CN115049102A - 一种电价预测方法、装置、移动终端及存储介质 - Google Patents
一种电价预测方法、装置、移动终端及存储介质 Download PDFInfo
- Publication number
- CN115049102A CN115049102A CN202210498836.3A CN202210498836A CN115049102A CN 115049102 A CN115049102 A CN 115049102A CN 202210498836 A CN202210498836 A CN 202210498836A CN 115049102 A CN115049102 A CN 115049102A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- user
- loss function
- consumer
- 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 214
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000005457 optimization Methods 0.000 claims description 66
- 230000006870 function Effects 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 41
- 238000004519 manufacturing process Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 15
- 230000015654 memory Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 6
- 239000010410 layer Substances 0.000 description 6
- 238000010248 power generation Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 210000002569 neuron Anatomy 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000002356 single layer 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
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电价预测方法、装置、移动终端及存储介质,所述方法包括:根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;根据用户种类选定相应的电价预测模型;将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。采用本发明实施例能提高电价预测的准确性,从而进一步提高了系统运行的稳定性。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种电价预测方法、装置、移动终端及存储介质。
背景技术
对整个电力系统而言,电价预测通过引导用户用电行为,如工厂、商场、可将生产用电时间安排在低谷用电时期,调整用电量和用电时间从而减小系统峰谷价差,提高系统负荷率、降低系统运行费用,能够保证系统运行稳定性。
但是现有的电价预测方法未能以用户的类型作为出发点,针对不同的用户类型分别展开电价预测,所以电价预测的精度不高,从而导致系统运行稳定性不高。
发明内容
本发明实施例提供一种电价预测方法、装置、移动终端及存储介质,提高了电价预测的准确性,从而进一步提高了系统运行的稳定性。
本申请实施例的第一方面提供了一种电价预测方法,包括:
根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;
根据用户种类选定相应的电价预测模型;
将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。
在第一方面的一种可能的实现方式中,根据用户种类选定相应的电价预测模型,具体为:
用户种类包括:产销者用户与消费者用户;
电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当用户种类为产销者用户时,选定产销者联合优化模型;
当用户种类为消费者用户时,选定消费者联合优化模型。
在第一方面的一种可能的实现方式中,产销者联合优化模型的生成过程具体为:
将产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当第一损失函数的变化值小于等于预设数值时,停止训练并生成产销者联合优化模型;其中,第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
在第一方面的一种可能的实现方式中,消费者联合优化模型的生成过程具体为:
将消费者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第二损失函数,当第二损失函数的变化值小于等于预设数值时,停止训练并生成消费者联合优化模型;其中,第二损失函数包括:第二均方误差损失函数和二元交叉熵损失函数。
在第一方面的一种可能的实现方式中,在根据历史电价信息进行未来时段的电价预测之后,还包括:
生成电价预测结果,根据电价预测结果进行削峰填谷处理。
本申请实施例的第二方面提供了一种电价预测装置,包括:获取模块、选定模块和预测模块;
其中,获取模块用于根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;
选定模块用于根据用户种类选定相应的电价预测模型;
预测模块用于将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。
在第二方面的一种可能的实现方式中,根据用户种类选定相应的电价预测模型,具体为:
用户种类包括:产销者用户与消费者用户;
电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当用户种类为产销者用户时,选定产销者联合优化模型;
当用户种类为消费者用户时,选定消费者联合优化模型。
在第二方面的一种可能的实现方式中,产销者联合优化模型的生成过程具体为:
将产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当第一损失函数的变化值小于等于预设数值时,停止训练并生成产销者联合优化模型;其中,第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
本申请实施例的第三方面提供了一种移动终端,包括处理器和存储器,存储器存储有计算机可读程序代码,处理器执行计算机可读程序代码时实现上述的一种电价预测方法的步骤。
本申请实施例的第四方面提供了一种存储介质,存储介质存储计算机可读程序代码,当计算机可读程序代码被执行时实现上述的一种电价预测方法的步骤。
相比于现有技术,本发明实施例提供的一种电价预测方法、装置、移动终端及存储介质,所述方法包括:根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;根据用户种类选定相应的电价预测模型;将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。
其有益效果在于:本发明实施例在进行电价预测的过程中,考虑了用户种类所对应的历史电价信息,并根据用户种类选定电价预测模型后,再将历史电价信息输入至与其用户种类相匹配的电价预测模型中,能够从不同用户的不同购电决策行为出发进行预测,克服了现有技术中只针对单一用户类型进行统一建模并预测而导致的预测精度不高的问题,大大提高了电价预测的精度,不同种类的用户可根据预测日的电价预测结果,自行调整购电与用电策略,根据电价预测结果指导生产安排从而实现用户的削峰填谷参与程度的有效提升,减小系统峰谷负荷差,保证全天电力系统负荷供需平衡,提高系统负荷率、降低系统运行费用,最终有效提高了系统运行稳定性。
此外,本发明实施例在使用电价预测模型的过程中,输入的是预测日前一天的24小时历史电价信息,能够考虑短期供需情况、预测日的日期和气象特征、一次能源价格等多方面对预测结果的影响,进一步提高了电价预测的准确性。
附图说明
图1是本发明一实施例提供的一种电价预测方法的流程示意图;
图2是本发明一具体实施例提供的序列比较神经网络的结构示意图;
图3是本发明一具体实施例提供的单个神经元的结构示意图;
图4是本发明一实施例提供的一种电价预测装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参照图1,是本发明一实施例提供的一种电价预测方法的流程示意图,包括S101-S103:
S101:根据不同用户种类获取与用户种类相对应的预设时段内的历史电价信息。
S102:根据用户种类选定相应的电价预测模型。
在本实施例中,所述根据所述用户种类选定相应的电价预测模型,具体为:
所述用户种类包括:产销者用户与消费者用户;
所述电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当所述用户种类为产销者用户时,选定产销者联合优化模型;
当所述用户种类为消费者用户时,选定消费者联合优化模型。
S103:将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。
在一具体实施例中,在所述根据所述历史电价信息进行未来时段的电价预测之后,还包括:
生成电价预测结果,根据所述电价预测结果进行削峰填谷处理。
在一具体实施例中,所述产销者联合优化模型的生成过程具体为:
将所述产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当所述第一损失函数的变化值小于等于预设数值时,停止训练并生成所述产销者联合优化模型;其中,所述第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
其中,根据需求侧市场主体不同的购用电特征划定用户种类。具体为:根据购用电特征判定拥有发电设备的需求侧市场主体为产销者用户;根据购用电特征判定没有发电设备的需求侧市场主体为消费者用户。
进一步地,产销者用户是指市场中拥有发电设备的需求侧主体。由于产销者用户具有供给自身电力需求的能力,所以这类市场主体可以仅在电力现货市场出清价格较低时,从市场上购电;而在市场价格过高时,选择不购电,而是自行发电满足生产需求。
对于产销者用户,电价预测结果对于指导其调整运行计划制定的关键在于:比较预测的电价值与自发电成本参考值的关系。只要电价预测结果和实际电价与发电成本参考值的关系都相同,就能指导产销者在未来时段内做出与最优运行计划相同的购电决策。
