CN110322074A - 一种考虑电力供求关系的短期电价预测方法和系统 - Google Patents
一种考虑电力供求关系的短期电价预测方法和系统 Download PDFInfo
- Publication number
- CN110322074A CN110322074A CN201910615866.6A CN201910615866A CN110322074A CN 110322074 A CN110322074 A CN 110322074A CN 201910615866 A CN201910615866 A CN 201910615866A CN 110322074 A CN110322074 A CN 110322074A
- Authority
- CN
- China
- Prior art keywords
- price
- history
- actual demand
- value
- demand amount
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 163
- 238000013277 forecasting method Methods 0.000 title claims abstract description 16
- 238000011160 research Methods 0.000 claims abstract description 82
- 238000012216 screening Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000005096 rolling process Methods 0.000 claims description 6
- 238000000034 method Methods 0.000 abstract description 16
- 230000007812 deficiency Effects 0.000 abstract description 3
- 238000013528 artificial neural network Methods 0.000 description 5
- 101001049901 Pandinus imperator Potassium channel toxin alpha-KTx 6.1 Proteins 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Accounting & Taxation (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种考虑电力供求关系的短期电价预测方法和系统,针对同一指定交易品种,所述方法包括以下步骤:根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;指定时刻的电价预测基本值与价格调整区间结合得到指定时刻的电价预测区间。由于电力消费的特殊性,本发明考虑了电力需求量波动带来的电价波动,从而对电价预测值进行修正,提高电价预测精度;随着数据样本的增加,本发明中的区间划分方法与匹配相关性会增加,从而进一步提高预测精度;本发明不需过多的样本,收集数据源不足情况下仍然适用,且保证较高的预测精度。
Description
技术领域
本发明属于电网短期电价预测技术领域,涉及一种考虑电力供求关系的短期电价预测方法和系统。
背景技术
随着电力市场改革的不断发展,电价在电力市场中的地位越发凸显,电价预测是电改后出现的重要研究方向。电价受到电力市场供求关系、电力成本、电力市场体制结构、社会经济形势等重要因素的影响,围绕电力价值上下波动,因此可以说是电力市场交易的一个重要指标,电力市场中的重要经济信号。准确的电价预测,可以使市场参与者在电力交易中做出正确的战略决策,获得最大利益。对发电厂来讲,电价预测有助于其安排生产计划,在市场交易中做出使其获得最大利润与最小发电成本的投标策略;对电力投资者来讲,根据电价预测结果做出投资策略;对用户来讲,电价与他们的用电成本直接相关,根据电价预测信息,用户可以合理安排用电加护,避开用电高峰,改变电力消费习惯,降低用电成本;对市场监管者来说,可以根据电价预测的信息,监控市场运营,进行安全经济的调度工作,并根据电价信息,及时发现市场问题,对不法企业进行监管,管理操纵电价等不法投机事件。
根据预测时间的长短,电价预测可分为中长期预测和短期预测。中长期预测时间长度包括月度、季度、年度甚至更长时间。由于时间范围广,中长期预测的精度往往不高。短期预测是电价预测的重要部分,它主要用于预测未来几小时、1天至几天的电价,预测精度较高。
目前短期电价预测主要有两种方法:一种是基于仿真的预测;另一种是基于数学建模的预测。前者通过对实际电力系统和定价过程进行详细的模拟,进而得到电价预测信息。该方法需要大量的实际电力系统参数和市场信息,工程量巨大。后者通过对影响电价的因素进行分析,建立数学模型得到预测结果。该方法易于实施,建模简单,是电价预测的主要方法。基于数学建模的短期电价预测方法主要有时间序列方法、人工神经网络方法及其他数学方法。
人工神经网络方法通过模拟人脑神经网络,继承人的学习能力和处理非线性事情的能力。该方法主要通过分析电价的主要影响因素,对历史数据进行学习训练,找到电价变化中的关系,得到预测电价值。
通过神经网络法构建价格预测模型,是一个有效的方法。但由于电力消费的特殊性,电价的预测要考虑到电力供求关系、行业用电特性等众多因素,随着电力消费者数量的增多,用电特性的差异化越大,构建通用的神经网络模型较为困难;另外,神经网络存在过学习和陷入局部最优的问题,其对电价预测的精度有待提高。
时间序列方法利用了电力价格序列随时间变化的特性,分析历史电价的影响因素并考虑历史电价数据之间的相关性,根据主要影响因素和相关性大的历史电价,建立电价与其的数学模型。为了提高预测精度,可根据因素变化对模型公式系数进行调整。
发明内容
