基于daily模式的分類模型，預(yù)測(cè)日前電價(jià)
針對(duì)問(wèn)題：電價(jià)中不同模式顯示出不同映射關(guān)系，電價(jià)單變量預(yù)測(cè)誤差大。
提出模型：基于每日模式預(yù)測(cè)（daily pattern prediction，DPP）的日前電價(jià)預(yù)測(cè)分類方法。1.從常規(guī)預(yù)測(cè)方法提供的“粗略”日前預(yù)測(cè)結(jié)果中識(shí)別出第二天的價(jià)格模式，2.執(zhí)行分類建模，為每個(gè)模式建立特定的預(yù)測(cè)模型來(lái)進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性。
算法步驟：1.K均值將歷史每日電價(jià)曲線分簇，為每個(gè)每日曲線分配一個(gè)模式標(biāo)簽，用于訓(xùn)練每日模式識(shí)別（DPR）模型和分類建模。2.提出一種DPP模型來(lái)從多種常規(guī)預(yù)測(cè)方法提供的預(yù)測(cè)結(jié)果中識(shí)別第二天的價(jià)格模式。此步驟中提出一種加權(quán)投票機(jī)制（WVM）方法，以結(jié)合多個(gè)日前模式預(yù)測(cè)，以獲得更準(zhǔn)確的DPP結(jié)果。3.根據(jù)步驟1中的聚類結(jié)果建立每個(gè)不同日模式的分類預(yù)測(cè)模型。4.檢查DPP結(jié)果的可信度，最終確定是否可以采用建議的分類DAEPF建模方法。
本文貢獻(xiàn)：（1）揭示了統(tǒng)一建模的錯(cuò)誤產(chǎn)生機(jī)理和分類建模的優(yōu)越性。僅適合歷史數(shù)據(jù)和未來(lái)數(shù)據(jù)之間單個(gè)映射關(guān)系的統(tǒng)一建模通常會(huì)產(chǎn)生較大的誤差，因?yàn)殡妰r(jià)數(shù)據(jù)中不同的波動(dòng)模式顯示出不同的映射關(guān)系。分類建模為每個(gè)不同的模式建立一個(gè)模型，以便更好地分別擬合多個(gè)映射關(guān)系。
（2）提出了基于每日模式預(yù)測(cè)（DPP）的DAEPF分類建模方法。基本思想是，首先從常規(guī)預(yù)測(cè)方法提供的“粗略”日前預(yù)測(cè)結(jié)果中識(shí)別出第二天的價(jià)格模式，然后執(zhí)行分類建模以進(jìn)一步提高預(yù)測(cè)準(zhǔn)確性。
（3）在價(jià)格模式預(yù)測(cè)的步驟中提出了一種加權(quán)投票機(jī)制（WVM）方法，將多個(gè)日前模式預(yù)測(cè)組合在一起以獲得更準(zhǔn)確的模式預(yù)測(cè)結(jié)果。
在第一方面（預(yù)測(cè)問(wèn)題的表達(dá)），有兩種不同的建模方法：統(tǒng)一建模和分類建模。統(tǒng)一建模直接使用歷史數(shù)據(jù)來(lái)預(yù)測(cè)未來(lái)數(shù)據(jù)，并且僅建立一個(gè)單一的預(yù)測(cè)模型而無(wú)需分類。分類建模首先根據(jù)每日波動(dòng)模式將歷史數(shù)據(jù)劃分為幾個(gè)聚類，然后為每個(gè)聚類建立預(yù)測(cè)模型[34]。分類建模通常要優(yōu)于統(tǒng)一建模。原因說(shuō)明如下。大多數(shù)預(yù)測(cè)方法通常將所有數(shù)據(jù)分為兩個(gè)子集：訓(xùn)練集和測(cè)試集。對(duì)于某種預(yù)測(cè)方法，預(yù)測(cè)精度主要取決于訓(xùn)練集和測(cè)試集之間的映射關(guān)系是否緊密。