CN111126716A - 一种基于极端梯度提升算法预测电价的系统模型 - Google Patents

一种基于极端梯度提升算法预测电价的系统模型 Download PDF

Info

Publication number
CN111126716A
CN111126716A CN202010038642.6A CN202010038642A CN111126716A CN 111126716 A CN111126716 A CN 111126716A CN 202010038642 A CN202010038642 A CN 202010038642A CN 111126716 A CN111126716 A CN 111126716A
Authority
CN
China
Prior art keywords
power
data
electricity price
prediction
electricity
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
Application number
CN202010038642.6A
Other languages
English (en)
Inventor
胡炳谦
周浩
顾一峰
韩俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Ieslab Energy Technology Co ltd
Original Assignee
Shanghai Ieslab Energy Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Ieslab Energy Technology Co ltd filed Critical Shanghai Ieslab Energy Technology Co ltd
Priority to CN202010038642.6A priority Critical patent/CN111126716A/zh
Publication of CN111126716A publication Critical patent/CN111126716A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Accounting & Taxation (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

电价作为电力市场竞争效率的核心评价指标，随着全球电力市场化的不断发展和电力竞争市场的出现，电价预测变得越来越重要。电价预测与发电商和购电商都是直接利益相关，根据预测的结果调整自己的报价策略牵涉到各方实际利益。电力不同于一般商品，电力需求弹性低，难存储，易受到发电量，输电阻塞等电力系统特有约束的影响。因此，电价数据的随机性给目前的电力企业或者大型用电单位从运营计划到调度方案等方面都带来了许多挑战。本发明提出了一种基于历史天气数据和预测数据,历史电力负荷数据和预测数据,历史电价数据进而预测电力系统系统长期电价变化趋势的系统和方法。本方法应用了极端梯度提升算法，可以极大的提高预测准确度。

Description

一种基于极端梯度提升算法预测电价的系统模型
技术领域
本发明涉及一种电力系统运行管理技术, 特别涉及一种基于极端梯度提升算法(Extreme Gradient Boosting)的预测电价长期变化趋势的方法。
背景技术
随着全球电力市场化的不断发展，电价在电力市场中的核心地位受到人们越来越多的重视，近年来人们开始对电价进行了比较深入的研究，提出了不少电价预测方法。电价预测就是指：在考虑市场供求关系，市场参与者的市场力，电力成本，以及电力市场体制结构，社会经济形势等重要因素影响的条件下，通过利用数学工具对历史数据进行分析和研究，探索事物之间的内在联系和发展变化规律，在满足一定精度和速度的情况下，对未来电力市场中的电力交易价格进行预测。电价预测除具有与负荷预测一样的周期性特点外，外具有自身的特殊性：它不具备总体上的增长和上升趋势，而是处于不断波动变化之中。一般来说，电价的波动除受到燃料价格，竞价机组可用容量，水力发电量，用电需求弹性，输电阻塞等电力系统特有约束的影响外，还受到电力市场体制结构，社会经济形势，发电商实施市场力等主客观因素影响。因此，电价预测相对负荷预测难度要大，一些用于电力负荷预测的方法也就无法用来进行有效的电价预测，如用点对倍比法，一元线性回归法进行电价预测的结果往往都是不准确的。本发明提出了一种基于极端梯度提升算法 (Extreme GradientBoosting) 预测长期电价变化趋势的系统模型。
发明内容
本发明提出了一种基于历史天气数据和预测数据, 历史电力负荷数据和预测数据, 历史电价数据进而预测电力系统系统长期电价变化趋势的系统和方法。本方法应用了XGBoost算法，可以极大的提高预测准确度，具体流程如图1所示。
附图说明
图1为本发明实施中电价预测的流程图。
图2为本发明实施中样本电力价格曲线图。
图3位本发明实施中基于样本数据的实际电价和预测电价数据示意图。
具体实施方式
步骤一、通过测量或取得历史数据的方式，获得该区域的小时级历史历史气温,工作日, 节假日, 历史用电负荷，样本电力价格曲线图如图2所示。
步骤二、数据准备：
Figure 950426DEST_PATH_IMAGE001
，
Figure 808661DEST_PATH_IMAGE002
表示用来预测电价的输入数据，包括分别为,温 度,小时,工作日,是否为工作日,负荷，同一时段上一周的负荷,同一时段昨天的负荷，前二 十四小时的平均负荷，同一时段上一周的电价，同一时段昨天的电价，前二十四小时的平均 电价，前一天的峰值电价, 上一周的峰值电价。
Figure 656793DEST_PATH_IMAGE003
表示电价数据，也就是实际值,
Figure 866058DEST_PATH_IMAGE004
表示数据 量。
Figure 956373DEST_PATH_IMAGE005
表示损失函数，用来分析预测值的效果，其中
Figure 934694DEST_PATH_IMAGE006
为预测值。目标是目标是为 了优化或者说最小化损失函数，梯度提升算法的思想是迭代生多个（M个）弱的模型，然后将 每个弱模型的预测结果相加，后面的模型基于前面学习模型的的效果生成的，关系如下：
Figure 921104DEST_PATH_IMAGE007
。
步骤三、设立初始值，
Figure 384709DEST_PATH_IMAGE008
，
Figure 747557DEST_PATH_IMAGE009
表示残差值,而一开始为零,
Figure 845963DEST_PATH_IMAGE003
是观测值，
Figure 3275DEST_PATH_IMAGE010
预测值。
步骤四、迭代生成M个基础学习器。
步骤五、计算
Figure 187132DEST_PATH_IMAGE011
其中，
Figure 855136DEST_PATH_IMAGE012
这一步我们需要计算出，当前树模型的
Figure 542469DEST_PATH_IMAGE013
。
步骤六、基于决策树
Figure 401841DEST_PATH_IMAGE014
, 计算
Figure 807414DEST_PATH_IMAGE015
。
步骤七、更新
Figure 810267DEST_PATH_IMAGE013
，
Figure 352107DEST_PATH_IMAGE016
,
Figure 382380DEST_PATH_IMAGE017
。
步骤八、预测值更新,
Figure 540829DEST_PATH_IMAGE018
。
结果如图3所示。
本发明通过一种一种基于极端梯度提升算法(Extreme Gradient Boosting)，考虑多种数据自变量，提出一中对电力价格长期变化预测系统。为综合应用新能源发电，保障整体电网用电平稳安全，提供了一套得到有效预测数据的系统。

