CN116091118A - 电价预测方法、装置、设备、介质及产品 - Google Patents
电价预测方法、装置、设备、介质及产品 Download PDFInfo
- Publication number
- CN116091118A CN116091118A CN202310156277.2A CN202310156277A CN116091118A CN 116091118 A CN116091118 A CN 116091118A CN 202310156277 A CN202310156277 A CN 202310156277A CN 116091118 A CN116091118 A CN 116091118A
- Authority
- CN
- China
- Prior art keywords
- data
- price
- electricity price
- prediction
- node
- 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 249
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012417 linear regression Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 64
- 238000012545 processing Methods 0.000 claims description 35
- 238000012360 testing method Methods 0.000 claims description 19
- 230000000737 periodic effect Effects 0.000 claims description 16
- 238000012795 verification Methods 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 5
- 230000007812 deficiency Effects 0.000 claims description 5
- 230000001932 seasonal effect Effects 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 4
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000011425 standardization method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000283690 Bos taurus Species 0.000 description 1
- 238000001134 F-test Methods 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000012812 general test Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000000750 progressive effect Effects 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
- 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
- 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
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Biophysics (AREA)
- Game Theory and Decision Science (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Water Supply & Treatment (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电价预测方法、装置、设备、介质及产品,所述方法包括:获取电力现货市场运行日之前的历史交易数据;根据历史交易数据中所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。本申请显著提高了在未来长时序多步预测中节点电价及结算出清价的预测精度。
Description
技术领域
本申请涉及电力现货交易领域,尤其涉及一种电价预测方法、装置、设备、介质及产品。
背景技术
电力现货市场新政的出台,给储能产业带来新的发展机遇,同时使得储能产业盈利能力也将进一步加强。储能参与电力现货交易需依赖于准确的电价预测,电价预测是储能交易决策系统的关键,储能交易决策系统根据电价预测的结果自主生成充放电指令,在未来谷价时充电,在峰价时放电,通过价差获得盈利,理论上,电价由市场供需决定,市场供需作为内生变量决定着电价。然而在电力市场中,影响电价的外界因素十分复杂,既有宏观经济发展、政策影响,又受到微观市场结构、电力客观约束条件制约,比如统调负荷、线路阻塞、电力潮流、机组报价、联络线功率、发电机机组物理参数、降雨、天气温度等因素影响,其内在机理复杂,而且众多影响因素无法定量分析,影响因素之间又存在复杂的非线性关系。因此,电价预测技术对于储能参与电力现货市场交易至关重要。
现有技术中,电力行业已提出多种理论和方法尝试提高电价预测精度,但预测精度不高,尤其是储能参与电力现货交易的场景,需要对未来多日分时段的电价进行精确预测,例如:预测未来多日每间隔一小时或每间隔15分钟的电价,传统的电价预测方法在面对这种未来长时序多步预测问题上,其预测精度随着预测期增长而显著下降,因此,高精度长时序多步电价预测是储能交易决策系统亟需解决的问题。
综上,为了解决随着预测期的增长而电价预测精度显著下降等问题,本申请人出于解决该问题的考虑做出相应的探索。
发明内容
本申请的目的在于解决上述问题而提供一种电价预测方法、相应的装置、电价预测设备、计算机可读存储介质以及计算机程序产品。
为满足本申请的各个目的,本申请采用如下技术方案:
适应本申请的目的之一而提出的一种电价预测方法,包括如下步骤:
获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;
根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;
根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;
将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
可选的,获取电力现货市场运行日之前的历史交易数据的步骤之后,包括如下步骤:
对获取的电力现货市场运行日之前的历史交易数据进行预处理;
对所述历史交易数据进行数据增强、数据清洗、缺值填补或数据拼接。
可选的,根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程的步骤,包括如下步骤:
对所述结算出清价和所述节点电价的历史数据进行线性化处理;
计算出所述结算出清价和所述节点电价的皮尔逊相关系数;
采用最小二乘法结合所述皮尔逊相关系数构建线性化处理后的所述结算出清价和所述节点电价的线性回归方程。
可选的,根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型的步骤,包括如下步骤:
将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理;
将归一化处理后的样本数据集按照一定规则划分为训练集、验证集和测试集;
根据切分好的所述训练集、验证集和测试集对预构建的电价预测模型实施训练至收敛。
可选的,将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理的步骤,包括如下步骤:
检测所述样本数据集是否存在异常,若所述样本数据集存在异常样本数据,将一定时长内的历史样本数据的估计值替换或填充所述异常样本数据;
对所述样本数据集进行正态标准化处理。
可选的,所述电价预测模型的工作过程,包括如下步骤:
将所述电价影响因子、电力负荷数据及节点电价的历史数据构造为时间序列数据;
在编码器中基于季节分解算法分解出所述时间序列数据中的周期项数据和趋势项数据相对应的多个子序列;
采用编码器中的自相关模块查询出所述周期项数据中的周期依赖数据,根据所述周期依赖数据对所述多个子序列进行相似聚合,获得聚合后的数据;
采用解码器应用自相关机制根据所述聚合后的数据及所述周期项数据获取周期项预测序列,将周期项预测序列叠加所述趋势项数据相对应的预测序列预测出相应的预测值。
适应本申请的另一目的而提供的一种电价预测装置,包括:
获取模块,设置为获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;
回归方程构建模块,设置为根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;
节点电价预测模块,设置为根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;
结算出清价预测模块,设置为将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
适应本申请的另一目的而提供的一种电价预测设备,包括中央处理器和存储器,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行本申请所述电价预测方法的步骤。
适应本申请的另一目的而提供的一种计算机可读存储介质,其以计算机可读指令的形式存储有依据所述电价预测方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
适应本申请的另一目的而提供的一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现本申请所述电价预测方法的步骤。
相对于现有技术,本申请针对电力现货市场电价预测精度不高,电价的预测精度因预测期的增长而显著下降的问题,获取电力现货市场运行日之前的历史交易数据及电价影响因子,电力现货市场的历史交易数据中的结算出清价与节点电价都较为精确地反映了电力供给情况,结算出清价与节点电价之间存在紧密的相关性,基于历史交易数据中的结算出清价和节点电价构建结算出清价和节点电价的线性回归方程,基于历史交易数据中的电力负荷数据、节点电价及电价影响因子构建Autoformer模型,Autoformer模型在长时序多步预测中预测精度高、计算速度快,基于构建好的Autoformer模型预测出未来运行日分时段的节点电价,显著提高了在长时序多步预测中节点电价的预测精度,节点电价的预测精度不会因预测期的增长而下降,由于结算出清价与节点电价之间存在紧密的相关性,将预测出的未来运行日分时段的节点电价代入线性回归方程中得到未来运行日分时段的结算出清价的预测值,显著提高了未来运行日结算出清价预测值的预测精度,在电力现货市场中,在未来运行日分时段的结算出清价的平均预测精度MAPE在95%以上,高精度的预测结果有利于在储能交易决策系统中准确制定有效的交易计划,实现盈利。
附图说明
本申请上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本申请电价预测方法所采用的示例性的网络架构;
图2为本申请实施例中电价预测方法的流程示意图;
图3为本申请实施例中对历史交易数据进行预处理的流程示意图;
图4为本申请实施例中根据结算出清价和节点电价的历史数据构建结算出清价和节点电价的线性回归方程的流程示意图;
图5为本申请实施例中根据电力负荷数据、节点电价的历史数据及电价影响因子构建电价预测模型的流程示意图;
图6为本申请实施例中对样本数据集进行归一化处理的流程示意图;
图7为本申请实施例中电价预测模型的工作过程的流程示意图;
图8为本申请实施例中Autoformer模型的具体训练过程的流程示意图;
图9为本申请实施例中电价预测装置的原理框图;
图10为本申请实施例中电价预测模型的模块图;
图11为本申请所采用的电价预测设备的结构示意图。
具体实施方式
下面详细描述本申请的实施例,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,仅用于解释本申请,而不能解释为对本申请的限制。
请参阅图1,本申请相关技术方案实施时所需的硬件基础可按图中所示的架构进行部署。本申请所称服务器部署在云端,作为一个业务服务器81,其可以负责进一步连接起相关数据服务器82以及其他提供相关支持的服务器等,以此构成逻辑上相关联的服务机群,来为相关的终端设备80或者其他服务器(未图示)提供服务。所述的智能手机和个人计算机均可通过公知的网络接入方式接入互联网,与云端的服务器81建立数据通信链路,以便运行所述服务器所提供的服务相关的终端应用程序。
本申请所称的“服务器”,同理也可扩展到适用于服务集群的情况。依据本领域技术人员所理解的网络部署原理,所述各服务器应是逻辑上的划分,在物理空间上,这些服务器既可以是互相独立但可通过接口调用的,也可以是集成到一台物理计算机或一套计算机机群的。本领域技术人员应当理解这一变通,而不应以此约束本申请的网络部署方式的实施方式。
在参考以上示例性场景的基础上,请参阅图2,本申请的电价预测方法在其一个实施例中,包括如下步骤:
步骤S1100、获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;
