CN115907844A - 一种短期电价预测方法、装置、设备及介质 - Google Patents
一种短期电价预测方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN115907844A CN115907844A CN202211457750.2A CN202211457750A CN115907844A CN 115907844 A CN115907844 A CN 115907844A CN 202211457750 A CN202211457750 A CN 202211457750A CN 115907844 A CN115907844 A CN 115907844A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- day
- training
- historical
- time point
- 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 167
- 238000000034 method Methods 0.000 title claims abstract description 47
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000010845 search algorithm Methods 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 134
- 238000004590 computer program Methods 0.000 claims description 16
- 238000010977 unit operation Methods 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于人工智能技术领域，具体涉及一种短期电价预测方法、装置、设备及介质，本发明提供的短期电价预测方法，通过获取包含电价、气象信息、调度中心披露信息的数据集；将获取到的所述数据集利用相似日搜索算法进行处理，得到相似日集；将所述相似日集输入预先训练好的电价预测网络，所述电价预测网络输出预测的短期电价。有效的整合利用了电力调度中心披露数据、气象数据、发电侧机组预估运行容量、历史电价等数据，提高了短期单节点电价预测的准确率，对发电侧用户有比较好的参考意义。
Description
技术领域
本发明属于人工智能技术领域，具体涉及一种短期电价预测方法、装置、设备及介质。
背景技术
随着电力市场改革的进一步深入，电力市场的竞争变得日益充分。电价作为电力市场的核心要素，逐渐由政府制定转向市场竞争。电价的有效预测不仅能够反映出市场的期望，预期市场的运行状态，而且能够促进电力市场的参与主体合理配置资源、安排有效的发电计划、制定合理的报价策略，对提高电力市场的效率具有十分重要的意义。当前的电价预测研究方法可大致分为两类，即传统方法和智能方法。智能方法是当前研究的主流方法，代表性的有神经网络方法、数据分析挖掘预测方法等。
由于电价是不稳定且剧烈波动的，导致现有的电价预测方法不够准确，电价的有效预测在目前依然属于一个难点。
发明内容
本发明的目的在于提供一种短期电价预测方法、装置、设备及介质，以解决现有技术中由于电价是不稳定且剧烈波动的，导致现有的电价预测方法不够准确的问题。
为了实现上述目的，本发明采用如下技术方案：
第一方面，本发明提供了一种短期电价预测方法，包括如下步骤：
获取预测日的气象信息、调度中心披露信息的数据集；
将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
进一步的，在将所述相似日集输入预先训练好的电价预测网络，所述电价预测网络输出预测的短期电价的步骤中，所述电价预测网络的训练方式如下：
获取包含电价、气象信息、调度中心披露信息的数据集作为训练集；
通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比构造为第一训练特征；
对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集；对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征；
对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的气象与工作日相似日集；对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征；
对于训练集中的一个时间点T0，在历史电价数据中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征；
对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，作为电价预测网络的输入，预测日T时间点电价作为输出，对电价预测网络进行训练。
进一步的，所述包含电价、气象信息、调度中心披露信息的数据集具体为：96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。
进一步的，所述曲线相似度的计算方法为：计算曲线的欧氏距离与弗雷歇距离的加权和的倒数。
进一步的，气象与工作日相似度搜索算法为计算归一化之后的各项数据的差值的和的倒数。
第二方面，本发明提供了一种短期电价预测装置，包括：
获取模块，用于获取预测日的气象信息、调度中心披露信息的数据集；
电价预测模块，用于将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
进一步的，电价预测模块中，所述电价预测网络的训练方式如下：
获取包含电价、气象信息、调度中心披露信息的数据集作为训练集；
通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比构造为第一训练特征；
对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集；对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征；
对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的气象与工作日相似日集；对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征；
对于训练集中的一个时间点T0，在历史电价数据中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征；
对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，作为电价预测网络的输入，预测日T时间点电价作为输出，对电价预测网络进行训练。
进一步的，所述包含电价、气象信息、调度中心披露信息的数据集具体为：96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。
第三方面，本发明提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现上述的短期电价预测方法。
第四方面，本发明提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现上述的短期电价预测方法。
与现有技术相比较，本发明的有益效果如下：
