[发明专利]一种电价超短期预测方法

权利要求书

1.一种电价超短期预测方法，其特征在于：包括如下步骤：

S1：获取电价历史数据并对电价历史数据做预处理获得电价序列；

S2：利用奇异谱分析直接提取电价序列的趋势成分、振荡成分、噪声成分；

S3：过滤掉噪声成分，并采用奇异谱序列对降噪后的趋势成分和振荡成分序列进行重构获得训练样本；

S4：动态选择训练样本，建立布谷鸟算法优化极限学习机的预测模型；

S5：对趋势成分和振荡成分序列采用布谷鸟算法优化极限学习机模型进行提前0.5h预测获得子序列；

S6：叠加各子序列的预测值，得到实际预测结果。

2.根据权利要求1所述的一种电价超短期预测方法，其特征在于：在步骤一中，所述电价历史数据包括连续2周的电价数据，时间分辨率为0.5h，即一天包含48个数据点。

3.根据权利要求1所述的一种电价超短期预测方法，其特征在于：在步骤三中，所述训练样本为前600个历史电价数据。

4.根据权利要求1所述的一种电价超短期预测方法，其特征在于：步骤S3具体包括如下步骤：

S31：SSA主要用于将一维时间序列Y＝(y₁,y₂,…,y_N)根据给定的嵌套空间维数分解为窗口长度L维向量：X_i＝(y_i，y_i+1，…,y_i+L-1)；其中L维向量包括趋势、周期和噪声；SSA由2个互补阶段组成，分别是分组和重构；由K个向量X_i(i＝1，2，…，K＝N-L+1)组成的轨迹矩阵可以表示如下:

S32：然后对X进行奇异值分解：

X＝U·S·V^T

其中S是矩阵X的奇异值，等价于矩阵XX^T特征值的平方根；U为X的左奇异值向量，等价于矩阵XX^T特征向量；V为X的右奇异值向量，等价于矩阵XX^T特征向量；

S33：将时间序列T的元素由奇异谱分析展开：

其中：i＝1,...,K；j＝1,...,M；E_kj＝U为XX^T的特征向量，E称为时间经验正交函数；a_ij通过下式求得到的时间主成分：

S34：x_i为第K个主成分记做通过第k个时间经验正交函数和时间主成分重构得到，如下式所示：

S34根据下式选择对应较大奇异值的r个成分相加，所得到的近似代表x_i，因此重构过程中过滤掉了那些对应奇异值较小的噪声部分：

5.根据权利要求1所述的一种电价超短期预测方法，其特征在于：步骤S4中建立布谷鸟算法优化极限学习机的预测模型，具体包括以下步骤：

S41：根据给定的训练样本，确定极限学习机的网络拓扑结构和各层的节点数，并确定布谷鸟算法所设的发现概率P_a，种群规模M，最大迭代次数T_maxgen，粒子维数即为所要优化的输入权值和隐含层偏置个数；

S42：对所要优化的输入权值和隐含层偏置进行粒子编码，在所规定的范围内，随机产生M个鸟巢每个鸟巢是一组ELM的参数，其中第i各粒子为：

X_i＝[w₁₁,w₁₂,...,w_1l,w₂₁,w₂₂,...,w_2l,...,w_n1,w_n2,...,w_nl,b₁,b₂,...,b_l]；i＝1,2,...,M.

式中，n和l分别为极限学习机的输入层和隐含层个数，w_nl为输入层第n个节点到隐含层第l各节点的输入权值，b_l为隐含层第l的节点的偏置；

S43：利用下式对群体中每个粒子进行适应度评价：

其中，p_t表示极限学习机的实际输出，表示极限学习机的目标输出，N表示训练样本数；

S44：按照莱维飞行原理即下式进行种群的更新同时计算更新后种群的适应值，并与上一代粒子适应值进行比较，若更优，则保留，否则保留上一代的解；布谷鸟寻找鸟巢根据莱维飞行原理，令是第i个布谷鸟目前的解，然后新解如下式产生：

Lévy～u＝t^-λ

式中a＞0，a表示莱维飞行的步长，函数L(λ)表示无限均值和方差的莱维飞行，Lévy飞行一般是随机产生一个步长，且步长是服从L(λ)～u^-λ(1＜λ≤3)搜索路径；

S45：然后产生一个随机数r∈[0,1]，若r＞P_a，则按照莱维飞行原理，即S44中的公式进行更新，计算新种群的适应度值，并与上一代种群的适应值进行比较，适应值更优的保留下来，并记录最优粒子X_best；

S46：判断当前迭代次数k>T_maxgen，则结束寻优，则迭代终止；将X_best转为极限学习机的输入权值和偏置进行预测；若k<T_maxgen，则k＝k+1，转S45进行下一轮迭代。