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,本申请的第一个目的在于提出一种基于日前电价分级预测模型的发电系统控制方法,该方法基于预测融合法构建考虑了新能源出力的日前电价预测结果的分级模型,提升日前出清电价预测的准确率,有利于根据日前电价对发电系统进行合理调整,提高发电系统控制的准确性和及时性。
本申请的第二个目的在于提出一种基于日前电价分级预测模型的发电系统控制系统;
本申请的第三个目的在于提出一种非临时性计算机可读存储介质。
为达上述目的,本申请的第一方面实施例在于提出一种基于日前电价分级预测模型的发电系统控制方法,该方法包括以下步骤:
获取发电系统的特征数据,所述特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息;
获取预先构建的机器学习模型和深度学习模型,分别对所述特征数据进行归一化预处理和相似日法预处理;
将归一化预处理后的训练样本数据输入至所述机器学习模型进行训练,获得训练完成的机器学习电价预测模型,并将相似日数据,以及预测日前一日的电价信息和负荷信息输入至所述深度学习模型进行训练,获得训练完成的深度学习电价预测模型;
获取预测日特征数据,并将所述预测日特征数据分别输入至所述机器学习电价预测模型和所述深度学习电价预测模型,获得两组预测日日前电价;
计算所述两组预测日日前电价与实际日前出清数据的差值,基于所述差值通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重;
根据所述融合权重构建融合模型,并根据所述融合模型构建分级预测模型,所述分级预测模型的第一层由所述机器学习电价预测模型和所述深度学习电价预测模型组成,所述分级预测模型的第二层由所述融合模型构成;
通过所述分级预测模型获取目标预测日日前电价,并根据所述目标预测日日前电价对所述发电系统的运行参数进行调节。
可选地,在本申请的一个实施例中,对所述特征数据进行相似日法预处理,包括:建立t+1时刻电价线性回归模型,基于所述t+1时刻电价线性回归模型确定并保存对t+1时刻电价的影响超过阈值的变量;将所述线性回归模型回归系数作为权重,根据所述变量计算预测日t+1时刻与多个相似日相同时刻对应的变量的欧氏距离;对每个所述相似日的欧式距离进行排序,根据排序结果选择预设数量个相似日,获取所述相似日数据系。
可选地,在本申请的一个实施例中,所述t+1时刻电价线性回归模型如以下公式所示:
Pt+1=ω0+ω1Lt+ω2Pt+ω3Lt-1+ω4Pt-1+ω5Tt+1+ω6F
其中,Pt-1是t-1时刻日前电价,Lt是t时刻直调负荷,Pt是t时刻日前电价,Lt-1是t-1时刻直调负荷,Tt+1是t+1时刻的温度,F是预测日节假日类型,ω0是常量,ω1至ω6是不同的变量权重。
可选地,在本申请的一个实施例中,通过以下公式计算所述欧氏距离:
其中,ΔLt是预测日与相似日在t时刻直调负荷的差,ΔLt-1是预测日与相似日t-1时刻直调负荷的差;ΔPt是预测日与相似日在t时刻日前电价的差,ΔPt-1是预测日与相似日在t-1时刻日前电价的差,ΔTt+1是预测日与相似日在t+1时刻的温差,ΔF表示预测日与相似日间的节假日区别。
可选地,在本申请的一个实施例中,将归一化预处理后的训练样本数据输入至所述机器学习模型进行训练,包括:通过预设数量个分类回归树函数相加构成集成树模型以预测目标值;构建机器学习的目标函数,通过最小化目标函数训练所述机器学习模型;对所述机器学习模型输出的电价数据进行反归一化处理。。
可选地,在本申请的一个实施例中,集成树模型如以下公式所示:
其中,C={f(x)=ω
q(x)},(ω∈R
T,q:R
m→{1,...,T})是分类回归树构成的函数空间,
是预测电价,ω是叶子权重,T是叶子节点的数量,q是每个分类回归树的结构,f
k是分类回归树函数。
可选地,在本申请的一个实施例中,通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重,包括:确定二元梯度提升决策树GBDT算法的损失函数,并计算负梯度误差;对于生成的所述二元梯度提升决策树,计算所述决策树中各个叶子节点的目标残差拟合值。
