基于经验正交函数和递推最小二乘法短期电价预测.docVIP

基于经验正交函数和递推最小二乘法短期电价预测 　　摘要 提出了经验正交函数和递推最小二乘法的方法来进行电价预测。经验正交函数能够将非线性信号分解成若干主分量，对于特征值较小的模态可以作为噪声处理实现噪声的和周期分量的分离。运用最小二乘法将每个经验正交函数做类似的递推，得出未来电价的预测值。仿真结果验证了所提算法的有效性。 　　关键词 短期电价预测；经验正交函数；最小二乘法 　　中图分类号O17，O241 文献标识码A 文章编号 1674-6708（2013）84-0101-02 　　0 引言 　　受多种因素影响，电价变化具有一定的随机性和不确定性。而电价又对电力生产具有重要意义，因此电价预测一直以来受到人们的研究和关注[1]。 　　文献[2]比较了分时段电价序列的预测方法和顺序电价序列预测方法，得出分段预测要优于顺序预测的结论。文献[3]提出了区分周末的分时段短期电价预测模型，得出的结果要比不加区分时更优，说明了电价序列存在多重周期性。 　　经验正交函数作为一种数据处理方法已经成功应用于数字信号处理中。本文在上述基础上提出一种经验正交函数和递推最小二乘法的电价预测方法。 　　1 基本原理 　　对于测量得到的时间序列可以表示为： 　　（1） 　　构造时间序列的延迟-协变矩阵Tx，协变矩阵是具有如下形式的Toeplitz矩阵，形式如下： 　　Tx的特征值降序排列后对应的特征向量称为经验正交函数， 第k个主分量定义为时间序列xi在第k个经验正交函数上的正交投影系数： 　　（2） 　　选择合适的阶次进行重构，假设选择的阶次为p，则原始信号的重构形式为： 　　（3） 　　剩余的主分量和经验正交函数则重构出噪声： 　　（4） 　　预测值可表示为： 　　（5） 　　其中为当天的预测值，则为前m天的历史数据，。 　　上式的系数矩阵可以这样得到：将数据向前递推一天，得到对应的矩阵β和向量，形式如下： 　　（6） 　　得到矩阵β和向量之后作如下运算得到系数向量： 　　（7） 　　将得到的系数矩阵导入 （6），可得到当天的预测数据。 　　2 算法步骤 　　本文通过2个步骤预测短期电价： 　　1）根据电价序列对其做协方差处理，形成矩阵Tx，对其做特征值分解，根据奇异谱得出最优重构阶次p[4]，将电价序列表示为前p阶正交函数的线性组合，同时去除主分量之外的噪声分量。 　　2）把消噪处理后的电价序列采用递推最小二乘法进行预测。 　　经正交函数分解后的电价序列为： 　　（8） 　　根据式（7）和 （8）得到各分量对应的系数向量，各系数向量组成系数矩阵。 　　由式（6）可得预测值为 　　其中 　　3 算例分析 　　本文选用PJM 电力市场2004年8月的电价数据作为历史数据，9月的电价数据检验模型。嵌入维数根据相关函数法确定，确定值为7。最优重构阶数为5，其他两阶当成噪声分量处理。 　　图1 2004年8月前四周电价数据 　　图2 电价数据各分量 　　经验正交函数分解后得到七个分量，如图2所示。可以看出，各分量幅值从小到大变化，频率由高频成分较多变为低频成分居多，可认为编号较小的分量含较多噪声，是比较难预测的成分，而含有较多周期分量编号较大的则相对容易预测。由于c1和c2分量幅值较小且频率较高，所以作为噪声分量，只保留原有的5阶分量，将其重构。 　　用递推最小二乘法进行预测，然后将各分量求和就能得到对应的预测值，结果如图3所示。可以看出，本文的预测方法具有较高精度。最大误差7.95%，最小误差1.5%，平均误差2.06%，与文献[3]的结果相比，具有一定改善，同时也说明了本文方法的有效性。 　　4 结论 　　1）本文将经验正交函数和递推最小二乘法有机结合对短期电价进行预测。利用经验正交函数在时域直接对电价序列进行消噪且能保持电价序列的特征不产生时滞的优点，使预测结果更加精确。该方法对随机性的电价序列具有一定的适应性，算例表明该方法的有效性和可行性； 　　2）选取历史数据的长度还没有精确的准则，只能依靠经验和大量的仿真； 　　3）形成Toeplitz矩阵时需确定嵌入维数，重构信号最优阶数的选择依然是关键问题，如何准确快速合理的选取最优阶数还有待深入研究。 　　图3 电价实际值和预测值 　　参考文献 　　[1]栗然，崔天宝，肖进永.基于云模型的短期电价预测[J].电网技术，2009，33（17）：185-190． 　　[2]张显，王锡凡，陈芳华，等.分时段短期电价预测[J].中国电机工程学报，2005，25（10）：1-6． 　　[3]张显，王建学，王锡凡，等.考虑多重周期性的短期电价预测[J].电力系统自动化，2007 31（3）：4-8． 　　[4]刘元峰，