CN113962751A - 电力套餐的零售价格预测方法、装置及存储介质 - Google Patents
电力套餐的零售价格预测方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113962751A CN113962751A CN202111452696.8A CN202111452696A CN113962751A CN 113962751 A CN113962751 A CN 113962751A CN 202111452696 A CN202111452696 A CN 202111452696A CN 113962751 A CN113962751 A CN 113962751A
- Authority
- CN
- China
- Prior art keywords
- prediction
- prediction model
- model
- power
- price
- 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 39
- 230000002776 aggregation Effects 0.000 claims abstract description 12
- 238000004220 aggregation Methods 0.000 claims abstract description 12
- 230000005611 electricity Effects 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 13
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000007477 logistic regression Methods 0.000 claims description 7
- 238000012795 verification Methods 0.000 claims description 7
- 230000007613 environmental effect Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 239000003245 coal Substances 0.000 claims description 4
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims 1
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000004891 communication Methods 0.000 description 7
- 238000003066 decision tree Methods 0.000 description 4
- 238000012417 linear regression Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000546 chi-square test Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000007787 solid Substances 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)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (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
本发明涉及一种电力套餐的零售价格预测方法、装置及存储介质，属于电力交易技术领域。该方法包括：根据相关因素与电力价格的相关性选择相关因素；使第一预测模型对选择的相关因素与电力价格进行拟合，并对第一预测模型加权聚合形成第二预测模型；根据第一预测模型、第二预测模型的预测结果获取最优模型，并修正最优模型的拟合误差形成最终预测模型；判断最终预测模型是否合理，若是，则根据最终预测模型预测电力套餐的电力价格，若否，则调整选择的相关因素重新建模。本发明实现了对电力套餐的电力价格的直接预测，稳定性好，便于指导和监督售电公司的价格制定，保证了售电公司及零售用户的利益，提高了市场运行的稳定性和安全性。
Description
技术领域
本发明属于电力交易技术领域，具体涉及一种电力套餐的零售价格预测方法、装置及存储介质。
背景技术
在电力交易市场中，售电公司作为对接批发市场和零售市场的中间角色，批发市场的电力价格会影响售电公司最终的收益。然而批发市场的电力价格是波动的，零售价格在一定时间内是固定的，若零售价格制定的不合理，会导致售电公司或零售用户出现亏损或电力消费不合理，进而导致违约或欠费，出现交易风险。如何能更精准地预测电力价格的走势，以指导售电公司在制作新套餐时制定合理的零售价格，对于交易中心来说是重要的内在需求。
在当前交易市场上，交易中心根据某月所有售电公司的批发均价作为一个市场均价，以此市场均价为基准来指导售电公司的零售价格。该方法得到的电力基准价格只依赖于某月的批发均价和批发量，容易受极值影响，同时无法考虑到价格的历史变化规律，也无法顾及一些社会环境的突发因素对其产生的影响。因此如何克服现有技术的不足是目前电力交易技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足，提供一种电力套餐的零售价格预测方法、装置及存储介质。本发明通过选取相关性较高的因素，结合多种模型预测电力市场价格的方式，实现了对电力套餐的电力价格的直接预测，稳定性好，并能够考虑各种相关因素的影响，便于更准确的指导和监督售电公司的价格制定，保证了售电公司及零售用户的利益，提高了市场运行的稳定性和安全性。
为实现上述目的，本发明采用的技术方案如下：
电力套餐的零售价格预测方法，包括如下步骤：
S101：获取电力套餐在预设时间段的电力价格的信息以及电力价格的相关因素的信息，并获取所述相关因素与电力价格的相关性，根据所述相关性选择所述相关因素；