为解决现有技术中的不足,本申请提供一种考虑电力供求关系的短期电价预测方法和系统,用于电力市场短期交易中为各市场成员提供电价预测,作为交易策略的参考数据。
为了实现上述目标,本发明的一方面采用如下技术方案:
一种考虑电力供求关系的短期电价预测方法,针对同一指定交易品种,包括以下步骤:
S1:根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;
S2:基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;
S3:指定时刻的电价预测基本值与价格调整区间结合得到指定时刻的电价预测区间。
本发明进一步包括以下优选方案:
进一步地,步骤S1所述根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值,具体为:
将指定交易品种指定时刻前的历史出清价格取均值,得到电价预测基本值。
进一步地,步骤S2所述基于指定时刻的实际需求波动,计算指定时刻的价格调整区间,包括以下步骤:
S201:计算指定交易品种指定时刻的实际需求量;
S202:计算指定时刻前对应交易品种的历史实际需求量,得到历史实际需求量序列;
S203:统计指定时刻前对应交易品种的历史实际出清价格,得到历史实际出清价格序列;
S204:将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本;
S205:根据历史数据中的实际情况,统计需求量序列样本与价格序列样本的对应关系;
S206:在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间。
进一步地,步骤S204所述将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本,具体为:
计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列转换成n-1个区间序列,即为需求量序列样本;
计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列转换成n-1个区间序列,即为价格序列样本;
其中,n为历史实际需求量或历史实际出清价格数量。
进一步地,步骤S206所述在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间,具体为:
计算实际需求量波动值,实际需求量波动值=(实际需求量-实际需求量均值);
在需求量序列样本中,根据实际需求量波动值搜寻实际需求量对应的需求量区间;
根据步骤S205统计的需求量序列样本与价格序列样本的对应关系,由贝叶斯公式:
式中,事件A为实际需求量对应的需求量区间,事件B为需求量序列样本与价格序列样本对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间。
进一步地,所述实际需求量为已发生的各类合同电量分解数据减去各类合同在当前时刻的分解电量。
进一步地,步骤S3所述指定时刻的电价预测基本值与价格调整区间结合得到指定时刻的电价预测区间,具体为:电价预测基本值分别与价格调整区间的左右端点相加得到电价预测区间的左右端点。
本发明的另一方面,一种考虑电力供求关系的短期电价预测系统,针对同一指定交易品种,包括电价预测基本值计算单元、价格调整区间计算单元和电价预测区间计算单元;
所述电价预测基本值计算单元,用于根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;
所述价格调整区间计算单元,用于基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;
所述电价预测区间计算单元,用于计算电价预测区间,指定时刻的电价预测基本值与价格调整区间结合即得到指定时刻的电价预测区间。
进一步地,所述电价预测基本值计算单元中,指定时刻的电价预测基本值由指定交易品种指定时刻前的历史出清价格取均值得到。
进一步地,所述价格调整区间计算单元包括实际需求量计算单元、历史实际需求量计算单元、历史实际出清价格计算单元、转换单元、统计单元和价格调整区间匹配单元;
所述实际需求量计算单元,用于计算指定交易品种指定时刻的实际需求量;
所述历史实际需求量计算单元,用于计算指定时刻前对应交易品种的历史实际需求量,得到历史实际需求量序列;
所述历史实际出清价格计算单元,用于统计指定时刻前对应交易品种的历史实际出清价格,得到历史实际出清价格序列;
所述转换单元,用于将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本;
所述统计单元,用于根据历史数据中的实际情况,统计需求量序列样本与价格序列样本的对应关系;
所述价格调整区间匹配单元,用于在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间。
进一步地,所述转换单元包括历史实际需求量波动值计算筛选单元、需求量序列样本转换单元、历史实际出清价格波动值计算筛选单元和价格序列样本转换单元;
所述历史实际需求量波动值计算筛选单元,用于计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
所述需求量序列样本转换单元,用于以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列转换成n-1个区间序列,即为需求量序列样本;
所述历史实际出清价格波动值计算筛选单元,用于计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
所述价格序列样本转换单元,用于以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列转换成n-1个区间序列,即为价格序列样本;
其中,n为历史实际需求量或历史实际出清价格数量。