在构建常规电价预测模型时,根据电价预测值、电价真实值与自发电成本参考值计算训练样本的参与度优化项(其中,训练样本的参与度优化项用于表示用户参与削峰填谷参与度),并加入到第一损失函数中。训练样本的参与度优化项对于不能获得与实际值指导下相同运行计划的预测值进行惩罚,而对可以获得相同运行计划的预测值不予惩罚。
训练样本的参与度优化项loss2的贡献度loss2-i可由以下公式表示:
按照一定权重将每个训练样本的参与度优化项loss2与表示优化数值精度的损失函数loss1(即第一均方误差损失函数)相加作为新的损失函数(即第一损失函数),实现在保证一定数值精度的前提下,以削峰填谷参与度为目的指导预测模型优化。其中,第一损失函数lossA可由以下公式表示:
其中,m为用于训练的总样本数,ωp1为第一预设权重,ωp2为第二预设权重。
在一具体实施例中,所述消费者联合优化模型的生成过程具体为:
将所述消费者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第二损失函数,当所述第二损失函数的变化值小于等于所述预设数值时,停止训练并生成所述消费者联合优化模型;其中,所述第二损失函数包括:第二均方误差损失函数和二元交叉熵损失函数。
进一步地,消费者用户指的是必须从电力市场中购电的主体。消费者用户这类市场主体不具备自行发电的能力,但由于负荷可以在一天内的不同时段重新排布,因此可以在满足约束的前提下,其削峰填谷的参与度体现在能将用电负荷转移向实际电价值更低的时间段集中使用。因此,消费者用户在预测电价时更关心规划期内的电价变化趋势,预测结果的精准度数值并不是指导其运行计划制定的关键。只要与电价实际值变化趋势相同的预测值,无论其预测精确度大小,都有利于引导电力消费者合理安排用电运行计划,从而提高削峰填谷的参与度。
因此通过设计序列比较神经网络,通过将其级联在消费者联合优化模型之后,获得与序列中各个数值大小关系唯一确定排序结果序列,然后通过比较预测结果与实际结果间的排序序列差异,为消费者联合优化模型引入购电决策参与度优化项。可参照图2,图2是本发明一具体实施例提供的序列比较神经网络的结构示意图,图2展示的是计及购电决策参与度的电价预测方法指导下所设计的序列比较神经网络的结构。
由图2可得,每个决策日有24个电价,因此,输入层中为24维向量;为了表示24个输入两两之间的大小关系,输出层中需要276个神经元,由此得到唯一确定的,表示每个决策日各时段电价排序情况的276维0/1向量。
进一步地,可参照图3,图3是本发明一具体实施例提供的单个神经元的结构示意图。图3展示了该序列比较神经网络中比较任意两个输入得到输出的单个神经元。如图3所示,输出向量的第一维表示第1个和第2个输入间的大小关系,后续依次不重复比较输入中每两个值的大小关系,第276个神经与的输出值为第23和24个输入值的大小关系。
当选取电价序列中的任意两个值进行比较时,令ωi=1,ωj=1,并通过一定的映射关系f,就可以实现将输入大小关系通过0/1变量表示。选取的映射关系f为Sigmoid函数的变化形式,每个计算单元输出对输入的映射如下所示:
其中,xi、xj分别为序列中需要比较大小的两个输入值,Output为输出的比较结果0/1变量值。
预测电价与实际电价序列分别经过该神经网络层处理后,将分别得到反映预测与实际电价排序情况的输出向量,后续引入衡量其排序差异的损失函数loss3进行评价,并指导预测模型优化。采用二元交叉熵函数作为评价和优化预测模型所得电价排序差异的损失函数,该损失函数可视作加入原损失函数的参与度优化项。将购电决策参与度优化项loss3与表示优化数值精度的损失函数loss4(即第二均方误差损失函数)予以一定权值相加后作为新的损失函数(即第二损失函数),有利于实现电价预测值按消费者提升削峰填谷参与度。其中,第二损失函数lossB可由以下公式表示:
其中,loss3为市场主体选用电价预测模型的原损失函数,一般采用的是数值精度中的MSE指标,m为用于训练的总样本数,πi为电价真实值,为电价预测值,loss4为二元交叉熵损失函数,N为反映电价大小关系的二进制序列中的元素数量,其中N=276,yi为反映大小关系的实际值,为反映大小关系的预测0/1值,ω3为经济效益优化项计入的权重。
在一具体实施例中,第一损失函数和第二损失函数均可用于优化神经网络的参数。目标是通过优化神经网络的参数来最大程度地减少神经网络的损失。通过神经网络将目标(实际)值与预测值进行匹配,再经过损失函数就可以计算出损失。然后,使用梯度下降法来优化神经网络的参数,以使损失最小化。从而指导神经网络的下一步的训练向正确的方向进行。如此,在调节神经网络的参数过程即神经网络的学习过程中,都使得损失函数最小,就能实现实际值与预测值之间偏差的最小,从而实现精确预测。
进一步地,获取产销者联合优化模型和消费者联合优化模型所需的训练集T={πi,i∈N},训练集包括:需要预估的电力市场,在一定时期内的历史每小时结算电价(Hourly Ontario Energy Price,HOEP)数据。训练集中数据数量应该足够多,以满足所设置停止训练的精度需求。采用LSTM(Long Short-Term Memory)神经网络作为训练对象。LSTM网络由单层50个节点的LSTM层和一层24节点的全连接层构成,其中LSTM层采用的是ReLu激活函数,网络采用adam优化器进行优化。
将训练集输入LSTM神经网络中进行训练。神经网络进行训练时,使用验证集V={πi,i∈N}验证神经网络的预测精度,验证集V内电价数据与训练集T内的数据不得有交集。直至的第一损失函数的变化值/第二损失函数的变化值小于等于0.001(即预设数值)时停止训练,并生成相应的产销者联合优化模型/消费者联合优化模型。