S102：采取多个第一预测模型对选择的相关因素与所述电力价格进行拟合，并对所述第一预测模型加权聚合形成第二预测模型，所述第一预测模型包括Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型；
S103：根据所述第一预测模型、第二预测模型的预测结果获取最优模型，并修正所述最优模型的拟合误差形成最终预测模型；
S104：判断所述最终预测模型是否合理，若是，则根据所述最终预测模型预测电力套餐的电力价格，若否，则调整选择的相关因素，跳转至S102。
进一步，优选的是，相关因素包括预设时间段的用电量、环境数据、发电总量、煤炭价格数据中的至少一种。
进一步，优选的是，获取所述相关因素与电力价格的相关性的步骤具体包括：
对所述电力价格、相关因素进行卡方校验处理，根据校验结果获取各相关因素与所述电力价格的相关性。
进一步，优选的是，根据所述相关性选择所述相关因素的步骤具体包括：
获取各相关因素的相关性数值，获取存在相关性的相关因素，并根据存在相关性的相关因素的相关性数值大小选择相关因素。
进一步，优选的是，第一预测模型加权聚合形成第二预测模型的步骤具体包括：
对Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型进行权重设置，利用权重设置后的模型加权聚合形成第二预测模型。
进一步，优选的是，根据所述第一预测模型、第二预测模型的预测结果获取最优模型的步骤具体包括：
比较第一预测模型、第二预测模型的拟合误差，将拟合误差最小的模型确定为最优模型。
进一步，优选的是，修正所述最优模型的拟合误差形成最终预测模型的步骤具体包括：
采用ARIMA模型对所述最优模型的拟合误差进行预测，并将预测的拟合误差与最优模型的预测结果进行加减运算，形成最终预测模型。
进一步，优选的是，判断所述最终预测模型是否合理的步骤具体包括：
获取所述最终预测模型的平方损失函数值，判断所述平方损失函数值是否小于预设值；
若是，则确定所述最终预测模型合理；
若否，则确定所述最终预测模型不合理。
本发明同时提供一种电力套餐的零售价格预测装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述电力套餐的零售价格预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如上述电力套餐的零售价格预测方法的步骤。
本发明根据存在相关性的相关因素的相关性数值大小选择相关因素，可以为：显著性水平P值越小代表相关性越强，首次可选择满足P<0.05或P<0.01的所有相关因素，后续步骤迭代的时候可按照P值排序，迭代一次剔除一个P值最大的因素。
售电公司在制作新套餐时候，需要制定套餐的价格，系统会根据模型计算结果自动提示一个当前电力市场电力价格基准以供售电公司参考。
本发明与现有技术相比，其有益效果为：
本发明提供一种电力套餐的零售价格预测方法、装置及存储介质，通过选取相关性较高的因素，结合多种模型预测电力市场价格的方式，实现了对电力套餐的电力价格的直接预测，稳定性好，并能够考虑各种相关因素的影响，便于更准确的指导和监督售电公司的价格制定，保证了售电公司及零售用户的利益，提高了市场运行的稳定性和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，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性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明电力套餐的零售价格预测方法一实施例的流程图；
图2为本发明电力套餐的零售价格预测方法另一实施例的流程图；
图3为本发明电力套餐的零售价格预测装置一实施例的结构图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解，下列实施例仅用于说明本发明，而不应视为限定本发明的范围。实施例中未注明具体技术或条件者，按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者，均为可以通过购买获得的常规产品。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语（包括技术术语和科学术语）具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
请参阅图1至图2，其中，图1为本发明电力套餐的零售价格预测方法一实施例的流程图；图2为本发明电力套餐的零售价格预测方法另一实施例的流程图。结合图1至图2对本发明的电力套餐的零售价格预测方法作详细说明。
在本实施例中，执行电力套餐的零售价格预测方法的设备为电力套餐的零售价格预测装置，该电力套餐的零售价格预测装置可以为电脑、电力套餐的零售价格预测装置、平板电脑、云平台、服务器以及其他能够进行数据拟合和模型验证的智能终端。
其中，电力套餐的零售价格预测方法包括：
S101：获取电力套餐在预设时间段的电力价格的信息以及电力价格的相关因素的信息，并获取相关因素与电力价格的相关性，根据相关性选择相关因素。
在本实施例中，相关因素包括预设时间段的用电量、环境数据、发电总量、煤炭价格数据中的至少一种，其中，环境数据包括季节、天气、温度、湿度这些相关信息。在其他实施例中，相关因素还可以为电力售卖区域、零售用户类型、节假日信息等影响电力价格的因素。
在本实施例中，获取相关因素与电力价格的相关性的步骤具体包括：对电力价格、相关因素进行卡方校验处理，根据校验结果获取各相关因素与电力价格的相关性。
在其他实施例中，也可以通过计算皮尔森相关系数、斯皮尔曼相关性系数、肯德尔相关性系数以及其他能够比较相关的方式获取电力价格与不同相关因素之间的相关性。
在本实施例中，预设时间段为上月度，在其他实施例中，预设时间段也可以为上周、上季度、上半年以及其他时间段。
根据相关性选择相关因素的步骤具体包括：获取各相关因素的相关性数值获取存在相关性的相关因素，并根据存在相关性的相关因素的相关性数值大小选择相关因素。其中，将相关性小于预设数值的相关因素确定为存在相关性，根据相关性数值的大小排序选择使用的相关因素。
