[发明专利]一种基于相似日法和Adaboost模型的短期电价预测方法

说明书

本发明公开了基于相似日法和Adaboost模型的短期电价预测方法，首先使用回归模型选择对预测日电价有显著影响的变量。然后应用模糊C‑均值聚类算法进行相似日聚类，以与预测日相似的数据构建样本集。最后使用Adaboost模型给每个子样本集中样本分配初始权重，并在模型训练的过程中不断调整样本权重，用于准确预测短期电价。

技术领域

本发明涉及电价预测技术领域，具体涉及基于相似日法和Adaboost模型的短期电价预测方法。

背景技术

随着电力市场改革的进一步深入，电力市场的竞争变得日益充分。电价作为电力市场的核心要素，逐渐由政府制定转向市场竞争。电价的有效预测不仅能够反映出市场的期望，预期市场的运行状态，而且能够促进电力市场的参与主体合理配置资源、安排有效的发电计划、制定合理的报价策略，对提高电力市场的效率具有十分重要的意义。由于电价是不稳定且剧烈波动的，电价的有效预测在目前依然属于一个难点。当前的电价预测研究方法可大致分为两类，即传统方法和智能方法。智能方法是当前研究的主流方法，代表性的有神经网络方法、数据分析挖掘预测方法等。

发明内容

本发明所要解决的技术问题在于，提供一种基于相似日法和Adaboost模型的短期电价预测方法，能够提到短期电价预测的精确度，解决现有的预测难度大、精确度低等问题。

本发明的目的可以通过以下技术方案实现：

一种基于相似日法和Adaboost模型的短期电价预测方法，所述电价预测方法包括以下步骤：

步骤1：收集历史负荷数据、电价数据、天气数据、季节数据、节假日数据、时点数据等相关数据；

步骤2：将历史负荷数据、天气数据、季节数据、节假日数据、时点数据等相关数据作为解释变量，将电价数据作为被解释变量，构建回归模型，从模型结果得到对预测日电价具有显著影响的变量，即为所需的历史数据；

步骤3：利用模糊C-均值聚类算法对历史数据进行日属性聚类；

步骤4：以与预测日同类日期的数据构建样本集，并将样本集分为训练集和测试集；

步骤5：将训练集输入到Adaboost模型中进行学习，选择并优化模型参数，进而建立短期电价预测模型；

步骤6：将测试集输入到训练完成的Adaboost模型中，得到短期电价预测值。

可选地，所述步骤1中天气数据包括温度数据、降水量数据、气压数据，季节数据为是否为夏季或者冬季，节假日数据包括是否为法定节假日或周末。

可选地，所述步骤2中回归模型具体构建过程为：选取t-1时刻负荷Loa_t-1、电价Pri_t-1，t时刻的负荷Loa_t、温度Tem_t、气压Pre_t、季节Sea_t、节假日Hol_t、电价Pri_t，t+1时刻温,度Tem_t+1、节假日Hol_t+1作为解释变量，建立t+1时刻电价 Pri_t+1的线性回归模型，得到对t+1时刻电价具有显著影响的解释变量。

可选地，所述步骤2中回归模型为：