CN115796915A - 一种面向电力交易市场的电价预测方法及系统 - Google Patents
一种面向电力交易市场的电价预测方法及系统 Download PDFInfo
- Publication number
- CN115796915A CN115796915A CN202211480584.8A CN202211480584A CN115796915A CN 115796915 A CN115796915 A CN 115796915A CN 202211480584 A CN202211480584 A CN 202211480584A CN 115796915 A CN115796915 A CN 115796915A
- Authority
- CN
- China
- Prior art keywords
- day
- price
- ahead
- electricity
- data
- 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
Images
Abstract
本发明公开了一种面向电力交易市场的电价预测方法及系统,收集与日前出清电价预测相关的数据集;日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致;构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;收集运行日当天所需的数据,并按照步骤S2中方法对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测,并对日前出清价格预测结果进行评估。本发明通过如上数据处理过程和模型结构设计,可以有效提高电价预测准确率,从而为辅助电力交易决策提供有效方法和系统。
Description
技术领域
本发明属于电力交易技术领域,具体涉及一种面向电力交易市场的电价预测方法及系统。
背景技术
在电力交易市场中,由于供给侧新能源发电量及需求侧用电负荷具有极大的波动性和不确定性,使得电价波动较大。现有技术中,对电价进行预测的方案有时间序列建模、传统的相似日法以及系统模拟法。时间序列法是将短期电价的波动当作一个随机过程,通过模式识别和参数估计来确定具体的电价预测公式;该法完全依据历史数据来预测电价,而电价的波动受很多不确定因素的影响,使得电价的预测结果不准确,准确度不高。相似日法是寻找与预测的日负荷曲线相似的历史日,将这些历史日相应时段的电价进行加权得到预测电价;现有技术中的传统的相似日法原理简单,容易实现,但是往往仅通过单一的相似度算法获得相似日,且对历史数据的加权处理获得电价预测值,准确度依然不高。
对参与电力市场交易主体的新能源发电企业而言,日前出清价格的高与低直接影响其经营收益。因此,如何精准地预测出日前电价对把握市场规律、制定电力交易略、提高新能源发电厂运营收益等具有巨大的价值和重大的意义。
发明内容
为了克服上述现有技术的缺点,本发明的目的在于提供一种面向电力交易市场的电价预测方法及系统,解决了现有技术中在电力交易市场中,电价的波动受很多不确定因素的影响使得电价预测结果不准确的问题。
为了达到上述目的,本发明采用以下技术方案予以实现:一种面向电力交易市场的电价预测方法,具体包括以下步骤:
步骤S1、收集与日前出清电价预测相关的数据集,数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
步骤S2、日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
步骤S3、构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;
步骤S4、收集运行日当天所需的数据,并按照步骤S2中方法对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测,并对日前出清价格预测结果进行评估。
优选的,所述步骤S2具体包括以下步骤:
步骤S21、对日前必开必停机组容量进行求和,分别得到必开机组总容量和必停机组总容量;
步骤S22、将文本类的天气类型描述数据转换为数值类型,从而得到天气指数值W;
步骤S23、对法定节假日/周末与否数据进行处理;对于法定节假日/周末的则赋值为1,否之则赋值为0,处理后的法定节假日/周末与否数据用H表示;
步骤S24、对天气类型描述和风速数据进行聚合处理。
优选的,所述步骤S24具体包括以下步骤:
步骤S241、获取近期30天内各县或区天气描述数据和风速数据,并将天气描述数据按照步骤S22方法进行处理,得到对应的天气指数值W;同时,获取对应时间节点的日前出清电价P,从而组成数据集X,该数据集X包括天气指数W、风速S和日前出清价格P;具体表达式如下:
其中,a表示某一县区,且a=1,...,k,t表示某一时刻,t=1,...,n,wa,t表示a县区第t时刻的天气指数值,sa,t表示a县区第t时刻的风速值;pt表示第t时刻的日前出清价格;
步骤S244、采用加权求和的方式将多个区县t时刻的天气指数值和风速数据合并成一个t时刻的综合天气指数wt和综合风速值st,从而得到综合天气指数W′和综合风速值S′;具体计算方式如下:
