[发明专利]基于EEMD-CNN+SAE-RFR混合算法的日前电价预测方法

说明书

本发明公开了一种基于EEMD‑CNN+SAE‑RFR混合算法的日前电价预测方法，其包括步骤：A、将历史电价及其影响因素原始数据联合构成当前预测日d的原始特征时序矩阵；B、对所述原始特征时序矩阵进行数据预处理；C、利用集合经验模态分解将经过预处理的原始特征序列矩阵分解成多个多频率的模态分量，并根据频率的高低联合子序合并为多个多频率二维特征矩阵；D、通过基于卷积神经网络‑堆叠自编码器的深度学习网络模型对各频次的二维特征矩阵进行预测，并根据频率的高低输出多个多频率的预测时间序列子项；E、利用随机森林回归算法将所有预测时间序列子项进行重构拟合，得到电价最终预测值。本发明具有准确度高、模型学习收敛速度快、结果稳定性好的优点。

技术领域

本发明涉及电价预测技术领域，特别涉及一种基于EEMD-CNN+SAE-RFR混合算法的日前电价预测方法。

背景技术

近年，自放松管制政策的推出，发电、输电和配电公司等电力市场参与者之间的利润最大化引入并增加了行业竞争，也促进发电效率和消费者收益的提高。其中，日前电价预测已成为市场竞争的重要研究任务。因为日前电价预测可应用于估计、衍生电力产品定价和风险管理，基于精确的日前电价预测，不仅能让电力供应商制定招标政策以增加结算额并获得最大收益，而且还可促进消费者降低电费支出，因此最终实现灵活准确的电价预测算法极具研究意义。

在现代电力市场中，由于季节性变化、市场出价策略以及多综合的外部影响因素，使得电价常表现出高度的随机非线性、尖峰、周期性以及横截面和序列相关性，这也就使得高准确度的电价预测颇具挑战性。现研究较为广泛的电价预测模型主要分为线性的统计学模型和非线性的机器学习模型两类，但统计模型在处理非线性特征明显的电价波动序列的预测问题上能力有限，而单一的机器学习算法或存在着自身算法的局限性，例如：预测精度低、学习训练收敛慢、预测结果不稳定等。

发明内容

本发明要解决的技术问题是提供一种准确度高、模型学习收敛速度快、结果稳定性好的基于EEMD-CNN+SAE-RFR混合算法的日前电价预测方法。

为了解决上述问题，本发明提供了一种基于EEMD-CNN+SAE-RFR混合算法的日前电价预测方法，其包括：

A、将历史电价及其影响因素原始数据联合构成当前预测日d的原始特征时序矩阵；

B、对所述原始特征时序矩阵进行数据预处理；

C、利用集合经验模态分解将经过预处理的原始特征序列矩阵分解成多个多频率的模态分量，并根据频率的高低联合子序合并为多个多频率二维特征矩阵；

D、通过基于卷积神经网络-堆叠自编码器的深度学习网络模型对各频次的二维特征矩阵进行预测，并根据频率的高低输出多个多频率的预测时间序列子项；

E、利用随机森林回归算法将所有预测时间序列子项进行重构拟合，得到电价最终预测值。

作为本发明的进一步改进，所述数据预处理包括：缺失异常值检测和弥补、数据维度归一化、电价影响因素相关性分析和筛选、训练集和测试集的划分。

作为本发明的进一步改进，采用孤立森林算法进行缺失异常值检测和弥补，计算公式如下：

其中，E(h(x))是一组隔离树样本x的平均长度；c(n)表示从二进制搜索树获得的n个样本的平均路径长度；可根据异常比例系数ζ手动排除较低的异常值；其中，异常比例系数ζ在0.005-0.1的范围区间内。

作为本发明的进一步改进，采用极小极大算法进行数据维度归一化，归一化后值域为[0,1]，计算公式如下：