CN111091420A - 一种电力价格的预测方法及装置 - Google Patents
一种电力价格的预测方法及装置 Download PDFInfo
- Publication number
- CN111091420A CN111091420A CN201911322724.7A CN201911322724A CN111091420A CN 111091420 A CN111091420 A CN 111091420A CN 201911322724 A CN201911322724 A CN 201911322724A CN 111091420 A CN111091420 A CN 111091420A
- Authority
- CN
- China
- Prior art keywords
- price
- data
- influence factor
- prediction result
- deviation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 141
- 238000012545 processing Methods 0.000 claims abstract description 24
- 238000012549 training Methods 0.000 claims description 70
- 230000005611 electricity Effects 0.000 claims description 27
- 238000012360 testing method Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012937 correction Methods 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 15
- 230000008569 process Effects 0.000 description 11
- 230000004044 response Effects 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
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
- 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)
- Finance (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Water Supply & Treatment (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明适用于能源技术领域，提供了一种电力价格的预测方法及装置，该方法包括：根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据；对历史数据进行处理，获取价格预测结果和影响因素预测结果；采用极端梯度提升法对价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。通过对价格预测结果的修正，显著提高了预测的效率和准确性，缩短了预测计算时间，同时具有数据利用率高和使用数据量低的优点；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，节约了计算资源。
Description
技术领域
本发明属于能源技术领域，尤其涉及一种电力价格的预测方法及装置。
背景技术
随着电力侧改革的不断推进，电力交易市场正在逐渐形成。交易价格是影响电力交易主体购售决策的重要影响因素，因此电力价格预测越来越受到大家的关注。目前的价格预测主要采用传统时间序列算法，所以存在数据利用率低、预测不准确的问题；虽然循环神经网络可以进行电力价格预测，并在测试数据集上取得了精度更高的预测效果，但是该方法得到的学习模型运算速度较慢，且使用的数据量较大。针对上述问题，亟需一种快速、便捷、准确的电力价格预测方法。
发明内容
有鉴于此，本发明实施例提供了一种电力价格的预测方法、装置、终端设备及计算机可读存储介质，以解决现有技术中无法快速、便捷、准确的对电力价格进行预测的技术问题。
本发明实施例的第一方面，提供了一种电力价格的预测方法，包括：
根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据；
对所述历史数据进行处理，获取价格预测结果和影响因素预测结果；
采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
本发明实施例的第二方面，提供了一种电力价格的预测装置，包括：
信息获取模块，用于根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据；
预测模块，用于对所述历史数据进行处理，获取价格预测结果和影响因素预测结果；
修正模块，用于采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
本发明实施例的第三方面，提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现所述电力价格的预测方法的步骤。
本发明实施例的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电力价格的预测方法的步骤。