本发明提供的短期电价预测方法，通过获取包含电价、气象信息、调度中心披露信息的数据集；将获取到的所述数据集利用相似日搜索算法进行处理，得到相似日集；将所述相似日集输入预先训练好的电价预测网络，所述电价预测网络输出预测的短期电价。有效的整合利用了电力调度中心披露数据、气象数据、发电侧机组预估运行容量、历史电价等数据，提高了短期单节点电价预测的准确率，对发电侧用户有比较好的参考意义。
附图说明
构成本申请的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明实施例一种短期电价预测方法流程图；
图2为本发明实施例中电价预测网络训练、预测示意图；
图3为本发明实施例一种短期电价预测装置的结构框图；
图4为本发明实施例一种电子设备的结构框图。
具体实施方式
下面将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
以下详细说明均是示例性的说明，旨在对本发明提供进一步的详细说明。除非另有指明，本发明所采用的所有技术术语与本申请所属领域的一般技术人员的通常理解的含义相同。本发明所使用的术语仅是为了描述具体实施方式，而并非意图限制根据本发明的示例性实施方式。
实施例1
如图1所示，一种短期电价预测方法，包括如下步骤：
步骤S1、获取包含电价、气象信息、调度中心披露的历史信息的数据集。
具体的，获取的数据集包括96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。其中，最高气温、最低气温、降水量均为按日数据。
步骤S2、使用步骤S1获取到的数据集构建基于相似日算法的深度神经网络模型作为电价预测网络，并根据包含历史电价、气象信息、调度中心披露信息的数据集作为训练集对电价预测网络进行训练。
具体来说，是指根据数据集中数据的特征来设计合适结构的深度神经网络模型，然后使用数据集对搭建好的深度神经网络模型进行参数训练，训练完成后得到最终的电价预测网络。
如图2所示，具体训练过程如下：
S201：通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比等数据构造为第一训练特征。
具体的，竞价空间＝省调披露负荷-新能源出力-联络线负荷；
供需比＝历史机组运行容量/竞价空间；
竞价空间用来计算供需比，同时竞价空间和供需比也会作为训练数据输入到深度神经网络模型中。
S202：对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集。
具体的，对于训练集中的每一日都需要找到该日的供需比相似日集；训练集有多少天就有多少个供需比相似日集。
具体的，本方案中曲线相似度算法为计算供需比曲线的欧氏距离与弗雷歇距离的加权和的倒数：
其中，SA,B为两条供需比曲线的相似度，t为时间点，At为待比较日的供需比曲线，Bt为对比日的供需比曲线，K为调整欧氏距离与弗雷歇距离比例的调整参数。
S203：对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在96点历史日前出清电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征。
如，20220101早上8：15这个时间为T0，找到20220101日对应的最相近的相似日为20220122这一天，那么T时间点就是20220122早上8：15，T-1时间点就是20220122早上8：00，以此类推。
具体的，供需比相似日集是按照相似程度来排序的，第一日就是曲线最相似的一天。
S204：对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的相似日集。
本方案中，气象与工作日相似度搜索算法为：计算归一化之后的各项数据的差值的和的倒数。
具体的，将气象信息数据中包含的各类数据分别进行归一化处理；具体的，是将预测节点历史按日最高气温、最低气温、降水量数据分别归一化处理；
将归一化处理后的数据按照是否为工作日进行分类；
分别计算工作日和非工作日的相似日集；
以一个工作日的相似日集举例，将该工作日与训练集中任一工作日的归一化后的气象信息数据作差，得到气象信息数据中各类数据的差值，将这些差值的绝对值相加得到求和结果，取求和结果的倒数，作为两个工作日的相似度。按照本步骤的方法分别计算该工作日与训练集中的其他工作日的相似度，取相似度在预设范围内的工作日组合得到该工作日的相似日集。以此类推，得到训练集中每一个工作日的相似日集；
以一个非工作日的相似日集举例，将该非工作日与训练集中任一非工作日的归一化后的气象信息数据作差，得到气象信息数据中各类数据的差值，将这些差值的绝对值相加得到求和结果，取求和结果的倒数，作为两个非工作日的相似度。按照本步骤的方法分别计算该非工作日与训练集中的其他非工作日的相似度，取相似度在预设范围内的非工作日组合得到该非工作日的相似日集。以此类推，得到训练集中每一个非工作日的相似日集。
S205：对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据数据中搜索，如96点历史日前出清电价，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征。
S206：对于训练集中的一个时间点T0，在历史电价数据数据，如96点历史日前出清电价中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征。
S207：对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，然后作为深度神经网络模型的输入，预测日T时间点电价作为输出，对深度神经网络模型进行训练。
步骤S3、获取预测日的气象信息、调度中心披露信息的数据集，数据集中的具体数据项与步骤S1相同，将获取的数据集参照S201～S206步骤构造数据，然后输入训练后的电价预测网络模型进行预测，最终得到预测结果。
实施例2
如图3所示，基于与上述实施例的同一发明构思，本方案还提供了一种短期电价预测装置，包括：
获取模块，用于获取预测日的气象信息、调度中心披露信息的数据集；
电价预测模块，用于将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
电价预测模块中，所述电价预测网络的训练方式如下：
获取包含电价、气象信息、调度中心披露信息的数据集；
获取包含电价、气象信息、调度中心披露信息的数据集作为训练集；
通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比构造为第一训练特征；
对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集；对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征；
对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的气象与工作日相似日集；对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征；
对于训练集中的一个时间点T0，在历史电价数据中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征；
对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，作为电价预测网络的输入，预测日T时间点电价作为输出，对电价预测网络进行训练。
本方案中，包含电价、气象信息、调度中心披露信息的数据集具体为：96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。
实施例3
