基于CEEMD￣SSA￣ELM的短期电价集成预测模型.PDFVIP

第３７卷第５期贵州大学学报(自然科学版)Ｖｏｌ.３７Ｎｏ.５

２０２０年９月ＪｏｕｒｎａｌｏｆＧｕｉｚｈｏｕＵｎｉｖｅｒｓｉｔｙ(ＮａｔｕｒａｌＳｃｉｅｎｃｅｓ)Ｓｅｐ.２０２０

文章编号１０００￣５２６９(２０２０)０５￣００８２￣０７ＤＯＩ:１０.１５９５８/ｊ.ｃｎｋｉ.ｇｄｘｂｚｒｂ.２０２０.０５.１３

基于ＣＥＥＭＤ￣ＳＳＡ￣ＥＬＭ的短期电价集成预测模型

张宁∗

(闽江学院物理与电子信息工程学院ꎬ福建福州３５０１０８)

摘要:准确预测电价有助于电力市场参与者进行风险规避并达到经济收益最大化ꎮ针对短期

电价序列具有非平稳性与非线性的特点ꎬ提出了一种新型混合预测模型ＣＥＥＭＤ￣ＳＳＡ￣ＥＬＭꎮ采

用互补集成经验模态分解(ｃｏｍｐｌｅｍｅｎｔａｒｙｅｎｓｅｍｂｌｅｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎꎬＣＥＥＭＤ)方法对

电价序列进行有效分解ꎻ针对分解后的最高频分量具有较大随机性的特征ꎬ采用奇异谱分析(ｓｉｎ￣

ｇｕｌａｒｓｐｅｃｔｒｕｍａｎａｌｙｓｉｓꎬＳＳＡ)对其进行降噪并提取趋势项ꎻ最后ꎬ对最高频分量的趋势项及其余分

量分别使用极限学习机(ｅｘｔｒｅｍｅｌｅａｒｎｉｎｇｍａｃｈｉｎｅꎬＥＬＭ)模型进行独立预测ꎬ并将其预测结果进

行重构集成以得到最终预测结果ꎮ对２种实际电价数据的预测分析结果表明:ＣＥＥＭＤ￣ＳＳＡ￣ＥＬＭ

模型和ＣＥＥＭＤ￣ＥＬＭ、ＥＬＭ模型相比ꎬ具有更高的预测精度ꎮ

关键词:互补集成经验模态分解ꎻ奇异谱分析ꎻ极限学习机ꎻ短期电价预测

中图分类号:ＴＰ３９１文献标识码:Ａ

[３￣５]

电价能够有效体现电能的供需变化ꎬ并可具体测领域中已取得了较为成功的应用ꎮ

反映电力市场运营情况ꎮ对电价数据进行精准的为了进一步提高电价时间序列预测的精度ꎬ目

预测将有助于售电企业决定市场报价ꎬ并能及时地前一种基于“分解￣预测￣集成”思想的混合预测方

规避市场风险ꎮ然而ꎬ由于短期电价受到天气、日[６￣８]

法被广泛的关注和研究ꎮ其预测思路为:首先

常活动、商务交易、供给侧报价等多种因素的综合采用小波变换(ｗａｖｅｌｅｔｔｒａｎｓｆｏｒｍꎬＷＴ)、经验模态分

影响ꎬ导致其具有典型的非平稳性与非线性的特解(ｅｍｐｉｒｉｃａｌｍｏｄｅｄｅｃｏｍｐｏｓｉｔｉｏｎꎬＥＭＤ)等信号分解

点ꎮ由于很难准确拟定顾及诸多影响因素的数学方法将电价序列分解为多个分量ꎬ进而对每个分量

模型ꎬ采用经典的因果关系回归模型进行短期电价采用ＡＮＮ、ＳＶＭ等非线性方法进行独立预测ꎬ最后

预测往往精度较低ꎮ近年来ꎬ另一种将历史电价作将所有分量预测进行重构集成ꎮ该类方法已经证

为时间序列进行建模预测的方式得到了广泛的研[８]

实可以有效提高预测精度ꎻ但是ꎬ小波变换需要

究ꎮ常用的时间序列预测方法有自回归滑动平均对小波基函数、分解层数进行预先设置ꎬ所以小波

模型(ａｕｔｏｒｅｇｒｅｓｓｉｖｅｍｏｖｉｎｇ￣ａｖｅｒａｇｅｍｏｄｅｌꎬＡＲＭＡ模变换并不是一种自适应的分解方法ꎬ而ＥＭＤ方法

[１]

型)ꎬ广义自回归条件异方差模型(ｇｅｎｅｒａｌｉｚｅｄ也