本发明实施例提供的电力价格的预测方法的有益效果至少在于：本发明实施例通过对价格预测结果的修正，显著提高了预测的效率和准确性，缩短了预测计算时间，同时具有数据利用率高和使用数据量低的优点；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，节约了计算资源。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1是本发明实施例提供的电力价格的预测方法的实现流程示意图一；
图2是本发明实施例提供的电力价格的预测方法中获取价格预测结果和影响因素预测结果的实现流程示意图；
图3是本发明实施例提供的电力价格的预测方法中获取电力价格的预测结果的实现流程示意图；
图4是本发明实施例提供的电力价格的预测方法的实现流程示意图二；
图5是本发明实施例提供的电力价格的预测方法中获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性的实现流程示意图；
图6是本发明实施例提供的电力价格的预测方法中判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求的实现流程示意图；
图7是本发明实施例提供的电力价格的预测装置的示意图一；
图8是本发明实施例提供的电力价格的预测装置中预测模块的示意图；
图9是本发明实施例提供的电力价格的预测装置中修正模块的示意图；
图10是本发明实施例提供的电力价格的预测装置的示意图图二；
图11是本发明实施例提供的电力价格的预测装置中训练模块的示意图；
图12是本发明实施例提供的电力价格的预测装置中测试单元的示意图；
图13是本发明实施例提供的终端设备的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。若未特别指明，实施例中所用的技术手段为本领域技术人员所熟知的常规手段。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本申请说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本申请。如在本申请说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参阅图1，是本发明实施例提供的电力价格的预测方法的实现流程示意图一，该方法可以包括：
步骤S10：根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据。
历史价格数据包括某日、某时刻的实际价格。
应当理解的是，影响因素数据还可以包括日期数据、温度数据、湿度等，并不仅限于上述的情形，此处不做限制。
在获取历史数据后，可以进行下述步骤：
步骤S30：对所述历史数据进行处理，获取价格预测结果和影响因素预测结果。
时间序列预测算法可以是差分整合移动平均自回归模型(AutoregressiveIntegrated Moving Average model))时间序列算法，该算法已经是很成熟的时间序列算法，被广泛的运用在预测场景中。应用中除了使用历史价格数据外，还采用了影响因素数据(天气和日期数据)，数据长度是30天。当然，在其他实施例中，数据长度还可以为其他值，例如60天或者90天等，并不仅限于上述的情形，此处不做限制。
应当理解的是，上述时间序列的计算方法不限于差分整合移动平均自回归模型，还可以是其他能够预测时间序列的方法，例如，残差注意力网络或者神经网络等，并不仅限于上述的情形，此处不做限制。
进一步地，为了获取价格预测结果和影响因素预测结果，需要历史价格数据进行处理。请参阅图2，是本发明实施例提供的电力价格的预测方法中获取价格预测结果和影响因素预测结果的实现流程示意图，在本实施例中，对所述历史价格数据进行处理，获取价格预测结果；对所述影响因素数据进行处理，获取所述影响因素预测结果。获取价格预测结果和影响因素预测结果的一种方式可以包括如下步骤：
步骤S301：对所述历史价格数据进行处理，获取价格预测结果。
价格预测结果的获取方式为：
其中，P′n,t表征所述价格预测结果，
表征相似日一次预测结果，g表征价格的预测算法，Pn-k,t表征相似日t时刻实际价格，k表征数据长度，n表征日期，t表征时刻。
在获取所述料液的测量数据后，可进行以下步骤：
步骤S302：对所述影响因素数据进行处理，获取所述影响因素预测结果。
应当理解的是，以上时间序列的初始预测方法不限于差分整合移动平均自回归模型，根据实际需求可以选取其他计算方法，此处不做限制。
请参阅图1，进一步地，在获取价格预测结果和影响因素预测结果后，可以进行下述步骤：
步骤S50：采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
极端梯度提升(XGBoost：eXtreme Gradient Boosting)算法采用正则项限制了模型计算复杂度，有效提高运算速度。其建模思路是在每轮迭代中生成一棵新的回归树，并综合所有回归树的结果，使预测值越来越逼近真实值。
进一步地，为了获取电力价格的预测结果，需要基于价格预测偏差和影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理。请参阅图3，是本发明实施例提供的电力价格的预测方法中获取电力价格的预测结果的实现流程示意图，在本实施例中，根据所述价格预测结果和实际价格，获取价格预测偏差；根据所述影响因素预测结果和实际价格的影响因素向量，获取影响因素偏差；基于所述价格预测偏差和所述影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理，获取电力价格的预测结果。获取电力价格的预测结果的一种方式可以包括如下步骤：
步骤S501：根据所述价格预测结果和实际价格，获取价格预测偏差。
定义第n日t时刻实际价格为Pn,t，根据相似日选取方法，一次预测方法的预测结果为