为达上述目的,本申请的第二方面实施例还提出了一种基于日前电价分级预测模型的发电系统控制系统,包括以下模块:
第一获取模块,用于获取发电系统的特征数据,所述特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息;
预处理模块,用于获取预先构建的机器学习模型和深度学习模型,分别对所述特征数据进行归一化预处理和相似日法预处理;
训练模块,用于将归一化预处理后的训练样本数据输入至所述机器学习模型进行训练,获得训练完成的机器学习电价预测模型,并将相似日数据,以及预测日前一日的电价信息和负荷信息输入至所述深度学习模型进行训练,获得训练完成的深度学习电价预测模型;
第二获取模块,用于获取预测日特征数据,并将所述预测日特征数据分别输入至所述机器学习电价预测模型和所述深度学习电价预测模型,获得两组预测日日前电价;
计算模块,用于计算所述两组预测日日前电价与实际日前出清数据的差值,基于所述差值通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重;
构建模块,用于根据所述融合权重构建融合模型,并根据所述融合模型构建目标分级预测模型,所述目标分级预测模型的第一层由所述机器学习电价预测模型和所述深度学习电价预测模型组成,所述目标分级预测模型的第二层由所述融合模型构成;
调节模块,用于通过所述目标分级预测模型获取目标预测日日前电价,并根据所述目标预测日日前电价对所述发电系统的运行参数进行调节。
可选地,在本申请的一个实施例中,预处理模块,具体用于:建立t+1时刻电价线性回归模型,基于所述t+1时刻电价线性回归模型确定并保存对t+1时刻电价的影响超过阈值的变量;将所述线性回归模型回归系数作为权重,根据所述变量计算预测日t+1时刻与多个相似日相同时刻对应的变量的欧氏距离;对每个所述相似日的欧式距离进行排序,根据排序结果选择预设数量个相似日,获取所述相似日数据。
本申请的实施例提供的技术方案至少带来以下有益效果:本申请基于预测融合法构建考虑了新能源出力的日前电价预测结果的分级模型,具体是合并通过深度学习LSTM以及机器学习xgboost所获得的考虑了新能源出力的日前电价预测结果的分级模型,从而提升电力市场日前出清电价预测的准确率,有利于根据日前电价对发电系统进行合理调整,提高发电系统控制的准确性和及时性。
为了实现上述实施例,本申请第三方面实施例还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述实施例中的基于日前电价分级预测模型的发电系统控制方法。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
具体实施方式
下面详细描述本发明的实施例,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,旨在用于解释本发明,而不能理解为对本发明的限制。
需要说明的是,基于数据挖掘的方法进行电价预测以对发电系统进行控制的方案中,通常是根据机器学习或深度学习方法构建模型,而模型预测精度较低,还没有达到非常好的预测效果。并且,由于过去的新能源发电占比较小,以往的电价预测往往较少考虑其对电力市场的影响,而随着近年来风光资源利用的快速发展,新能源也逐渐成为影响电价预测的重要一环,相关技术中的方案缺少针对新能源发电系统的影响对整体发电系统进行控制的方案。
为此,本申请提出一种基于日前电价分级预测模型的发电系统控制方法,合并通过深度学习LSTM以及机器学习xgboost所获得的考虑了新能源出力的日前电价预测结果的分级模型,提升了电力市场日前出清电价预测的准确率。
下面参考附图描述本申请实施例所提出的一种基于日前电价分级预测模型的发电系统控制方法及系统。
图1为本申请实施例提出的一种基于日前电价分级预测模型的发电系统控制方法的流程图,如图1所示,该方法包括以下步骤:
步骤S101,获取发电系统的特征数据,特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息。