在一个具体的实施例中，电力价格的信息为电力价格的历史序列，从电力交易中心获取电力市场月度电力价格的历史序列，获取交易市场历史用电量，历史环境数据（如温度、湿度），发电总量、煤炭价格数据等等尽可能多的相关因素数据。并采用卡方检验来计算各因素与电力价格之间的相关性，根据显著性P值选取几个相关性系数较高的因素，一般P<0.05或P<0.01代表有相关性，P值越小，相关性越强，选择相关性较强的多个相关因素，并将这些选择的相关因素带入后续步骤建模。
S102：采取多个第一预测模型对选择的相关因素与电力价格进行拟合，并对第一预测模型加权聚合形成第二预测模型，第一预测模型包括Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型。需要注意的是，单独的第一预测模型为上述三个模型中的一个。多个第一预测模型，例如5个第一预测模型，可以包括2个Logistic回归预测模型、2个BP神经网络回归预测模型、1个CART回归预测模型。
通过创建的多个第一预测模型对选择的相关因素与电力价格进行拟合，获取不同模型产生的拟合结果。并对第一预测模型设置不同的权重（所有模型权重和为1，例如，有三个第一预测模型模型，则权重值可以为0.4、0.3、0.3），根据权重设置后的第一预测模型构建第二预测模型。其中，第一预测模型可以为第三方模型库中算法包，通过调用算法包的方式对相关因素、电力价格进行拟合以获取拟合结果。
第一预测模型加权聚合形成第二预测模型的步骤具体包括：对Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型进行权重设置，利用权重设置后的模型加权聚合形成第二预测模型。其中，不同第一预测模型的权重和等于1。其具体方法是每个第一预测模型的预测结果乘以权重后加和，获得第二预测模型。
在本实施例中，不同的第一预测模型对应的权重不同，在其他实施例中，不同的第一预测模型对应的第一预测模型也可以部分相同或全部相同，且第一预测模型的权重和也可以不为1，在此不做限定。
S103：根据第一预测模型、第二预测模型的预测结果获取最优模型，并修正最优模型的拟合误差形成最终预测模型。
根据第一预测模型、第二预测模型的预测结果获取最优模型的步骤具体包括：比较第一预测模型、第二预测模型的拟合误差，将拟合误差最小的模型确定为最优模型。
修正最优模型的拟合误差形成最终预测模型的步骤具体包括：采用ARIMA模型对所述最优模型的拟合误差进行预测，并将预测的拟合误差与最优模型的预测结果进行修正，即加减运算，形成最终预测模型。例如，拟合误差为正误差，则减去该误差；拟合误差为负误差，则加上该误差。
在一个具体的实施例中，基于逻辑线性回归模型对相关性较高的几个相关因素和电力价格进行拟合。基于BP神经网络模型对相关性较高的几个相关因素和电力价格进行拟合。基于决策树回归模型对相关性较高的几个相关因素和电力价格进行拟合。并将逻辑线性回归模型、BP神经网络模型、决策树回归模型进行加权聚合成一个第二预测模型，以此模型对电力价格、相关性较高的几个相关因素进行拟合。其中，第一预测模型、第二预测模型进行拟合时使用的相关因素相同。比较步4个模型的拟合结果，比较拟合误差，选取误差最小的作为最优模型。对选定的最优模型的拟合误差进行修正，该拟合误差具有时序特征，采用ARIMA（Autoregressive Integrated Moving Average model，差分整合移动平均自回归模型）进行误差修正，将修正误差带入最优模型中，得到最终的模型。
S104：判断最终预测模型是否合理，若是，则根据最终预测模型预测电力套餐的电力价格，若否，则调整选择新的相关因素，跳转至S102。
判断最终预测模型是否合理的步骤具体包括：获取最终预测模型的平方损失函数值，判断平方损失函数值是否小于预设值；若是，则确定最终预测模型合理；若否，则确定最终预测模型不合理。本发明对于预设值不做限制，可根据实际需求进行设置。
在其他实施例中，也可以通过最终预测模型的绝对值损失函数、对数损失函数、均方误差、均方根误差等能够比较预测值与真实值误差的函数判断最终预测函数的预测误差是否位于预设范围，从而判断模型是否合理。
在确定最终预测模型合理后，利用最终预测模型输出电力市场当前或某个时间段的电力套餐的电力价格，并将该价格作为计算电力套餐价格的基准价格以对电力套餐的定价进行规范。若不合理，则修改与电力价格进行拟合的相关因素。重新获取第一预测模型、第二预测模型的拟合结果。
图3为本发明实施例提供的电子设备结构示意图，参照图3，该电子设备可以包括：处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204，其中，处理器201，通信接口202，存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令，以执行如下方法：
S101：获取电力套餐在预设时间段的电力价格的信息以及电力价格的相关因素的信息，并获取所述相关因素与电力价格的相关性，根据所述相关性选择所述相关因素；
S102：采取多个第一预测模型对选择的相关因素与所述电力价格进行拟合，并对所述第一预测模型加权聚合形成第二预测模型，所述第一预测模型包括逻辑线性回归模型、神经网络、基于决策树回归模型
S103：根据所述第一预测模型、第二预测模型的预测结果获取最优模型，并修正所述最优模型的拟合误差形成最终预测模型；
S104：判断所述最终预测模型是否合理，若是，则根据所述最终预测模型预测电力套餐的电力价格，若否，则调整选择的相关因素，跳转至S102。
此外，上述的存储器203中的逻辑指令可以通过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，本发明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）执行本发明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。