进一步地,所述价格调整区间计算单元包括实际需求量波动值计算单元、搜寻单元和匹配单元;
所述实际需求量波动值计算单元,用于计算实际需求量波动值,实际需求量波动值=(实际需求量-实际需求量均值);
所述搜寻单元,用于在需求量序列样本中,根据实际需求量波动值搜寻实际需求量对应的需求量区间;
所述匹配单元,用于根据统计单元统计的需求量序列样本与价格序列样本的对应关系,由贝叶斯公式:
式中,事件A为实际需求量对应的需求量区间,事件B为需求量序列样本与价格序列样本对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间。
进一步地,所述实际需求量为已发生的各类合同电量分解数据减去各类合同在当前时刻的分解电量。
进一步地,所述电价预测区间计算单元中,电价预测基本值分别与价格调整区间的左右端点相加得到电价预测区间的左右端点。
本申请所达到的有益效果:
1、由于电力消费的特殊性,本发明考虑了电力需求量波动带来的电价波动,从而对电价预测值进行修正,提高电价预测精度;
2、随着数据样本的增加,本发明中的区间划分方法与匹配相关性会增加,从而进一步提高预测精度;
3、本发明不需过多的样本,收集数据源不足情况下仍然适用,且保证较高的预测精度。
附图说明
图1是本发明的一种考虑电力供求关系的短期电价预测方法的流程框图;
图2是本发明的一种考虑电力供求关系的短期电价预测方法实施例流程图;
图3是本发明的一种考虑电力供求关系的短期电价预测系统的系统框图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
如图1和图2所示,本发明的一种考虑电力供求关系的短期电价预测方法,针对同一指定交易品种,包括以下步骤:
S1:根据指定电力市场交易品种的历史出清价格数据,计算指定时刻i的电价预测基本值Pi,具体为:
将指定交易品种指定时刻前i的历史出清价格Pj取均值,得到电价预测基本值Pi,计算公式如下:
本实施例中,Pj为历史出清价格,j的数值根据交易品种确定,如需预测双边交易价格,则取之前所开展双边交易成交历史价格,n为历史数据数量;
S2:基于指定时刻i的实际需求波动,计算指定时刻i的价格调整区间Ki;
实施例中,步骤S2所述基于指定时刻i的实际需求波动,计算指定时刻i的价格调整区间Ki,包括以下步骤:
S201:计算指定交易品种指定时刻i的实际需求量:Qi实际;
实际需求量计算公式如下:
实际需求量=电量预测值-∑年度合同分解量-∑月度合同分解量-∑周合同分解量-∑其他合同分解量;
式中,电量预测值为时刻i用户电量需求的总预测值;合同分解量为各类合同在时刻i的分解电量,计算过程中在i时刻前已发生的合同电量分解数据替代预测数据。
S202:计算指定时刻i前对应交易品种的历史实际需求量,得到历史实际需求量序列Qi-1:
(Qi-n+1,Qi-n+2,…,Qi-1);
S203:统计指定时刻i前对应交易品种的历史实际出清价格,得到历史实际出清价格序列Pi-1:
(Pi-n+1,Pi-n+2,…,Pi-1);
S204:将历史实际需求量序列Qi-1与历史实际出清价格序列Pi-1转换成区间序列,得到需求量序列样本Q与价格序列样本P;具体为:
计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列Qi-1转换成n-1个区间序列,即为需求量序列样本Q,Q=(Q1,Q2,……,Qn-1);
计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列Pi-1转换成n-1个区间序列,即为价格序列样本P,P=(P1,P2,……,Pn-1);
其中,n为历史实际需求量或历史实际出清价格数量。
S205:根据历史数据中的实际情况,统计需求量序列样本Q与价格序列样本P的对应关系;
例如:在Q属于(1,2)区间时,对应3次价格序列(0.1,0.2)与2次价格序列(0.2,0.3),依据历史数据的对应情况,形成Q与P的对应关系。
S206:在需求量序列样本Q中,搜寻Qi实际对应的需求量区间,与Qi实际对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间Ki,具体为:
计算实际需求量波动值,实际需求量波动值=(Qi实际-Qi实际均值);
在需求量序列样本Q中,根据实际需求量波动值搜寻Qi实际对应的需求量区间;
根据步骤S205统计的需求量序列样本Q与价格序列样本P的对应关系,由贝叶斯公式:
式中,事件A为Qi实际对应的需求量区间,事件B为需求量序列样本Q与价格序列样本P对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间Ki。
例如:计算出的Qi实际在Q中属于(1,2)区间时,对应3次价格区间序列(0.1,0.2)与2次价格区间序列(0.2,0.3),则Ki取出现频次最高的3次价格区间序列,即为(0.1,0.2)。
S3:指定时刻i的电价预测基本值Pi与价格调整区间Ki结合得到指定时刻的电价预测区间Pi’,具体为:电价预测基本值Pi分别与价格调整区间Ki的左右端点相加得到电价预测区间Pi’的左右端点。
例如:若电价预测基本值Pi为0.4,则i时刻的电价预测区间Pi’为(0.5,0.6)。
如图3所示,本发明的一种考虑电力供求关系的短期电价预测系统,针对同一指定交易品种,包括电价预测基本值计算单元、价格调整区间计算单元和电价预测区间计算单元;
所述电价预测基本值计算单元,用于根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;
实施例中,所述电价预测基本值计算单元中,指定时刻的电价预测基本值由指定交易品种指定时刻前的历史出清价格取均值得到。
所述价格调整区间计算单元,用于基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;
实施例中,所述价格调整区间计算单元包括实际需求量计算单元、历史实际需求量计算单元、历史实际出清价格计算单元、转换单元、统计单元和价格调整区间匹配单元;