如果測(cè)試集中的輸入和輸出之間的映射關(guān)系與訓(xùn)練集中的輸入和輸出之間的映射關(guān)系不同，則會(huì)發(fā)生較大的錯(cuò)誤。每日電價(jià)數(shù)據(jù)有幾種不同的波動(dòng)模式，這意味著歷史數(shù)據(jù)和未來(lái)數(shù)據(jù)之間必須存在不同的映射關(guān)系。分類建模將具有不同波動(dòng)模式的所有歷史數(shù)據(jù)分組到不同的群集中，并為每個(gè)群集建立一個(gè)模型。因此，同一集群中輸入和輸出之間的映射關(guān)系是緊密的，分類建模可以提供更準(zhǔn)確的預(yù)測(cè)結(jié)果。
1.K-MEANS將歷史數(shù)據(jù)分成n簇，為每個(gè)歷史日標(biāo)記一個(gè)模式標(biāo)簽，標(biāo)簽作為step2.2模式識(shí)別模型的輸出。
2.預(yù)測(cè)第二天的模式標(biāo)簽：2.1.選擇m種預(yù)測(cè)模型，用前三天電價(jià)預(yù)測(cè)第二天，得到“粗糙的”預(yù)測(cè)結(jié)果。2.2.重新認(rèn)識(shí)第二天的每日價(jià)格模式。 用支持向量分類（SVC）建立日常模式識(shí)別（DPR）模型。由于計(jì)算復(fù)雜度高，（最高價(jià)格，最低價(jià)格，平均價(jià)格，價(jià)格差異，最高價(jià)格與最低價(jià)格之間的差異以及平均價(jià)格波動(dòng)）作為DPR模型的輸入，輸出是其屬于對(duì)應(yīng)群集的每日模式。 用此DPR模型來(lái)識(shí)別步驟2.1中m個(gè)不同的DAEPF模型提供的“粗糙” DAEPF結(jié)果的每日價(jià)格模式，獲得m個(gè)不同的第二天的DPP結(jié)果。2.3.加權(quán)投票。2.3中的結(jié)果（m維）一起獲得第二天的最終DPP結(jié)果（1維）。 WVM的基本思想是，表現(xiàn)出更好性能的單獨(dú)模型應(yīng)分配更大的權(quán)重系數(shù)。
3.為n個(gè)簇建立n個(gè)預(yù)測(cè)模型。對(duì)于每個(gè)簇，用同一集群中的歷史每日電價(jià)數(shù)據(jù)來(lái)訓(xùn)練分類模型。 將前三天的電價(jià)數(shù)據(jù)作為預(yù)測(cè)模型的輸入，將第二天的電價(jià)作為預(yù)測(cè)模型的輸出。 然后根據(jù)DPP結(jié)果選擇相應(yīng)的模型以產(chǎn)生最終的預(yù)測(cè)結(jié)果。 此步驟使用2.1中采用的相同的五種預(yù)測(cè)方法，以便在建議的分類模型和統(tǒng)一模型之間進(jìn)行合理的比較。
4.可信度檢查，確定是否可以使用針對(duì)某種模式的建議分類DAEPF建模方法。 如果某個(gè)模式的最終DPP結(jié)果顯示出較高的可信度，則接受在3中選擇的分類DAEPF模型來(lái)預(yù)測(cè)第二天的電價(jià)。 否則，將2.1的“粗略”預(yù)測(cè)作為最終預(yù)測(cè)結(jié)果。
預(yù)測(cè)模型：ARIMA, RBF neural network, support vector regression (SVR), Elman neural network and extreme learning machine (ELM)?
模式識(shí)別模型：SVC
權(quán)重機(jī)制：WVM
度量指標(biāo)：平均絕對(duì)百分比誤差（MAPE），均方根誤差（RMSE）和誤差標(biāo)準(zhǔn)偏差（SDE）。
