[发明专利]基于改进Adam算法优化深度神经网络的电价预测方法

说明书

基于改进Adam算法优化深度神经网络的实时电价预测方法，包括以下步骤：（1）获取电力系统中电价及其影响因子的相关数据作为样本数据；（2）对电力系统中电价及其影响因素的相关数据进行归一化预处理；（3）确定神经网络的输入模式、输出模式、隐藏层层数、隐藏层神经元数、隐藏层传递函数、输出层传递函数与损失函数；对传统的Adam算法进行改进，并用改进后的Adam算法优化深度神经网络模型；（4）以与实际电价相关性大的影响因子作为输入量，预测电价作为输出量，基于改进Adam算法训练深度神经网络模型，优化深度神经网络模型参数；（5）用所述最终优化后的深度神经网络模型处理电力系统中不同节点的电价影响因子数据，预测不同节点实时电价。本发明可提高利用数据的充分性、加快训练的收敛速度并提高电价预测的准确率。

技术领域

本发明涉及电力市场技术领域，尤其是涉及一种基于改进Adam算法优化深度神经网络的实时电价预测方法。

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时效性大幅下降。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，为了提高预测模型的时效性和效稳性，采用改进Adam算法优化参数将改进的Adam算法用于深度神经网络优化，构建基于改进Adam算法优化深度神经网络(DNN)的实时电价预测系统及方法。

本发明的目的在于克服现有技术中的不足，提供了一种基于改进Adam优化的深度神经网络的实时电价预测方法，准确预测电力市场实时电价。

为解决上述技术问题，本发明提供了一种基于改进Adam优化的深度神经网络的实时电价预测方法，其特征是，包括以下过程：

S1，确定电价影响因子，获取各影响因子的历史数据，组成各监测量序列；

S2，基于各指标序列分析实际电价和其他影响因子的相关性，选取相关性大的影响因子序列作为训练数据集，对所用训练样本数据进行z-score归一化处理；

S3，选取适当的隐藏层传递函数、输出层传递函数与损失函数，构建基于改进Adam算法的深度神经网络预测模型；

S4，以与实际电价相关性大的影响因子作为输入量，预测电价作为输出量，基于改进Adam算法训练深度神经网络模型，优化深度神经网络模型参数；