Claims (1)

1.一种基于极端梯度提升算法预测电价的系统模型其特征在于，包括：
步骤一、通过测量或取得历史数据的方式，获得该区域的小时级历史历史气温,工作日, 节假日, 历史用电负荷，样本电力价格曲线图如图2所示；
步骤二、数据准备：
Figure RE-142186DEST_PATH_IMAGE001
，
Figure RE-599713DEST_PATH_IMAGE002
表示用来预测电价的输入数据，包括分别为,温度,小时,工作日,是否为工作日,负荷，同一时段上一周的负荷,同一时段昨天的负荷，前二十四小时的平均负荷，同一时段上一周的电价，同一时段昨天的电价，前二十四小时的平均电价，前一天的峰值电价, 上一周的峰值电价，
Figure RE-476402DEST_PATH_IMAGE003
表示电价数据，也就是实际值,
Figure RE-364111DEST_PATH_IMAGE004
表示数据量，
Figure RE-693461DEST_PATH_IMAGE005
表示损失函数，用来分析预测值的效果，其中
Figure RE-954678DEST_PATH_IMAGE006
为预测值，
目标是目标是为了优化或者说最小化损失函数，梯度提升算法的思想是迭代生多个（M个）弱的模型，然后将每个弱模型的预测结果相加，后面的模型基于前面学习模型的的效果生成的，关系如下：
Figure RE-420294DEST_PATH_IMAGE007
；
步骤三、设立初始值，
Figure RE-475975DEST_PATH_IMAGE008
，
Figure RE-292621DEST_PATH_IMAGE009
表示残差值,而一开始为零,
Figure RE-951005DEST_PATH_IMAGE003
是观测值，
Figure RE-533777DEST_PATH_IMAGE010
预测值；
步骤四、迭代生成M个基础学习器；
步骤五、计算
Figure RE-25938DEST_PATH_IMAGE011
其中，
Figure RE-329881DEST_PATH_IMAGE012
这一步我们需要计算出，当前树模型的
Figure RE-667321DEST_PATH_IMAGE013
；
步骤六、基于决策树
Figure RE-107530DEST_PATH_IMAGE014
, 计算
Figure RE-770592DEST_PATH_IMAGE015
；
步骤七、更新
Figure RE-296252DEST_PATH_IMAGE013
，
Figure RE-437383DEST_PATH_IMAGE016
,
Figure RE-607DEST_PATH_IMAGE017
；
步骤八、预测值更新,
Figure RE-568992DEST_PATH_IMAGE018
；
结果如图3所示。
CN202010038642.6A 2020-01-14 2020-01-14 一种基于极端梯度提升算法预测电价的系统模型 Pending CN111126716A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010038642.6A CN111126716A (zh) 2020-01-14 2020-01-14 一种基于极端梯度提升算法预测电价的系统模型