步骤S245、数据粒度统一化处理;针对日前必开必停机组、法定节假日/周末与否、动力煤价格的处理,采用均值填充法,即d天内任意时刻的值均为d天采集到的值;针对天气类型描述、风速的粒度处理,采用向下填充法,即从t到t+1时刻范围内,所有时点的值均为t时刻对应的值。
优选的,所述步骤S3日前出清价格预测模型包含3个单元,分别为:基于随机森林算法的电价预测算法单元、基于多项式回归的电价预测算法单元以及基于线性回归的数据融合算法单元。
优选的,所述步骤S3中基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元的输入值为新能源出力预测E、日前联络线计划T、统调用电负荷L、日前必开机组总容量Con、日前必停机组总容量Coff、综合天气指数W′、综合风速S′、法定节假日/周末与否H、动力煤价格T,输出值为日前出清价格预测值LP;基于线性回归的数据融合算法单元输入值为日前出清价格预测值LP,输出值为日前出清价格预测值P′。
优选的,所述步骤S3具体按照以下步骤进行:
步骤S31、将处理好的数据按照7:3的比例将其划分为训练集和验证集;将处理好的训练集和验证集输入到基于多项式回归的电价预测算法单元中,以确定参数阶数;
步骤S32、将处理好的训练集在基于随机森林算法的电价预测算法单元进行训练,得到训练集的预测结果。
优选的,所述参数阶数采用动态择参的方式进行确定,设置阶数范围k,其中k∈{2,3,4},并依次遍历阶数k的值进行模型训练,并将训练好的模型在验证集上进行验证,同时使用评估指标MAE对验证结果进行评估,进而选择MAE值最小的结果对应的阶数作为最终阶数,其中,MAE计算公式如下:
其中,pt表示第t时刻的日前出清价格,pt′表示第t时刻的日前出清价格预测值。
优选的,所述步骤S3将基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元预测结果输入到基于线性回归的数据融合算法单元中对其进行训练;其中,基于随机森林算法的电价预测算法单元最大迭代次数设置为100。
优选的,所述步骤S4日前出清价格预测结果评估指标选择平均绝对百分比误差MAPE和准确率ACC,其计算公式如下:
一种面向电力交易市场的电价预测系统,包括:
数据收集模块,用于收集与日前出清电价预测相关的数据集,数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
数据处理模块,用于处理数据收集模块收集的数据,将日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,将天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
模型构建模块,用于构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;
日前出清价格预测模块,用于收集运行日当天所需的数据,并对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测。
与现有技术相比,本发明具有以下有益效果:一种面向电力交易市场的电价预测方法通过收集与日前出清电价预测相关的数据集,将与电价预测相关的数据进行收集,使得数据更加全面;并对数据集进行加工,日前必开必停机组、法定节假日/周末与否、动力煤价格、天气类型描述、风速的粒度与日前出清价格的粒度一致,使得高维数据融合成1个综合气象数据,从而解决气象数据高维的问题;通过构建价格预测模型,并对其训练,使得预测结果更准确;最后,将日前出清价格预测结果进行可视化及预测结果评估,从而使得数据便于观察,进一步的为新能源发电企业电力交易员提供数据支撑。
进一步的,采用对应关系映射法将文本类的天气类型描述数据转换为数值类型,便于后续步骤的处理。
进一步的,对天气类型描述和风速数据进行聚合处理使得数据降维,降低输入模型的特征维度,使得模型的训练结果更为准确。
进一步的,日前出清价格预测模型,模型融合了基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元以及基于线性回归的数据融合算法单元,从而进一步利用各算法优势达到更好的预测效果。
一种面向电力交易市场的电价预测系统将日前出清价格预测结果进行预测结果评估,从而使得数据便于观察和辅助交易决策。
附图说明
图1为本发明一种面向电力交易市场的电价预测方法流程框图;
图2为本发明三种日前出清价格预测方法MAPE评估结果图;
图3为本发明三种日前出清价格预测方法ACC评估结果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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的实施例,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做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