其中,特征数据是与电价变化相关的数据,特征数据的合理选择是利用模型进行电价预测的关键,其直接影响着模型预测精度的上限。本申请获取的特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息。
其中,预测日类型信息是指预测日当天为节假日或工作日的信息,预测日系统信息包括预测日当天整个发电系统的在高峰时刻的供需比、负荷统计量和各时刻系统负荷值,以及各个类型的新能源系统出力数据等。预测日前一日的电价信息包括在预测日前一天的电价统计量和各时刻电价值,预测日前两日的电价信息以此类推。
具体的,本申请从数据库读取预先存储的历史气象数据、新能源参与出清的发电量、预测日所属日类型、预测日所属日类型标记、预测日高峰时刻的系统供需比、预测日系统负荷统计量、预测日各时刻系统负荷值、预测日前一日电价统计量、预测日前一日各时刻电价值、预测日前两日电价统计量和预测日前两日各时刻电价值等历史数据。
具体实施时,可以通过不同的方式获取特征数据。举例而言,在发电系统中预先设置数据采集与监视控制系统(Supervisory Control And Data Acquisition,简称SCADA)对系统的各个设备、子系统以及系统整体进行监测,实现数据采集功能,具体的,SCADA与预设的各个监测设备相连,采集发电系统的运行参数和所处环境的环境参数,比如,采集风电系统和光伏系统在预测日前几日的出力数据,以及通过风速和温度传感器检测系统所处环境的气象信息等。进而SCADA将采集到的数据存储至数据库,在需要进行预测时,再从数据库中读取预存的数据。又比如,还可以直接从气象平台获取发电系统所处区域的历史气象数据等。
作为一种示例,在本申请实施例所构建的预测模型中,设置输出量共计96维特征,分别对应预测日当天从零点开始每隔15分钟的各时刻电价,而输入量共计896维特征,具体如下所示:
1、预测日当天的日类型:星期一-星期日分别标记为1-7;
2、预测日当天是否为周末:工作日标记为0、周末标记为1;
3、预测日当天高峰时刻的系统供需比;
4-6、预测日当天系统负荷统计量:最小值、均值、最大值;
7-102、预测日当天96点各时刻系统负荷值;
103-105、预测日当天联络线受电负荷统计量:最小值、均值、最大值;
106-201、预测日当天96点各时刻联络线受电负荷统计量
202-204、风电出力统计量:最小值、均值、最大值;
205-300、预测日当天96点各时刻风电出力统计量
301-303、光伏出力统计量:最小值、均值、最大值;
304-399、预测日当天96点各时刻光伏出力统计量
400-402、核电出力统计量:最小值、均值、最大值;
403-498、预测日当天96点各时刻核电出力统计量
499-501、自备机组总加出力统计量:最小值、均值、最大值;
502-597、预测日当天96点各时刻自备机组总加出力统计量
598-600、预测日前一日电价统计量:最小值、均值、最大值;
601-696、预测日前一日96点各时刻电价值;
697-699、预测日前两日电价统计量:最小值、均值、最大值;
700-795、预测日前两日96点各时刻电价值。
796-798、预测日当天直调负荷统计量:最小值、均值、最大值;
799-894、预测日当天96点各时刻直调负荷值;
895、预测日当天温度
896、预测日当天是否为节假日,是标记为1、不是标记为0;
其中,特征数据7-894是用来覆盖直调火电竞价空间在不同维度下对电价的影响,依据如下公式:
竞价空间=直调负荷-联络线受电负荷-核电总加-自备机组总加-风电总加-光伏总加
由此,本申请的模型算法中可以将直调火电竞价空间作为新能源的影响的输入。
步骤S102,获取预先构建的机器学习模型和深度学习模型,分别对特征数据进行归一化预处理和相似日法预处理。
具体的,本申请预先构建了机器学习xgboost模型和深度学习模型,在本申请实施例中,可采用长短期记忆人工神经网络模型(Long Short-Term Memor,简称LSTM)作为选取的深度学习模型。然后,根据xgboost模型和LSTM模型的不同需求对样本数据进行预处理,以便于后续根据处理后的样本数据对模型进行训练。
