[发明专利]一种基于经验模态分解与最小门控记忆网络分位数回归的电价预测方法

说明书

本发明为了解决目前现有的电力市场电价预测方法用时过长，无法训练更多样本以提高预测精度，且主要局限在点预测，电价区间预测和概率密度估计的研究较少，无法为市场参与者制定最优市场策略提供更多有效信息的问题，建立了一种基于经验模态分解与最小门控记忆网络分位数回归的电价预测方法，采用经验模态分解将电价序列分解为若干个模态分量，将QR和MGM结合组成混合模型QR‑MGM对各个模态分量在不同分位数下进行预测，并对重构后的预测结果采用KDE得到电价的概率密度函数，不仅可以量化预测的不确定性，还能获得电价概率密度函数。

技术领域

本发明涉及电价预测方法领域，具体为一种基于经验模态分解与最小门控记忆网络分位数回归的电价预测方法。

背景技术

在开放的电力市场中，价格机制对市场参与者之间的公平交易和供需互动具有重要的影响。电价的波动性和不确定性为电力市场注入了活力，同时也增加了电价预测难度。精准的短期电价预测能够为电力市场各参与者制定最优市场策略时提供有效的决策指导，提高电力市场中供给与需求之间的匹配度，降低电力需求客户的用电成本，提升供电企业的经济效益，从而保障电力市场稳定运行。

现有的电价预测方法主要分为时间序列模型和机器学习模型两类。整合移动平均自回归(ARIMA)模型和广义自回归条件异方差 (GARCH)模型是时间序列模型中具有代表性的两个方法，然而这类模型都是线性模型，不适用于波动异常剧烈、电价序列间相关性较弱的电力市场。机器学习模型是将非线性的时间序列数据进行特征提取后再通过机器学习方法进行预测，模型比较复杂但准确度较高。特征提取方法中的经验模态分解(EMD)方法具有优良的时频聚集性，适用于预测电价这种突变信号。有学者已将EMD与机器学习方法中的人工神经网络(ANN)、支持向量回归模型(SVR)等组合形成不同的混合模型对电价进行预测，较单一算法模型明显提高了预测精度。随着深度学习的飞速发展，适用于处理时间序列数据的循环神经网络 (RNN)被广泛应用于电价预测，但由于RNN的长期依赖问题，可预测的步长较短。长期短期记忆网络(LSTM)在RNN结构的基础上引入自循环思想，有效解决了梯度消失问题，近年来已开始被应用于电价预测。有学者提出了最小门控记忆网络(MGM)，将LSTM中的输入门和遗忘门进行耦合，简化了LSTM的结构，大幅缩短了风速预测训练时长而没有显著降低预测精度。目前尚未有研究将MGM 应用于电价预测。

上述电价预测方法均为点预测方法，缺乏量化预测不确定性的能力。分位数回归(QR)用于研究自变量与因变量的条件分位数之间的关系，不仅可以得到预测区间，还可以通过概率密度估计方法进一步估计概率密度分布，但该方法只适用于线性回归问题。有学者提出了将QR和点预测方法相结合的框架，解决了其非线性回归问题。将QR和点预测方法结合组成的混合模型不仅可以量化预测的不确定性，还能获得电价概率密度函数，为市场参与者制定最优市场策略提供更多有效信息。目前国内外有关电价预测的研究主要还是局限在点预测，电价区间预测和概率密度估计的研究较少。

因此，为了提供更多有效信息给市场参与者制定最优市场策略时参考，有必要研究一种既能提高预测精度又能获得可靠电价概率密度函数的电价预测方法。

发明内容

本发明为了解决目前现有的电力市场电价预测方法用时过长，无法训练更多样本以提高预测精度，且主要局限在点预测，电价区间预测和概率密度估计的研究较少，无法为市场参与者制定最优市场策略提供更多有效信息的问题，建立了一种基于经验模态分解与最小门控记忆网络分位数回归的电价预测方法。

本发明是采用如下技术方案实现的：

一种基于经验模态分解与最小门控记忆网络分位数回归的电价预测方法，包括如下步骤：

(1)、电价序列经验模态分解

采用经验模态分解(EMD)方法将复杂的电价时间序列按波动尺度分解为若干个本征模函数(IMF)和一个残差序列之和。

具体的分解过程如下：