基于多極限學習機融合的日前電價預測

賀寧

摘 要：對日前市場電價的預測有多重方法，在眾多智能算法中，多極限學習機融合算法研究的還不夠深入。而在常規的預測模式下，往往因為可靠性和精度等級不夠而影響預測結果。極限學習機日前電價預測模型的建立，從理論上仿真了實際電價，這種方法不僅僅考慮了日前電價的幾個曲線特性，將各類信息整合在一起輸入，簡化了預測手段，輸出結果可靠且高效。經過多次的實地測試，對比模型輸出量與實際結果，發現這種預測方法非常可靠。

關鍵詞：電力；預測；極限學習機

中圖分類號： TP18 文獻標識碼： A 文章編號： 1673-1069（2016）22-109-3

1 概述

在日常生活中，電力能源與老百姓的生活息息相關，電力電價在各方利益關系中扮演著極其重要的角色。近些年來，各類企業和科研機構，都有大量的專業人員在對電價的預測做著各種科學研究。準確的電價預測關系到社會各階層，包括普通的居民用電，大型重工業企業商業用電。可以說，當前社會，電力的應用無處不在，電價的準確預測對全社會能源結構變化都會產生深遠的影響。另外，由于電力能源逐步走向多元化，除了傳統的火電、水電、風電、核電，新興的生物發電、太陽能發電等技術快速發展，在許多國家應用廣泛，并且不同的電能產生方式造就的成本差異非常大，上網電價差異必然不同，這就給電價的預測帶來了很多的困難。

傳統的電價預測有很多種，常見的如：模擬電力市場實時運行來計算市場出清價格。在做建模之前，實施人員要去調研一些關鍵信息，諸如發電廠的分布、機組容量、發電負荷，輸配電系統的運行狀態，大型企業的發展規劃方向等，同時要根據電網運行規律掌握電網潮流走向、輸配電趨勢以及電網升級改造等因素。該類方法在短時間內，能夠很好預測電價走向，與電力市場實際需求吻合度也很高，但是僅僅適用于大中型企業，對于規模不大，又有這方面需求的用電單位和個人來講，運用這種方式預測電價有很多不便。還有一種常用的預測方法，叫作統計學預測方法，就是通過搜集已發生電價和電費統計單位發布的與電價相關的信息建立預測模型。這種方法與模擬電力市場實時運行來計算市場價格相比，操作起來會簡單一些，不需要太多的信息量，就可以搭建模型。統計學預測方法中比較常見的方法有時間序列法、計量經濟學方法和智能算法等。

本文討論的是一種新的預測方法，是基于多極限學習機的預測方法。同時，考慮對預測結果有較大影響的精度等級等問題，把多個極限學習機融合進來，從而形成多神經網絡建模方法，這種方法的融入，可以提高日前電價預測模型的預測精度。

2 多源信息的融合

廣義的多源信息融合技術有多種定義，本文簡單介紹一下狹義的多源信息融合技術。這種技術是利用計算機的自動獲取、分類、統計、分析所得數據，通過這種方式得到獨立于個別信息源之外的其他信息，從而達到研究需要取得的成果和目標的一項技術。多源信息融合有很多優勢，諸如可以在一定程度上加強系統的可靠性，也可以對系統影響量較大的魯棒性有很大改觀。另外，多源信息融合在數據測量的廣度和立體空間上有很大的拓展。通過多源信息融合，還可以增強數據的可信任度和系統分辨能力。

信息融合技術最早應用于發達國家的國防科技領域，經過多年的發展，對應用這項技術的國家軍事水平提升有很大的影響。后期的社會發展，對于高科技帶來的衍生品需求量日益加大，因此這項技術在民用智能化信息綜合處理技術研究上得到廣泛重視。尤其是多源信息融合技術，逐步在眾多信息整合技術中脫穎而出，成為各相關領域角力的有力工具。另外，雖然很多公司、企業在廣泛使用信息融合技術，但是由于這項技術的需求背景是信息處理技術發展需要，因此，到目前為止，信息融合技術尚無自己的理論體系。現在人們研究的信息融合技術多數還僅限于理論方法的建立。

人工神經網絡在多個領域有應用，本文所說的人工神經網絡具有并行結構和其特有的學習方式，信息的融合是在把人工神經網絡作為信息融合中心而完成的。由大量互聯的處理單元連接而成的人工神經網絡，是基于已接受樣本的一致性去進行分類標準劃分的，在這方面的學習能力具有很強的自適應性。可以從網絡權值分布上看到這個特點，知識的獲取是通過神經網絡特定的學習算法來實現的。為了有效避開模式識別方法中建模和特征提取過程，必須對神經網絡分布式信息存儲和并行處理的方式進行充分地利用，這種做法對于模型不符和特征選擇不當造成的負因子規避非常有效，可以大大提高識別系統的性能。

