一种基于双层VMD分解和SSA-BiGRU的电价预测方法及装置与流程

本发明涉及电价预测，具体涉及一种基于双层vmd分解和ssa-bigru的电价预测方法及装置。

背景技术：

1、在电力市场中，电能可以像其他普通商品一样在市场环境下自由交易，因此能反映电力供求关系的电价成为电力市场中最重要的要素之一。近年来，许多研究人员已经证明，要实现电价精准预测的难度很大，因为电价在很大程度上取决于多种因素。电能作为一种特殊的商品，其价格因受到市场供需、电力成本、负荷以及季节等多种因素的影响而具有非线性和非平稳性的特点。加上电能不能大规模储存以及必须满足时刻供需平衡，因此电价具有很大的波动性。

2、现有的电价预测方法众多，其中最受关注的方法为组合预测方法。组合预测方法的基本思想是使用多种方法预测，将多种方法的预测结果叠加作为最终的预测结果，或者将负荷序列分解为多个分量，对各分量分别建模预测，将预测结果叠加为最终预测值。然而数据分解算法及模型在处理时间序列问题时的能力还存在不足之处，在处理电价序列的非线性和非平稳性特征时的能力都比较有限，难以进一步提取电价序列中所隐含的丰富信息，也就无法得到较为精确的电价预测结果。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种基于双层vmd分解和ssa-bigru的电价预测方法及装置。

2、本发明解决上述技术问题的技术方案如下：

3、第一方面，本发明提供一种基于双层vmd分解和ssa-bigru的电价预测方法，包括：

4、利用双层vmd分解算法将原始电价序列分解成多个子序列；

5、构建bigru短期电价预测模型，利用麻雀搜索算法对bigru短期电价预测模型中的超参数进行迭代优化，寻找模型的最优值；

6、将分解得到的多个子序列作为bigru网络的输入，得到各个子序列对应的预测结果；

7、对各预测结果进行反归一化处理，重构叠加各预测结果，得到最终的电价预测结果。

8、进一步的，所述bigru短期电价预测模型如下所示：

9、

10、

11、

12、式中，gru()为对输入时间数据的非线性变换函数；xt为输入；为正向隐藏层状态输出；为反向隐藏层状态输出；wt为对应的权重，vt为对应的权重，bt为t时刻bigru隐藏层对应的偏置。

13、进一步的，所述的利用双层vmd分解算法将原始电价序列分解成多个子序列，包括：

14、将原始电价序列划分为训练集和测试集，并设置第一层vmd分解和第二层vmd分解的参数；

15、对原始电价序列进行第一层vmd分解，得到本征模态函数imf和残差分量imf res；

16、对残差分量imf res进行第二层vmd分解；

17、对vmd分解得到的子序列进行归一化处理。

18、进一步的，将原始电价序列划分为训练集和测试集时，训练集和测试集的长度比例4:1，第一层vmd分解和第二层vmd分解的参数包括分解个数k和惩罚因子α；

19、所述第一层vmd分解的k取8，α取3000，所述第二层vmd分解的k取4，α取2000。

20、进一步的，原始电价序列由多个子序列构成，vmd分解时，将原始电价序列的每个子序列称为模态分量，每个模态分量具有不同的中心频率；设第k个模态分量具有中心频率ωk的有限带宽，vmd分解描述为寻求k个模态函数uk(t)，使得每个模态的估计带宽之和最小，其约束条件为各模态之和等于输入信号f，即原始电价序列；

21、所述的对原始电价序列进行第一层vmd分解，得到本征模态函数imf和残差分量imf res，包括：

22、(1)利用hilbert变换获取每个模态函数uk(t)的解析信号，即得到其单边频谱，公式如下：

23、

24、式中，为uk(t)的hilbert变换，δt为dirac分布函数；1/(πt)为冲击响应，j为虚数单位；

25、(2)将各模态解析信号与对应的修正参数相乘，使得每个模态的频谱调制到相应的基频带，公式如下：

26、

27、(3)根据高斯平滑度和梯度二次方准则对经过调制的信号进行解调，计算梯度的二次方l2范数，获得各分解模态的带宽描述bω，公式如下:

28、

29、(4)式中，为偏导运算；

30、结合各模态之和等于输入信号f的约束条件后，得到变分约束模型为:

31、

32、式中，uk＝{u1,u2,...,uk}为各模态函数，ωk＝{ω1,ω2,...,ωk}为各模态中心频率；

33、(5)为求解上述模型，引入二次惩罚因子α和拉格朗日乘法算子λ，将约束性变分问题转变为非约束性变分问题，表达式如下：

34、

35、(6)初始化{uk},{ωk},通过傅里叶变换获取各参量的频域值；分别表示第k个模态分量和中心频率，λ1为拉格朗日算子，n为迭代次数，左上角数字1表示第一次迭代；

36、(7)利用交替方向乘子法来处理上述非约束性变分问题，对每一子序列，通过交替更新来求解变分约束模型最优解，新的uk、中心频率ωk和λ的更新公式为：

37、

38、式中：为分f(t),ui(t),λ(t)的傅里叶变换，τ表示噪声容忍度，k表示总的模态个数，k表示第k个模态；

39、(8)判断是否满足迭代终止条件：

40、

41、其中ε为给定的分解精度参数,若满足则停止迭代，此时得到原始电价序列经vmd分解后的8个分量对应的模态函数uk(t)，也称本征模态函数，即imf，以及一个残差分量imf-res，其中imf-res由原始电价序列减去k个imf之和得到；

42、若不满足迭代终止条件，返回步骤(7)迭代。

43、进一步的，所述的对残差分量imf-res进行第二层vmd分解，包括：

44、对imf-res的分解过程与第一次vmd分解一致，得到imf-res经vmd分解后的4个分量对应的imf’以及一个imf-res’分量；

45、将第一次vmd分解和第二层vmd分解得到12个本征模态函数和残余分量imf-res’作为原始电价序列的子序列，每一个子序列的长度均与原始序列相同，并且每一个子序列中，训练集中子序列长度和测试集子序列长度的比值依然为4:1。

46、进一步的，所述的对vmd分解得到的子序列进行归一化处理，包括：

47、将vmd分解得到的各个子序列使用最大最小归一化的线性化方法转换到[0,1]的区间内：

48、

49、

50、

51、其中，yk表示子序列的第k个点的归一化结果，ak表示子序列中第k个点的电价，amax和amin分别为子序列中电价值的最大值和最小值。

52、第二方面，本发明提供一种基于双层vmd分解和ssa-bigru的电价预测装置，其特征在于，包括：

53、分解模块，利用双层vmd分解算法将原始电价序列分解成多个子序列；

54、模型构建及优化模块，构建bigru短期电价预测模型，利用麻雀搜索算法对bigru短期电价预测模型中的超参数进行迭代优化，寻找模型的最优值；

55、预测模块，将分解得到的多个子序列作为bigru网络的输入，得到各个子序列对应的预测结果；

56、重构模块，对各预测结果进行反归一化处理，重构叠加各预测结果，得到最终的电价预测结果。

57、第三方面，本发明提供一种电子设备，包括：

58、存储器，用于存储计算机软件程序；

59、处理器，用于读取并执行所述计算机软件程序，进而实现本发明第一方面所述的一种基于双层vmd分解和ssa-bigru的电价预测方法。

60、第四方面，本发明提供一种非暂态计算机可读存储介质，所述存储介质中存储有计算机软件程序，所述计算机软件程序被处理器执行时实现如本发明第一方面所述的一种基于双层vmd分解和ssa-bigru的电价预测方法。

61、本发明的有益效果是：本发明通过采用vmd方法将负荷序列数据进行分解，将其分解为一系列特征互异的模态分量，以降低负荷原始序列的复杂性和非平稳性。采用bigru神经网络建立双向时间序列特征，使用ssa对网络超参数进行迭代优化，克服了传统方法选取超参数预测精度不高、耗费时间长的缺点。本发明中，vmd分解使用了非递归理论来分解信号，是一种完全非递归的自适应变分模式分解方式。经vmd分解后，原始电价序列的变化起伏趋势及内部复杂的波动特征被分配到不同的分量之中。从而提取电价序列中所隐含的丰富信息，并通过麻雀搜索算法优化长短期及以神经网络的超参数，提高了电价预测的精度。