所述实际需求量计算单元,用于计算指定交易品种指定时刻的实际需求量;
实施例中,所述实际需求量为已发生的各类合同电量分解数据减去各类合同在当前时刻的分解电量。
所述历史实际需求量计算单元,用于计算指定时刻前对应交易品种的历史实际需求量,得到历史实际需求量序列;
所述历史实际出清价格计算单元,用于统计指定时刻前对应交易品种的历史实际出清价格,得到历史实际出清价格序列;
所述转换单元,用于将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本;
实施例中,所述转换单元包括历史实际需求量波动值计算筛选单元、需求量序列样本转换单元、历史实际出清价格波动值计算筛选单元和价格序列样本转换单元;
所述历史实际需求量波动值计算筛选单元,用于计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
所述需求量序列样本转换单元,用于以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列转换成n-1个区间序列,即为需求量序列样本;
所述历史实际出清价格波动值计算筛选单元,用于计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
所述价格序列样本转换单元,用于以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列转换成n-1个区间序列,即为价格序列样本;
其中,n为历史实际需求量或历史实际出清价格数量。
所述统计单元,用于根据历史数据中的实际情况,统计需求量序列样本与价格序列样本的对应关系;
所述价格调整区间匹配单元,用于在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间。
实施例中,所述价格调整区间计算单元包括实际需求量波动值计算单元、搜寻单元和匹配单元;
所述实际需求量波动值计算单元,用于计算实际需求量波动值,实际需求量波动值=(实际需求量-实际需求量均值);
所述搜寻单元,用于在需求量序列样本中,根据实际需求量波动值搜寻实际需求量对应的需求量区间;
所述匹配单元,用于根据统计单元统计的需求量序列样本与价格序列样本的对应关系,由贝叶斯公式:
式中,事件A为实际需求量对应的需求量区间,事件B为需求量序列样本与价格序列样本对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间。
所述电价预测区间计算单元,用于计算电价预测区间,指定时刻的电价预测基本值与价格调整区间结合即得到指定时刻的电价预测区间。
实施例中,所述电价预测区间计算单元中,电价预测基本值分别与价格调整区间的左右端点相加得到电价预测区间的左右端点。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (14)
1.一种考虑电力供求关系的短期电价预测方法,针对同一指定交易品种,其特征在于,包括以下步骤:
S1:根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;
S2:基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;
S3:指定时刻的电价预测基本值与价格调整区间结合得到指定时刻的电价预测区间。
2.根据权利要求1所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,步骤S1所述根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值,具体为:
将指定交易品种指定时刻前的历史出清价格取均值,得到电价预测基本值。
3.根据权利要求1所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,步骤S2所述基于指定时刻的实际需求波动,计算指定时刻的价格调整区间,包括以下步骤:
S201:计算指定交易品种指定时刻的实际需求量;
S202:计算指定时刻前对应交易品种的历史实际需求量,得到历史实际需求量序列;
S203:统计指定时刻前对应交易品种的历史实际出清价格,得到历史实际出清价格序列;
S204:将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本;
S205:根据历史数据中的实际情况,统计需求量序列样本与价格序列样本的对应关系;
S206:在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间。
4.根据权利要求3所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,步骤S204所述将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本,具体为:
计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列转换成n-1个区间序列,即为需求量序列样本;
计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列转换成n-1个区间序列,即为价格序列样本;
其中,n为历史实际需求量或历史实际出清价格数量。
5.根据权利要求3所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,步骤S206所述在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间,具体为:
计算实际需求量波动值,实际需求量波动值=(实际需求量-实际需求量均值);
在需求量序列样本中,根据实际需求量波动值搜寻实际需求量对应的需求量区间;
根据步骤S205统计的需求量序列样本与价格序列样本的对应关系,由贝叶斯公式:
式中,事件A为实际需求量对应的需求量区间,事件B为需求量序列样本与价格序列样本对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间。
6.根据权利要求3-5任一所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,所述实际需求量为已发生的各类合同电量分解数据减去各类合同在当前时刻的分解电量。
7.根据权利要求1所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,步骤S3所述指定时刻的电价预测基本值与价格调整区间结合得到指定时刻的电价预测区间,具体为:电价预测基本值分别与价格调整区间的左右端点相加得到电价预测区间的左右端点。
8.一种考虑电力供求关系的短期电价预测系统,针对同一指定交易品种,其特征在于,包括电价预测基本值计算单元、价格调整区间计算单元和电价预测区间计算单元;
所述电价预测基本值计算单元,用于根据指定电力市场交易品种的历史出清价格数据,计算指定时刻的电价预测基本值;
所述价格调整区间计算单元,用于基于指定时刻的实际需求波动,计算指定时刻的价格调整区间;
所述电价预测区间计算单元,用于计算电价预测区间,指定时刻的电价预测基本值与价格调整区间结合即得到指定时刻的电价预测区间。
9.根据权利要求8所述的一种考虑电力供求关系的短期电价预测系统,其特征在于,所述电价预测基本值计算单元中,指定时刻的电价预测基本值由指定交易品种指定时刻前的历史出清价格取均值得到。
10.根据权利要求8所述的一种考虑电力供求关系的短期电价预测系统,其特征在于,所述价格调整区间计算单元包括实际需求量计算单元、历史实际需求量计算单元、历史实际出清价格计算单元、转换单元、统计单元和价格调整区间匹配单元;
所述实际需求量计算单元,用于计算指定交易品种指定时刻的实际需求量;
所述历史实际需求量计算单元,用于计算指定时刻前对应交易品种的历史实际需求量,得到历史实际需求量序列;
所述历史实际出清价格计算单元,用于统计指定时刻前对应交易品种的历史实际出清价格,得到历史实际出清价格序列;
所述转换单元,用于将历史实际需求量序列与历史实际出清价格序列转换成区间序列,得到需求量序列样本与价格序列样本;
所述统计单元,用于根据历史数据中的实际情况,统计需求量序列样本与价格序列样本的对应关系;
所述价格调整区间匹配单元,用于在需求量序列样本中,搜寻实际需求量对应的需求量区间,与实际需求量对应的需求量区间所匹配的频次最高的价格区间,即为价格调整区间。
11.根据权利要求10所述的一种考虑电力供求关系的短期电价预测方法,其特征在于,所述转换单元包括历史实际需求量波动值计算筛选单元、需求量序列样本转换单元、历史实际出清价格波动值计算筛选单元和价格序列样本转换单元;
所述历史实际需求量波动值计算筛选单元,用于计算历史实际需求量波动值,历史实际需求量波动值=(历史实际需求量-历史实际需求量均值),筛选得到历史实际需求量最大及最小波动值;
所述需求量序列样本转换单元,用于以(历史实际需求量最大波动值-历史实际需求量最小波动值)/n为区间跨度,将历史实际需求量序列转换成n-1个区间序列,即为需求量序列样本;
所述历史实际出清价格波动值计算筛选单元,用于计算历史实际出清价格波动值,历史实际出清价格波动值=(历史实际出清价格-历史实际出清价格均值),筛选得到历史实际出清价格最大及最小波动值;
所述价格序列样本转换单元,用于以(历史实际出清价格最大波动值-历史实际出清价格最小波动值)/n为区间跨度,将历史实际出清价格序列转换成n-1个区间序列,即为价格序列样本;
其中,n为历史实际需求量或历史实际出清价格数量。
12.根据权利要求10所述的一种考虑电力供求关系的短期电价预测系统,其特征在于,所述价格调整区间计算单元包括实际需求量波动值计算单元、搜寻单元和匹配单元;
所述实际需求量波动值计算单元,用于计算实际需求量波动值,实际需求量波动值=(实际需求量-实际需求量均值);
所述搜寻单元,用于在需求量序列样本中,根据实际需求量波动值搜寻实际需求量对应的需求量区间;
所述匹配单元,用于根据统计单元统计的需求量序列样本与价格序列样本的对应关系,由贝叶斯公式:
式中,事件A为实际需求量对应的需求量区间,事件B为需求量序列样本与价格序列样本对应关系下事件A匹配的价格区间;
选定P(B|A)取得最大值即事件A匹配的发生频次最高的价格区间,则该区间就是对应时刻的价格调整区间。
13.根据权利要求10-12任一所述的一种考虑电力供求关系的短期电价预测系统,其特征在于,所述实际需求量为已发生的各类合同电量分解数据减去各类合同在当前时刻的分解电量。
14.根据权利要求8所述的一种考虑电力供求关系的短期电价预测系统,其特征在于,所述电价预测区间计算单元中,电价预测基本值分别与价格调整区间的左右端点相加得到电价预测区间的左右端点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615866.6A CN110322074A (zh) | 2019-07-09 | 2019-07-09 | 一种考虑电力供求关系的短期电价预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910615866.6A CN110322074A (zh) | 2019-07-09 | 2019-07-09 | 一种考虑电力供求关系的短期电价预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110322074A true CN110322074A (zh) | 2019-10-11 |
Family
ID=68121599