信息融合的過程如下：

第一步是建立拓撲結構。可結合將要建立模型系統的主要特點建立。

第二步是處理已知信息，劃歸一個單個的輸入函數（映射函數），神經網絡與環境進行交互作用后，得到輸入函數的變化規律，再把規律結果反饋給神經網絡。

第三步是輸入函數后經過模型的信息整合得到預測結果的過程，是輸入函數通過神經網絡融合系統經過學習、確定權值的過程。

3 極限學習機算法

單隱含層前饋神經網絡（SLFNs—single-hidden layer feedforward neural networks）算法——極限學習機（ELM-extreme learning machine）。極限學習機可以任意產生隱含層節點參數。經過單隱含層前饋神經網絡的輸出得到相應權值。經過任意選取的隱含層節點參數，一個線性系統形成了，就是單隱含層前饋神經網絡。從而得到的輸出權值，是通過逆操作隱含層的輸出矩陣而來的。通過各類科研單位的研究，我們發現，極限學習機有兩大優點，一個是具有廣泛的全局搜索功能，另一個是操作起來非常簡便。在極限學習機中，運用S型函數、正弦和復合函數等使用起來也很便利。一些不可微函數或者不連續函數一樣可以成為極限學習機的激活函數。這個方法和常用的BP學習算法和SVM算法比較，效率更高。常用的BP學習算法局部非常小，學習率不宜選擇。極限學習機算法則具有更好的泛化能力，參數確認過程也比較簡單，從而省時且精度很高。ELM算法內容如下：

3.1 標準SLFN的數學定義

隱含層節點數量為L，那么，單隱含層前饋神經網絡輸出如下：

公式中的ai，bi為隱含層節點學習參數，βi=[βi1，βi2，…βim]T為隱含層第i個節點到輸出層的連接權值，G（ai，bi，x）為第i個隱含層節點與輸入x的關系，激活函數g（x）：R→R（例如S型函數），則有

公式中的ai表示輸入層到第i個隱含層節點的連接權值向量，bi表示第i個隱含層節點的閾值。ai·x為向量ai和x的內積。

3.2 極限學習機ELM（extreme learning machine）

隨機抽取N個樣本， 表位輸入，

表示目標輸出。如果一個有L個隱含節點的SLFN能以0誤差來逼近這N個樣本，則存在βi，ai，bi，有

H表示為網絡的隱含層輸出矩陣，第i列是與輸入x1，x2，…，xN相關的第i個隱含層節點的輸出向量，第j行表示與輸入xi相關的隱含層輸出向量。

研究發現，隱含層節點數L往往比訓練樣本數N小，從而使訓練誤差無限逼近一個非零的訓練誤差ε。SLFNs的隱含層節點參數ai，bi（輸入權值和閾值）在訓練過程中可以取隨機值。這樣式（4）輸出權值β：

這里H+為隱含層輸出矩陣H的Moore-Penrose廣義逆。

ELM算法可以歸納為下面三個步驟：給出一個訓練集

，激活函數以及隱含層節點數，則

①隨機產生隱含層節點參數（ai，bi），i=1，…，L。

②計算隱含層輸出矩陣H。

③計算輸出權值：β：β=H+T。

4 多極限學習機（ELM）融合建模

多極限學習機（ELM）融合建模，為了提高精度等級，為信息融合做準備，把多個預測結果結合起來，一方面把有n個子數據集的訓練數據進行數據配準，對分別建立ELM神經網絡的數據進行訓練，建立n個預測模型。另一方面，得到訓練誤差權重，據此融合得到終極模型，圖1中，Y1，Y2，…Yn為n個子模型的輸出；W1，W2…Wn為每個子模型的權重（W1+W2+…+Wn=1。）權重的初始值為W1W2=…=Wn=，隨著訓練的深入，觀測誤差，并調整子模型的權重，較大權重賦予好的模型。從而保證子模型性能最好的發揮各自的作用，Y為最終輸出，且為最優。

5 仿真實驗

下面用某電力公司轄下電網為研究對象。訓練數據選擇2～5月電價數據，建立日前電價預測模型；檢驗數據為6月份。模型中子模型的數目根據實驗結果確定為n，即n為7個。

比較單一ELM和單一BP神經網絡兩種預測模型結果與多ELM日前電價預測模型預測結果如下表1。提取絕對百分比誤差：

和均方根誤差：

yi為實際值，i為預測值。經研究發現，上述三種研究結果有差到好的排列次序為：基于BP神經網絡的預測模型〈基于ELM神經網絡的預測模型〈多ELM融合預測模型，即多ELM融合預測模型最優。

6 結論

本文著力論證基于多極限學習機的方法優勢，結合神經網絡方法，對日前電價的特點進行了分析，建立了電價預測模型。并通過實例對傳統的兩種預測模型與本文研究的模型進行數據比對，提出比較因子。通過研究發現，本文提出的方法具有較好的性能，可以滿足實際應用的需要。