本申请所述的历史交易数据的类型及来源,可以根据实际应用场景而定,例如:在电力现货市场交易的场景中,所述历史交易数据可以是电力现货市场公开发布的固定时段的交易数据,也可以是数据库或数据库集群中存储的数据,所述固定时段可以是每分钟、每15分钟、每30分钟、每小时、每天或每年等,在此不作限定,例如:历史交易日每15分钟、每小时、每天或每年的节点电价、电力负荷数据、结算出清价等;在股票交易市场的场景中,所述历史交易数据可以是历史各个时段每个股票的股价、开盘价和收盘价等数据;在发电站供电的场景中,所述历史交易数据可以是供电站对每家每户供电按照时间顺序记录的供电数据,当然,也可以是发电站在各个时间段产生电量的发电数据;诸如此类,视具体应用场景不同,可以按需确定所述历史交易数据。
在一些实施例中,电力现货市场一般会在市场交易结束后公布历史交易数据,以广东电力现货市场为例,按照广东电力现货市场运行规则,所述结算出清价的历史数据公布截止至电力现货市场运行日之前的第六日(包含运行日之前的第六日的数据),即电力现货市场运行日之前的第六日的结算出清价数据为最新数据,节点电价、电力负荷数据的历史数据公布截止至电力现货市场运行日的前一日(包含运行日前一日的数据),即电力现货市场运行日的前一日的节点电价、电力负荷数据为最新数据,由于各个电力现货市场的情况各不相同,可以根据实际情况确定电力现货市场的历史交易数据。
步骤S1200、根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;
所述结算出清价为电力现货市场中买方的出价与卖方的要价达到一致平衡时的价格,电力现货市场中所述结算出清价通行的价格机制是按照买方的报价进行结算;所述节点电价是电力现货市场中某时间、某地区消费每增加或减少一定量负荷所增加或减少的成本,它反映了特定节点的电力供需关系,即所述节点电价高表示该节点的电力供给趋紧,所述节点电价低则表示该节点的电力供给富余。不难理解,按照电力现货市场运行规律,所述结算出清价与所述节点电价都较为准确地反映了电力供给情况,因此,所述结算出清价与所述节点电价存在紧密的相关性,可以基于电力现货市场历史交易数据中的结算出清价和节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程。
步骤S1300、根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;
在电力现货市场中,影响所述节点电价的因素复杂多样,主要是所述电力负荷数据和所述电价影响因子,所述电价影响因子可以是统调负荷、线路阻塞、电力潮流、机组报价、联络线功率、发电机机组物理参数、气象数据等一种或多种,所述气象数据可以是地面、海平面气压、地面降水率、地面气压、海平面气压、平均温度或相对湿度等相关数据的一种或多种,因此,可以将所述节点电价、电力负荷数据及电价影响因子的历史数据组成训练样本,基于深度学习模型对所述训练样本进行训练构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价,所述深度学习模型可以是Autoformer算法模型、卷积神经网络模型等,由于所述电力负荷数据、电价影响因子及节点电价之间存在复杂的非线性关系,Autoformer模型基于深度分解架构,能够从复杂的时间序列数据中分解出可预测性更强的组分,将复杂的时间序列数据渐进式分解成周期项数据和趋势项数据,采用滑动平均思想,平滑周期项、突出趋势项,对于周期项数据,编码器中的自相关机制利用序列的周期性质,聚合不同周期中具有相似过程的子序列,对于趋势项数据,采用累积的方式逐步从预测的隐变量中提取出趋势信息,将所述周期项数据叠加所述趋势项数据相对应的预测序列预测出相应的预测值,所述Autoformer模型在长时序多步预测中预测精度高、计算速度快,预测精度不会因预测期增长而显著下降。
示例性的一种实施例中,以广东电力现货市场为例,可以选取历史交易数据中的电力负荷数据、节点电价及电价影响因子构成训练样本序列,所述电力负荷数据可以是A类机组出力、B类机组出力、地方电总值、西电出力总值、统调负荷、粤港联络线等数据,所述西电出力总值数据可以细分为:楚穗直流、高肇直流、海南送广东、昆柳直流、牛从直流、普侨直流、三峡直流、天广直流、新东直流、兴安直流、玉茂桂山贺罗梧罗等数据,其目的在于捕捉西电出力总值数据的微小波动对电价的影响,提高电价预测模型的预测精度;所述电价影响因子可以是广东全省平均温度、全省相对湿度等因子;所述节点电价可以是节点平均电价,时间粒度为15分钟、30分钟、小时、24小时等,在此不作限定,所述电力负荷数据、电价影响因子及节点电价的历史数据均可从广东电力现货市场公开获取,所述电力负荷数据、电价影响因子及节点电价的历史数据总共有20个特征变量,选取电力现货市场中真实的历史交易数据训练电价预测模型,其保证了模型的预测精度,充分考虑了各个特征变量之间的相关性,所述节点平均电价可以为广东省各区域节点电价的平均值,计算公式如下:
由于所述电力负荷数据、电价影响因子及节点电价的历史数据构成的训练样本序列中含有较强的非线性特征,具体表现为序列波形中的尖峰或者剧烈振荡,而这些特征是影响预测精度的重要原因,因此,可以基于所述训练样本序列训练Autoformer算法模型,构建基于深度分解架构和自相关机制的Autoformer模型作为电价预测模型,并基于构建好的Autoformer模型预测出未来运行日分时段的节点电价。
步骤S1400、将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
基于构建好的Autoformer模型预测出未来运行日分时段的节点电价,其显著提高了在长时序多步预测中所述节点电价的预测精度,由于结算出清价与节点电价之间存在紧密的相关性,将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值,同时显著提高了未来运行日分时段的结算出清价预测值的预测精度。
由上述实施例可知,本申请针对电力现货市场电价预测精度不高,电价的预测精度因预测期的增长而显著下降的问题,获取电力现货市场运行日之前的历史交易数据及电价影响因子,电力现货市场的历史交易数据中的结算出清价与节点电价都较为精确地反映了电力供给情况,结算出清价与节点电价之间存在紧密的相关性,基于历史交易数据中的结算出清价和节点电价构建结算出清价和节点电价的线性回归方程,基于历史交易数据中的电力负荷数据、节点电价及电价影响因子构建Autoformer模型,Autoformer模型在长时序多步预测中预测精度高、计算速度快,基于构建好的Autoformer模型预测出未来运行日分时段的节点电价,显著提高了在长时序多步预测中节点电价的预测精度,节点电价的预测精度不会因预测期的增长而下降,由于结算出清价与节点电价之间存在紧密的相关性,将预测出的未来运行日分时段的节点电价代入线性回归方程中得到未来运行日分时段的结算出清价的预测值,显著提高了未来运行日结算出清价预测值的预测精度,在电力现货市场中,在未来运行日分时段的结算出清价的平均预测精度MAPE在95%以上,高精度的预测结果有利于在储能交易决策系统中准确制定有效的交易计划,实现盈利。
