CN111754256A - 节点电价预测方法和装置 - Google Patents
节点电价预测方法和装置 Download PDFInfo
- Publication number
- CN111754256A CN111754256A CN202010380506.5A CN202010380506A CN111754256A CN 111754256 A CN111754256 A CN 111754256A CN 202010380506 A CN202010380506 A CN 202010380506A CN 111754256 A CN111754256 A CN 111754256A
- Authority
- CN
- China
- Prior art keywords
- component
- prediction model
- electricity price
- prediction
- training
- 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 155
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 70
- 230000010354 integration Effects 0.000 claims abstract description 54
- 230000000903 blocking effect Effects 0.000 claims abstract description 26
- 238000007637 random forest analysis Methods 0.000 claims description 41
- 238000012216 screening Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 5
- 230000007774 longterm Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提出一种节点电价预测方法和装置,其中,方法包括:获得目标节点历史数据集和构建特征库,将历史数据集分为训练集和集成集;根据特征库对训练集训练生成整体预测模型,按照历史电价的能量分量、阻塞分量和网损分量根据特征库对训练集进行训练生成三组分量预测模型进行相加得到基于分量预测模型;根据集成集以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到电价预测模型;获取目标时刻的输入特征输入电价预测模型得到预测电价。由此,能够实现精确的节点电价预测,提高电力市场参与者的经济效益,具有较高的应用价值。
Description
技术领域
本申请涉及电价预测技术领域,尤其涉及一种节点电价预测方法和装置。
背景技术
随着我国电力体制改革的不断深入,过去按电量和固定电价结算的机制正逐渐向市场化的方向转变,交易电量被分解到中长期合约、月度市场和现货市场等多个市场中。
目前现货市场的试点已在我国多地的交易中心开展。根据欧美成熟电力市场的运行经验,电力现货市场的交易非常活跃,其每日出清的电价也受到市场参与者的格外关注。世界上的大多数电力现货市场采用“主体报价-统一出清”的节点电价机制,节点电价的预测在很大程度上指导市场参与者的报价行为。从市场运行经验来看,节点电价预测与传统电力预测(如负荷预测等)存在两处不同:节点电价是市场出清的结果,其本身及各分量具有明显的经济意义,背后所驱动的因素也不尽相同;节点电价的波动较大,尖峰电价可能是低谷电价的几十倍。
目前研究中常见相关的节点电价预测方法采用传统时间序列预测的思路。比如,美国康涅狄格大学的学者们提出了基于卡曼滤波和神经网络的节点电价预测方法,并应用于美国宾州-新泽西-马里兰(PJM)电力市场。香港科技大学和悉尼大学的研究者们提出了基于灰度关联分析和支持向量机的电价预测方法,并在美国新英格兰电力市场的数据中验证了预测的准确率。
由于节点电价的性质与传统电力预测存在不同,传统的预测方法的预测精度受限,尤其无法保证其在电价波动较大时的准确率。
发明内容
本申请旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本申请提出一种节点电价预测方法,能够实现精确的节点电价预测,提高电力市场参与者的经济效益,具有较高的应用价值。
本申请提出一种节点电价预测装置。
本申请一方面实施例提出了一种节点电价预测方法,包括:
获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;
根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集;
通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型;
根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型;
获取目标时刻的输入特征,将所述输入特征输入所述电价预测模型得到所述目标时刻对应的预测电价。
本申请另一方面实施例提出了一种节点电价预测装置,包括:
获取模块,用于获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;
构建模块,用于根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集;
生成模块,用于通过随机森林模型根据所述特征库对所述训练集进行训练生成整体预测模型,以及通过所述随机森林模型按照所述历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型;
处理模块,用于根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按所述集成权重相加得到集成后的电价预测模型;
获取目标时刻的输入特征,将输入特征输入电价预测模型得到目标时刻对应的预测电价。
本申请实施例所提供的技术方案可以包含如下的有益效果:
通过获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集;通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据特征库对所述集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型;根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型;获取目标时刻的输入特征,将输入特征输入电价预测模型得到目标时刻对应的预测电价。由此,能够以高准确率实现节点电价的预测,提高电力市场参与者的经济效益,具有较高的应用价值。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请实施例所提供的一种节点电价预测方法的流程示意图;
图2为本申请实施例所提供的一种节点电价预测算法流程;
图3为本申请实施例提供的一种节点电价预测方法装置的结构示意图。
具体实施方式
下面详细描述本申请的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本申请,而不能理解为对本申请的限制。
下面参考附图描述本申请实施例的节点电价预测方法和装置。
本申请实施例的节点电价预测方法,充分利用节点电价的产生机理,提出基于各分量预测和Huber(损失函数)回归的预测方法,利用节点电价时间序列中各分量背后的驱动因素提升整体预测准确率,使其能在发电公司、负荷代理商等电力市场参与者中投入实际应用。
本申请实施例的节点电价预测方法,解决由于节点电价产生机理的复杂性和节点电价序列本身的强波动性导致的电价预测准确率较低的问题,该方法首先针对节点电价及其分量构建预测特征库和随机森林模型,并使用网格搜索进行超参数调整和最优特征筛选,得到节点电价整体预测模型和三组分量预测模型,随后将三组分量预测模型相加,得到基于分量预测的模型,最后,以最小化Huber损失为目标对整体预测模型和基于分量预测的模型进行集成,获得两组模型的最优集成权重,并按权重将两组模型相加,实现精确的节点电价预测。
图1为本申请实施例所提供的一种节点电价预测方法的流程示意图。
如图1所示,该方法包括以下步骤:
步骤101,获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集。
在本申请的一个实施例中,获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,包括:获取历史电价的序列p;获取历史电价的能量分量、阻塞分量和网损分量的序列为:pE、pC和pL;其中,p=pE+pC+pL。
在本申请的一个实施例中,参考预测数据为电力市场目标用户公开的,包括但不限于负荷、可再生能源出力、辅助服务需求中的一种或者多种。
步骤102,根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集。
在本申请的一个实施例中,根据日历、历史电价和参考预测数据生成日历特征、短期自回归特征、长期自回归特征和网络状态特征构建特征库。
其中,日历特征,如星期独热编码(星期一到星期日分别编号为1000000、……0000001)、小时编号等;短期自回归特征,如前一时刻至前一日同一时刻的电价(或电价分量)数据;长期自回归特征,如上周同一时刻的电价(或电价分量)数据;网络状态特征,如负荷、可再生能源出力、辅助服务需求等数据。
步骤103,通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据特征库对训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型。
具体地,在训练集中,针对节点电价,使用随机森林模型并采用网格法对模型进行超参数调整及输入特征筛选,得到一组整体预测模型;类似地,分别对节点电价的三个分量,即能量分量、阻塞分量和网损分量训练随机森林模型,并采用网格搜索进行超参数调整和特征筛选,得到三组分量预测模型;将三组分量预测模型相加,得到基于分量预测模型。
在本申请的一个实施例中,通过随机森林模型根据特征库对训练集和进行训练生成整体预测模型,包括:针对历史电价的序列构建随机森林模型;在训练集中使用网格搜索对随机森林模型的超参数进行调整,并从特征库中筛选出最优特征集合,使用调整后的超参数和特征训练随机森林模型,得到整体预测模型。
在本申请的一个实施例中,通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据特征库对训练集进行训练生成三组分量预测模型,包括:分别针对能量分量的序列、阻塞分量的序列和网损分量构建三组随机森林模型;在训练集中使用网格搜索分别对三组随机森林模型的超参数进行调整,并从特征库中筛选出最优特征集合,使用调整后的超参数和特征训练三组随机森林模型,得到三组分量预测模型。
在本申请的一个实施例中,网损分量训练的预测模型根据应用场景设置。
其中,(1)针对节点电价序列p,构建随机森林模型,在训练集中使用网格搜索对随机森林的超参数进行调整,并筛选出特征库中的最优特征集合,使用调整后的超参数和特征训练随机森林模型,得到一组p的整体预测模型f1(X1,t),X1,t为t时刻模型的输入特征;(2)针对电价分量序列pE、pC和pL,分别重复(1)中的操作,得到三组分量预测模型和(3)将三组分量预测相加,得到基于分量预测的电价预测模型f2=fE+fC+fL,其输入特征为X2,t。
步骤104,根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型。
具体地,在集成集中,以最小化Huber损失为目标,以整体预测模型和基于分量预测模型的权重为决策变量,构建线性规划问题,并求解最优的集成权重;将两个模型按最优权重相加,得到集成后的电价预测模型。
在本申请的一个实施例中,定义回归损失Lδ(x)如下:
设pt表示t时刻的真实电价,w=[w1,w2]为模型f1和f2的集成权重,在集成集中构建最小化回归损失的线性规划问题如下:
fen(Xt)=w1f1(X1,t)+w2f2(X2,t);
其中,Xt=[X1,t,X2,t]表示集成后模型在t时刻的输入特征。
步骤105,获取目标时刻的输入特征,将输入特征输入电价预测模型得到目标时刻对应的预测电价。
由此,能充分考虑节点电价中三个分量产生的不同驱动因素,并且使用集成学习综合了分量预测模型和直接整体预测模型的优点,能够以高准确率实现节点电价的预测,实现指导发电企业和负荷代理商在电力市场中的报价行为,有利于提高电力市场参与者的经济效益,因而具有重要的现实意义和良好的应用前景。
