CN111401620A - 一种现货电价预测方法及装置 - Google Patents
一种现货电价预测方法及装置 Download PDFInfo
- Publication number
- CN111401620A CN111401620A CN202010163916.4A CN202010163916A CN111401620A CN 111401620 A CN111401620 A CN 111401620A CN 202010163916 A CN202010163916 A CN 202010163916A CN 111401620 A CN111401620 A CN 111401620A
- Authority
- CN
- China
- Prior art keywords
- spot
- model
- electricity price
- price
- prediction
- 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 88
- 238000000034 method Methods 0.000 title claims abstract description 65
- 230000001932 seasonal effect Effects 0.000 claims abstract description 37
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 12
- 238000012502 risk assessment Methods 0.000 claims abstract description 12
- 238000004590 computer program Methods 0.000 claims description 13
- 230000009191 jumping Effects 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 5
- 238000004088 simulation Methods 0.000 description 13
- 230000006870 function Effects 0.000 description 12
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000005653 Brownian motion process Effects 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000005537 brownian motion Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q30/0283—Price estimation or determination
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Finance (AREA)
- Mathematical Physics (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例涉及一种现货电价预测方法及装置，所述方法包括：建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；根据历史电价数据对所述均值回归模型在实际概率条件下进行校准，得到校准模型；根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测，获得现货电价。本申请实施例通过建立具有确定性季节性部分和跳跃性部分的回归模型，可以在电价预测时考虑确定性因素和随机性因素对电价的综合影响，使得现货电价预测更加合理准确。
Description
技术领域
本申请涉及电价预测方法，具体涉及一种现货电价预测方法及装置。
背景技术
近年来，随着中国电力体制改革的不断深入，售电公司在全国各省市大量成立。售电公司作为电力市场的主要参与者，其主要业务是从电力市场中购买电量并贩卖给用户，因此，从不同市场购电的比例决策以及售电方案的选择，是售电公司决策中的核心问题。然而，未来随着改革的不断深入，现货电价不确定性增加，如何准确地评估价格的不确定性，做出最优决策，将是售电公司运行时亟需考虑的关键问题，稍有不慎可能损失大量效益。此外，在市场化环境下，为降低用电费用，电力用户会根据需求响应主动调整用电方式，这将直接影响到售电公司的购、售电决策。
发明内容
本申请实施例的目的在于提供一种现货电价预测方法及装置，通过本申请实施例的现货电价预测方法可以较准确的对现货电价进行预测。
第一方面，本申请实施例提供一种现货电价预测方法，所述方法包括：建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；根据历史电价数据对所述均值回归模型在实际概率条件下进行校准，得到校准模型；根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测，获得现货电价的预测值。
通过建立具有确定性季节性部分和跳跃性部分的回归模型，可以在电价预测时考虑确定性因素和随机性因素对电价的综合影响，使得现货电话预测更加合理准确。
在一些实施例中，所述均值回归模型为：log(Pt)＝f(t)+Xt，其中，Pt是电力现货市场的现货价格，分量f(t)是具有确定性季节性部分，Xt是随机部分。
通过建立对数形式的回归模型，可以方便绘制图形以对现货电价进行预测。
在一些实施例中，所述现货电价预测方法还包括：收集历史电价数据构建数据库。
通过历史数据来进行现货电价预测，可以确定上述回归模型的季节性部分和随机性部分。
在一些实施例中，所述现货电价预测方法还包括：使用最小二乘法对所述季节性部分进行校准，以剔除所述数据库中的所述确定性季节性坏点数据，得到校准后的参数。
通过校准可以剔除季节性部分内的坏点数据，这些坏点数据包括差异大的数据。
在一些实施例中，所述方法还包括：绘制所述现货价格与所述确定性季节性趋势的对数关系图。
在一些实施例中，所述方法还包括：根据离散化方法校准所述随机部分，得到离散模型。
在一些实施例中，所述校准模型包括根据所述校准后参数确定的所述季节性性部分的模型和所述离散模型；其中，根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测还包括：根据所述校准后的参数和所述离散模型用蒙特卡洛模拟真实现货市场电价。