在本申请任意实施例的基础上,请参阅图3,获取电力现货市场运行日之前的历史交易数据的步骤之后,包括如下步骤:
步骤S1101、对获取的电力现货市场运行日之前的历史交易数据进行预处理;
在获取电力现货市场的历史交易数据之后,需要对获取的历史交易数据进行预处理,所述预处理可以是负数据处理、数据增强、数据清洗、缺值填补或数据拼接等,所述历史交易数据的质量,将直接决定了Autoformer模型的预测和泛化能力的好坏,如果不对所述历史交易数据进行预处理,将涉及到所述Autoformer模型的准确性、完整性、一致性、时效性、可信性和解释性等众多因素,从电力现货市场中获取的真实的历史交易数据中,所述历史交易数据可能包含了大量的缺失值、大量的噪音,也可能由于人工录入错误导致有异常数据存在,将极大影响Autoformer模型的训练以及预测精度。
步骤S1103、对所述历史交易数据进行数据增强、数据清洗、缺值填补或数据拼接。
为了增加样本数据多样性,防止模型过拟合,提高Autoformer模型预测和泛化能力,需要对所述历史交易数据进行负数据处理、数据增强等操作。
示例性的一种实施例中,以广东电力现货市场为例,所述负数据处理,对于选取历史交易数据中的电力负荷数据、节点电价及电价影响因子构成的训练样本序列,需要对所述训练样本序列进行负数据处理,例如:粤港澳联络线(最小值-2209,最大值-399)、海南送广东直流(最小值-462,最大值192)、三峡直流(最小值-1028,最大值2793),不难理解,所述电力负荷数据中粤港澳联络线、海南送广东直流、三峡直流这三个特征变量的原始数据存在负数,因此需要对原始数据进行对数化处理,故将三个特征变量的所对应的负数值分别加上10000转化为正数;
所述数据增强,为了增加所述训练样本序列中样本数据的多样性,防止模型过拟合,提高模型泛化和预测能力,需要对所述训练样本序列进行样本数据增强,对训练集和验证集采用轮盘赌策略对每个样本点数据随机加减5%的随机噪音,一般测试集不做数据增强。
针对每一行训练样本序列,首先产生(0,1)之间随机小数p1,如果p1<0.5,则对所述训练样本序列中样本点的20个特征变量添加随机噪音,然后产生(0,1)之间随机小数p2。
如果p2<0.5,则:所述样本点每个特征数据=特征数据*(1+5%),
如果p2>=0.5,则:所述样本点每个特征数据=特征数据*(1-5%)。
如果p1>=0.5,则对所述样本点数据不做操作。
在电力现货市场,电力价格受节假日、特殊日期、工作日以及周末等时间因素影响,不同的时间因素对电力价格波动存在显著的不同,因此,需要对所述训练样本序列中的节假日特征进行增强。
对于节假日类型的确定,由于样本数据输入模型之前需要特征编码,对于节假日类型数据首先采用标签编码方式,采用标签编码(LabeIEncode)进行数值映射,其中,1-元旦;2-春节;3-清明节;4-劳动节;5-端午节;6-中秋节;7-国庆节;8-其它
对于工作日/周末类型的确定,也采用标签编码方式,采用标签编码(LabeIEncode)进行数值映射。
11-工作日;12-周六;13-周日
为进一步提取时间特征以及让模型能够关联特征数据的时序,增加模型的时序记忆能力,将所述训练样本序列进行时间戳特征增强,将样本点日期计算如下:
(1)小时数在当天24小时中的占比:
小时数在当天24小时中的占比=小时数/23-0.5
(2)日数在当周7天中的占比:
日数在当周7天中的占比=日数/6-0.5
(3)日数在当月30天中的占比:
日数在当月30天中的占比=(日数-1)/30-0.5
(4)日数在全年365天中的占比:
日数在当年365天中的占比=(日数-1)/365-0.5
(5)周数在全年52周中的占比:
周数在全年52周中的占比=周数/51-0.5
(6)月数在全年12个月中的占比:
月数在全年12个月中的占比=月数/11-0.5
(7)季数在全年4个季节中的占比:
季数在全年4个季节中的占比=季数/3-0.5
对于所述训练样本序列中的20个特征变量、2个节假日特征和7个时间戳特征,由于特征变量的维度不一致,在建立模型之前对输入的特征进行编码,将其映射到维度一致的高维空间(512维),所述训练样本序列可以基于Pytorch深度学习框架nn模块对特征进行编码,具体是使用一维卷积nn.Conv1d(Kernel_size-3)将20个特征变量映射为512维特征变量,使用nn.Embedding将2个节假日特征变量映射为512维特征变量,使用nn.Linear将7个时间戳变量映射为512维特征变量。
最后将所述训练样本序列中的20个特征变量、2个节假日特征和7个时间戳特征,经过不同编码方式分别映射到512维特征后,然后在特征维度直接相加得到模型的输入数据的特征空间。
在电力现货市场,所述节点电价受节假日、特殊日期、工作日以及周末等时间因素影响较大,在特殊的时间阶段,所述节点电价变化幅度较大,所述节点电价的波动明显,为了提高模型的泛化和预测能力,增加所述训练样本序列中样本数据的多样性,将不同的特征变量采用不同编码方式,从而对所述训练样本序列进行样本数据增强,防止模型过拟合。
在本申请任意实施例的基础上,请参阅图4,根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程的步骤,包括如下步骤:
步骤S1201、对所述结算出清价和所述节点电价的历史数据进行线性化处理;
从电力现货市场的历史交易数据中获取的所述结算出清价和所述节点电价,所述结算出清价和所述节点电价之间可能含有较强的非线性特征,为了提高线性回归方程预测的准确性,需要对所述结算出清价和所述节点电价的历史数据进行线性化处理,不难理解,所述线性化处理为将历史交易数据中所述结算出清价和所述节点电价进行线性拟合。
步骤S1203、计算出所述结算出清价和所述节点电价的皮尔逊相关系数;
所述节点电价可以是广东省各线路节点电价的平均值,电力现货市场的历史交易数据中的结算出清价与节点电价都较为精确地反映了电力供给情况,所述节点电价和所述结算出清价高度线性相关(皮尔逊相关系数为0.998),皮尔逊相关系数r公式计算如下:
步骤S1205、采用最小二乘法结合所述皮尔逊相关系数构建线性化处理后的所述结算出清价和所述节点电价的线性回归方程。
可以选取电力现货市场历史交易数据中的结算出清价和节点电价历史数据,采用最小二乘法估计得到二者的线性回归方程如下:
结算出清价=6.6473+0.9873*节点电价,判定系数R-square=0.996,回归变量T检验和F检验在5%显著水平下均通过检验。
所述线性回归方程实现容易,建模迅速,电力现货市场的历史交易数据中的结算出清价与节点电价都较为精确地反映了电力供给情况,所述结算出清价与所述节点电价具有紧密的相关性,在所述节点电价的预测精度显著提高的前提下,基于所述节点电价的预测值结合所述线性回归方程得到所述结算出清价的预测值,同时显著提高了所述结算出清价的预测精度。