价格预测偏差获取方法为：
ΔPn,t＝Pn,t-P′n,t
其中，ΔPn,t表征所述价格预测偏差，Pn,t表征第n日t时刻实际价格。
步骤S502：根据所述影响因素预测结果和实际价格的影响因素向量，获取影响因素偏差。
定义Xn,t表示n日t时刻价格的相关因素影响向量(温度、湿度、周几)，用时间序列算法得到该时刻C的一次估计值
根据实际数据情况，只有天气数据需要进行该步骤，日期数据不需要进行估计。
步骤S503：基于所述价格预测偏差和所述影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理，获取电力价格的预测结果。
采用极端梯度提升算法对价格预测偏差与影响因素偏差进行建模，得到
ΔPn,t＝f((Δxn,t)1,(Δxn,t)2,…,(Δxn,t)m)＝f(Δxn,t)
其中，m表示影响因素数目，Δxn,t表征n日t时刻影响因素偏差。
对预测结果进行偏差校正，得到最终预测结果：
P″n,t＝P′n,t+ΔPn,t
其中，P″n,t表征电力价格的预测结果。
应当理解的是，以上n日t时刻获取的相关参数中，可以是任意日期和任意时刻，此处不做限制。
请参阅图4，是本发明实施例提供的电力价格的预测方法的实现流程示意图二，进一步地，在对所述历史数据进行处理，获取价格预测结果和影响因素预测结果步骤前，可以进行下述步骤：
步骤S20：对初始自回归积分滑动平均法和初始极端梯度提升法进行训练，以获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性。
进一步地，为了获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性，需要对初始自回归积分滑动平均法和初始极端梯度提升法进行训练。请参阅图5，是本发明实施例提供的电力价格的预测方法中获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性的实现流程示意图，在本实施例中，对所述历史数据进行分割，获取训练数据和测试数据；采用训练数据中的历史价格数据和影响因素数据对所述初始自回归积分滑动平均法进行训练，以获取经过训练的自回归积分滑动平均法、训练价格预测结果和训练影响因素预测结果；根据所述训练数据、所述经过训练的自回归积分滑动平均法、所述训练价格预测结果和所述训练影响因素预测结果，获取训练价格预测偏差和训练影响因素偏差；采用所述训练价格预测偏差和训练影响因素偏差对所述初始极端梯度提升法进行训练，以获取经过训练的极端梯度提升法；采用测试数据中的历史价格数据和影响因素数据对所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法进行测试，以确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性。获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性的一种方式可以包括如下步骤：
步骤S201：对所述历史数据进行分割，获取训练数据和测试数据。
步骤S202：采用训练数据中的历史价格数据和影响因素数据对所述初始自回归积分滑动平均法进行训练，以获取经过训练的自回归积分滑动平均法、训练价格预测结果和训练影响因素预测结果。
步骤S203：根据所述训练数据、所述经过训练的自回归积分滑动平均法、所述训练价格预测结果和所述训练影响因素预测结果，获取训练价格预测偏差和训练影响因素偏差。
步骤S204：采用所述训练价格预测偏差和训练影响因素偏差对所述初始极端梯度提升法进行训练，以获取经过训练的极端梯度提升法。
步骤S205：采用测试数据中的历史价格数据和影响因素数据对所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法进行测试，以确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性。
进一步地，为了确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性，需要判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求。请参阅图6，是本发明实施例提供的电力价格的预测方法中判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求的实现流程示意图，在本实施例中，判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求；若所述关联性满足预设要求，则确定所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法分别用于电力价格预测的自回归积分滑动平均法和极端梯度提升法；若所述关联性不满足预设要求，则返回所述采用训练数据中的历史价格数据和影响因素数据对初始自回归积分滑动平均法进行训练步骤。确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性的一种方式可以包括如下步骤：
步骤S2051：判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求。
步骤S2052：若所述关联性满足预设要求，则确定所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法分别用于电力价格预测的自回归积分滑动平均法和极端梯度提升法。
步骤S2053：若所述关联性不满足预设要求，则返回所述采用训练数据中的历史价格数据和影响因素数据对初始自回归积分滑动平均法进行训练步骤。