在本实施例中，处理器201是电力套餐的零售价格预测装置的控制中心，利用各种接口和线路连接整个电力套餐的零售价格预测装置的各个部分，通过运行或执行存储在存储器203内的软件程序和/或模块，以及调用存储在存储器203内的数据，执行电力套餐的零售价格预测装置的各种功能和处理数据，从而对电力套餐的零售价格预测装置进行整体监控。可选的，处理器201可包括一个或多个处理单元；优选的，处理器201可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器中。
电力套餐的零售价格预测装置还包括给各个部件供电的电源（比如电池），优选的，电源可以通过电源管理系统与处理器201逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
存储器203可用于存储软件程序以及模块，处理器201通过运行存储在存储器的软件程序以及模块，从而执行电力套餐的零售价格预测装置的各种功能应用以及数据处理。存储器203可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序等；存储数据区可存储根据电力套餐的零售价格预测装置的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的电力套餐的零售价格预测方法，例如包括：
S101：获取电力套餐在预设时间段的电力价格的信息以及电力价格的相关因素的信息，并获取所述相关因素与电力价格的相关性，根据所述相关性选择所述相关因素；
S102：采取多个第一预测模型对选择的相关因素与所述电力价格进行拟合，并对所述第一预测模型加权聚合形成第二预测模型，所述第一预测模型包括逻辑线性回归模型、神经网络、基于决策树回归模型
S103：根据所述第一预测模型、第二预测模型的预测结果获取最优模型，并修正所述最优模型的拟合误差形成最终预测模型；
S104：判断所述最终预测模型是否合理，若是，则根据所述最终预测模型预测电力套餐的电力价格，若否，则调整选择的相关因素，跳转至S102。
以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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）执行各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.电力套餐的零售价格预测方法，其特征在于，包括如下步骤：
S101：获取电力套餐在预设时间段的电力价格的信息以及电力价格的相关因素的信息，并获取所述相关因素与电力价格的相关性，根据所述相关性选择所述相关因素；
S102：采取多个第一预测模型对选择的相关因素与所述电力价格进行拟合，并对所述第一预测模型加权聚合形成第二预测模型，所述第一预测模型包括Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型；
S103：根据所述第一预测模型、第二预测模型的预测结果获取最优模型，并修正所述最优模型的拟合误差形成最终预测模型；
S104：判断所述最终预测模型是否合理，若是，则根据所述最终预测模型预测电力套餐的电力价格，若否，则调整选择的相关因素，跳转至S102。
2.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，相关因素包括预设时间段的用电量、环境数据、发电总量、煤炭价格数据中的至少一种。
3.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，获取所述相关因素与电力价格的相关性的步骤具体包括：
对所述电力价格、相关因素进行卡方校验处理，根据校验结果获取各相关因素与所述电力价格的相关性。
4.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，根据所述相关性选择所述相关因素的步骤具体包括：
获取各相关因素的相关性数值，获取存在相关性的相关因素，并根据存在相关性的相关因素的相关性数值大小选择相关因素。
5.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，第一预测模型加权聚合形成第二预测模型的步骤具体包括：
对Logistic回归预测模型、BP神经网络回归预测模型、CART回归预测模型进行权重设置，利用权重设置后的模型加权聚合形成第二预测模型。
6.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，根据所述第一预测模型、第二预测模型的预测结果获取最优模型的步骤具体包括：
比较第一预测模型、第二预测模型的拟合误差，将拟合误差最小的模型确定为最优模型。
7.根据权利要求1所述的电力套餐的零售价格预测方法，其特征在于，修正所述最优模型的拟合误差形成最终预测模型的步骤具体包括：
采用ARIMA模型对所述最优模型的拟合误差进行预测，并将预测的拟合误差与最优模型的预测结果进行加减运算，形成最终预测模型。
8.根据权利要求7所述的电力套餐的零售价格预测方法，其特征在于，判断所述最终预测模型是否合理的步骤具体包括：
获取所述最终预测模型的平方损失函数值，判断所述平方损失函数值是否小于预设值；
若是，则确定所述最终预测模型合理；
若否，则确定所述最终预测模型不合理。
9.电力套餐的零售价格预测装置，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至8任一项所述电力套餐的零售价格预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至8任一项所述电力套餐的零售价格预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452696.8A CN113962751A (zh) | 2021-11-30 | 2021-11-30 | 电力套餐的零售价格预测方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111452696.8A CN113962751A (zh) | 2021-11-30 | 2021-11-30 | 电力套餐的零售价格预测方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113962751A true CN113962751A (zh) | 2022-01-21 |