在本申请任意实施例的基础上,请参阅图5,根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型的步骤,包括如下步骤:
步骤S1301、将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理;
由于所述特征变量的量纲、量级可能不一致,为消除量纲、量级的影响需要对所述训练样本序列进行正态标准化处理,可以加速模型收敛速度,正态标准化处理按照如下公式:
其中μ为对应变量的平均值,σ为对应变量的标准差。
步骤S1303、将归一化处理后的样本数据集按照一定规则划分为训练集、验证集和测试集;
为了防止所述Autoformer模型过拟合,为评估模型过拟合程度和调参,将整个训练样本序列划分为训练集、验证集和测试集,所述训练集用来训练模型参数,所述验证集用来计算模型评价指标和调参,所述测试集用来计算模型评价指标、对最终模型的泛化能力进评估,可以选取电力现货市场中预设时间的历史交易数据,所述预设时间可以是一周、一个月、六个月或一年等,在此不作限定,可以根据实际情况按需确定所述预设时间的历史交易数据,将所述预设时间内的历史交易数据按照时间顺序编号,划定一段时间的历史数据作为测试集,再往后一段时间的历史数据作为验证集,剩余的全部数据作为训练集,不难理解,也可以按照时间顺序基于比例划分所述预设时间的历史交易数据,例如:训练集:验证集:测试集=8:1:1等
示例性的一种实施例中,以广东电力现货市场为例,可以选取2021年11月1日-2022年12月17日之间的历史交易数据,时间颗粒度为小时(每天24小时),总共9871个有效数据记录。将所述历史交易数据按照时间顺序编号,划定某7天(7*24=168个采样点)数据作为测试集,所述测试集再往后7天(7*24=168个采样点)为验证集,剩下的全部数据作为训练集(8591个采样点)。
步骤S1305、根据切分好的所述训练集、验证集和测试集对预构建的电价预测模型实施训练至收敛。
基于所述训练集中的样本进行迭代训练,采用预设的损失函数,根据所述训练集中的样本的监督标签计算出所述预测结果的损失值,当确定所述损失值小于预设阈值时,即可确认所述Autoformer模型已经达到收敛状态,可以终止对其训练。当确定所述损失值超过预设阈值时,表明所述Autoformer模型尚未达到收敛状态,这种情况下,可以根据所述损失值对所述Autoformer模型实施梯度更新,通过反向传播修正模型训练架构中各个层的权重参数,然后,继续获取其他训练样本启动下一次迭代训练,以此类推,直接根据相应的训练样本对应的损失值确认出所述Autoformer模型已经达到收敛状态为止即可,然后再用所述验证集中的样本将训练好的所述Autoformer模型进行验证,最后用所述测试集进行测试。
示例性的一种实施例中,所述Autoformer模型可基于pytorch深度学习框架和Autoformer算法进行训练。
首先进行模型输入,输入模型超参数Batch_size=32,时序长度seq_len=7*24,标签窗口长度label_len=7*24,预测期窗口长度pred_len=1*24,预测变量c_out=1,即所述Autoformer算法使用过去历史7天*24小时的数据,预测未来1天*24小时的节点电价。
输入特征编码:20个特征变量、2个节假日特征和7个时间戳特征,经过三种编码方式分别映射到512维特征后,然后在特征维度直接相加得到输入特征空间。
进行编码器输入:Encoder输入张量维度为(32,7*24,512),其中32为Batch_size,7*24为seq_len,512为编码后的特征维度。
进行解码器输入:Decoder输入张量维度为(32,7*24+1*24,512),其中32为Batch_size,7*24为label_len,1*24为pred_len,512为编码后的特征维度。
为了达到更好的训练效果,优化器可以采用Adam,学习率的调整随着epoch的增大而逐渐减小学习率,学习率公式如下:
new_lr=initial_lr×γepoch//step_size
其中new_lr是得到的新的学习率,initial_lr是初始的学习率,初始学习率为0.001,step_size=1,γ是参数gamma=0.5。
所述损失函数可以基于nn.MSELoss等。输入所述训练集、验证集数据,对模型进行训练,在训练过程中需要不断调参,最终在15个Epoch时结束时模型收敛,保存最优模型参数文件(checkpoint.pth文件),所述Autoformer模型的具体训练过程请参阅图8。
最后进行模型评估,利用训练好的模型,在测试集数据得到节点电价的预测值,利用指数函数还原成原始值,将节点电价预测值和节点电价实际值计算出平均相对估计误差MAPE,获得MAPE小于5%的估计精度。
MAPE误差公式如下:
其中,At为节点电价预测值,Ft为节点电价实际值。
在本申请任意实施例的基础上,请参阅图6,将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理的步骤,包括如下步骤:
步骤S13011、检测所述样本数据集是否存在异常,若所述样本数据集存在异常样本数据,将一定时长内的历史样本数据的估计值替换或填充所述异常样本数据;
所述缺失值填补,例如:从广东电力现货市场获取的历史交易数据可能会存在缺失值(比如历史运行日中某日的节点电价数据缺失),因此需要对历史交易数据的缺失值进行处理,避免样本数据截断,影响所述Autoformer模型的训练及预测精度,所述缺失值的处理可以采用K-近邻算法,步骤如下:
①将所述训练样本序列拆分为两组,所述训练样本序列中只要存在缺失值就确定为缺失值组,其余为无缺失值组。
②对于无缺失值组,首先进行标准正态化处理,公式如下:
其中,μ为对应变量的平均值,σ为对应变量的标准差。
然后分别对每一列特征变量Y,每一列可以是20个特征变量,其余变量为X,采用sklearn库中sklearn.neighbors.regression.KNeighborsRegressor构建K-近邻模型,将KNeighborsRegressor中的超参数weights固定为distance,n_neighbors取值范围范围在[1,3],p的取值范围[1,2],其中p=1为曼哈顿距离,p=2为欧氏距离,默认其余超参数。为确定KNeighborsRegressor最优超参数组合,采用GridSearchCV遍历多种参数组合,通过交叉验证确定最佳效果参数,从而得到20个模型,即每一列存在20个特征变量Y,其余变量为X的最优Knn模型。
