一种基于EMD分解和SSA-SVM模型的电价预测方法及系统与流程

本发明涉及电价预测，特别是一种基于emd分解和ssa-svm模型的电价预测方法及系统。

背景技术：

1、基于人工智能和数据分析技术，目前已经建立了许多电价预测模型。鉴于单一模型往往具有一定的局限性和精度误差，结合不同算法的特点，构建混合电价预测模型成为研究热点。

2、常见的混合预测方法有遗传算法优化的bp神经网络(ga-bp)、小波变换分解的arima(wt-arima)、粒子群算法优化的ls-svm(pso-lssvm)、小波包分解的lstm网络(wpd-lstm)、混合贝叶斯支持向量机方法(be-svm)等。

3、上述混合模型在处理非平稳，非线性时间序列变化复杂的电价数据时还存在不足之处：ga-bp缺乏泛化能力，而且可能陷入局部最优，导致预测性能不佳；wt-arima非线性和非平稳性处理特性处理不足，较高的计算复杂度使其预测能力可能受到限制；pso-lssvm虽然可以在一定程度上处理非线性问题，但对于高度非线性的电价数据，ls-svm仍可能无法完全捕捉到其内在规律，从而影响预测性能；be-svm方法的性能在很大程度上取决于参数的选择，参数调优困难，而且对噪声敏感，虽然svm具有较强的鲁棒性，但在电价预测中，如果噪声较大或存在离群值，可能会影响be-svm的预测性能。

技术实现思路

1、鉴于现有的基于emd分解和ssa-svm模型的电价预测方法存在的问题，提出了本发明。利用emd对非线性和非平稳数据处理的优势，充分挖掘电价序列隐含信息，并结合ssa适应性强及svm泛化性能好的特点，提高电价预测的精度。因此，本发明所要解决的问题在于如何提供一种基于emd分解和ssa-svm模型的电价预测方法及系统。

2、为解决上述技术问题，本发明提供如下技术方案：

3、第一方面，本发明实施例提供了一种基于emd分解和ssa-svm模型的电价预测方法，其包括，获取原始电价数据，将原始电价数据划分为训练集和测试集，对电价数据通过经验模态分解算法emd进行分解；构建ssa-svm模型，应用麻雀搜索算法ssa优化svm模型中的关键参数，将分解后的电价数据输入模型进行预测，得到每个特征信号下的预测值；将模型输出的预测值累加重构获得最终预测结果，进行基于emd分解和ssa-svm模型的电价预测。

4、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述通过经验模态分解算法emd进行分解具体包括，确定原始电价数据信号x(t)上所有的极大值和极小值点，使用三次样条插值构建信号的上包络线xmax(t)和下包络线xmin(t)；计算出包络均值相关计算公式如下：

5、

6、根据原始信号和包络均值求原始信号的中间条件函数h1(t)，相关计算公式如下：

7、

8、若h1(t)满足imf条件，则得到imf的第一个特征分量；若h1(t)不满足imf条件，则重复上述计算，直至满足imf条件，得到imf分量，相关公式如下：

9、imf1(t)＝h1(t)

10、将imf1(t)从信号中剥离得到残余分量r1(t)，相关计算公式如下：

11、r1(t)＝x(t)-imf1(t)

12、以r1(t)为待处理信号，相关计算公式如下：

13、x(t)＝r1(t)

14、直到不能再分解，则得到最终分解结果，相关计算公式如下：

15、

16、式中，x(t)为原始电价数据信号，rn(t)为残差分量，即最终分解完成后的待处理信号。

17、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述构建ssa-svm模型具体包括，构建svm模型，选择模型的核函数，确定核函数中需要选取的关键参数；对麻雀搜索算法ssa进行优化，使用优化后的麻雀搜索算法确定核函数中的关键参数；将经过emd分解后的待处理信号输入麻雀搜索算法中得出预测参数结果，将得到的预测参数结果代入到svm模型中进行训练，模型训练完成后，将得到的各待处理信号输入模型进行预测。

18、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述svm模型具体包括，加入拉格朗日函数，根据最优条件，得到原始优化问题的对偶形式，相关表达式如下：

19、

20、约束条件为：

21、

22、

23、式中，xi为输入向量，yi为输出向量，l为训练样本，ε为不敏感损失函数，c为惩罚参数，αi为拉格朗日乘子且αi≥0；设定非线性映射值φ将训练样本与高维空间进行映射并进行线性回归，引入核函数k(x,y)实现非线性回归，其优化方程转化为：

24、

25、k(x,xi)＝exp(-||x-xi||2/2g2)

26、式中，xi为输入向量，g为预测参数。

27、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述关键参数包括核函数中的预测参数g和惩罚参数c，使用优化后的麻雀搜索算法确定核函数中的关键参数，具体包括，将原始电价数据序列分解得到的子序列，本征模态imf和残差分量作为预测的输入；将各子序列进行归一化处理，相关计算公式如下：

