一种基于支持向量回归算法的预测电价的系统模型.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111967918A(43)申请公布日2020.11.20(21)申请号202010905808.X(22)申请日2020.09.01(71)申请人上海积成能源科技有限公司地址200439上海市宝山区高逸路80号南楼6楼(72)发明人胡炳谦顾一峰周浩韩俊(51)Int.Cl.G06Q30/02(2012.01)G06Q50/06(2012.01)权利要求书1页说明书2页附图2页(54)发明名称一种基于支持向量回归算法的预测电价的系统模型(57)摘要随着新一轮电力市场改革的持续推进,电价作为反映市场运营状况的重要指标,准确预测电价能够帮助电力市场博弈方进行风险规避,达到经济收益最大化。梯度提升决策树是机器学习中一个长盛不衰的模型，其主要思想是利用弱分类器（决策树）迭代训练以得到最优模型，该模型具有训练效果好、不易过拟合等优点。该方法不仅在工业界应用广泛，支持高效率的并行训练，并且具有更快的训练速度、更低的内存消耗、更好的准确率、支持分布式可以快速处理海量数据等优点。本发明采用了一种基于支持向量回归算法来预测节点电价，可以极大的提高预测准确度。CN111967918ACN111967918A权利要求书1/1页1.本发明一种基于支持向量回归算法的预测电价的系统模型的特征在于，包括：步骤1、通过测量或取得历史数据的方式，获得该区域的小时级历史气温,工作日,节假日,小时参数,月参数,年参数,历史用电负荷,包括同一时段上一周的负荷,同一时段昨天的负荷，前二十四小时的平均负荷，以及历史节点电价,包括同一时段上一周的电价，同一时段昨天的电价，前二十四小时的平均电价，前一天的峰值电价,上一周的峰值电价，下图为样本电力价格曲线图；步骤2、由于可能存在的人为误差,我们对于从训练集中删除了异常数据，比如：由于极端高温或极端低温导致的峰值电价,大面积输电堵塞导致的峰值电价等，由于该类数据的出现概率很小,我们采用异常分析的办法,剔除掉1%概率最小的数据，异常分析公式如下:a.首先计算出每一组数据的多元正态分布：其中,为数据,为平均值,为协方差，；；b.当,则删除掉该值；步骤3、输出图2为历史节点电价数据；步骤4、采用支持向量回归算法进行(supportmachineregression)预测，公式如下:。2.本发明的特征还包括,我们引入一个新的容忍度变量,,即公式转换为:其中为需要训练的模型,为历史节点电价,为天气和历史负荷数据，第一部分为预测与实际值的区别值,第二部分为复杂值。2CN111967918A说明书1/2页一种基于支持向量回归算法的预测电价的系统模型技术领域[0001]本发明涉及电价预测领域，具体涉及一种基于支持向量回归算法的预测电价的系统模型。背景技术[0002]随着电力市场改革正式开始，新电改放开了电力市场的售电侧,使我国的电力市场逐渐走向市场化，电能作为电力市场中的一种特殊产品,电价是反映电力市场运营情况、评价电力市场竞争效率的重要指标,是电力市场各博弈方进行科学决策的基础，对电价数据进行准确预测可以帮助售电企业决定市场的日前报价,最大限度地规避风险、提高收益,同时也能够为发电企业的发电扩容提供价格信号，因此,对波动频率较大的电价数据进行准确预测已经成为电力市场各交易方研究的核心问题，本发明提出了一种基于支持向量回归算法的预测电价的系统模型，可以实现对电力市场的电价进行提前预测。发明内容[0003]本发明提出了一种基于支持向量回归算法来预测节点电价的统计预测模型,其实质是在输入（历史负荷数据，天气预测信息等）和输出（节点电价）之间建立一种映射模型。然后应对这个模型进行预测。主要步凑包括:建立历史数据学习映射模型。选取合适的输入输出建立相关映射预测模型。进行检验。对第一步建立的映射进行检验。检验结果（误差大小）满意模型用来预测，不满意则进行再学习。进行预测。而整个系统过程包括了数据收集模块,剔除极端值模块,预测分析模块以及报告模块，如图1所示。附图说明[0004]图1为本发明实施例中节点电价预测模块流程图。[0005]图2为本发明实施例中历史节点电价的曲线图。[0006]图3为本发明实施例中预测的节点电价与历史电价对比的曲线图。具体实施方式[0007]为使得本发明的内容、目的、特征及优点能够更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护说明书的范围，整个系统运行的具体步骤如下。[0008]步骤1、通过测量或取得历史数据的方式，获得该区域的小时级历史