【技術實現步驟摘要】
本申請涉及電價預測，特別是涉及一種基于麻雀搜索深度超參數優化的電價預測方法、裝置、介質及產品。
技術介紹
1、在電力市場中，準確預測電力現貨出清價格對市場參與者做出正確決策至關重要。電力現貨市場出清價格直接反映了電力作為商品的時空價值，與電力中長期市場價格相比，電力現貨市場價格更具有實時性和準確性，對電力調度具有重要意義。由于電力現貨市場價格有助于理解傳輸線路阻塞，監管機構可以利用電價預測技術來深入了解短期價格動態，評估市場可行性，并建立適當的價格范圍。發電公司或者售電公司為了在電力市場做出有利于企業發展的決策，大多依賴于電價預測模型對短期電價進行預測。綜上，電價預測研究有助于在發電或用電方面做出正確的決策，并協助監管機構了解和管理市場動態。
2、目前，對電價預測的研究主要集中在兩種方法：一是通過建立市場模擬仿真模型間接預測電價，二是利用數據驅動的機器學習技術進行直接預測。基于仿真的電價預測方法是通過考慮電力系統結構和相關的約束條件來預測市場出清價格，該方法需要建立電力系統模型，模擬電力市場中各類發電主體和用電主體之間的交互。基于仿真的電價預測方法要求電力系統的數據具有極高的準確性，然而，真實市場的電力系統復雜，負荷、發電量、線路狀況、用電量等因素瞬息萬變，再加上電力無法存儲，且在暫態狀態下必須保持實時供需平衡，導致電價序列波動較大。通過市場模擬建模預測來準確反映每日現貨市場的電價動態是具有挑戰性的，阻礙了它們在生產決策中的實際應用。因此，最近的研究集中在開發短期電價預測模型上，特別是電價預測涉及“極端電價”和“不可
技術實現思路
1、本申請的目的是提供一種基于麻雀搜索深度超參數優化的電價預測方法、裝置、介質及產品，以解決有的電價預測方法的預測誤差較高的問題。
2、為實現上述目的，本申請提供了如下方案：
3、第一方面，本申請提供了一種基于麻雀搜索深度超參數優化的電價預測方法，包括：
4、獲取待預測電力市場的原始序列集；所述原始序列集包括：多組原始電價特征序列；
5、采用經驗模態分解，分別對各所述原始電價特征序列進行特征提取，得到所述待預測電力市場的子分解序列集合；所述分解序列集合包括：各原始電價特征序列對應的最終分解子序列；
6、采用核主成分分析，分別對各所述最終分解子序列進行高維映射和降維處理，得到所述待預測電力市場的降維序列集合；所述降維序列集合包括：各最終分解子序列對應的降維電價特征序列；
7、將所述待預測電力市場的降維序列集合輸入至電價預測模型中，得到所述待預測電力市場的預測電價；所述電價預測模型是利用訓練集對初始網絡進行訓練得到的，所述訓練集包括：多個訓練用維序列集合和對應的實際電價，所述初始網絡的基于麻雀搜索算法和長短期記憶網絡構建的。
8、可選地，采用經驗模態分解，分別對各所述原始電價特征序列進行特征提取，得到所述待預測電力市場的子分解序列集合，包括：
9、將任一所述原始電價特征序列確定為當前原始電價特征序列；
10、對當前原始電價特征序列分別添加多組高斯白噪聲序列，得到多組擾動信號序列；
11、分別對各所述擾動信號序列進行希爾伯特變換，得到多組解析后的信號序列；
12、分別對各所述解析后的信號序列進行經驗模態分解，得到多組初始分解子序列；
13、對所有所述初始分解子序列進行平均積分，得到當前原始電價特征序列對應的最終分解子序列。
14、可選地，對當前原始電價特征序列分別添加多組高斯白噪聲序列，得到多組擾動信號序列，包括：
15、利用白噪聲添加公式，對當前原始電價特征序列分別添加多組高斯白噪聲序列，得到多組擾動信號序列；所述白噪聲添加公式為：
16、zi_n(t)＝xi(t)+hn(t)；
17、其中，zi_n(t)為對第i組原始電價特征序列添加第n組高斯白噪聲序列后的擾動信號序列；t為時刻；xi(t)為第i組原始電價特征序列；hn(t)為第n組高斯白噪聲序列。
18、可選地，分別對各所述擾動信號序列進行希爾伯特變換，得到多組解析后的信號序列，包括：
19、利用希爾伯特變換公式，分別對各所述擾動信號序列進行希爾伯特變換，得到多組解析后的信號序列；所述希爾伯特變換公式為：
20、z_hi_n(t)＝zi_n(t)+jh[zi_n(t)]；
21、其中，z_hi_n(t)為對zi_n(t)進行希爾伯特變換得到的解析后的信號序列；j為虛單元；h[·]為希爾伯特變換。
22、可選地，分別對各所述解析后的信號序列進行經驗模態分解，得到多組初始分解子序列，包括：
23、利用經驗模態分解公式，分別對各所述解析后的信號序列進行經驗模態分解，得到多組初始分解子序列；所述經驗模態分解公式為：
24、
25、其中，p為總迭代次數；為對z_hi_n(t)進行經驗模態分解的第p次迭代下的初始分解子序列；ri_n(t)為對z_hi_n(t)進行經驗模態分解后的殘差。
26、可選地，對所有所述初始分解子序列進行平均積分，得到當前原始電價特征序列對應的最終分解子序列，包括：
27、利用平均積公式，對所有所述初始分解子序列進行平均積分，得到當前原始電價特征序列對應的最終分解子序列；所述平均積公式為：
28、
29、其中，為第i組原始電價特征序列對應的最終分解子序列；n為高斯白噪聲序列的總組數。