一种面向电力交易市场的电价预测方法,如图1所示,具体包括以下步骤:
步骤S1、收集与日前出清电价预测相关的数据集;
数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
内部数据包括:日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组;
外部数据包括:天气类型描述、风速、法定节假日/周末与否、动力煤价格;
数据类型情况:日前必开必停机组、天气类型描述、法定节假日/周末与否为文本类数据,其余数据集为数值类型;
数据粒度情况:日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷为分钟级别,即:1条/15分钟;日前必开必停机组、法定节假日/周末与否、动力煤价格为天级别,即1条/天;天气类型描述、风速为小时级别,即1条/3小时;
数据范围情况:收集近1年内的数据;特别是,外部数据中天气类型描述、风速数据收集的是电力交易市场所覆盖的区域中所有县或区所在地的气象数据;
步骤S2、日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
步骤S21、对日前必开必停机组容量进行求和,分别得到必开机组总容量和必停机组总容量;
根据网上公开信息查询必开必停机组所对应的容量值,而对于未查找到对应容量信息的机组,将其设置为默认值,默认值为200MW;
步骤S22、采用自定义转换表将文本类的天气类型描述数据转换为数值类型,从而得到天气指数值W;其中,自定义转换表采用对应关系映射法,自定义转换表具体如表1所示:
表1
序号 | 天气类型描述 | 转换值 |
1 | 晴 | 1 |
2 | 多云 | 2 |
3 | 阴 | 3 |
4 | 阵雨/雷阵雨 | 4 |
5 | 小雨/小雪 | 5 |
6 | 中雨/中雪 | 6 |
7 | 大雨/大雪 | 7 |
8 | 暴雨/特大暴雨/暴雪 | 8 |
针对天气预报中出现的类似于晴转多云、多云转阴复合类型的天气描述的情况,采用均值法对其进行处理,首先,采用文本匹配方式抽取其中包含上述表格中的天气类型;其次,将抽取到的各天气类型参照上述表转化为对应的值;最后,取各类型对应值的平均值作为该天气描述的最终转换值,即天气指数值W;
步骤S23、对法定节假日/周末与否数据进行处理;对于法定节假日/周末的则赋值为1,否之则赋值为0,处理后的法定节假日/周末与否数据用H表示;
步骤S24、对天气类型描述和风速数据进行聚合处理;由于天气类型描述和风速数据获取到的是多个地点的数据,如果将这些气象数据均作为特征输入到模型中,则会导致特征维度过高,影响模型训练结果。因此需要对多个地点的数据聚合成一条表征数据,从而实现降维的目的;对于天气类型描述和风速数据的聚合过程,如下所述:
步骤S241、获取近期30天内各县或区天气描述数据和风速数据,并将天气描述数据按照步骤S22方法进行处理,得到对应的天气指数值W;同时,获取对应时间节点的日前出清电价P,从而组成数据集X,该数据集X包括天气指数值W、风速S和日前出清价格P;具体表达式如下:
其中,a表示某一县区,且a=1,...,k,t表示某一时刻,t=1,...,n,wa,t表示a县区第t时刻的天气指数值,sa,t表示a县区第t时刻的风速值;pt表示第t时刻的日前出清价格;
步骤S244、采用加权求和的方式将多个区县t时刻的天气指数值和风速数据合并成一个t时刻的综合天气指数wt和综合风速值st,从而得到综合天气指数W′和综合风速值S′;具体计算方式如下:
步骤S245、数据粒度统一化处理;由于日前出清价格数据采集粒度为1条/15分钟,因此,需要将日前必开必停机组、法定节假日/周末与否、动力煤价格、天气类型描述、风速数据的粒度与日前出清价格的粒度对齐,即统一处理成1条/15分钟,其中新能源出力预测、日前联络线计划、统调用电负荷与日前出清价格一致均为1条/15分钟;其中,针对日前必开必停机组、法定节假日/周末与否、动力煤价格的处理,采用均值填充法,即d天内任意时刻的值均为d天采集到的值;针对天气类型描述、风速的粒度处理,采用向下填充法,即从t到t+1时刻范围内,所有时点的值均为t时刻对应的值;
步骤S3、构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;基于随机森林回归算法与多项式回归算法相融合的日前出清价格预测模型包含3个单元,分别为:基于随机森林算法的电价预测算法单元、基于多项式回归的电价预测算法单元以及基于线性回归的数据融合算法单元;其中,基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元的输入值为新能源出力预测E、日前联络线计划T、统调用电负荷L、日前必开机组总容量Con、日前必停机组总容量Coff、综合天气指数W、综合风速S、法定节假日/周末与否H、动力煤价格T,输出值为日前出清价格预测值LP;基于线性回归的数据融合算法单元输入值输出值为日前出清价格预测值LP,输出值为日前出清价格预测值P′;将基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元预测结果输入到基于线性回归的数据融合算法单元中对其进行训练;其中,基于随机森林算法的电价预测算法最大迭代次数设置为100;