第二方面，本申请实施例提供一种现货电价预测装置，所述装置包括：模型构建单元，用于建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；校准单元，用于根据历史电价数据对所述均值回归模型在实际概率条件下进行校准；预测单元，用于根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测现货电价，得到现货电价预测值。
第三方面，本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现上述第一方面中所述的方法。
第四方面，本申请实施例提供一种信息处理设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现上述第一方面所述的方法。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为本申请实施例提供的现货电价预测方法的流程图；
图2为本申请实施例提供的现货电价预测装置组成框图；
图3为本申请实施例提供的信息处理设备的组成示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本申请的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
本申请实施例通过使用具有季节性和跳跃特性的均值回归模型来仿真预测现货市场电价，该模型是使用历史电价在实际概率下进行校核的。风险市场价格是从期货价格中获利的。使用校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测。仿真结果可以进一步用于以电价为基础对期权的定价。
如图1所示，图1提供一种现货电价预测方法100，该方法100可以包括：步骤S101，建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；步骤S102，根据历史电价数据对所述均值回归模型在实际概率条件下进行校准，得到校准模型；以及步骤S103，根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测，获得现货电价的预测值。
通过建立具有确定性季节性部分和跳跃性部分的回归模型，可以在电价预测时考虑确定性因素和随机性因素对电价的综合影响，使得现货电话预测更加合理准确。
在一些实施例中，所述均值回归模型为：log(Pt)＝f(t)+Xt，其中，Pt是电力现货市场的现货价格，分量f(t)是具有确定性季节性部分，Xt是随机部分。通过建立对数形式的回归模型，可以方便绘制图形以对现货电价进行预测。
下面示例性说明建模分析。
当采用效率较低的发电方法以提供足够的电力供应时，电价会在高需求时期出现价格上涨。电价具有显著的季节性特性，并且回归到平均水平，因此，本申请实施例将这些特征应纳入电价模型中。
电价建模可以为：log(Pt)＝f(t)+Xt
其中，Pt是电力现货市场的现货价格，电力市场现货价格模型是由对数的两个分量f(t)和Xt组成。分量f(t)是具有确定性季节性(周期)部分，而Xt是模型的随机部分。
用三角函数对f(t)进行建模，如下所示：
f(t)＝S1sin(2πt)+S2cos(2πt)+S3sin(4πt)+S4cos(4πt)+S5
其中Si，i＝1，…，5是常数参数，t是年化时间因子。
随机分量Xt包含带有跳跃性的奥恩斯坦-乌伦贝克过程(均值回归)：
dXt＝(α-κXt)dt+σdWt+J(μj,σj)d∏(λ)
其中，参数α和κ是均值回归参数。参数σ是波动率，Wt是标准布朗运动。跳跃程度为J(μj,σj)，具有正态分布的均值μj和标准偏差σj。泊松过程∏(λ)的跳跃强度为λ。
在一些实施例中，所述现货电价预测方法还包括：收集历史电价数据构建数据库。通过历史数据来进行现货电价预测，可以确定上述回归模型的季节性部分和随机性部分。
在一些实施例中，所述现货电价预测方法还包括：使用最小二乘法对所述季节性部分进行校准，以剔除所述数据库中的所述确定性季节性坏点数据，得到校准后的参数。通过校准可以剔除季节性部分内的坏点数据，这些坏点数据包括差异大的数据。
在一些实施例中，所述方法还包括：绘制所述现货价格与所述确定性季节性趋势的对数关系图。
在一些实施例中，所述方法还包括：根据离散化方法校准所述随机部分，得到离散模型。在一些实施例中，所述校准模型包括根据所述校准后参数确定的所述季节性性部分的模型和所述离散模型；其中，根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测还包括：根据所述校准后的参数和所述离散模型用蒙特卡洛模拟真实现货市场电价。
下面示例性说明上述坏点剔除方法，回归模型校准方法。
数据校准和清洗数据是为了纠正误差进行的技术措施。
首先，使用最小二乘法对确定性季节性部分进行校准。自从季节性函数相对于参数Si是线性的，使用反斜杠运算符(mldivide)。校准后，从价格的对数中清洗了季节性坏点数据。价格和季节性趋势的对数绘制如下。此外，绘制了价格的反季节对数。
％Calibrate parameters for the seasonality model为了季节性模型的数据校准
seasonMatrix＝@(t)[sin(2.*pi.*t)cos(2.*pi.*t)sin(4.*pi.*t)...cos(4.*pi.*t)t ones(size(t,1),1)]；
C＝seasonMatrix(PriceTimes)；
seasonParam＝C\logPrices；
％Plot log price and seasonality line绘制价格对数数值和描绘季节性线性关系
figure；
subplot(2,1,1)；
plot(PriceDates,logPrices)；
datetick()；
title('log(price)and Seasonality')；
xlabel('Date')；
ylabel('log(Prices)')；
hold on；
plot(PriceDates,C*seasonParam,'r')；
hold off；
legend('log(Price)','seasonality')；
％Plot de-seasonalized log price绘制反季节价格对数值表