电力现货市场的出清价格受到包括系统的供需情况、预测日的日期和气象特征、一次能源价格等多方面的影响,为了得到在多方面影响因素下更好的预测结果可使用预测日前一天的历史电价信息输入至电价预测模型中,其中,预测日即为未来时段,预测日前一天即为预设时段。具体为:将预测日前一天的24小时(即预设时段)的历史电价信息(历史电价信息包括:实际电价与负荷预测值),共48维输入至电价预测模型中,输出则为待预测当日24个时刻(即未来时段)的预测电价。
两种不同的用户将根据24小时的电价预测数据参与削峰填谷。产销者用户将在用电高峰期也是预测电价高于自身成本时期,能提前进行自行发电准备,在电网供需紧张时间,减少使用公网电力资源,减轻电网负荷压力,实现削峰效果,而在用电低谷期间使用公网电力,实现填谷效果;消费者用户将以全天电价预测为指引,合理安排全天生产计划与用电时间安排,在用电高峰的时期也是电价高峰,将采取灵活性用电方式,将用电负荷转移至低价的谷电时间段,从而有效实现削峰填谷。两类不同用户自身可根据预测日的预测电价结果,自行调整购电与用电策略,根据电价预测信息指导生产安排从而实现有效提升用户的削峰填谷参与程度,实现精确电价预测,减小系统峰谷负荷差,全天电力系统负荷供需平衡,提高系统负荷率、降低系统运行费用、保证系统运行稳定性的最终目标。
为了进一步说明电价预测装置,请参照图4,图4是本发明一实施例提供的一种电价预测装置的结构示意图,包括:获取模块401、选定模块402和预测模块403;
其中,所述获取模块401用于根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;
所述选定模块402用于根据所述用户种类选定相应的电价预测模型;
所述预测模块403用于将所述历史电价信息输入至所述电价预测模型中,以使所述电价预测模型根据所述历史电价信息进行未来时段的电价预测。
在本实施例中,所述根据所述用户种类选定相应的电价预测模型,具体为:
所述用户种类包括:产销者用户与消费者用户;
所述电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当所述用户种类为产销者用户时,选定产销者联合优化模型;
当所述用户种类为消费者用户时,选定消费者联合优化模型。
在本实施例中,所述产销者联合优化模型的生成过程具体为:
将所述产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当所述第一损失函数的变化值小于等于预设数值时,停止训练并生成所述产销者联合优化模型;其中,所述第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
本发明一具体实施例提供了一种移动终端,包括处理器和存储器,所述存储器存储有计算机可读程序代码,所述处理器执行所述计算机可读程序代码时实现上述的一种电价预测方法的步骤。
本发明一具体实施例提供了一种存储介质,所述存储介质存储计算机可读程序代码,当所述计算机可读程序代码被执行时实现上述的一种电价预测方法的步骤。
本发明实施例通过获取模块401根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;通过选定模块402根据用户种类选定相应的电价预测模型;通过预测模块403将历史电价信息输入至电价预测模型中,以使电价预测模型根据历史电价信息进行未来时段的电价预测。
本发明实施例在进行电价预测的过程中,考虑了用户种类所对应的历史电价信息,并根据用户种类选定电价预测模型后,再将历史电价信息输入至与其用户种类相匹配的电价预测模型中,能够从不同用户的不同购电决策行为出发进行预测,克服了现有技术中只针对单一用户类型进行统一建模并预测而导致的预测精度不高的问题,大大提高了电价预测的精度,不同种类的用户可根据预测日的电价预测结果,自行调整购电与用电策略,根据电价预测结果指导生产安排从而实现用户的削峰填谷参与程度的有效提升,减小系统峰谷负荷差,保证全天电力系统负荷供需平衡,提高系统负荷率、降低系统运行费用,最终有效提高了系统运行稳定性。
此外,本发明实施例在使用电价预测模型的过程中,输入的是预测日前一天的24小时历史电价信息,能够考虑短期供需情况、预测日的日期和气象特征、一次能源价格等多方面对预测结果的影响,进一步提高了电价预测的准确性。
以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电价预测方法,其特征在于,包括:
根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;
根据所述用户种类选定相应的电价预测模型;
将所述历史电价信息输入至所述电价预测模型中,以使所述电价预测模型根据所述历史电价信息进行未来时段的电价预测。
2.根据权利要求1所述的一种电价预测方法,其特征在于,所述根据所述用户种类选定相应的电价预测模型,具体为:
所述用户种类包括:产销者用户与消费者用户;
所述电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当所述用户种类为产销者用户时,选定产销者联合优化模型;
当所述用户种类为消费者用户时,选定消费者联合优化模型。
3.根据权利要求2所述的一种电价预测方法,其特征在于,所述产销者联合优化模型的生成过程具体为:
将所述产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当所述第一损失函数的变化值小于等于预设数值时,停止训练并生成所述产销者联合优化模型;其中,所述第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