应当理解的是，以上各英文字母和/或符号仅是为清楚说明设备或者本方法具体参数意义，也可用其他字母或者符号表示。此处不做限制。
应当理解的是，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例提供的电力价格的预测方法的有益效果至少在于：
(1)本发明实施例采用时间序列算法进行价格预测，然后再利用XGBoost算法建立价格预测偏差与影响因素偏差百分比之间的关联模型，使用历史数据训练该学习模型，进而对预测结果进行二次修正，得到待预测日的价格曲线。
(2)本发明提出一种基于模式序列的相似性价格预测方法，充分利用历史价格数据，且在不降低精度的前提下，可以更加节省计算资源，有较快的预测速度。
(3)本发明实施例通过对预测结果的修正，显著提高了预测的效率，缩短预测时间，同时具有数据利用率高和使用数据量低的优点；该方法整体运算简单，保证了预测的准确性、便捷性和迅速性，节约了计算资源。
本发明实施例的目的还在于提供一种电力价格的预测装置，图7为是本发明实施例提供的电力价格的预测装置的示意图一，为了便于说明，仅示出与本申请实施例相关的部分。
请参阅图7，电力价格的预测装置包括信息获取模块71、预测模块73以及修正模块75。其中，信息获取模块71用于根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据；预测模块73用于对所述历史数据进行处理，获取价格预测结果和影响因素预测结果；修正模块75用于采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
请参阅图8，进一步地，预测模块73包括价格预测单元731和影响因素预测单元732。其中，价格预测单元731用于对所述历史价格数据进行处理，获取价格预测结果；影响因素预测单元732用于对所述影响因素数据进行处理，获取所述影响因素预测结果。
请参阅图9，进一步地，修正模块75包括预测偏差获取单元751、影响因素偏差获取单元752和预测结果获取单元753。其中，预测偏差获取单元751用于根据所述价格预测结果和实际价格，获取价格预测偏差；影响因素偏差获取单元752用于根据所述影响因素预测结果和实际价格的影响因素向量，获取影响因素偏差；预测结果获取单元753用于基于所述价格预测偏差和所述影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理，获取电力价格的预测结果。
进一步地，请参阅图10，是本发明实施例提供的电力价格的预测装置的示意图图二。电力价格的预测装置还包括训练模块72，用于对初始自回归积分滑动平均法和初始极端梯度提升法进行训练，以获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性。
请参阅图11，进一步地，训练模块72包括分割单元721、第一训练单元722、训练获取单元723、第二训练单元724和测试单元725。其中，分割单元721用于对所述历史数据进行分割，获取训练数据和测试数据；第一训练单元722用于采用训练数据中的历史价格数据和影响因素数据对所述初始自回归积分滑动平均法进行训练，以获取经过训练的自回归积分滑动平均法、训练价格预测结果和训练影响因素预测结果；训练获取单元723用于根据所述训练数据、所述经过训练的自回归积分滑动平均法、所述训练价格预测结果和所述训练影响因素预测结果，获取训练价格预测偏差和训练影响因素偏差；第二训练单元724用于采用所述训练价格预测偏差和训练影响因素偏差对所述初始极端梯度提升法进行训练，以获取经过训练的极端梯度提升法；测试单元725用于采用测试数据中的历史价格数据和影响因素数据对所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法进行测试，以确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性。
请参阅图12，进一步地，测试单元725包括判断子单元7251、满足预设要求子单元7252以及返回子单元7253。其中，判断子单元7251用于判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求；满足预设要求子单元7252用于若所述关联性满足预设要求，则确定所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法分别用于电力价格预测的自回归积分滑动平均法和极端梯度提升法；返回子单元7253用于若所述关联性不满足预设要求，则返回所述采用训练数据中的历史价格数据和影响因素数据对初始自回归积分滑动平均法进行训练步骤。
图13是本发明一实施例提供的终端设备的示意图。如图13所示，所述终端设备9，包括存储器91、处理器90以及存储在所述存储器91中并可在所述处理器90上运行的计算机程序92，所述处理器90执行所述计算机程序92时实现如所述电力价格的预测方法的步骤。例如图1-图6所示的步骤S10至S50。
所述终端设备9可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器90、所述存储器91。本领域技术人员可以理解，图13仅仅是终端设备9的示例，并不构成对终端设备9的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器90可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器91可以是所述终端设备9的内部存储单元，例如终端设备9的硬盘或内存。所述存储器91也可以是终端设备9的外部存储设备，例如所述终端设备9上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器91还可以既包括所述终端设备9的内部存储单元也包括外部存储设备。所述存储器91用于存储所述计算机程序以及所述终端设备所需的其它程序和数据。所述存储器91还可以用于暂时地存储已经输出或者将要输出的数据。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