X＝logPrices-C*seasonParam；
subplot(2,1,2)；
plot(PriceDates,X)；
datetick()；
title('log(price)with Seasonality Removed')；
xlabel('Date')；
ylabel('log(Prices)')；
第二阶段是校准随机部分。Xt的模型需要离散化以进行校准。假定有一个跳跃事件的伯努利过程。也就是说，由于是针对每日电价进行校准的，因此每天最多只能跳跃一次。
离散方程为：
设概率为(1-λΔt)，设概率为λΔt，其中ξ和ξJ是独立的标准正态随机变量，
Xt给定Xt-1的密度函数如下：
f(Xt|Xt-1)＝(λΔt)N1(Xt|Xt-1)+(1-λΔt)N2(Xt|Xt-1)
上述参数
可以通过最小化对数似然函数来校准：
约束条件是：
第一个不等式约束
等价于κ＞0。波动率σ和σJ必须为正。在最后一个不等式中，λΔt在0和1之间，因为它表示在Δt中发生跳跃的可能性。在算式中，假设Δt是一天，因此，一年中最多跳365次。统计和机器学习非常适合解决最大似然问题。
蒙特卡罗模拟
根据校准后的参数和离散模型模拟真实概率下的电价。本申请实施例模拟进行了大约2月(时间有限，理论上可以运行一万年)，共进行了10,000次仿真调试，包括模拟的最后一个月中的所有日期超过2个月机器学习。使用期货合约到期日的预期模拟价格来计算风险市场价格，将季节性重新添加到模拟路径中。
下面是单个模拟路径的绘制图实现代码。
风险市场价格校准
到目前为止，这些参数已根据实际概率进行了校准。但是，对于价格选项，需要在风险性概率下进行仿真。为此，从期货价格计算风险市场价格，以得出风险中位数参数。假设市场上有每月可用的期货合约，这些合约在合约月份内每天结算。例如，PJM(电力市场的此类期货在芝加哥商业交易所上市)。
期货在合约月份每日结算。因此，可以通过假设合同月份的期货价值恒定来获取每日期货价值。还需要使用来自实际度量的预期期货价格来计算风险的市场价格。对应实现的部分代码如下：
要根据市场期货价值校准风险的市场价格，请使用以下公式：
其中Ft是在时间t的观察到的期货值，Et是在时间t的实际测量值下的期望值，，该假设的市场价格为布朗运动充分推动了风险。mt可以通过离散化上述方程式和求解线性方程组来解决。
风险中位数价格的仿真模拟
一旦获得mt，就可以使用动态方程进行风险中位数仿真模拟：
假设概率为(1-λΔt)和和：
假设概率为λΔt，将风险中位数仿真模拟的预期值与市场期货值绘制曲线。这证实了风险中位数的仿真模拟紧密地拟合了市场期货价值。
定价期权
与风险无关的模拟值用作金融optpricebysim函数的输入，(电价数据来自英国伦敦期权定价)。以下是为期两年的某支看涨期权(有两次行使机会)计算的价格。第一次测仿真测试是在一年之后，第二次是在期权到期时。
通过以上分析，得出1.1085是理性价格(依据历史电价数据和真实验证检验数据的拟合度很高)，应用领域，在随着电价现货市场的繁盛，和日后电价期货交易的规范化和覆盖面越来越广，从垂直和横向的影响经济都未来必然的趋势，那么如何利用仿真算法来做出决策，同时引入HHE飞轮储能技术来有科学性的制定储能调节算法和制定规避未来期货市场或是交易高频现货电价市场的最好解决方案，飞轮是生命周期最长大于20年，免维护等特点。如果碳交易市场也与电价现货市场规范，那么从电价的现货市场和期货市场还有碳交易市场，对于电力企业来说都是获利的。
请参考图2，图2示出了本申请实施例通过的现货电价预测装置，应理解，该装置200与上述图1方法实施例对应，能够执行上述方法实施例涉及的各个步骤，该装置200的具体功能可以参见上文中的描述，为避免重复，此处适当省略详细描述。装置200包括至少一个能以软件或固件的形式存储于存储器中或固化在装置200的操作系统中的软件功能模块，该认证装置200包括：模型构建单元201，用于建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；校准单元202，用于根据历史电价数据对所述均值回归模型在实际概率条件下进行校准；预测单元203，用于根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测现货电价，得到现货电价预测值。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置的具体工作过程，可以参考前述方法100中的对应过程，在此不再过多赘述。
本申请实施例提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时可实现上述图1展示的方法100。
如图3所示，本申请实施例提供一种信息处理设备300，该信息处理设备300包括存储器310、处理器320以及存储在存储器310上并可在处理器320上运行的计算机程序，其中，处理器320执行所述程序时可实现上述图1所述的方法。
例如，本申请实施例的处理器320从总线330读取存储在存储器310上的程序并执行计算机程序可以实现如下方法：步骤S101，建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；步骤S102，根据历史电价数据对所述均值回归模型在实际概率条件下进行校准，得到校准模型；以及步骤S103，根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测，获得现货电价。
处理器320可以处理数字信号，可以包括各种计算结构。例如复杂指令集计算机结构、结构精简指令集计算机结构或者一种实行多种指令集组合的结构。在一些示例中，处理器320可以是微处理器。
存储器310可以用于存储由处理器320执行的指令或指令执行过程中相关的数据。这些指令和/或数据可以包括代码，用于实现本申请实施例描述的一个或多个模块的一些功能或者全部功能。本公开实施例的处理器320可以用于执行存储器310中的指令以实现图1中所示的方法。存储器310包括动态随机存取存储器、静态随机存取存储器、闪存、光存储器或其它本领域技术人员所熟知的存储器。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本申请的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