在本申请实施例中,对需要传入至xgboost模型的特征数据做归一化预处理。具体而言,归一化预处理所采用的公式为
其中,x
*代表归一化后的样本值,μ代表样本均值,σ代表样本标准差。需要说明的是,本申请对传入至xgboost模型的特征数据做归一化的原因是,电价特征向量中包含的日类型、供需比、负荷值及电价值等变量具有不同的量纲且数值上具有较大差别,不利于xgboost的训练。本申请先进行归一化处于后,规范了量纲级别,便于后续便捷和顺利的对机器学习模型训练。
进一步的,对将传入LSTM模型的特征数据采用相似日法进行数据预处理。其中,相似日法是指利用线性回归模型选择对预测时刻电价有显著性影响的变量,结合欧氏距离确定与预测时刻最相似的日期集合。
在本申请一个实施例中,为了更加清楚地说明针对LSTM模型采用的相似日法的具体实现过程,本申请还提出了一种具体的特征数据的相似日预处理方法,图2为本申请实施例提出的一种基于相似日法的特征数据的预处理方法的流程图,如图2所示,该方法包括以下步骤:
步骤S201,建立t+1时刻电价线性回归模型,基于t+1时刻电价线性回归模型确定并保存对t+1时刻电价的影响超过阈值的变量。
具体的,先建立t+1时刻电价线性回归模型,基于t+1时刻电价线性回归模型确定对t+1时刻电价有显著性影响的变量,并保存有显著性影响的变量。其中,影响程度阈值可以预先根据预测精度等实际需求设置,用于筛选出对电价的影响较为显著的特征。
作为一种示例,本申请构建的t+1时刻电价线性回归模型如以下公式所示:
Pt+1=ω0+ω1Lt+ω2Pt+ω3Lt-1+ω4Pt-1+ω5Tt+1+ω6F
其中,Pt-1是t-1时刻日前电价,Lt是t时刻直调负荷,Pt是t时刻日前电价,Lt-1是t-1时刻直调负荷,Tt+1是t+1时刻的温度,F是预测日节假日类型,ω0是常量,ω1至ω6是不同的变量权重。
步骤S202,将线性回归模型回归系数作为权重,根据变量计算预测日t+1时刻与多个相似日相同时刻对应的变量的欧氏距离。
具体的,将上述t+1时刻电价线性回归模型的各个回归系数作为权重,采用步骤S201中确定的对t+1时刻电价有显著性影响的变量,依次计算预测日的t+1时刻与每个相似日在相同时刻重要变量的欧氏距离。
作为其中一种可能的实现方式,可以通过以下公式计算欧氏距离:
其中,ΔLt是预测日与相似日在t时刻直调负荷的差,ΔLt-1是预测日与相似日t-1时刻直调负荷的差;ΔPt是预测日与相似日在t时刻日前电价的差,ΔPt-1是预测日与相似日在t-1时刻日前电价的差,ΔTt+1是预测日与相似日在t+1时刻的温差,ΔF表示预测日与相似日间的节假日区别。
步骤S203,对每个相似日的欧式距离进行排序,根据排序结果选择预设数量个相似日,获取相似日数据。
具体的,按照从低到高的顺序,对每个相似日与预测日相同时刻重要变量的欧氏距离进行排序,并选取选择排序结果靠前的预设数量个相似日,由于欧氏距离越小,两个对象的相似度就越大,因此本申请按照从低到高的顺序选取靠前的几个距离较小的相似日,可以选取出与预测时刻最相似预设数量个日期的数据集合。其中,选择的相似日的预设数量可以根据实际需要确定,比如选择前三个相似日。
由此,该方法结合欧氏距离确定与预测时刻最相似的相似日日期集合,并获取选择的相似日的数据。
步骤S103,将归一化预处理后的训练样本数据输入至机器学习模型进行训练,获得训练完成的机器学习电价预测模型,并将相似日数据,以及预测日前一日的电价信息和负荷信息输入至深度学习模型进行训练,获得训练完成的深度学习电价预测模型。
具体的,将归一化预处理后的训练样本数据输入至预先构建的xgboost模型进行训练得到xgboost电价预测模型,模型的最后还需要对结果进行一个反归一化处理。并将相似日数据均值和预测日前一日电价和负荷输入LSTM模型训练得到LSTM电价预测模型。需要说明的是,每个模型可同时进行训练,训练顺序此处不做限制。