步骤S31、将处理好的数据按照7:3的比例将其划分为训练集和验证集;将处理好的训练集和验证集输入到基于多项式回归的电价预测算法单元中,以确定参数阶数;其中,针对多项式回归算法单元中关键参数阶数的确定,采用动态择参的方式进行确定,具体而言,设置阶数范围k,其中k∈{2,3,4},并依次遍历阶数k的值进行模型训练,并将训练好的模型在验证集上进行验证,同时使用评估指标MAE对验证结果进行评估,进而选择MAE值最小的结果对应的阶数作为最终阶数,其中,MAE计算公式如下:
其中,pt表示表示第t时刻的日前出清价格,pt′表示第t时刻的日前出清价格预测值。
步骤S32、将处理好的训练集在基于随机森林算法的电价预测算法单元进行训练,得到训练集的预测结果;
步骤S4、收集运行日当天所需的数据,并按照步骤S2中方法对运行日当天所需的数据进行处理,从而将处理好的数据输入到训练好的模型中进行日前出清价格预测,进而得到日前出清价格预测结果,并对日前出清价格预测结果进行评估;
采用折线图的方式按照时序对其进行可视化,同时,为了定量的描述预测结果的优劣,提出了2种评估指标,结果评估指标选择平均绝对百分比误差MAPE和准确率ACC,其计算公式如下:
一种面向电力交易市场的电价预测系统,包括:
数据收集模块,用于收集与日前出清电价预测相关的数据集,数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
数据处理模块,用于处理数据收集模块收集的数据,将日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,将天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
模型构建模块,用于构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;
日前出清价格预测模块,用于收集运行日当天所需的数据,并对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测。
本发明一种面向电力交易市场的电价预测方法已经在某电力交易市场日前出清价格预测得到应用。同时,为了验证本发明提出的一种面向电力交易市场的电价预测方法的优劣性,本发明选择了当前应用较为广泛的2种日前出清电价预测模型进行对比,具体而言,方法1采用随机森林算法实现日前出清价格的预测,方法2采用神经网络算法实现日前出清价格的预测。其中,数据集选择的是某电力交易市场公布的数据、气象数据来源于气象局的公开数据、节假日数据来源于国家公布的数据、动力煤价格来自网络;对比过程采用滑动窗口的方式,即在每天晚上21时执行算法来预测未来第2天全天96个时间点处日前价格(每15分钟一个点);周期时长为连续30天;评估指标选择本发明提出的均绝对百分比误差MAPE和准确率ACC,最终结果如图2、图3所示,如表2所示。
表2
从上述验证评估结果显示,本发明提出的方法在月平均ACC和月平均MAPE均优于方法1和方法2。同时,从验证期间内,本发明方法在最小ACC大于方法1和方法2,且最大MAEP小于方法1和方法2。综上数据显示,本发明所提出的方法有效提升了日前出清价格预测的精度。
为了提升电力交易市场中日前出清电价预测的精准度,本发明提供一种面向电力交易市场的日前出清电价预测方法。该方法首先收集与日前出清电价预测相关的内外部数据集。在此基础上,采用匹配法、关系映射法以及加权平均法分别对收集到的日前必开必停机组、法定节假日/周末与否、天气类型描述数据集进行处理。其次,构建了日前出清价格预测模型,该模型融合了2种不同的算法,从而进一步利用各算法优势达到更好的预测效果。同时,使用处理好的数据集进行模型训练和预测日前出清价格预测;最后,将日前出清价格预测结果进行可视化及历史预测结果评估,从而为新能源发电企业电力交易员提供数据支撑。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (10)
1.一种面向电力交易市场的电价预测方法,其特征在于,具体包括以下步骤:
步骤S1、收集与日前出清电价预测相关的数据集,数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
步骤S2、日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
步骤S3、构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;
步骤S4、收集运行日当天所需的数据,并按照步骤S2中方法对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测,并对日前出清价格预测结果进行评估。
2.根据权利要求1所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S2具体包括以下步骤:
步骤S21、对日前必开必停机组容量进行求和,分别得到必开机组总容量和必停机组总容量;
步骤S22、将文本类的天气类型描述数据转换为数值类型,从而得到天气指数值W;
步骤S23、对法定节假日/周末与否数据进行处理;对于法定节假日/周末的则赋值为1,否之则赋值为0,处理后的法定节假日/周末与否数据用H表示;
步骤S24、对天气类型描述和风速数据进行聚合处理。
3.根据权利要求2所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S24具体包括以下步骤:
步骤S241、获取近期30天内各县或区天气描述数据和风速数据,并将天气描述数据按照步骤S22方法进行处理,得到对应的天气指数值W;同时,获取对应时间节点的日前出清电价P,从而组成数据集X,该数据集X包括天气指数W、风速S和日前出清价格P;具体表达式如下:
其中,a表示某一县区,且a=1,...,k,t表示某一时刻,t=1,...,n,wa,t表示a县区第t时刻的天气指数值,sa,t表示a县区第t时刻的风速值;pt表示第t时刻的日前出清价格;
步骤S244、采用加权求和的方式将多个区县t时刻的天气指数值和风速数据合并成一个t时刻的综合天气指数wt和综合风速值st,从而得到综合天气指数W′和综合风速值S′;具体计算方式如下:
步骤S245、数据粒度统一化处理;针对日前必开必停机组、法定节假日/周末与否、动力煤价格的处理,采用均值填充法,即d天内任意时刻的值均为d天采集到的值;针对天气类型描述、风速的粒度处理,采用向下填充法,即从t到t+1时刻范围内,所有时点的值均为t时刻对应的值。
4.根据权利要求1所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S3日前出清价格预测模型包含3个单元,分别为:基于随机森林算法的电价预测算法单元、基于多项式回归的电价预测算法单元以及基于线性回归的数据融合算法单元。
5.根据权利要求4所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S3中基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元的输入值为新能源出力预测E、日前联络线计划T、统调用电负荷L、日前必开机组总容量Con、日前必停机组总容量Coff、综合天气指数W′、综合风速S′、法定节假日/周末与否H、动力煤价格T,输出值为日前出清价格预测值LP;基于线性回归的数据融合算法单元输入值为日前出清价格预测值LP,输出值为日前出清价格预测值P′。
6.根据权利要求5所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S3具体按照以下步骤进行:
步骤S31、将处理好的数据按照7:3的比例将其划分为训练集和验证集;将处理好的训练集和验证集输入到基于多项式回归的电价预测算法单元中,以确定参数阶数;
步骤S32、将处理好的训练集在基于随机森林算法的电价预测算法单元进行训练,得到训练集的预测结果。
8.根据权利要求6所述的一种面向电力交易市场的电价预测方法,其特征在于,所述步骤S3将基于随机森林算法的电价预测算法单元和基于多项式回归的电价预测算法单元预测结果输入到基于线性回归的数据融合算法单元中对其进行训练;其中,基于随机森林算法的电价预测算法单元最大迭代次数设置为100。
10.一种面向电力交易市场的电价预测系统,其特征在于,包括:
数据收集模块,用于收集与日前出清电价预测相关的数据集,数据集包括日前出清电价、新能源出力预测、日前联络线计划、统调用电负荷、日前必开必停机组、天气类型描述、风速、法定节假日/周末与否、动力煤价格;
数据处理模块,用于处理数据收集模块收集的数据,将日前必开必停机组、法定节假日/周末与否、动力煤价格的粒度处理采用均值填充法与日前出清价格的粒度一致,将天气类型描述、风速的粒度处理采用向下填充法与日前出清价格的粒度一致,新能源出力预测、日前联络线计划、统调用电负荷的粒度与日前出清价格的粒度一致;
模型构建模块,用于构建日前出清价格预测模型,并对日前出清价格预测模型进行训练;
日前出清价格预测模块,用于收集运行日当天所需的数据,并对运行日当天所需的数据进行处理,将处理好的数据输入到训练好的模型中进行日前出清价格预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480584.8A CN115796915A (zh) | 2022-11-23 | 2022-11-23 | 一种面向电力交易市场的电价预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211480584.8A CN115796915A (zh) | 2022-11-23 | 2022-11-23 | 一种面向电力交易市场的电价预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115796915A true CN115796915A (zh) | 2023-03-14 |