4.根据权利要求2所述的一种电价预测方法,其特征在于,所述消费者联合优化模型的生成过程具体为:
将所述消费者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第二损失函数,当所述第二损失函数的变化值小于等于所述预设数值时,停止训练并生成所述消费者联合优化模型;其中,所述第二损失函数包括:第二均方误差损失函数和二元交叉熵损失函数。
5.根据权利要求3所述的一种电价预测方法,其特征在于,在所述根据所述历史电价信息进行未来时段的电价预测之后,还包括:
生成电价预测结果,根据所述电价预测结果进行削峰填谷处理。
6.一种电价预测装置,其特征在于,包括:获取模块、选定模块和预测模块;
其中,所述获取模块用于根据不同用户种类获取与所述用户种类相对应的预设时段内的历史电价信息;
所述选定模块用于根据所述用户种类选定相应的电价预测模型;
所述预测模块用于将所述历史电价信息输入至所述电价预测模型中,以使所述电价预测模型根据所述历史电价信息进行未来时段的电价预测。
7.根据权利要求6所述的一种电价预测装置,其特征在于,所述根据所述用户种类选定相应的电价预测模型,具体为:
所述用户种类包括:产销者用户与消费者用户;
所述电价预测模型包括:产销者联合优化模型和消费者联合优化模型;
当所述用户种类为产销者用户时,选定产销者联合优化模型;
当所述用户种类为消费者用户时,选定消费者联合优化模型。
8.根据权利要求7所述的一种电价预测装置,其特征在于,所述产销者联合优化模型的生成过程具体为:
将所述产销者用户的历史电价信息输入至LSTM神经网络中进行训练,并计算第一损失函数,当所述第一损失函数的变化值小于等于预设数值时,停止训练并生成所述产销者联合优化模型;其中,所述第一损失函数包括:第一均方误差损失函数和训练样本的参与度优化项。
9.一种移动终端,其特征在于,包括处理器和存储器,所述存储器存储有计算机可读程序代码,所述处理器执行所述计算机可读程序代码时实现权利要求1至5中任一项所述的一种电价预测方法的步骤。
10.一种存储介质,其特征在于,所述存储介质存储计算机可读程序代码,当所述计算机可读程序代码被执行时实现权利要求1至5中任一项所述的一种电价预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498836.3A CN115049102A (zh) | 2022-05-09 | 2022-05-09 | 一种电价预测方法、装置、移动终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210498836.3A CN115049102A (zh) | 2022-05-09 | 2022-05-09 | 一种电价预测方法、装置、移动终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115049102A true CN115049102A (zh) | 2022-09-13 |
Family
ID=83157483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210498836.3A Pending CN115049102A (zh) | 2022-05-09 | 2022-05-09 | 一种电价预测方法、装置、移动终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049102A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562990A (zh) * | 2023-07-03 | 2023-08-08 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
CN116757760A (zh) * | 2023-08-22 | 2023-09-15 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
-
2022
- 2022-05-09 CN CN202210498836.3A patent/CN115049102A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116562990A (zh) * | 2023-07-03 | 2023-08-08 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
CN116562990B (zh) * | 2023-07-03 | 2023-10-27 | 湖北国网华中科技开发有限责任公司 | 一种售电交易服务推荐方法及装置 |
CN116757760A (zh) * | 2023-08-22 | 2023-09-15 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
CN116757760B (zh) * | 2023-08-22 | 2023-11-24 | 国网山东省电力公司聊城供电公司 | 工商业用户电费核算方法、系统、终端及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Trading strategy optimization for a prosumer in continuous double auction-based peer-to-peer market: A prediction-integration model | |