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910615866.6A Pending CN110322074A (zh) | 2019-07-09 | 2019-07-09 | 一种考虑电力供求关系的短期电价预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110322074A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967649A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN115249166A (zh) * | 2021-12-20 | 2022-10-28 | 国家电投集团电站运营技术(北京)有限公司 | 出清电价预测方法、装置、计算机设备和存储介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144061A1 (en) * | 2001-04-26 | 2005-06-30 | Rarity Malcolm E. | Method of and apparatus for forecasting the price of a commodity |
CN103617566A (zh) * | 2013-12-05 | 2014-03-05 | 中国能源建设集团广东省电力设计研究院 | 一种基于实时电价的智能用电系统 |
US20160226261A1 (en) * | 2013-09-17 | 2016-08-04 | Nec Corporation | Power Supply-Demand Adjusting Apparatus, Power System and Power Supply-Demand Adjusting Method |
CN106097020A (zh) * | 2016-06-23 | 2016-11-09 | 上海觅星网络科技有限公司 | 用于提供定价策略信息的方法和装置 |
CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊(杭州)科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
CN107480829A (zh) * | 2017-08-25 | 2017-12-15 | 广东工业大学 | 一种短期电价预测方法、装置及系统 |
CN107730058A (zh) * | 2017-11-28 | 2018-02-23 | 北京恒华龙信数据科技有限公司 | 一种申报电价预测方法及装置 |
CN107993121A (zh) * | 2017-11-27 | 2018-05-04 | 北京恒华龙信数据科技有限公司 | 一种交易电价预测方法及装置 |
-
2019
- 2019-07-09 CN CN201910615866.6A patent/CN110322074A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050144061A1 (en) * | 2001-04-26 | 2005-06-30 | Rarity Malcolm E. | Method of and apparatus for forecasting the price of a commodity |
US20160226261A1 (en) * | 2013-09-17 | 2016-08-04 | Nec Corporation | Power Supply-Demand Adjusting Apparatus, Power System and Power Supply-Demand Adjusting Method |
CN103617566A (zh) * | 2013-12-05 | 2014-03-05 | 中国能源建设集团广东省电力设计研究院 | 一种基于实时电价的智能用电系统 |
CN106097020A (zh) * | 2016-06-23 | 2016-11-09 | 上海觅星网络科技有限公司 | 用于提供定价策略信息的方法和装置 |
CN107292661A (zh) * | 2017-06-02 | 2017-10-24 | 网易无尾熊(杭州)科技有限公司 | 计算机实现的基于数据分析辅助制定价格的方法及设备 |
CN107480829A (zh) * | 2017-08-25 | 2017-12-15 | 广东工业大学 | 一种短期电价预测方法、装置及系统 |
CN107993121A (zh) * | 2017-11-27 | 2018-05-04 | 北京恒华龙信数据科技有限公司 | 一种交易电价预测方法及装置 |
CN107730058A (zh) * | 2017-11-28 | 2018-02-23 | 北京恒华龙信数据科技有限公司 | 一种申报电价预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
王瑞庆等: "基于时间序列ARMAX模型的短期电价预测方法", 《华东电力》 * |
顾琳等: "基于供需曲线运动轨迹的铁矿石价格预测", 《价值工程》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967649A (zh) * | 2020-07-21 | 2020-11-20 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN111967649B (zh) * | 2020-07-21 | 2024-01-05 | 浙江中新电力工程建设有限公司 | 一种智能用电激励需求响应系统及其快速响应方法 |
CN115249166A (zh) * | 2021-12-20 | 2022-10-28 | 国家电投集团电站运营技术(北京)有限公司 | 出清电价预测方法、装置、计算机设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nepal et al. | Electricity load forecasting using clustering and ARIMA model for energy management in buildings | |