本发明还提供一种用于实现短期电价预测方法的电子设备100；电子设备100包括存储器101、至少一个处理器102、存储在存储器101中并可在至少一个处理器102上运行的计算机程序103及至少一条通讯总线104。存储器101可用于存储计算机程序103，处理器102通过运行或执行存储在存储器101内的计算机程序，以及调用存储在存储器101内的数据，实现实施例1一种短期电价预测方法步骤。
存储器101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(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备100的使用所创建的数据(比如音频数据)等。此外，存储器101可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡(Smart Media Card，SMC)，安全数字(Secure Digital，SD)卡，闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。
至少一个处理器102可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。处理器102可以是微处理器或者该处理器102也可以是任何常规的处理器等，处理器102是电子设备100的控制中心，利用各种接口和线路连接整个电子设备100的各个部分。
电子设备100中的存储器101存储多个指令以实现一种短期电价预测方法，处理器102可执行多个指令从而实现：
获取预测日的气象信息、调度中心披露信息的数据集；
将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
实施例4
电子设备100集成的模块/单元如果以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，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器及只读存储器(ROM，Read-Only Memory)。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”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发明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一定指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何的一个或多个实施例或示例中以合适的方式结合。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种短期电价预测方法，其特征在于，包括如下步骤：
获取预测日的气象信息、调度中心披露信息的数据集；
将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
2.根据权利要求1所述的短期电价预测方法，其特征在于，在将所述相似日集输入预先训练好的电价预测网络，所述电价预测网络输出预测的短期电价的步骤中，所述电价预测网络的训练方式如下：
获取包含电价、气象信息、调度中心披露信息的数据集作为训练集；
通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比构造为第一训练特征；
对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集；对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征；
对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的气象与工作日相似日集；对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征；
对于训练集中的一个时间点T0，在历史电价数据中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征；
对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，作为电价预测网络的输入，预测日T时间点电价作为输出，对电价预测网络进行训练。
3.根据权利要求1所述的短期电价预测方法，其特征在于，所述包含电价、气象信息、调度中心披露信息的数据集具体为：96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。
4.根据权利要求1所述的短期电价预测方法，其特征在于，所述曲线相似度的计算方法为：计算曲线的欧氏距离与弗雷歇距离的加权和的倒数。
5.根据权利要求1所述的短期电价预测方法，其特征在于，所述气象与工作日相似度搜索算法为计算归一化之后的各项数据的差值的和的倒数。
6.一种短期电价预测装置，其特征在于，包括：
获取模块，用于获取预测日的气象信息、调度中心披露信息的数据集；
电价预测模块，用于将所述预测日的气象信息、调度中心披露信息的数据集输入预训练好的电价预测网络中，所述电价预测网络输出预测的短期电价。
7.根据权利要求6所述的短期电价预测装置，其特征在于，电价预测模块中，所述电价预测网络的训练方式如下：
获取包含电价、气象信息、调度中心披露信息的数据集作为训练集；
通过省调披露负荷、联络线负荷、新能源出力、历史机组运行容量计算出竞价空间与供需比，将省调披露负荷、联络线负荷、新能源出力、历史机组运行容量、竞价空间与供需比构造为第一训练特征；
对于训练集中的每一日，通过供需比曲线相似度搜索，在训练集中寻找该日对应的供需比相似日集；对于训练集中的一个时间点T0，使用供需比相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第二训练特征；
对于训练集中的每一日，通过气象与工作日相似度搜索，在训练集中寻找该日对应的气象与工作日相似日集；对于训练集中的一个时间点T0，使用气象与工作日相似日集中的第一日在历史电价数据中搜索，找到T时间点、T-1时间点…T-N时间点的历史电价，构造为第三训练特征；
对于训练集中的一个时间点T0，在历史电价数据中找到该时间点前一日的对应T时间点、T-1时间点…T-N时间点的历史电价，构造为第四训练特征；
对构建的所述第一训练特征、第二训练特征、第三训练特征和第四训练特征进行标准化处理，作为电价预测网络的输入，预测日T时间点电价作为输出，对电价预测网络进行训练。
8.根据权利要求7所述的短期电价预测装置，其特征在于，所述包含电价、气象信息、调度中心披露信息的数据集具体为：96点历史日前出清电价、预测节点历史按日最高气温、最低气温、降水量、是否是工作日、96点历史省调披露负荷、联络线负荷、新能源出力、历史机组运行容量。
9.一种电子设备，其特征在于，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现如权利要求1至7中任意一项所述的短期电价预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现如权利要求1至7中任意一项所述的短期电价预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211457750.2A CN115907844A (zh) | 2022-11-21 | 2022-11-21 | 一种短期电价预测方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211457750.2A CN115907844A (zh) | 2022-11-21 | 2022-11-21 | 一种短期电价预测方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115907844A true CN115907844A (zh) | 2023-04-04 |