Family
ID=85440917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211480584.8A Pending CN115796915A (zh) | 2022-11-23 | 2022-11-23 | 一种面向电力交易市场的电价预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115796915A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485440A (zh) * | 2023-06-20 | 2023-07-25 | 国家电投集团电站运营技术(北京)有限公司 | 基于模型堆叠的市场出清电价预测方法、装置和设备 |
CN117498543A (zh) * | 2023-10-27 | 2024-02-02 | 中国矿业大学 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
-
2022
- 2022-11-23 CN CN202211480584.8A patent/CN115796915A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485440A (zh) * | 2023-06-20 | 2023-07-25 | 国家电投集团电站运营技术(北京)有限公司 | 基于模型堆叠的市场出清电价预测方法、装置和设备 |
CN117498543A (zh) * | 2023-10-27 | 2024-02-02 | 中国矿业大学 | 一种基于任务特征融合的非侵入式负荷监测功率分解方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109359389B (zh) | 基于典型负荷动态博弈的城市电动汽车充电决策方法 | |
CN115796915A (zh) | 一种面向电力交易市场的电价预测方法及系统 | |
CN110796307B (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
Saroha et al. | Wind power forecasting using wavelet transforms and neural networks with tapped delay | |
CN113141008B (zh) | 一种数据驱动的配电网分布式新能源消纳能力评估方法 | |
CN104463356A (zh) | 一种基于多维信息人工神经网络算法的光伏发电功率预测方法 | |
CN105184388A (zh) | 一种城市电力负荷短期预测的非线性回归方法 | |
CN110033134A (zh) | 一种考虑气象因素的逐日分段短期负荷预测算法 | |
CN105224997A (zh) | 一种含有多种不确定性因素影响的规划负荷预测方法 | |
CN115222106A (zh) | 一种自适应模型的用户日前负荷预测方法 | |
CN115496627A (zh) | 一种可调资源响应潜力的评估方法及系统 | |
Kwon et al. | Weekly peak load forecasting for 104 weeks using deep learning algorithm | |
CN106548285A (zh) | 计及小水电出力的趸售电量预测方法 | |
CN115965125A (zh) | 一种基于深度学习的电力负荷预测方法 | |
CN115205068A (zh) | 计及净负荷需求分布式的储能最优峰谷时段划分方法 | |
CN111428745A (zh) | 一种基于聚类分析的低压用户用电特征提取方法 | |
CN115065078A (zh) | 微网环境下储能容量配置方法及系统 | |
CN104915727B (zh) | 多维度同构异质bp神经网络光功率超短期预测方法 | |
Wu et al. | A deep learning-based strategy to the energy management-advice for time-of-use rate of household electricity consumption | |
CN114140176B (zh) | 一种负荷聚集平台的可调容量预测方法及装置 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115456406A (zh) | 一种综合能源系统的评估方法、装置、设备以及存储介质 | |
CN115238948A (zh) | 小水电发电量预测方法及装置 | |
Ogihara et al. | A study of risk reduction for daily peak load demand forecasting |
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 |