如图2所示,获得目标节点一定时段内的历史电价和电价的能量分量、阻塞分量和网损分量数据;获取电力市场组织者公开的其他数据,包括且不限于负荷、可再生能源出力、辅助服务需求等历史数据和预测数据;根据日历、历史电价和其他数据构建特征库,并将历史数据集按照一定比例分为训练集和集成集两部分;针对节点电价,使用随机森林模型并采用网格法对模型进行超参数调整及输入特征筛选,得到一组整体预测模型;分别对节点电价的三个分量,即能量分量、阻塞分量和网损分量训练随机森林模型,并采用网格搜索进行超参数调整和特征筛选,得到三组分量预测模型;将三组分量预测模型相加,得到基于分量预测的节点电价预测模型;在集成集中,以最小化Huber损失为目标,以整体预测模型和基于分量预测模型的权重为决策变量,构建线性规划问题,并求解最优的集成权重;根据最优的集成权重对模型进行集成,得到集成后的电价预测模型。
本申请实施例的节点电价预测方法,通过获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集;通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据特征库对训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型;根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型;获取目标时刻的输入特征,将输入特征输入电价预测模型得到目标时刻对应的预测电价。由此,能够以高准确率实现节点电价的预测,提高电力市场参与者的经济效益,具有较高的应用价值。
图3为本申请实施例提供的一种节点电价预测装置的结构示意图。
如图3所示,该装置包括:获取模块301、构建模块302、生成模块303和处理模块304。
获取模块301,用于获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集。
构建模块302,用于根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集。
生成模块303,用于通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据特征库对训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型。
处理模块304,用于根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型。
进一步地,在本申请实施例的一种可能的实现方式中,获取模块302,具体用于:
获取所述历史电价的序列p;
获取所述历史电价的能量分量、阻塞分量和网损分量的序列为:pE、pC和pL;其中,p=pE+pC+pL。
本申请实施例的节点电价预测装置,通过获得目标节点在预设时段内的历史电价、历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;根据日历、历史电价和参考预测数据构建特征库,并按照预设比例将历史数据集分为训练集和集成集;通过随机森林模型根据特征库对训练集进行训练生成整体预测模型,以及通过随机森林模型按照历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,将三组分量预测模型进行相加,得到基于分量预测模型;根据集成集,以最小化回归损失为目标,以整体预测模型和基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的集成权重,将整体预测模型和基于分量预测模型按集成权重相加得到集成后的电价预测模型;获取目标时刻的输入特征,将所述输入特征输入所述电价预测模型得到所述目标时刻对应的预测电价。由此,能够实现精确的节点电价预测,提高电力市场参与者的经济效益,具有较高的应用价值。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本申请的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本申请的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本申请的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本申请各个实施例中的各功能单元可以集成在一个处理模块中,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模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块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,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本申请的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本申请的限制,本领域的普通技术人员在本申请的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种节点电价预测方法,其特征在于,包括以下步骤:
获得目标节点在预设时段内的历史电价、所述历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;
根据日历、所述历史电价和所述参考预测数据构建特征库,并按照预设比例将所述历史数据集分为训练集和集成集;
通过随机森林模型根据所述特征库对所述训练集进行训练生成整体预测模型,以及通过所述随机森林模型按照所述历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,将所述三组分量预测模型进行相加,得到基于分量预测模型;
根据所述集成集,以最小化回归损失为目标,以所述整体预测模型和所述基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的所述集成权重,将所述整体预测模型和所述基于分量预测模型按所述集成权重相加得到集成后的电价预测模型;