Mansoor et al. | Comparison of echo state network and feed-forward neural networks in electrical load forecasting for demand response programs | |
Ziel et al. | Electricity price forecasting using sale and purchase curves: The X-Model | |
Chen et al. | Electricity price forecasting with extreme learning machine and bootstrapping | |
Islam | Comparison of conventional and modern load forecasting techniques based on artificial intelligence and expert systems | |
Mao et al. | Time series forecasting based on complex network analysis | |
Khan et al. | Genetic algorithm based optimized feature engineering and hybrid machine learning for effective energy consumption prediction | |
WO2019049546A1 (ja) | 予測システム及び方法 | |
Feng et al. | Toward scalable stochastic unit commitment. Part 1: load scenario generation | |
Day et al. | Residential power load forecasting | |
Zhang et al. | Research on combined model based on multi-objective optimization and application in time series forecast | |
Oyebode | Evolutionary modelling of municipal water demand with multiple feature selection techniques | |
CN110322074A (zh) | 一种考虑电力供求关系的短期电价预测方法和系统 | |
Wu et al. | A data-driven gross domestic product forecasting model based on multi-indicator assessment | |
Perçuku et al. | Big data and time series use in short term load forecasting in power transmission system | |
Matsuo et al. | Forecasting daily electric load by applying artificial neural network with fourier transformation and principal component analysis technique | |
Buzoianu et al. | A dynamic supply-demand model for electricity prices | |
Wang et al. | The model of chaotic sequences based on adaptive particle swarm optimization arithmetic combined with seasonal term | |
Matijaš et al. | Supplier short term load forecasting using support vector regression and exogenous input | |
Xie et al. | Demand elasticity analysis by least squares support vector machine | |
JP2001288782A (ja) | 配水量予測システム | |
Okoye et al. | A theoretical framework for enhanced forecasting of electrical loads | |
Boopathi A et al. | Forecasting the Generation and Consumption of Electricity and Water in Kingdom of Bahrain using Grey Models | |
Sotiropoulos et al. | Modeling of electricity load for forward contract pricing | |
Huang | Financial Time Series Forecasting Based on Stochastic Differential Equation Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191011 |
|
RJ01 | Rejection of invention patent application after publication |