28、

29、式中，x′i为子序列第i点的归一化结果，xi为子序列第i点的电价，xmax和xmin为子序列中电价的最大值和最小值；确定优化参数个数为2，迭代次数，初始化麻雀种群位置向量，设置麻雀种群数量，发现者和预警者比例，以及预警阈值；计算每个麻雀个体的适应度，得出高适应度值的当前麻雀最佳位置；判断是否满足位置更新条件，若满足，则进行位置更新；若不满足，则保留当前位置；判断是否满足停止搜索条件，如满足，则停止寻优，得到最优解。

30、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述优化后的麻雀搜索算法具体包括，初始化种群、迭代次数、发现者与追随者比例，相应表达式如下：

31、

32、式中，n为麻雀种群的数量，d表示麻雀个体所附带的维度；计算麻雀个体适应度，相关表达式如下：

33、

34、式中，fx为每一行麻雀个体的适应度值；有较强搜索能力即具备较好适应度值的发现者在搜索过程中会优先获取食物，作为探索者，可获得比追随者更大的觅食搜索范围；发现者在迭代过程中的位置更新如下：

35、

36、式中，表示迭代t次第i只麻雀在j维时的位置，α表示(0,1]范围内的随机数，tmax表示最大迭代次数，r2∈[0,1]表示预警值，st∈[0,1]表示安全值，q为服从正态分布的随机数，l1表示1×d列的矩阵，且所有元素均为1；当r2<st时，则表示麻雀周围没有天敌，探索者进行全局搜索；若r2≥st时，则表示部分麻雀已经发现捕食者，所有麻雀均采取相关行动，更新个体位置；更新追随者位置：

37、

38、式中，表示在第(t+1)次迭代时生产者在j维时所占据的最佳位置，表示第t次迭代时整个种群中的最差位置；a表示每个元素随机分配1或-1的矩阵，且a+＝at(aat)-1；当i＞n/2时，则表明追随者处于十分饥饿的状态，利用一个标准正态分布随机数与以自然对数为底指数函数的积，控制其取值符合正态分布，即获取更多的能量；当i≤n/2时，则在当前最优位置附近随机找到一处位置；更新警戒者位置：

39、

40、式中，β代表服从均值为0，方差为1的正态分布的步长控制系数，k代表[-1,1]区间的随机数，fi代表当前麻雀个体的适应度值，fg代表当前全局最佳适应度值，fw代表当前全局最差适应度值，c为常数；当预警麻雀处于当前最优位置，则会逃离至自身附近的位置，若麻雀当前所处位置不是最优位置，则逃离到当前最优位置附近。

41、作为本发明所述基于emd分解和ssa-svm模型的电价预测方法的一种优选方案，其中：所述预测结果包括对各子序列分别建模，重复得到各自的预测结果，将所有预测结果累加重构，得到最终的电价预测结果；在评估模型预测性能时，评价指标包括均方根误差、均方误差、偏差误差、决定系数、平均绝对百分比误差以及纳什系数。

42、第二方面，本发明实施例提供了一种基于emd分解和ssa-svm模型的电价预测系统，其包括：获取模块，用于获取原始电价数据，将原始电价数据划分为训练集和测试集，对电价数据通过经验模态分解算法emd进行分解；构建预测模块，构建ssa-svm模型，应用麻雀搜索算法ssa优化svm模型中的关键参数，将分解后的电价数据输入模型进行预测，得到每个特征信号下的预测值；输出模块，用于将模型输出的预测值累加重构获得最终预测结果，进行基于emd分解和ssa-svm模型的电价预测。

43、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述方法的任一步骤。

44、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述方法的任一步骤。

45、本发明有益效果为通过使用经验模态分解emd对原始电价数据进行分解，能够有效处理非线性和非平稳性，从而提高电价预测的准确性。每个分解的子序列都可以根据其特定的频率成分进行建模，使模型更好地适应电价数据的真实特征。可以将高频噪音成分从电价数据中分离出来，从而减少噪音对预测的干扰。这有助于提高模型的鲁棒性，使其更能够应对电价数据中的异常值和波动。emd分解允许分别处理不同频率成分，有助于提取电价数据中的重要信息。不同成分的分析可以揭示电价数据中的趋势、季节性和周期性，使模型更好地理解电价波动的原因。麻雀搜索算法ssa用于优化支持向量机svm模型中的关键参数，通过参数优化，可以提高模型的性能，确保其更好地拟合电价数据的特性。ssa-svm模型具有较高的灵活性，可以适应不同类型的电价数据。无论是市场价格、消费者用电价格还是其他电价数据类型，都可以通过参数调整来适应不同的情境。通过分解和累加预测结果，可以更好地理解不同频率成分在电价数据中的贡献。有助于时间序列分析，能够更好地预测未来电价趋势和波动。高精度的电价预测为能源市场参与者提供有力的支持，优化电力采购策略、合理规划用电需求和降低成本。通过提高电价预测的准确性，电力市场参与者可以更有效地管理成本，减少不必要的开支，提高能源资源的利用效率，实现更好的经济效益。