获取目标时刻的输入特征,将所述输入特征输入所述电价预测模型得到所述目标时刻对应的预测电价。
2.如权利要求1所述的方法,其特征在,获得目标节点在预设时段内的历史电价、所述历史电价的能量分量、阻塞分量和网损分量,包括:
获取所述历史电价的序列p;
获取所述历史电价的能量分量、阻塞分量和网损分量的序列为:pE、pC和pL;其中,p=pE+pC+pL。
3.如权利要求1所述的方法,其特征在,
所述参考预测数据为电力市场目标用户公开的,包括但不限于负荷、可再生能源出力、辅助服务需求中的一种或者多种。
4.如权利要求1-3任一项所述的方法,其特征在,根据日历、所述历史电价和所述参考预测数据构建特征库,包括:
根据日历、所述历史电价和所述参考预测数据生成日历特征、短期自回归特征、长期自回归特征和网络状态特征构建特征库。
5.如权利要求1所述的方法,其特征在,所述通过随机森林模型根据所述特征库对所述训练集和进行训练生成整体预测模型,包括:
针对所述历史电价的序列构建随机森林模型;
在所述训练集中使用网格搜索对所述随机森林模型的超参数进行调整,并从所述特征库中筛选出最优特征集合,使用调整后的超参数和特征训练随机森林模型,得到所述整体预测模型。
6.如权利要求1所述的方法,其特征在,所述通过所述随机森林模型按照所述历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,包括:
分别针对所述能量分量的序列、阻塞分量的序列和网损分量构建三组随机森林模型;
在所述训练集中使用网格搜索分别对所述三组随机森林模型的超参数进行调整,并从所述特征库中筛选出最优特征集合,使用调整后的超参数和特征训练所述三组随机森林模型,得到所述三组分量预测模型。
7.如权利要求1所述的方法,其特征在,根据所述集成集,以最小化回归损失为目标,以所述整体预测模型和所述基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的所述集成权重,将所述整体预测模型和所述基于分量预测模型按所述集成权重相加得到集成后的电价预测模型,包括:
定义回归损失Lδ(x)如下:
设pt表示t时刻的真实电价,w=[w1,w2]为模型f1和f2的集成权重,在集成集中构建最小化回归损失的线性规划问题如下:
fen(Xt)=w1f1(X1,t)+w2f2(X2,t);
其中,Xt=[X1,t,X2,t]表示集成后模型在t时刻的输入特征。
8.如权利要求1所述的方法,其特征在,其中,
根据所述网损分量训练的预测模型根据应用场景设置。
9.一种节点电价预测装置,其特征在于,包括:
获取模块,用于获得目标节点在预设时段内的历史电价、所述历史电价的能量分量、阻塞分量和网损分量,以及参考预测数据作为历史数据集;
构建模块,用于根据日历、所述历史电价和所述参考预测数据构建特征库,并按照预设比例将所述历史数据集分为训练集和集成集;
生成模块,用于通过随机森林模型根据所述特征库对所述训练集进行训练生成整体预测模型,以及通过所述随机森林模型按照所述历史电价的能量分量、阻塞分量和网损分量根据所述特征库对所述训练集进行训练生成三组分量预测模型,将所述三组分量预测模型进行相加,得到基于分量预测模型;
处理模块,用于根据所述集成集,以最小化回归损失为目标,以所述整体预测模型和所述基于分量预测模型的集成权重为决策变量构建线性规划问题,并求解最优的所述集成权重,将所述整体预测模型和所述基于分量预测模型按所述集成权重相加得到集成后的电价预测模型;
获取目标时刻的输入特征,将所述输入特征输入所述电价预测模型得到所述目标时刻对应的预测电价。
10.如权利要求9所述的装置,其特征在,所述获取模块,具体用于:
获取所述历史电价的序列p;
获取所述历史电价的能量分量、阻塞分量和网损分量的序列为:pE、pC和pL;其中,p=pE+pC+pL。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380506.5A CN111754256A (zh) | 2020-05-08 | 2020-05-08 | 节点电价预测方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010380506.5A CN111754256A (zh) | 2020-05-08 | 2020-05-08 | 节点电价预测方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111754256A true CN111754256A (zh) | 2020-10-09 |
Family
ID=72673311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010380506.5A Pending CN111754256A (zh) | 2020-05-08 | 2020-05-08 | 节点电价预测方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754256A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837812A (zh) * | 2021-10-09 | 2021-12-24 | 广东电力交易中心有限责任公司 | 节点电价联合概率预测方法及装置 |
CN115498629A (zh) * | 2022-09-06 | 2022-12-20 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
CN115498629B (zh) * | 2022-09-06 | 2024-07-02 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
-
2020
- 2020-05-08 CN CN202010380506.5A patent/CN111754256A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113837812A (zh) * | 2021-10-09 | 2021-12-24 | 广东电力交易中心有限责任公司 | 节点电价联合概率预测方法及装置 |