30、可選地，分別對各所述最終分解子序列進行高維映射和降維處理，得到所述待預測電力市場的降維序列集合，包括：
31、將任一最終分解子序列確定為當前最終分解子序列；
32、利用映射函數將所述當前最終分解子序列映射到高維空間，得到當前特征空間協方差矩陣；
33、確定當前特征空間協方差矩陣的特征值，并基于當前特征空間協方差矩陣的特征值確定當前最終分解子序列對應的降維電價特征序列。
34、第二方面，本申請提供了一種計算機裝置，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述計算機程序以實現上述任一項所述的基于麻雀搜索深度超參數優化的電價預測方法。
35、第三方面，本申請提供了一種計算機可讀存儲介質，其上存儲有計算機程序，該計算機程序被處理器執行時實現上述任一項所述的基于麻雀搜索深度超參數優化的電價預測方法。
36、第四方面，本申請提供了一種計算機程序產品，包括計算機程序，該計算機程序被處理器執行時實現上述任一項所述的基于麻雀搜索深度超參數優化的電價預測方法。
37、根據本申請提供的具體實施例，本申請公開了以下技術效果：
38、本申請公開了一種基于本文檔來自技高網...
【技術保護點】
1.一種基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，所述基于麻雀搜索深度超參數優化的電價預測方法包括：
2.根據權利要求1所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，采用經驗模態分解，分別對各所述原始電價特征序列進行特征提取，得到所述待預測電力市場的子分解序列集合，包括：
3.根據權利要求2所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，對當前原始電價特征序列分別添加多組高斯白噪聲序列，得到多組擾動信號序列，包括：
4.根據權利要求3所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，分別對各所述擾動信號序列進行希爾伯特變換，得到多組解析后的信號序列，包括：
5.根據權利要求4所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，分別對各所述解析后的信號序列進行經驗模態分解，得到多組初始分解子序列，包括：
6.根據權利要求5所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，對所有所述初始分解子序列進行平均積分，得到當前原始電價特征序列對應的最終分解子序列，包括
7.根據權利要求1所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，分別對各所述最終分解子序列進行高維映射和降維處理，得到所述待預測電力市場的降維序列集合，包括：
8.一種計算機裝置，包括：存儲器、處理器以及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執行所述計算機程序以實現權利要求1-7中任一項所述基于麻雀搜索深度超參數優化的電價預測方法。
9.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述基于麻雀搜索深度超參數優化的電價預測方法。
10.一種計算機程序產品，包括計算機程序，其特征在于，該計算機程序被處理器執行時實現權利要求1-7中任一項所述基于麻雀搜索深度超參數優化的電價預測方法。
...【技術特征摘要】
1.一種基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，所述基于麻雀搜索深度超參數優化的電價預測方法包括：
2.根據權利要求1所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，采用經驗模態分解，分別對各所述原始電價特征序列進行特征提取，得到所述待預測電力市場的子分解序列集合，包括：
3.根據權利要求2所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，對當前原始電價特征序列分別添加多組高斯白噪聲序列，得到多組擾動信號序列，包括：
4.根據權利要求3所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，分別對各所述擾動信號序列進行希爾伯特變換，得到多組解析后的信號序列，包括：
5.根據權利要求4所述的基于麻雀搜索深度超參數優化的電價預測方法，其特征在于，分別對各所述解析后的信號序列進行經驗模態分解，得到多組初始分解子序列，包括：
6.根據權利要求5所述的基于麻雀搜索深度超...
【專利技術屬性】
技術研發人員：趙彤，李雪松，周浩，丁羽，楊斌，張忠德，王鵬，
申請(專利權)人：國網江蘇省電力有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。