具体可以如下，本申请实施例还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中的存储器中所包含的计算机可读存储介质；也可以是单独存在，未装配入终端设备中的计算机可读存储介质。所述计算机可读存储介质存储有一个或者一个以上计算机程序：
计算机可读存储介质，包括所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电力价格的预测方法的步骤。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种电力价格的预测方法，其特征在于，包括：
根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据；
对所述历史数据进行处理，获取价格预测结果和影响因素预测结果；
采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
2.如权利要求1所述的电力价格的预测方法，其特征在于，所述对所述历史数据进行处理，获取价格预测结果和影响因素预测结果，包括：
对所述历史价格数据进行处理，获取价格预测结果，所述价格预测结果的获取方式为：
其中，P’n,t表征所述价格预测结果，
表征相似日一次预测结果，g表征价格的预测算法，Pn-k,t表征相似日t时刻实际价格，k表征数据长度，n表征日期，t表征时刻；
对所述影响因素数据进行处理，获取所述影响因素预测结果。
3.如权利要求1所述的电力价格的预测方法，其特征在于，所述采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果，包括：
根据所述价格预测结果和实际价格，获取价格预测偏差；
根据所述影响因素预测结果和实际价格的影响因素向量，获取影响因素偏差；
基于所述价格预测偏差和所述影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理，获取电力价格的预测结果。
4.如权利要求3所述的电力价格的预测方法，其特征在于，所述根据所述价格预测结果和实际价格，获取价格预测偏差步骤中，所述价格预测偏差获取方法为：
ΔPn,t＝Pn,t-P’n,t
其中，ΔPn,t表征所述价格预测偏差，Pn,t表征第n日t时刻实际价格。
5.如权利要求3所述的电力价格的预测方法，其特征在于，所述基于所述价格预测偏差和所述影响因素偏差，采用极端梯度提升法对所述价格预测结果进行修正处理，获取电力价格的预测结果步骤中，所述电力价格的预测结果获取方法为：
P”n,t＝P’n,t+ΔPn,t
其中，P”n,t表征电力价格的预测结果。
6.如权利要求1所述的电力价格的预测方法，其特征在于，所述对所述历史数据进行处理，获取价格预测结果和影响因素预测结果步骤前，还包括：
对初始自回归积分滑动平均法和初始极端梯度提升法进行训练，以获取满足预设要求的价格预测偏差与影响因素偏差之间的关联性，包括：
对所述历史数据进行分割，获取训练数据和测试数据；
采用训练数据中的历史价格数据和影响因素数据对所述初始自回归积分滑动平均法进行训练，以获取经过训练的自回归积分滑动平均法、训练价格预测结果和训练影响因素预测结果；
根据所述训练数据、所述经过训练的自回归积分滑动平均法、所述训练价格预测结果和所述训练影响因素预测结果，获取训练价格预测偏差和训练影响因素偏差；
采用所述训练价格预测偏差和训练影响因素偏差对所述初始极端梯度提升法进行训练，以获取经过训练的极端梯度提升法；
采用测试数据中的历史价格数据和影响因素数据对所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法进行测试，以确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性。
7.如权利要求6所述的电力价格的预测方法，其特征在于，所述采用测试数据中的历史价格数据和影响因素数据对经过训练的自回归积分滑动平均法和经过训练的极端梯度提升法进行测试，以确定满足预设要求的价格预测偏差与影响因素偏差之间的关联性，包括：
判断所述价格预测偏差与影响因素偏差之间的关联性是否满足预设要求；
若所述关联性满足预设要求，则确定所述经过训练的自回归积分滑动平均法和所述经过训练的极端梯度提升法分别用于电力价格预测的自回归积分滑动平均法和极端梯度提升法；
若所述关联性不满足预设要求，则返回所述采用训练数据中的历史价格数据和影响因素数据对初始自回归积分滑动平均法进行训练步骤。
8.一种电力价格的预测装置，其特征在于，包括：
信息获取模块，用于根据电力交易信息，获取历史数据，所述历史数据包括历史价格数据和影响因素数据，所述影响因素数据至少包括天气数据；
预测模块，用于对所述历史数据进行处理，获取价格预测结果和影响因素预测结果；
修正模块，用于采用极端梯度提升法对所述价格预测结果和所述影响因素预测结果进行处理，获取电力价格的预测结果。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911322724.7A CN111091420A (zh) | 2019-12-20 | 2019-12-20 | 一种电力价格的预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911322724.7A CN111091420A (zh) | 2019-12-20 | 2019-12-20 | 一种电力价格的预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111091420A true CN111091420A (zh) | 2020-05-01 |