③对于缺失值组,将每一列特征变量中无缺失的数据按照上述步骤②中无缺失值组中的平均值μ和标准差σ进行归一化处理,对于缺失的数据暂不处理,循坏对每一行序列样本执行操作,如果该行序列样本只有一个特征变量有缺失值,将其余变量作为X输入上述对应的最优KNN模型得到估计值,填补进该行序列样本中;如果该行序列样本有多个特征变量存在缺失值,随机选择一个存在缺失值的特征变量,其他存在缺失值的特征变量值用其对应的特征变量的平均值μ临时填补,其他存在缺失值的特征变量临时填补的值和序列样本中无缺失的值一起作为X输入上述对应的最优KNN模型得到估计值,将得到的估计值替换所述随机选择的存在缺失值的特征变量的缺失值,去掉其他存在缺失值的特征变量临时填补的值,释放出其他存在缺失值的特征变量,然后重新随机选择下一个存在缺失值的特征变量,重复上述步骤,将对应最优Knn模型得到的新估计值填补进重新随机选择下一个存在缺失值的特征变量中,直至所有存在缺失值的特征变量填补完成。
当缺失值组的所有训练样本序列处理完成后,存在缺失值的特征变量即可得到有效处理,然后再基于无缺失值组的平均值μ和标准差σ,基于如下公式将特征变量还原成原始值:
X=z*σ+μ
所述训练样本序列需要进行对数化处理,由于电力数据可能存在均值漂移和异方差问题,尤其电力价格存在一些尖峰电价的现象,对所述训练样本序列中20个特征变量均做对数化处理(取自然对数e为底),其目的在于消除样本数据的异常波动,使样本数据的变化更加线性化,另外,对尖峰节点电价有一定抑制。公式如下:
Xi=Ln(xi)
其中,Xi为原始20个特征变量。
步骤S13013、对所述样本数据集进行正态标准化处理。
为了保证电力预测模型的预测结果的可靠性,在进行模型训练之前,需要对原始特征变量进行正态标准化处理,将所述样本数据集转化为无量纲、无数量级差异的标准化数值,消除不同特征变量之间因属性不同而带来的影响,从而使电力预测模型更具有可预测性,所述正态标准化处理可以基于Z-score标准化法、log函数标准化法或极差标准化法等。
在本申请任意实施例的基础上,请参阅图7,所述电价预测模型的工作过程,包括如下步骤:
步骤S1500、将所述电价影响因子、电力负荷数据及节点电价的历史数据构造为时间序列数据;
选取电力现货市场历史交易数据中的电力负荷数据、节点电价及电价影响因子构造为时间序列数据,所述训练样本序列可以为X=[x(1),x(2),x(3),......x(n)],其中x(n)可以为第n个固定时间相对应的各特征变量所有历史时刻数据组合成的时间序列,所述固定时间可以为每15分钟、每30分钟、每小时、每天或每年等,所述各特征变量可以是20个特征变量、2个节假日特征和7个时间戳特征,所述样本x(n)=[x1,x2,x3,......,xt],t为对应的时刻。
步骤S1600、在编码器中基于季节分解算法分解出所述时间序列数据中的周期项数据和趋势项数据相对应的多个子序列;
所述Autoformer模型中的序列分解单元嵌入到编码器、解码器中,所述Autoformer模型在预测过程中,所述编码器中的序列分解单元基于季节分解算法分解出所述时间序列数据中的周期项数据和趋势项数据相对应的多个子序列。
步骤S1700、采用编码器中的自相关模块查询出所述周期项数据中的周期依赖数据,根据所述周期依赖数据对所述多个子序列进行相似聚合,获得聚合后的数据;
在编码器中,逐步消除趋势项,得到周期项,而基于所述周期项数据的周期性,采用编码器中的自相关模块查询出所述周期项数据中的周期依赖数据,根据所述周期依赖数据对所述多个子序列进行相似聚合,获得聚合后的数据。
步骤S1800、采用解码器应用自相关机制根据所述聚合后的数据及所述周期项数据获取周期项预测序列,将周期项预测序列叠加所述趋势项数据相对应的预测序列预测出相应的预测值。
解码器对于周期项数据和趋势项数据分别预测得到相应的预测值。对于周期项,采用自相关机制根据所述聚合后的数据及所述周期项数据获取周期项预测序列;对于趋势项,使用累积的方式,逐步从预测的隐变量中提取出趋势信息得到所述趋势项数据相对应的预测序列,将周期项预测序列叠加所述趋势项数据相对应的预测序列预测出相应的预测值。
由上述实施例可知,在电力现货市场中,Autoformer模型基于深度分解架构和自相关机制的通过渐进式分解和序列级连接,大幅度提高了在长时序分步预测中节点电价的预测精度,同时还提高了运算速度,Autoformer模型模型具有良好的鲁棒性,不容易过拟合,对于电力现货市场中的节点电价的预测精度不会由于预测期的增长而降低,具有很强的应用价值。
请参阅图9,适应本申请的目的之一而提供的一种电价预测装置,包括获取模块1100、回归方程构建模块1200、节点电价预测模块1300、结算出清价预测模块1400。其中,获取模块1100,设置为获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;回归方程构建模块1200,设置为根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;节点电价预测模块1300,设置为根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;结算出清价预测模块1400,设置为将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
在本申请任意实施例的基础上,本申请的电价预测装置,还包括:预处理模块,设置为对获取的电力现货市场运行日之前的历史交易数据进行预处理,对所述历史交易数据进行数据增强、数据清洗、缺值填补或数据拼接。
在本申请任意实施例的基础上,所述回归方程构建模块1200,包括:线性化处理单元,设置为对所述结算出清价和所述节点电价的历史数据进行线性化处理;计算单元,设置为计算出所述结算出清价和所述节点电价的皮尔逊相关系数;构建单元,设置为采用最小二乘法结合所述皮尔逊相关系数构建线性化处理后的所述结算出清价和所述节点电价的线性回归方程。
在本申请任意实施例的基础上,所述节点电价预测模块1300,包括:归一化处理单元,设置为将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理;划分单元,设置为将归一化处理后的样本数据集按照一定规则划分为训练集、验证集和测试集;训练单元,设置为根据切分好的所述训练集、验证集和测试集对预构建的电价预测模型实施训练至收敛。
在本申请任意实施例的基础上,所述归一化处理单元,包括:
检测子单元,设置为检测所述样本数据集是否存在异常,若所述样本数据集存在异常样本数据,将一定时长内的历史样本数据的估计值替换或填充所述异常样本数据;
标准化处理子单元,设置为对所述样本数据集进行正态标准化处理。
在本申请任意实施例的基础上,请参阅图10,所述电价预测模型,包括:
构造模块100,设置为将所述电价影响因子、电力负荷数据及节点电价的历史数据构造为时间序列数据;
分解模块200,设置为在编码器中基于季节分解算法分解出所述时间序列数据中的周期项数据和趋势项数据相对应的多个子序列;
编码器模块300,设置为采用编码器中的自相关模块查询出所述周期项数据中的周期依赖数据,根据所述周期依赖数据对所述多个子序列进行相似聚合,获得聚合后的数据;
解码器模块400,设置为采用解码器应用自相关机制根据所述聚合后的数据及所述周期项数据获取周期项预测序列,将周期项预测序列叠加所述趋势项数据相对应的预测序列预测出相应的预测值。