另外，在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块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，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本申请的实施例而已，并不用于限制本申请的保护范围，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种现货电价预测方法，其特征在于，所述方法包括：
建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；
根据历史电价数据对所述均值回归模型在实际概率条件下进行校准，得到校准模型；
根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测，获得现货电价的预测值。
2.根据权利要求1所述的现货电价预测方法，其特征在于，所述均值回归模型为：
log(Pt)＝f(t)+Xt
其中，Pt是电力现货市场的现货价格，分量f(t)是具有确定性季节性部分，Xt是随机部分。
3.根据权利要求2所述的现货电价预测方法，其特征在于，所述现货电价预测方法还包括：收集历史电价数据构建数据库。
4.如权利要求3所述的现货电价预测方法，其特征在于，所述现货电价预测方法还包括：
使用最小二乘法对所述季节性部分进行校准，以剔除所述数据库中的确定性季节性坏点数据，得到校准后的参数。
5.如权利要求4所述的现货电价预测方法，其特征在于，所述方法还包括：绘制所述现货价格与所述确定性季节性趋势的对数关系图。
6.如权利要求4所述的现货电价预测模型，其特征在于，所述方法还包括：
根据离散化方法校准所述随机部分，得到离散模型。
7.如权利要求6所述的现货电价预测模型，其特征在于，所述校准模型包括根据所述校准后参数确定的所述季节性性部分的模型和所述离散模型；其中，
根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测还包括：根据所述校准后的参数和所述离散模型用蒙特卡洛模拟真实现货市场电价。
8.一种现货电价预测装置，其特征在于，所述装置包括：
模型构建单元，用于建立均值回归模型，其中，所述均值回归模型具有季节性部分和跳跃性部分；
校准单元，用于根据历史电价数据对所述均值回归模型在实际概率条件下进行校准；
预测单元，用于根据所述校准模型和风险市场价格进行风险评估的蒙特卡洛仿真预测现货电价，得到现货电价预测值。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时可实现权利要求1-7中任意一条权利要求所述的方法。
10.一种信息处理设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其中，所述处理器执行所述程序时可实现权利要求1-7中任意一条权利要求所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010163916.4A CN111401620A (zh) | 2020-03-10 | 2020-03-10 | 一种现货电价预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010163916.4A CN111401620A (zh) | 2020-03-10 | 2020-03-10 | 一种现货电价预测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111401620A true CN111401620A (zh) | 2020-07-10 |
Family
ID=71430691
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010163916.4A Pending CN111401620A (zh) | 2020-03-10 | 2020-03-10 | 一种现货电价预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111401620A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183967A (zh) * | 2020-09-14 | 2021-01-05 | 南方电网能源发展研究院有限责任公司 | 一种基于运营模型的燃气机组控制方法及装置 |
| CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
| CN112686579A (zh) * | 2021-01-31 | 2021-04-20 | 重庆渝高科技产业(集团)股份有限公司 | 一种工程项目的结决算管控超概算预警方法及系统 |
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
-
2020
- 2020-03-10 CN CN202010163916.4A patent/CN111401620A/zh active Pending
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110826803A (zh) * | 2019-11-06 | 2020-02-21 | 广东电力交易中心有限责任公司 | 一种电力现货市场的电价预测方法及装置 |
Non-Patent Citations (3)
| Title |
|---|
| ANDREJUS NGUJEN TAT: "Electricity Price Forecasting Using Monte Carlo Simulation: The Case of Lithuania" * |
| JOANNA JANCZURA 等: "Identifying spikes and seasonal components in electricity spot price data: A guide to robust modeling" * |
| RONALD HUISMAN 等: "Regime jumps in electricity prices" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112183967A (zh) * | 2020-09-14 | 2021-01-05 | 南方电网能源发展研究院有限责任公司 | 一种基于运营模型的燃气机组控制方法及装置 |