在本申请一个实施例中,将归一化预处理后的训练样本数据输入至机器学习模型进行训练,包括以下步骤,先通过预设数量个分类回归树函数相加构成集成树模型以预测目标值,再构建机器学习的目标函数,通过最小化目标函数训练机器学习模型,最后对机器学习模型输出的电价数据进行反归一化处理。
具体而言,在本实施例中,Xgboost模型的基学习器选择分类回归树(classificaton and regression tree,简称CART),应用预设数量K个CART函数相加构成集成树模型来预测目标值,其中,集成树模型如以下公式所示:
其中,C={f(x)=ω
q(x)},(ω∈R
T,q:R
m→{1,...,T})是分类回归树构成的函数空间,
是预测电价,ω是叶子权重,T是树上叶子节点的数量,q是每个分类回归树的结构,即样本实例到对应叶子节点索引的映射,f
k是分类回归树函数,每个f
k对应一棵独立树结构q
k和叶子权重ω
k。
进一步的,本申请构建的xgboost模型的学习目标函数如下:
其中,l为一个可微的凸函数,用来衡量预测值与真实值yi的差异,成为损失函数;Ω函数表示正则项以惩罚模型的复杂度,防止模型过拟合。本申请采用贪婪的方法学习fk以使目标函数最小来训练机器学习模型。
需要说明的是,具体根据目标函数训练xgboost模型的实施步骤可以参照现有技术中对机器学习模型的训练方式,实现原理类似且该训练技术较为成熟,此处不再赘述。
最终,由于本申请预先对样本数据进行了归一化处理,因此,在得到结果之后还需要对模型输出电价数据进行反归一化处理,反归一化是归一化的逆过程,如下式所示:x=x*σ+μ。其中,各参数的含义可参照上述实施例中进行归一化处理的解释,此处不再赘述。
在本申请一个实施例中,在训练LSTM模型时,需要将选择预测时刻的相似日电价均值、预测时刻前一日同一时刻电价、负荷数据作为自变量,预测时刻电价数据作为因变量,建立LSTM模型并输入不同的样本数据进行训练,具体实施步骤可以参照现有技术中对LSTM的训练方式,此处不再赘述。
步骤S104,获取预测日特征数据,并将预测日特征数据分别输入至机器学习电价预测模型和深度学习电价预测模型,获得两组预测日日前电价。
其中,日前电价是日前市场中的电价,日前市场是在现货市场中,以一天作为时间提前量组织市场,形成与系统运行情况相适应的、可执行的交易计划。
具体的,根据步骤S101中的特征数据选用规则获取预测日的特征数据,并将对应的预测日特征数据分别输入至训练完成的xgboost电价预测模型和LSTM电价预测模型,获取每个模型对应输出的一组预测电价,从而通过已训练的两个预测模型得到两组预测日日前电价。
需要说明的是,xgboost电价预测模型可以直接给出预测日一天整体的96点时刻的日前电价,而LSTM需要先假设预测日第一时刻电价数据为真实电价,并滚动预测下一个时刻电价,直至预测完成所有时刻电价,得到预测日的所有预测电价。
步骤S105,计算两组预测日日前电价与实际日前出清数据的差值,基于差值通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重。
具体的,将两个电价预测模型的预测结果作为特征,将其与实际日前出清的差距数据作为训练样本,使用梯度提升决策树(Gradient Boosting Decision Tree,简称GBDT)形成了第二层预测模型的训练集合,从而计算出xgboost和LSTM电价预测模型较好的融合权重。
需要说明的是,GBDT分类算法的输入是一层每个模型的日前电价预测结果与真实日前电价的差,输出的是能使最终结果最接近于零误差的模型权重。GBDT分类算法在思想上和回归算法近似,由于在本申请中针对的电价预测的特征数据是离散的类别,导致无法直接从输出类别去拟合类别,因此本申请需要使用类似逻辑回归的对数似然损失函数的方法来拟合损失函数。
在本申请一个实施例中,通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重,包括以下步骤,确定二元梯度提升决策树GBDT算法的损失函数,并计算负梯度误差,再对于生成的二元梯度提升决策树,计算决策树中各个叶子节点的目标残差拟合值。
具体而言,在本实施例中,由于构建的整个分级模型的第一层级有两个算法模型,所以本申请采用二元GBDT分类算法,其损失函数可以表示为:
L(y,f(x))=log(1+exp(-y*f(x)))
其中y∈{-1,1},而此时的负梯度误差为:
对于生成的梯度提升决策树,本申请将树中各个叶子节点的最佳残差拟合值可以近似通过以下公式计算:
步骤S106,根据融合权重构建融合模型,并根据融合模型构建分级预测模型,分级预测模型的第一层由机器学习电价预测模型和深度学习电价预测模型组成,分级预测模型的第二层由融合模型构成。
具体的,根据GBDT算法确定机器学习电价预测模型和深度学习电价预测模型的融合权重比组合成新的模型,即融合模型。进而构建出第一层由机器学习电价预测模型和深度学习电价预测模型组成,第二层由GBDT合并模型构成的分级电价预测模型。该分级模型中第一层由机器学习xgboost和深度学习LSTM模型组成,第二层由GBDT用于给予第一层两个模型的不同权重比。
步骤S107,通过分级预测模型获取目标预测日日前电价,并根据目标预测日日前电价对发电系统的运行参数进行调节。
具体的,目标预测日日前电价是本申请构建的分级预测模型最终输出的预测日前电价,本申请将预测日特征数据输入至分级预测模型,通过两层模型的融合计算,输出最终预测的日前电价。
进一步的,根据获取的目标预测日日前电价对发电系统进行控制,调节发电系统的运行参数,使发电系统的运行状态符合实际需求。在本申请一个实施例中,对发电系统进行控制包括:调节发电系统的运行功率和输出电量等参数、启动或关闭相应的新能源子系统和调节不同新能源子系统的出力比等。
举例而言,若确定获取的预测日日前电价低于预期电价,则判定发现系统出力多于实际需要,并且在根据天气数据确定预测日为阴天且多风时,在预测日当天关闭光伏发电子系统并控制风力发电系统开启等。从而控制发电系统运行状态,调整发电系统的总出力,避免浪费电力资源。
综上所述,本申请实施例的基于日前电价分级预测模型的发电系统控制方法,基于预测融合法构建考虑了新能源出力的日前电价预测结果的分级模型,具体是合并通过深度学习LSTM以及机器学习xgboost所获得的考虑了新能源出力的日前电价预测结果的分级模型,从而提升电力市场日前出清电价预测的准确率,有利于根据日前电价对发电系统进行合理调整,提高发电系统控制的准确性和及时性。
为了更加清楚地说明本申请实施例的基于日前电价分级预测模型的发电系统控制方法的具体实施流程,下面以一个具体的实际应用中通过构建的该分级电价预测模型进行电价的实施例进行详细说明。图3为本申请实施例提出的一种具体的基于日前电价分级预测模型的发电系统控制方法的流程图。
如图3所示,该方法包括以下步骤:
步骤S301,获取原始数据。
步骤S302,将原始数据进行归一化预处理后得到Xgboost模型的输入数据。
步骤S303,将原始数据进行相似日法获取特征后得到LSTM模型的输入数据。
步骤S304,将Xgboost模型的输入数据输入Xgboost模型。
步骤S305,将LSTM模型的输入数据输入LSTM模型。
步骤S306,Xgboost模型输出预测的日前电价。
步骤S307,LSTM模型输出预测的日前电价。
步骤S308,获取两组预测结果和实际的差。
步骤S309,将差传入GBDT模型。
步骤S310,通过GBDT模型输出两个模型合适的权重比。
步骤S311,按权重比将第一层的模型组合而成新模型。
需要说明的是,本实施例中各步骤的具体实现过程和相关说明可以参照上述实施例的描述,此处不再赘述。通过该方法构建分级模型并输出预测日前电机后,可根据该日前电机对发电系统进行控制。
为了实现上述实施例,本申请还提出了一种基于日前电价分级预测模型的发电系统控制系统,图4为本申请实施例提出的一种基于日前电价分级预测模型的发电系统控制系统的结构示意图,如图4所示,该系统包括第一获取模块100、预处理模块200、训练模块300、第二获取模块400、计算模块500、构建模块600和调节模块700。
其中,第一获取模块100,用于获取发电系统的特征数据,特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息。