在本申请任意实施例的基础上,请参阅图11,本申请的另一实施例还提供一种电价预测设备。所述电价预测设备可由计算机设备实现。所述计算机设备包括通过系统总线连接的处理器、计算机可读存储介质、存储器和网络接口。其中,该计算机设备的计算机可读存储介质存储有操作系统、数据库和计算机可读指令,数据库中可存储有控件信息序列,该计算机可读指令被处理器执行时,可使得处理器实现一种电价预测方法。该计算机设备的处理器用于提供计算和控制能力,支撑整个计算机设备的运行。该计算机设备的存储器中可存储有计算机可读指令,该计算机可读指令被处理器执行时,可使得处理器执行本申请的电价预测方法。该计算机设备的网络接口用于与终端连接通信。本领域技术人员可以理解,图11中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
本实施方式中处理器用于执行图9中的各个模块的具体功能,存储器存储有执行上述模块或子模块所需的程序代码和各类数据。网络接口用于向用户终端或服务器之间的数据传输。本实施方式中的存储器存储有本申请的电价预测装置中执行所有模块所需的程序代码及数据,服务器能够调用服务器的程序代码及数据执行所有模块的功能。
本申请还提供一种存储有计算机可读指令存储介质,计算机可读指令被一个或多个处理器执行时,使得一个或多个处理器执行本申请任一实施例的电价预测方法的步骤。
本申请还提供一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被一个或多个处理器执行时实现本申请任一实施例所述方法的步骤。
本领域普通技术人员可以理解实现本申请上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,该计算机程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,前述的存储介质可为磁碟、光盘、只读存储记忆体(Read-On ly Memory,ROM)等计算机可读存储介质,或随机存储记忆体(Random Access Memory,RAM)等。
以上所述仅是本申请的部分实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
综上所述,本申请基于构建好的Autoformer模型预测出未来运行日分时段的节点电价,显著提高了在长时序多步预测中节点电价的预测精度,节点电价的预测精度不会因预测期的增长而下降,由于结算出清价与节点电价之间存在紧密的相关性,将预测出的未来运行日分时段的节点电价代入线性回归方程中得到未来运行日分时段的结算出清价的预测值,显著提高了未来运行日结算出清价预测值的预测精度,在电力现货市场中,在未来运行日分时段的结算出清价的平均预测精度MAPE在95%以上,高精度的预测结果有利于在储能交易决策系统中准确制定有效的交易计划,实现盈利。
Claims (10)
1.一种电价预测方法,其特征在于,包括如下步骤:
获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;
根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;
根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;
将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
2.根据权利要求1所述的电价预测方法,其特征在于,获取电力现货市场运行日之前的历史交易数据的步骤之后,包括如下步骤:
对获取的电力现货市场运行日之前的历史交易数据进行预处理;
对所述历史交易数据进行数据增强、数据清洗、缺值填补或数据拼接。
3.根据权利要求1所述的电价预测方法,其特征在于,根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程的步骤,包括如下步骤:
对所述结算出清价和所述节点电价的历史数据进行线性化处理;
计算出所述结算出清价和所述节点电价的皮尔逊相关系数;
采用最小二乘法结合所述皮尔逊相关系数构建线性化处理后的所述结算出清价和所述节点电价的线性回归方程。
4.根据权利要求1所述的电价预测方法,其特征在于,根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型的步骤,包括如下步骤:
将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理;
将归一化处理后的样本数据集按照一定规则划分为训练集、验证集和测试集;
根据切分好的所述训练集、验证集和测试集对预构建的电价预测模型实施训练至收敛。
5.根据权利要求4所述的电价预测方法,其特征在于,将不同供电侧的所述电力负荷数据和所述节点电价的历史数据及电价影响因子构建样本数据集,并对所述样本数据集进行归一化处理的步骤,包括如下步骤:
检测所述样本数据集是否存在异常,若所述样本数据集存在异常样本数据,将一定时长内的历史样本数据的估计值替换或填充所述异常样本数据;
对所述样本数据集进行正态标准化处理。
6.根据权利要求1至5中任意一项所述的电价预测方法,其特征在于,所述电价预测模型的工作过程,包括如下步骤:
将所述电价影响因子、电力负荷数据及节点电价的历史数据构造为时间序列数据;
在编码器中基于季节分解算法分解出所述时间序列数据中的周期项数据和趋势项数据相对应的多个子序列;
采用编码器中的自相关模块查询出所述周期项数据中的周期依赖数据,根据所述周期依赖数据对所述多个子序列进行相似聚合,获得聚合后的数据;
采用解码器应用自相关机制根据所述聚合后的数据及所述周期项数据获取周期项预测序列,将周期项预测序列叠加所述趋势项数据相对应的预测序列预测出相应的预测值。
7.一种电价预测装置,其特征在于,包括:
获取模块,设置为获取电力现货市场运行日之前的历史交易数据,所述历史交易数据包括结算出清价、节点电价和电力负荷数据的历史数据;
回归方程构建模块,设置为根据所述结算出清价和所述节点电价的历史数据构建所述结算出清价和所述节点电价的线性回归方程;
节点电价预测模块,设置为根据所述电力负荷数据、所述节点电价的历史数据及电价影响因子构建电价预测模型,并基于构建好的电力预测模型预测出未来运行日分时段的节点电价;
结算出清价预测模块,设置为将预测出的未来运行日分时段的节点电价代入所述线性回归方程中得到未来运行日分时段的结算出清价的预测值。
8.一种电价预测设备,包括中央处理器和存储器,其特征在于,所述中央处理器用于调用运行存储于所述存储器中的计算机程序以执行如权利要求1至6中任意一项所述的方法的步骤。
9.一种计算机可读存储介质,其特征在于,其以计算机可读指令的形式存储有依据权利要求1至6中任意一项所述的方法所实现的计算机程序,该计算机程序被计算机调用运行时,执行相应的方法所包括的步骤。
