[发明专利]基于多密度聚类与多核SVM的实时电价预测系统及其方法

说明书

本发明提供一种基于多密度聚类与多核SVM的实时电价预测系统，其特点是，包括数据库管理模块分别与数据采集模块、发电能耗统计模块、实时电价预测模块、数据可视化模块信号连接。主要应用于分析实时电价、用电负荷、主要能源发电量及发电成本的时间‑空间分布特征并总结规律，预测所选区域的实时电价，全面考虑了实时电价呈现出的非线性、稀疏性以及波动性特点，兼顾了影响实时电价的用电负荷、主要能源发电量及其发电成本等多种因素，提高了系统的预测准确性与自适应性，避免了预测模型的过度拟合，提高了分布式处理能力，降低了计算复杂度与时间复杂度。并提供科学合理，适用性强的基于多密度聚类与多核SVM的实时电价预测方法。

技术领域

本发明属于电力电价预测技术领域，是一种基于多密度聚类与多核SVM的实时电价预测系统及其方法。

背景技术

实时电价是指，在考虑电力系统运行与基本投资的情况下，在限定的极短时段内，向用户提供电能的边际成本，它直接反应了市场价格与日前或实时市场购电成本的关系，是最理想的电价机制之一。实时电价的准确预测，一方面可以为购电用户提供可靠的价值依据，从而制定科学的用电策略；另一方面，可以为电力市场监管部门提供重要的参考，进而制定合理的市场规则，促使电力市场健康、稳定、有序的发展。但是，由于实时电价易受多种因素的影响，使得实时电价呈现出很强的波动性与稀疏性，导致难以对其有效预测。因此，实时电价的预测问题已成为当前电力系统市场化运营领域的重要课题之一。

目前，实时电价预测方法主要两类，一类是基于时间序列的预测方法，包括自回归条件异方差模型与自回归移动平均模型等，主要用于表示实时电价与时间的线性关系，确定样本数据与待预测电价之间存在的相似性关联。另一类是基于机器学习的智能预测方法，包括支持向量机(SVM)和人工神经网络等预测方法，其中，支持向量机具有较好的非线性映射能力，提高了系统的泛化性能；而人工神经网络具有良好的并行分布处理能力，而且，对电价噪声具有较高的容错性能。

上述基于实时电价的预测方法的局限性在于：随着新能源、新设备并入各级电网，电价时间序列呈现出更为复杂的非线性特征，从而导致时间序列预测方法难以选取合适的输入变量个数；而采用人工神经网络的实时电价预测方法，易使预测模型产生过度拟合的现象，影响模型的预测性能；基于支持向量机的预测方法尽管克服了人工神经网络预测方法中所存在的泛化能力较差、收敛慢等缺点，但大规模的训练样本数据将导致其计算复杂度大幅上升。因此，采用现有的实时电价预测方法难以达到理想的效果。

发明内容

本发明的目的在于克服现有实时电价预测方法中所存在的不足，针对实时电价的波动性、稀疏性以及非线性特征，提出一种结构合理，预测准确，效果佳的基于多密度聚类与多核SVM的实时电价预测系统，并提供科学合理，适用性强的基于多密度聚类与多核SVM的实时电价预测方法。

实现本发明的目的之一采用的技术方案是：一种基于多密度聚类与多核SVM的实时电价预测系统，其特征是，它包括：用于采集电力市场实时电价及相应用电负荷数据；煤炭、石油、太阳能、氢气、核能、风能的发电量及相应的能源价格数据的数据采集模块；用于对数据进行分类管理，进而构建系统数据库的数据库管理模块；用于实时统计并计算煤炭、石油、太阳能、氢气、核能、风能的发电量、发电成本以及发电能耗比例的发电能耗统计模块；采用多密度聚类与时间序列模式识别方法预测分析实时电价及相应用电负荷，和采用最优多核SVM组合预测煤炭、石油、太阳能、氢气、核能、风能的发电消耗量，并利用熵权法计算各影响因素权重的，用于预测实时电价的实时电价预测模块；用于评估系统预测值的精确程度，计算预测误差并调整预测模型参数，从而证明实时电价预测的准确性与合理性的实时电价预测评估模块；用于展示实时电价预测值、实时电价预测评估量表、煤炭、石油、太阳能、氢气、核能、风能的发电量和发电成本及发电能耗占比的数据可视化模块；所述的数据库管理模块分别与数据采集模块、发电能耗统计模块、实时电价预测模块、数据可视化模块信号连接。