Amjady | Day-ahead price forecasting of electricity markets by a new fuzzy neural network | |
Rahimiyan et al. | An adaptive $ Q $-learning algorithm developed for agent-based computational modeling of electricity market | |
Garcia et al. | Forecasting system imbalance volumes in competitive electricity markets | |
CN115049102A (zh) | 一种电价预测方法、装置、移动终端及存储介质 | |
Mahvi et al. | Optimal bidding strategy in a competitive electricity market based on agent-based approach and numerical sensitivity analysis | |
Chuang et al. | Deep reinforcement learning based pricing strategy of aggregators considering renewable energy | |
CN112686693A (zh) | 电力现货市场边际电价预测方法、系统、设备及存储介质 | |
Kumar et al. | Dynamic economic dispatch–a review of solution methodologies | |
Liu et al. | Dynamic bidding strategy for a demand response aggregator in the frequency regulation market | |
CN115907984A (zh) | 区块链环境下基于供需预测的点对点电力交易方法和系统 | |
Wang et al. | Multi-agent simulation for strategic bidding in electricity markets using reinforcement learning | |
Sun et al. | DSM pricing method based on A3C and LSTM under cloud-edge environment | |
Yang et al. | Multi-objective based demand response strategy optimization considering differential demand on reliability of power system | |
CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
Cano-Martínez et al. | Dynamic energy prices for residential users based on Deep Learning prediction models of consumption and renewable generation | |
Sharma et al. | An intelligent energy bidding strategy based on opposition theory enabled grey wolf optimizer | |
Wu et al. | Optimal bidding strategies in electricity markets using reinforcement learning | |
Xu et al. | A modified incentive-based demand response model using deep reinforcement learning | |
Watanabe et al. | Agent-based simulation model of electricity market with stochastic unit commitment | |
Wang et al. | Re-scheduling of unit commitment based on customers' fuzzy requirements for power reliability | |
Mohamed et al. | Locational marginal price forecasting based on deep neural networks and prophet techniques | |
CN115082129B (zh) | 一种农产品自动报价的方法和系统 | |
Moghaddam et al. | Power market long-term stability: a hybrid MADM/GA comprehensive framework | |
Gundin et al. | Short-term load forecasting for industrial customers using fasArt and fasBack neuro-fuzzy systems |
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 |