Family
ID=79472790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111452696.8A Pending CN113962751A (zh) | 2021-11-30 | 2021-11-30 | 电力套餐的零售价格预测方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113962751A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230289695A1 (en) * | 2022-03-09 | 2023-09-14 | Ncr Corporation | Data-driven prescriptive recommendations |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020110297A1 (ja) * | 2018-11-30 | 2020-06-04 | 三菱電機株式会社 | 取引価格予測装置および取引価格予測方法 |
| CN113313532A (zh) * | 2021-06-18 | 2021-08-27 | 华电电力科学研究院有限公司 | 考虑价格型需求响应的零售套餐定价方法及装置 |
| CN113506121A (zh) * | 2021-04-01 | 2021-10-15 | 常州工学院 | 价格影响因素的分析方法及装置 |
-
2021
- 2021-11-30 CN CN202111452696.8A patent/CN113962751A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2020110297A1 (ja) * | 2018-11-30 | 2020-06-04 | 三菱電機株式会社 | 取引価格予測装置および取引価格予測方法 |
| CN113506121A (zh) * | 2021-04-01 | 2021-10-15 | 常州工学院 | 价格影响因素的分析方法及装置 |
| CN113313532A (zh) * | 2021-06-18 | 2021-08-27 | 华电电力科学研究院有限公司 | 考虑价格型需求响应的零售套餐定价方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230289695A1 (en) * | 2022-03-09 | 2023-09-14 | Ncr Corporation | Data-driven prescriptive recommendations |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106408341A (zh) | 货品销量的预测方法及装置、电子设备 | |
| US20140310059A1 (en) | System , method and computer program forecasting energy price | |
| CN114118503A (zh) | 供应链库存优化方法、装置、设备和存储介质 | |
| CN107798475A (zh) | 一种需求侧负荷调整方案的制定方法及装置 | |
| CN112070301A (zh) | 一种用户用电量调整方法、系统及设备 | |
| CN111198799A (zh) | 一种基于lstm的机房功耗预警方法、系统、终端及存储介质 | |
| CN114926305A (zh) | 电力物资管控方法、装置、计算机设备、存储介质 | |
| CN110619407A (zh) | 对象销量的预测方法及系统、电子设备和存储介质 | |
| CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 | |
| CN111626543A (zh) | 电力相关数据的处理方法及装置 | |
| CN115860786A (zh) | 一种基于大数据的销售管理方法及装置 | |
| CN113469397A (zh) | 智慧供应链系统及服务器平台 | |
| CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
| CN116882820A (zh) | 用于电力营销的态势分析方法、装置及计算机设备 | |
| CN114066642A (zh) | 电力零售的风险预测方法、终端及存储介质 | |
| CN116308057A (zh) | 物料信息预测方法、系统及相关设备 | |
| JP2019046467A (ja) | 電力取引支援装置及び電力取引支援方法 | |
| CN115219935A (zh) | 新能源设备的健康状况测评方法、系统、装置及介质 | |
| CN113793189A (zh) | 一种信息预测方法、装置、设备和存储介质 | |
| CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
| CN112001759A (zh) | 仓库价格数据预测方法、装置、电子设备和可读存储介质 | |
| CN110688373A (zh) | 一种基于逻辑回归的offset方法 | |
| CN117977726B (zh) | 基于区域调频的水力发电厂优化方法、装置、设备和介质 | |
| CN118379081A (zh) | 电力零售用户分时结算价格规制比例的计算方法及装置 | |
| CN113393279A (zh) | 一种订单数量的预估方法及系统 |
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 |