Family
ID=70396125
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911322724.7A Pending CN111091420A (zh) | 2019-12-20 | 2019-12-20 | 一种电力价格的预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111091420A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113868967A (zh) * | 2021-12-03 | 2021-12-31 | 中铁第一勘察设计院集团有限公司 | 结构监测数据预测方法、装置及存储介质 |
| CN114048905A (zh) * | 2021-11-12 | 2022-02-15 | 远景智能国际私人投资有限公司 | 电力资源的价格预测方法、装置、设备及存储介质 |
| CN118195677A (zh) * | 2024-05-17 | 2024-06-14 | 江苏思行达信息技术股份有限公司 | 一种电网营业厅的数据处理方法及系统 |
-
2019
- 2019-12-20 CN CN201911322724.7A patent/CN111091420A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114048905A (zh) * | 2021-11-12 | 2022-02-15 | 远景智能国际私人投资有限公司 | 电力资源的价格预测方法、装置、设备及存储介质 |
| CN113868967A (zh) * | 2021-12-03 | 2021-12-31 | 中铁第一勘察设计院集团有限公司 | 结构监测数据预测方法、装置及存储介质 |
| CN113868967B (zh) * | 2021-12-03 | 2022-04-12 | 中铁第一勘察设计院集团有限公司 | 结构监测数据预测方法、装置及存储介质 |
| CN118195677A (zh) * | 2024-05-17 | 2024-06-14 | 江苏思行达信息技术股份有限公司 | 一种电网营业厅的数据处理方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111091420A (zh) | 一种电力价格的预测方法及装置 | |
| CN113191256A (zh) | 车道线检测模型的训练方法、装置、电子设备及存储介质 | |
| CN113537192B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
| CN113705628B (zh) | 预训练模型的确定方法、装置、电子设备以及存储介质 | |
| CN113657483A (zh) | 模型训练方法、目标检测方法、装置、设备以及存储介质 | |
| CN114881129A (zh) | 一种模型训练方法、装置、电子设备及存储介质 | |
| CN115082920A (zh) | 深度学习模型的训练方法、图像处理方法和装置 | |
| CN112861885A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
| CN113360711A (zh) | 视频理解任务的模型训练和执行方法、装置、设备及介质 | |
| CN112580733A (zh) | 分类模型的训练方法、装置、设备以及存储介质 | |
| WO2023123926A1 (zh) | 人工智能任务处理方法、装置、电子设备及可读存储介质 | |
| CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
| CN114677653A (zh) | 模型训练方法、车辆关键点检测方法及相应的装置 | |
| CN113191261B (zh) | 图像类别的识别方法、装置和电子设备 | |
| CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
| CN116935368A (zh) | 深度学习模型训练方法、文本行检测方法、装置及设备 | |
| CN113901901A (zh) | 图像处理模型的训练方法、装置、电子设备和介质 | |
| CN113807391A (zh) | 任务模型的训练方法、装置、电子设备及存储介质 | |
| CN113361575A (zh) | 模型训练方法、装置和电子设备 | |
| CN113032071A (zh) | 页面元素定位方法、页面测试方法、装置、设备和介质 | |
| CN111178630A (zh) | 一种负荷预测方法及装置 | |
| CN111160969A (zh) | 一种电力价格预测方法及装置 | |
| WO2020037922A1 (zh) | 股指预测方法、装置及存储介质 | |
| CN117056730A (zh) | 数据预测的方法、装置、设备及存储介质 | |
| CN111222695A (zh) | 一种电负荷预测方法及装置 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200501 |