预处理模块200,用于获取预先构建的机器学习模型和深度学习模型,分别对特征数据进行归一化预处理和相似日法预处理。
训练模块300,用于将归一化预处理后的训练样本数据输入至机器学习模型进行训练,获得训练完成的机器学习电价预测模型,并将相似日数据,以及预测日前一日的电价信息和负荷信息输入至深度学习模型进行训练,获得训练完成的深度学习电价预测模型。
第二获取模块400,用于获取预测日特征数据,并将预测日特征数据分别输入至机器学习电价预测模型和深度学习电价预测模型,获得两组预测日日前电价。
计算模块500,用于计算两组预测日日前电价与实际日前出清数据的差值,基于差值通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重。
构建模块600,用于根据融合权重构建融合模型,并根据融合模型构建分级预测模型,分级预测模型的第一层由机器学习电价预测模型和深度学习电价预测模型组成,分级预测模型的第二层由所述融合模型构成。
调节模块700,用于通过分级预测模型获取目标预测日日前电价,并根据目标预测日日前电价对发电系统的运行参数进行调节。
可选地,在本申请的一个实施例中,预处理模块200具体用于:建立t+1时刻电价线性回归模型,基于t+1时刻电价线性回归模型确定并保存对t+1时刻电价的影响超过阈值的变量;将线性回归模型回归系数作为权重,根据变量计算预测日t+1时刻与多个相似日相同时刻对应的变量的欧氏距离;对每个相似日的欧式距离进行排序,根据排序结果选择预设数量个相似日,获取相似日数据。
可选地,在本申请的一个实施例中,预处理模块200具体构建的t+1时刻电价线性回归模型如以下公式所示:
Pt+1=ω0+ω1Lt+ω2Pt+ω3Lt-1+ω4Pt-1+ω5Tt+1+ω6F
其中,Pt-1是t-1时刻日前电价,Lt是t时刻直调负荷,Pt是t时刻日前电价,Lt-1是t-1时刻直调负荷,Tt+1是t+1时刻的温度,F是预测日节假日类型,ω0是常量,ω1至ω6是不同的变量权重。
可选地,在本申请的一个实施例中,预处理模块200具体用于通过以下公式计算欧氏距离:
其中,ΔLt是预测日与相似日在t时刻直调负荷的差,ΔLt-1是预测日与相似日t-1时刻直调负荷的差;ΔPt是预测日与相似日在t时刻日前电价的差,ΔPt-1是预测日与相似日在t-1时刻日前电价的差,ΔTt+1是预测日与相似日在t+1时刻的温差,ΔF表示预测日与相似日间的节假日区别。
可选地,在本申请的一个实施例中,训练模块300还用于通过预设数量个分类回归树函数相加构成集成树模型以预测目标值;构建机器学习的目标函数,通过最小化目标函数训练机器学习模型;对机器学习模型输出的电价数据进行反归一化处理。
可选地,在本申请的一个实施例中,集成树模型如以下公式所示:
其中,C={f(x)=ω
q(x)},(ω∈R
T,q:R
m→{1,...,T})是分类回归树构成的函数空间,
是预测电价,ω是叶子权重,T是叶子节点的数量,q是每个分类回归树的结构,f
k是分类回归树函数。
可选地,在本申请的一个实施例中,计算模块500具体用于:确定二元梯度提升决策树GBDT算法的损失函数,并计算负梯度误差;对于生成的所述二元梯度提升决策树,计算决策树中各个叶子节点的目标残差拟合值。
需要说明的是,前述对基于日前电价分级预测模型的发电系统控制方法的实施例的解释说明也适用于该实施例的系统,此处不再赘述
综上所述,本申请实施例的基于日前电价分级预测模型的发电系统控制系统,基于预测融合法构建考虑了新能源出力的日前电价预测结果的分级模型,具体是合并通过深度学习LSTM以及机器学习xgboost所获得的考虑了新能源出力的日前电价预测结果的分级模型,从而提升电力市场日前出清电价预测的准确率,有利于根据日前电价对发电系统进行合理调整,提高发电系统控制的准确性和及时性。
为了实现上述实施例,本申请还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如上述实施例中任一所述的基于日前电价分级预测模型的发电系统控制方法。
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。