Family
ID=86487610
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211457750.2A Pending CN115907844A (zh) | 2022-11-21 | 2022-11-21 | 一种短期电价预测方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115907844A (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 |
| CN117196696A (zh) * | 2023-11-06 | 2023-12-08 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
-
2022
- 2022-11-21 CN CN202211457750.2A patent/CN115907844A/zh active Pending
Cited By (3)
| 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 |
| CN117196696A (zh) * | 2023-11-06 | 2023-12-08 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
| CN117196696B (zh) * | 2023-11-06 | 2024-01-19 | 南京南自华盾数字技术有限公司 | 一种基于市场供需关系和机组行为的电价预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115907844A (zh) | 一种短期电价预测方法、装置、设备及介质 | |
| CN106446967A (zh) | 一种新型电力系统负荷曲线聚类方法 | |
| Kebriaei et al. | Short-term load forecasting with a new nonsymmetric penalty function | |
| Shayesteh et al. | Multi-station equivalents for short-term hydropower scheduling | |
| Vardanyan et al. | Optimal coordinated bidding of a profit-maximizing EV aggregator under uncertainty | |
| CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| Alkawaz et al. | Day-ahead electricity price forecasting based on hybrid regression model | |
| CN110867852B (zh) | 计及全寿命周期成本的微电网储能优化配置方法及装置 | |
| CN111553750A (zh) | 一种计及电价不确定性和损耗成本的储能竞价策略方法 | |
| Sang et al. | Electricity price prediction for energy storage system arbitrage: A decision-focused approach | |
| Feng et al. | Scenario reduction for stochastic unit commitment with wind penetration | |
| CN115423013A (zh) | 电力系统运行方式分类方法、装置、设备及介质 | |
| Jarndal | Load forecasting for power system planning using a genetic-fuzzy-neural networks approach | |
| CN114358378A (zh) | 一种用于考虑需量管理的用户侧储能优化配置系统及方法 | |
| Vardanyan et al. | Hydropower bidding strategies to day-ahead and real-time markets: different approaches | |
| CN110705738B (zh) | 基于人工智能的智能用电激励需求响应方法和系统 | |
| CN113052630B (zh) | 利用模型进行电力设备配置的方法和电力设备配置方法 | |
| Li et al. | An electrical vehicle-assisted demand response management system: A reinforcement learning method | |
| CN114066082A (zh) | 电力调度优化方法、电子设备及计算机可读存储介质 | |
| Sala et al. | Smart multi-model approach based on adaptive Neuro-Fuzzy Inference Systems and Genetic Algorithms | |
| Sun et al. | Energy storage strategy in a non-agent energy trading platform: energy bank system | |
| CN118070134B (zh) | 一种园区内用户用电能耗预测方法及系统 | |
| CN116454876B (zh) | 电力市场水电机组的组合控制方法、装置、设备和介质 | |
| CN117649314A (zh) | 计入台区采集数据质量和运行状态的线损修正方法及系统 | |
| CN116187562A (zh) | 电动汽车充电容量需求预测方法及相关装置 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20230704 Address after: 102209 building a, Huaneng talent innovation and entrepreneurship base, Beiqijia future science and Technology City, Changping District, Beijing Applicant after: HUANENG CLEAN ENERGY Research Institute Applicant after: Huaneng Group R&D Center Co., Ltd. Address before: 102209 building a, Huaneng talent innovation and entrepreneurship base, Beiqijia future science and Technology City, Changping District, Beijing Applicant before: HUANENG CLEAN ENERGY Research Institute |
|
| TA01 | Transfer of patent application right |