10.一种计算机程序产品,包括计算机程序/指令,该计算机程序/指令被处理器执行时实现如权利要求1至6中任意一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156277.2A CN116091118A (zh) | 2023-02-22 | 2023-02-22 | 电价预测方法、装置、设备、介质及产品 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310156277.2A CN116091118A (zh) | 2023-02-22 | 2023-02-22 | 电价预测方法、装置、设备、介质及产品 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116091118A true CN116091118A (zh) | 2023-05-09 |
Family
ID=86186966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310156277.2A Pending CN116091118A (zh) | 2023-02-22 | 2023-02-22 | 电价预测方法、装置、设备、介质及产品 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091118A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433276A (zh) * | 2023-06-09 | 2023-07-14 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
-
2023
- 2023-02-22 CN CN202310156277.2A patent/CN116091118A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116433276A (zh) * | 2023-06-09 | 2023-07-14 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
CN116433276B (zh) * | 2023-06-09 | 2023-09-19 | 中网联合(北京)能源服务有限公司 | 基于相似日算法实现现货交易中电力价格预测方法 |
CN116646933A (zh) * | 2023-07-24 | 2023-08-25 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
CN116646933B (zh) * | 2023-07-24 | 2023-10-10 | 北京中能亿信软件有限公司 | 一种基于大数据的电力负荷调度方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110610280B (zh) | 一种电力负荷短期预测方法、模型、装置及系统 | |
US11288602B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
Hong et al. | Probabilistic electric load forecasting: A tutorial review | |
US20220092346A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
CN107506868B (zh) | 一种短时电力负荷预测的方法及装置 | |
CN116091118A (zh) | 电价预测方法、装置、设备、介质及产品 | |
US11615348B2 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
JP2017142781A (ja) | 確率的価格及び急変予測 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN114330934A (zh) | 一种模型参数自适应的gru新能源短期发电功率预测方法 | |
Zhang et al. | Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM | |
Stødle et al. | Data‐driven predictive modeling in risk assessment: Challenges and directions for proper uncertainty representation | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Rego et al. | Mean shift densification of scarce data sets in short-term electric power load forecasting for special days | |
Sadefo Kamdem et al. | Time-frequency analysis and machine learning models for carbon market forecasting | |
CN110956318A (zh) | 一种基于预先构建的预测模型进行预测的方法及装置 | |
Cao et al. | Long-term and multi-step ahead call traffic forecasting with temporal features mining | |
CN112614006A (zh) | 负荷预测方法、装置、计算机可读存储介质以及处理器 | |
Gu et al. | Improved similarity-based residual life prediction method based on grey Markov model | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
Assar | Application of a Hybrid Machine Learning model on short term electricty demand prediction | |
Bakhtawar Shah | Anomaly detection in electricity demand time series data | |
CN117875480A (zh) | 小时级天然气流量负荷预测方法、介质及电子设备 | |
Abdillah et al. | JURNAL RESTI | |
CN117175584A (zh) | 一种基于电力数据的可控负荷预测方法、装置及设备 |
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 |