[发明专利]一种基于监督式学习的自适应竞价预测方法

权利要求书

1.一种基于监督式学习的自适应竞价预测方法，其特征在于，包括如下步骤：

步骤SS1：获取电力市场历史公开交易数据，建立自回归与监督式学习结合的时间序列预测模型；

步骤SS2：在时间序列预测模型的基础上，将现有观测量进行非线性处理，形成符合现实市场典型行为特征的新预测参数，模拟用户行为变化惯性；

步骤SS3：在监督式学习的基础上，增加递进的带加权的历史样本考量，模拟用户对市场适应的过程；

步骤SS4：运用多重线性理论来减少特征值数量，引入正则化参数来削减训练的参数绝对值，缓解过拟合；

步骤SS5：依次进行需求侧曲线预测和供给侧曲线预测，计算出出清结果；

步骤SS6：进行结果合理性判别，判别是否竞价情况优于前一时间节点，若是则判定为充足，输出市场预测结果和供给需求两侧报价预测，否则判定为不足，再进行收敛性判别；

步骤SS7：若判定收敛，则进行辅助反馈变量更新，监督预测模型价格往指定方向移动，并转入步骤SS2，否则提示预测失败。

2.根据权利要求1所述的一种基于监督式学习的自适应竞价预测方法，其特征在于，所述步骤SS1具体包括：获取电力市场历史公开交易数据，包括过去k个时刻所有的观测量，建立时间序列预测模型，记作：g_t:X_t→Y_t，公式为(1)：

其中，假设每个时刻t有m个参数，当前时刻N过去k个时刻的所有观测量的参数的个数S＝k×m，需要求解的系数θ_S为第S个系数，θ^T为参数θ的转置，S个参数展开的矩阵表示为x_m,t为t时刻第m个参数的数值；为了便于计算，将X_t转换为这样规模为k×m的上述矩阵转化为有k×m个元素的一维列向量，即：

x_t为第t时刻全部参数的矩阵表示，为的转置，y_t为第t个时刻的实际结果，组成的矩阵记为

3.根据权利要求1所述的一种基于监督式学习的自适应竞价预测方法，其特征在于，所述步骤SS2具体包括：通过遗忘机制的引入，将现有观测量进行非线性处理，模拟用户行为变化惯性，公式为(2)：

其中f(t)＝e^t-N是关于时间t的指数遗忘函数。

4.根据权利要求1所述的一种基于监督式学习的自适应竞价预测方法，其特征在于，所述步骤SS3具体包括：模拟延后反应，体现用户对市场适应的过程，公式为(3)：

f(x_(new,t))＝x_(1,t)·x_(1,t-1)·(x_(2,t)-x_(2,t-1)) 公式(3)；

其中，f(x_(new,t))为当前时刻根据前两个时刻通过非线性组合计算出的新参数，x_(1,t)，x_(1,t-1)，x_(2,t)，x_(2,t-1)分别表示前一个时刻跟前两个时刻第t和t-1个参数值。

5.根据权利要求1所述的一种基于监督式学习的自适应竞价预测方法，其特征在于，所述步骤SS4具体包括：剔除所有具有多重共线性特征并引入正则化参数避免过拟合，公式为(4)：

其中，取λ＝0.5，e为自然常数。假设每个时刻t有m个参数，当前时刻N过去k个时刻的所有观测量的参数的个数S＝k×m，为第i个需求解系数的平方，S个参数展开的矩阵表示为x_m,t为t时刻第m个参数的数值；为了便于计算，将X_t转换为这样规模为k×m的上述矩阵转化为有k×m个元素的一维列向量，即：

x_t为第t时刻全部参数的矩阵表示，y_t为第t个时刻的实际结果。

6.根据权利要求5所述的一种基于监督式学习的自适应竞价预测方法，其特征在于，λ＝0.5，预测出发电侧最高报价和售电侧最低报价，最终可得到未加反馈机制作用的结果。