期电价组合预测结果，f1表示第一短期电价预测结果，f2第二短期电价预测结果，f3表示第三短期电价预测结果。

81、采用上述进一步方案的有益效果为：本发明基于时间序列模型、量子神经网络模型和灰色模型的预测误差方差，构建拉格朗日等式，计算得到最佳组合权系数，能够实现分布式的短期电价预测，相较于基于单一模型的短期电价预测，有效地提升了预测的精度。

82、另一方面，本发明还提供一种基于分布式短期电价预测方法的多智能体预测系统，包括：

83、交互智能体，用于获取客户端的短期电价预测请求，并将短期电价预测请求传输到执行智能体，且将从集成智能体处获取的分布式短期电价预测结果发送到所述客户端；

84、执行智能体，用于根据接收到的短期电价预测请求，构建短期电价预测任务序列，并将短期电价预测任务序列中的短期电价预测任务分别分配到数据处理智能体、预测智能体和集成智能体中，协调数据处理智能体、预测智能体和集成智能体完成短期电价预测任务；

85、数据处理智能体，用于根据执行智能体中的短期电价预测任务，通过信息智能体获取客户端待预测电价时段前的预设时长内的电价值，以及前一日与待预测电价时段相同时段内的电价值，并构建原始电价序列；

86、管理智能体，用于基于各不同智能体的标识和地址，为各智能体间建立网络通信；

87、若干信息智能体，用于获取所有客户端各时段内电价值和用电环境变化信息，并将获取到的电价值和用电环境变化信息存储到数据库中，为数据处理智能体进行数据处理提供电价值数据，并存储原始电价序列和原始电价序列对应的短期电价组合预测结果；

88、若干预测智能体，用于基于原始电价序列，分别利用时间序列模型、量子神经网络模型和灰色模型进行短期电价预测，并将预测得到的第一短期电价预测结果、第二短期电价预测结果和第三短期电价预测结果传输到集成智能体，且根据短期电价组合预测结果对应的可信度和用电环境变化信息进行自动重新学习，更新时间序列模型、量子神经网络模型和灰色模型的模型参数；

89、若干集成智能体，用于根据方差-协方差组合预测法，基于第一短期电价预测结果、第二短期电价预测结果、第三短期电价预测结果，以及对应的预测误差方差，进行短期电价组合预测，得到短期电价组合预测结果，并将短期电价组合预测结果作为分布式短期电价预测结果通过交互智能体发送到所述客户端，将短期电价组合预测结果传输到信息智能体，以存储到数据库中，且将短期电价组合预测结果对应的可信度传输到预测智能体。

90、本发明的有益效果为：本发明针对上述分布式短期电价预测方法提供了对应的多智能体预测系统，基于组合预测模型吸收多种单一预测模型的优势，以此提高短期电价预测的精度，并且通过多智能体的协同工作完成系统整体预测目标，提升了短期电价值预测的效率，并能够通过信息智能体、预测智能体和集成智能体实现短期电价预测的自学习和优化。

91、另一方面，本发明还提供一种基于分布式短期电价预测方法的多智能体预测装置，所述多智能体预测装置为部署有权利要求7所述的分布式短期电价预测方法的多智能体预测系统的集中器计量装置，用于采集客户端各时段内电价值和用电环境变化信息，进行分布式短期电价的预测，并将分布式短期电价预测结果上报到区块链物联网平台。

92、本发明的有益效果为：本发明中提供的基于分布式短期电价预测方法的多智能体预测系统能够部署在集中器等智能计量装置上，以用于完成短期电价的预测。

93、针对于本发明还具有的其他优势将在后续的实施例中进行更细致的分析。