| CN112597745A (zh) * | 2020-12-23 | 2021-04-02 | 深圳赛安特技术服务有限公司 | 一种智能图表的生成方法、装置、计算机系统及可读存储介质 |
| CN112686579A (zh) * | 2021-01-31 | 2021-04-20 | 重庆渝高科技产业(集团)股份有限公司 | 一种工程项目的结决算管控超概算预警方法及系统 |
| CN113283346A (zh) * | 2021-05-28 | 2021-08-20 | 捷佳润科技集团股份有限公司 | 一种基于机器学习的火龙果产量预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111401620A (zh) | 一种现货电价预测方法及装置 | |
| Wang et al. | Regression analysis: modeling & forecasting | |
| US20140143009A1 (en) | Risk reward estimation for company-country pairs | |
| Hotz‐Behofsits et al. | Predicting crypto‐currencies using sparse non‐Gaussian state space models | |
| US7840468B2 (en) | System and method for a risk management framework for hedging mortality risk in portfolios having mortality-based exposure | |
| Ben Mabrouk et al. | Optimal imperfect preventive maintenance policy for equipment leased during successive periods | |
| JP5159834B2 (ja) | マーケティング・モデル決定システム | |
| Dhavale et al. | Stochastic internal rate of return on investments in sustainable assets generating carbon credits | |
| US20130024396A1 (en) | Systems and Methods for Determining Cost of Capital for an Entity in a Bottom-Up, Fully Risk-Based Manner | |
| CN113516289B (zh) | 一种二氧化碳排放量预测方法、装置、设备及介质 | |
| CN102890799A (zh) | 业务成效权衡仿真器 | |
| Brown et al. | Carbon pricing with an output subsidy under imperfect competition: The case of Alberta's restructured electricity market | |
| US20110320368A1 (en) | Determining environmental impact | |
| WO2009005990A2 (en) | Performance risk management system | |
| Thurston et al. | Constrained optimization for green engineering decision-making | |
| CN107730058A (zh) | 一种申报电价预测方法及装置 | |
| Azizi et al. | Dynamic modeling to analyze the impacts of carbon reduction policies, Iran’s electricity industry | |
| Demgne et al. | Modelling and numerical assessment of a maintenance strategy with stock through piecewise deterministic Markov processes and quasi Monte Carlo methods | |
| JP2004185551A (ja) | 経営品質管理システム、経営品質管理方法、経営品質管理プログラム及び媒体 | |
| Syntetos et al. | Modelling spare parts’ demand: An empirical investigation | |
| Anfuso et al. | A sound Basel III compliant framework for backtesting credit exposure models | |
| Zhu | Supply chain risk management in automotive industry | |
| Casault et al. | Towards a better understanding of the dynamics of value creation in R&D intensive small firms | |
| CN113743743B (zh) | 一种关于售电公司交易组合的筛选方法及装置 | |
| Androschuck et al. | Simulation-based capital models: testing, justifying and communicating choices. a report from the life aggregation and simulation techniques working party |
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: 20200710 |
|
| RJ01 | Rejection of invention patent application after publication |