基于多极限学习机融合的日前电价预测

摘 要：对日前市场电价的预测有多重方法，在众多智能算法中，多极限学习机融合算法研究
的还不够深入。而在常规的预测模式下，往往因为可靠性和精度等级不够而影响预测结果。
极限学习机日前电价预测模型的建立，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，简化了预测手段，输出结果可靠且高
效。经过多次的实地测试，对比模型输出量与实际结果，发现这种预测方法非常可靠。

关键词：电力；预测；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预测做
着各种科学研究。准确的电价预测关系到社会各阶层，包括普通的居民用电，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，电价的准确预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发展，在许多国家应用广泛，并且不
同的电能产生方式造就的成本差异非常大，上网电价差异必然不同，这就给电价的预测带来
了很多的困难。
传统的电价预测有很多种，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，大型企业的发展规划方向等，同时要根据电网运行规律掌握电网潮
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，能够很好预测电价走
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，运用这种方式预测电价有很多不便。还有一种常用的预
测方法，叫作统计学预测方法，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
的信息建立预测模型。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
简单一些，不需要太多的信息量，就可以搭建模型。统计学预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。
本文讨论的是一种新的预测方法，是基于多极限学习机的预测方法。同时，考虑对预测
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，可以提高日前电价预测模型的预测精度。
2 多源信息的融合
广义的多源信息融合技术有多种定义，本文简单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获取、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，从而达到研究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，诸如可以在一定程度上加强系统的可靠性，也可以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，还可以增强数据的可信任度和系统分辨能力。
信息融合技术最早应用于发达国家的国防科技领域，经过多年的发展，对应用这项技术
的国家军事水平提升有很大的影响。后期的社会发展，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研究上得到广泛重视。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
术发展需要，因此，到目前为止，信息融合技术尚无自己的理论体系。现在人们研究的信息
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一致性去进行分类标准划分的，在这方面
的学习能力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，知识的获取是通过
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
须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非常有效，可以大大提高识别系统的性能。
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。
第二步是处理已知信息，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预测结果的过程，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，βi=[βi1，βi2，…βim]t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）：r→r（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。如果一个有l个隐含节点的slfn能以0误差来逼近这n个样本，则存在
βi，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。
研究发现，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逼近一个非零
的训练误差ε。slfns的隐含层节点参数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β：
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
①随机产生隐含层节点参数（ai，bi），i=1，…，l。
②计算隐含层输出矩阵h。
③计算输出权值：β：β=h+t。
4 多极限学习机（elm）融合建模
5 仿真实验
下面用某电力公司辖下电网为研究对象。训练数据选择2～5月电价数据，建立日前电价
预测模型；检验数据为6月份。模型中子模型的数目根据实验结果确定为n，即n为7个。
比较单一elm和单一bp神经网络两种预测模型结果与多elm日前电价预测模型预测结果
如下表1。提取绝对百分比误差：
和均方根误差：
yi为实际值，i为预测值。经研究发现，上述三种研究结果有差到好的排列次序为：基
于bp神经网络的预测模型〈基于elm神经网络的预测模型〈多elm融合预测模型，即多elm
融合预测模型最优。
6 结论
本文着力论证基于多极限学习机的方法优势，结合神经网络方法，对日前电价的特点进
行了分析，建立了电价预测模型。并通过实例对传统的两种预测模型与本文研究的模型进行
数据比对，提出比较因子。通过研究发现，本文提出的方法具有较好的性能，可以满足实际
应用的需要。