基于多极限学习机融合的日前电价预测

1、摘 要：对日前市场电价的猜测有多重方法，在众多智能算法中，多极限学习机融合算法争辩的还不够深化。而在常规的猜测模式下，往往由于牢靠性和精度等级不够而影响猜测结果。极限学习机日前电价猜测模型的建立，从理论上仿真了实际电价，这种方法不仅仅考虑了日前电价的几个曲线特性，将各类信息整合在一起输入，简化了猜测手段，输出结果牢靠且高效。经过多次的实地测试，对比模型输出量与实际结果，发觉这种猜测方法格外牢靠。 关键词：电力；猜测；极限学习机 中图分类号： tp18 文献标识码： a 文章编号： 1673-1069（2016）22-109-3 1 概述 在日常生活中，电力能源与老百姓的生活息息相关，电力电价在

2、各方利益关系中扮演着极其重要的角色。近些年来，各类企业和科研机构，都有大量的专业人员在对电价的猜测做着各种科学争辩。精确的电价猜测关系到社会各阶层，包括一般的居民用电，大型重工业企业商业用电。可以说，当前社会，电力的应用无处不在，电价的精确猜测对全社会能源结构变化都会产生深远的影响。另外，由于电力能源逐步走向多元化，除了传统的火电、水电、风电、核电，新兴的生物发电、太阳能发电等技术快速进展，在很多国家应用广泛，并且不同的电能产生方式造就的成本差异格外大，上网电价差异必定不同，这就给电价的猜测带来了很多的困难。 传统的电价猜测有很多种，常见的如：模拟电力市场实时运行来计算市场出清价格。在做建模之

3、前，实施人员要去调研一些关键信息，诸如发电厂的分布、机组容量、发电负荷，输配电系统的运行状态，大型企业的进展规划方向等，同时要依据电网运行规律把握电网潮流走向、输配电趋势以及电网升级改造等因素。该类方法在短时间内，能够很好猜测电价走向，与电力市场实际需求吻合度也很高，但是仅仅适用于大中型企业，对于规模不大，又有这方面需求的用电单位和个人来讲，运用这种方式猜测电价有很多不便。还有一种常用的猜测方法，叫作统计学猜测方法，就是通过搜集已发生电价和电费统计单位发布的与电价相关的信息建立猜测模型。这种方法与模拟电力市场实时运行来计算市场价格相比，操作起来会简洁一些，不需要太多的信息量，就可以搭建模型。统

4、计学猜测方法中比较常见的方法有时间序列法、计量经济学方法和智能算法等。 本文争辩的是一种新的猜测方法，是基于多极限学习机的猜测方法。同时，考虑对猜测结果有较大影响的精度等级等问题，把多个极限学习机融合进来，从而形成多神经网络建模方法，这种方法的融入，可以提高日前电价猜测模型的猜测精度。 2 多源信息的融合 广义的多源信息融合技术有多种定义，本文简洁介绍一下狭义的多源信息融合技术。这种技术是利用计算机的自动猎取、分类、统计、分析所得数据，通过这种方式得到独立于个别信息源之外的其他信息，从而达到争辩需要取得的成果和目标的一项技术。多源信息融合有很多优势，诸如可以在肯定程度上加强系统的牢靠性，也可以

5、对系统影响量较大的鲁棒性有很大改观。另外，多源信息融合在数据测量的广度和立体空间上有很大的拓展。通过多源信息融合，还可以增加数据的可信任度和系统辨别力量。 信息融合技术最早应用于发达国家的国防科技领域，经过多年的进展，对应用这项技术的国家军事水平提升有很大的影响。后期的社会进展，对于高科技带来的衍生品需求量日益加大，因此这项技术在民用智能化信息综合处理技术争辩上得到广泛重视。尤其是多源信息融合技术，逐步在众多信息整合技术中脱颖而出，成为各相关领域角力的有力工具。另外，虽然很多公司、企业在广泛使用信息融合技术，但是由于这项技术的需求背景是信息处理技术进展需要，因此，到目前为止，信息融合技术尚无自

6、己的理论体系。现在人们争辩的信息融合技术多数还仅限于理论方法的建立。 人工神经网络在多个领域有应用，本文所说的人工神经网络具有并行结构和其特有的学习方式，信息的融合是在把人工神经网络作为信息融合中心而完成的。由大量互联的处理单元连接而成的人工神经网络，是基于已接受样本的全都性去进行分类标准划分的，在这方面的学习力量具有很强的自适应性。可以从网络权值分布上看到这个特点，学问的猎取是通过神经网络特定的学习算法来实现的。为了有效避开模式识别方法中建模和特征提取过程，必需对神经网络分布式信息存储和并行处理的方式进行充分地利用，这种做法对于模型不符和特征选择不当造成的负因子规避格外有效，可以大大提高识别

7、系统的性能。 信息融合的过程如下： 第一步是建立拓扑结构。可结合将要建立模型系统的主要特点建立。 其次步是处理已知信息，划归一个单个的输入函数（映射函数），神经网络与环境进行交互作用后，得到输入函数的变化规律，再把规律结果反馈给神经网络。 第三步是输入函数后经过模型的信息整合得到猜测结果的过程，是输入函数通过神经网络融合系统经过学习、确定权值的过程。 3 极限学习机算法 隐含层节点数量为l，那么，单隐含层前馈神经网络输出如下： 公式中的ai，bi为隐含层节点学习参数，i=i1，i2，imt为隐含层第i个节点到输出层的连接权值，g（ai，bi，x）为第i个隐含层节点与输入x的关系，激活函数g（x

8、）：rr（例如s型函数），则有 公式中的ai表示输入层到第i个隐含层节点的连接权值向量，bi表示第i个隐含层节点的阈值。ai?x为向量ai和x的内积。 3.2 极限学习机elm（extreme learning machine） 随机抽取n个样本， 表位输入， 表示目标输出。假如一个有l个隐含节点的slfn能以0误差来靠近这n个样本，则存在i，ai，bi，有 h表示为网络的隐含层输出矩阵，第i列是与输入x1，x2，xn相关的第i个隐含层节点的输出向量，第j行表示与输入xi相关的隐含层输出向量。 争辩发觉，隐含层节点数l往往比训练样本数n小，从而使训练误差无限靠近一个非零的训练误差。slfns的

9、隐含层节点参数ai，bi（输入权值和阈值）在训练过程中可以取随机值。这样式（4）输出权值： 这里h+为隐含层输出矩阵h的moore-penrose广义逆。 elm算法可以归纳为下面三个步骤：给出一个训练集 ，激活函数以及隐含层节点数，则 随机产生隐含层节点参数（ai，bi），i=1，l。 计算隐含层输出矩阵h。 计算输出权值：=h+t。 4 多极限学习机（elm）融合建模 5 仿真试验 下面用某电力公司辖下电网为争辩对象。训练数据选择25月电价数据，建立日前电价猜测模型；检验数据为6月份。模型中子模型的数目依据试验结果确定为n，即n为7个。 比较单一elm和单一bp神经网络两种猜测模型结果与多elm日前电价猜测模型猜测结果如下表1。提取确定百分比误差： 和均方根误差： yi为实际值，i为猜测值。经争辩发觉，上述三种争辩结果有差到好的排列次序为：基于bp神经网络的猜测模型基于elm神经网络的猜测模型多elm融合猜测模型，即