CN113837812B (zh) * | 2021-10-09 | 2023-01-17 | 广东电力交易中心有限责任公司 | 节点电价联合概率预测方法及装置 |
CN115498629A (zh) * | 2022-09-06 | 2022-12-20 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
CN115498629B (zh) * | 2022-09-06 | 2024-07-02 | 清华大学 | 一种场景增强型电力负荷运行控制方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Local energy trading behavior modeling with deep reinforcement learning | |
Botterud et al. | Wind power trading under uncertainty in LMP markets | |
Pinson et al. | Dynamic sizing of energy storage for hedging wind power forecast uncertainty | |
CN108416503A (zh) | 具有资产规模调整的建筑物能量成本优化系统 | |
Velasco et al. | Performance analysis of artificial neural network models for hour-ahead electric load forecasting | |
Gönsch et al. | Sell or store? An ADP approach to marketing renewable energy | |
Toufani et al. | Operational benefit of transforming cascade hydropower stations into pumped hydro energy storage systems | |
CN115102202B (zh) | 基于滚动式实时电价预测的储能控制方法 | |
Liu et al. | Economic dispatch for electricity merchant with energy storage and wind plant: State of charge based decision making considering market impact and uncertainties | |
CN111754256A (zh) | 节点电价预测方法和装置 | |
CN110867904A (zh) | 电量出清方法和设备 | |
Nolzen et al. | Where to market flexibility? Optimal participation of industrial energy systems in balancing-power, day-ahead, and continuous intraday electricity markets | |
Reddy et al. | Cloud energy storage management system with price fluctuations and distributed generation intermittency | |
Kang et al. | Reinforcement learning-based optimal scheduling model of battery energy storage system at the building level | |
Liang et al. | Operation-adversarial scenario generation | |
CN109687452B (zh) | 一种用于配电网供电能力的分析方法、装置及存储介质 | |
Anderson et al. | Optimize Deep Decarbonization Pathways in California with Power System Planning Using Surrogate Level-based Lagrangian Relaxation | |
Žnidarec et al. | Double-layer microgrid energy management system for strategic short-term operation scheduling | |
Velasco et al. | Hour-ahead electric load forecasting using artificial neural networks | |
Sun et al. | Machine learning derived dynamic operating reserve requirements in high-renewable power systems | |
He et al. | Neighbourhood batteries and virtual power plants: a comparison of potential benefits for the grid and for households | |
Zhang et al. | Conditions for ramp rates causing uplift | |
Majzoobi et al. | Microgrid value of ramping | |
Tee et al. | Toward valuing flexibility in transmission planning | |
Sadighmanesh et al. | Probabilistic dispatch in hybrid-microgrid system with considering energy arbitrage |
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: 20201009 |
|
RJ01 | Rejection of invention patent application after publication |