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010038642.6A CN111126716A (zh) 2020-01-14 2020-01-14 一种基于极端梯度提升算法预测电价的系统模型

Publications (1)

Publication Number Publication Date
CN111126716A true CN111126716A (zh) 2020-05-08

Family

ID=70490630

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010038642.6A Pending CN111126716A (zh) 2020-01-14 2020-01-14 一种基于极端梯度提升算法预测电价的系统模型

Country Status (1)

Country Link
CN (1) CN111126716A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507777A (zh) * 2020-05-09 2020-08-07 上海积成能源科技有限公司 一种基于轻量级梯度提升算法预测电价的系统模型
CN111967918A (zh) * 2020-09-01 2020-11-20 上海积成能源科技有限公司 一种基于支持向量回归算法的预测电价的系统模型

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111507777A (zh) * 2020-05-09 2020-08-07 上海积成能源科技有限公司 一种基于轻量级梯度提升算法预测电价的系统模型
CN111967918A (zh) * 2020-09-01 2020-11-20 上海积成能源科技有限公司 一种基于支持向量回归算法的预测电价的系统模型

Similar Documents

Publication Publication Date Title
Karadede et al. Breeder hybrid algorithm approach for natural gas demand forecasting model
Biel et al. Flow shop scheduling with grid-integrated onsite wind power using stochastic MILP
Neshat et al. Cleaner power generation through market-driven generation expansion planning: an agent-based hybrid framework of game theory and particle swarm optimization
JP5248372B2 (ja) 発電計画作成方法、装置、プログラムおよび記憶装置
CN102682218A (zh) 一种工业用户电力能效评估方法
Siahkali et al. Electricity generation scheduling with large-scale wind farms using particle swarm optimization
CN103530701B (zh) 一种基于季节指数法的用户月用电量预测方法和系统
Trappey et al. A hierarchical cost learning model for developing wind energy infrastructures
Almalaq et al. Deep learning application: Load forecasting in big data of smart grids
CN110570023A (zh) 一种基于sarima-grnn-svm的短期商业电力负荷预测方法
CN112308411B (zh) 基于动态碳交易模型的综合能源站随机规划方法及系统
CN112132309B (zh) 可再生能源发电配额制下售电公司购售电优化方法和系统
AU2022200073A1 (en) Dynamic non-linear optimization of a battery energy storage system
CN111126716A (zh) 一种基于极端梯度提升算法预测电价的系统模型
Kusiak et al. Minimization of wind farm operational cost based on data-driven models
CN114792166A (zh) 一种基于多重约束的能源碳排放的优化预测方法及装置
CN116090730A (zh) 基于激励需求响应的虚拟电厂负荷优化调度方法和系统
CN113065680A (zh) 一种能源互联网的能量需求预测方法及系统
Yu et al. A practical real-time OPF method using new triangular approximate model of wind electric generators
Jiang et al. Effect analysis of operation stage difference on energy storage operation chart of cascade reservoirs
Jordan Incorporating endogenous demand dynamics into long-term capacity expansion power system models for Developing countries
CN111191858A (zh) 一种基于梯度提升算法预测短期电力负荷的系统模型
Hou System Dynamics Simulation of Large‐Scale Generation System for Designing Wind Power Policy in China
Thimmapuram et al. Modeling hydro power plants in deregulated electricity markets: Integration and application of EMCAS and VALORAGUA
Čarnogurská et al. Modeling the profit from hydropower plant energy generation using dimensional analysis.

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: 20200508