CN116485443A - 一种电力现货市场价格信息预测优化方法及系统 - Google Patents
一种电力现货市场价格信息预测优化方法及系统 Download PDFInfo
- Publication number
- CN116485443A CN116485443A CN202310030060.7A CN202310030060A CN116485443A CN 116485443 A CN116485443 A CN 116485443A CN 202310030060 A CN202310030060 A CN 202310030060A CN 116485443 A CN116485443 A CN 116485443A
- Authority
- CN
- China
- Prior art keywords
- data
- spot market
- load
- price
- power
- 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
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005457 optimization Methods 0.000 title claims abstract description 16
- 230000005611 electricity Effects 0.000 claims abstract description 89
- 238000007781 pre-processing Methods 0.000 claims abstract description 24
- 230000002159 abnormal effect Effects 0.000 claims abstract description 16
- 238000013139 quantization Methods 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 13
- 230000000737 periodic effect Effects 0.000 claims description 11
- 238000010248 power generation Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 230000033228 biological regulation Effects 0.000 claims description 4
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012031 short term test Methods 0.000 description 1
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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Finance (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及电力现货市场价格预测技术领域，特别是涉及一种电力现货市场价格信息预测优化方法及系统。包括：获取电力交易数据，并根据电力交易数据生成电价负荷信息数据表；获取历史天气数据，根据历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；对电价负荷信息数据表和电力现货市场电价日期信息组数据进行预处理，并建立电力现货市场价格预测模型。通过获取电价负荷信息数据表数据并通过历史天气数据对现货市场交易日进行分类，得到电力现货市场电价日期信息组，将不同的影响因素与现货电价联系起来，并对电价预测所需的历史数据中可能存在的异常数据和数据缺失进行预处理，使数据规范化，提高预测精准度。
Description
技术领域
本申请涉及电力现货市场价格预测技术领域，特别是涉及一种电力现货市场价格信息预测优化方法及系统。
背景技术
电价是电力市场的核心内容，也是电力市场的经济杠杆，电价在电力市场中起着调节市场供需矛盾，促成电力交易的重要作用。节点电价作为一种能够有效反映不同时刻不同位置电能价值的短期边际成本定价法被多数国家采纳。电力现货市场采用实时的节点电价，能够有效反映电能量在时间和空间上的真实价值，为市场主体和管理者提供电价信号，提高电力资源的利用效率，优化资源配置，促进电力市场稳定发展。
但是，现阶段的节点电价预测存在的不足之处如下：现有节点电价预测的参考因素不全面，现货电价预测的波动幅度较小，不能预测到持续较长时间的地板价和最高限价，现货电价预测多采用单模型训练预测，精度不高，预测的不确定性较高。
发明内容
本申请的目的是：为解决上述技术问题，本申请提供了一种电力现货市场价格信息预测优化方法及系统，旨在准确预测次日节点电价和日前现货电价，保证发电侧负荷和现货收益的稳定性。
本申请的一些实施例中，通过获取电价负荷信息数据表数据并通过历史天气数据对现货市场交易日进行分类，得到电力现货市场电价日期信息组，将不同的影响因素与现货电价联系起来，并对电价预测所需的历史数据中可能存在的异常数据和数据缺失进行预处理，使数据规范化，提高预测精准度，为市场主体和管理者提供决策依据，保证发电侧负荷和现货收益的稳定。
本申请的一些实施例中，提供了一种电力现货市场价格信息预测优化方法，包括：
获取电力交易数据，并根据所述电力交易数据生成电价负荷信息数据表；
获取历史天气数据，根据所述历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
对所述电价负荷信息数据表和所述电力现货市场电价日期信息组数据进行预处理，并建立电力现货市场价格预测模型；
所述获取电力交易数据包括：
电力现货市场交易历史日前电价、实时电价和负荷96点信息，包括：节点电价、日前电价、直调负荷、地方电厂发电总加负荷、联络线受电负荷、风电总加负荷、光伏总加负荷、核电总加负荷。
本申请的一些实施例中，所述根据所述历史天气数据对现货市场交易日进行分类时，包括：
获取历史天气24点信息，包括天气类型、空气质量等级、能见度、PM2.5、湿度、气温、气压、风速，并对天气信息数据进行量化处理，生成天气信息数据表。
本申请的一些实施例中，对所述电价负荷信息数据表进行预处理时，包括：
获取电价负荷缺失数据对应的日期信息组数据，并根据所日期信息组数据生成缺失数据日；
获取缺失数据日前后相邻两周相同星期的第一负荷影响权重比例；
获取缺失日前后两天的第二负荷影响权重比例；
获取后一周相对于前一周负荷的变化率；
根据所述第一负荷影响权重比例，所述第二负荷影响权重比例和所述变化率生成电价负荷缺失数据值。
本申请的一些实施例中，对所述电价负荷信息数据表进行预处理时，还包括：
获取电价负荷异常数据，并对所述电价异常数据在多个尺度进行小波分解，生成小波系数和尺度系数；
预设阈值函数，并根据所述阈值函数对所述小波系数进行处理，并生成降噪小波系数；
根据所述降噪小波系数和所述尺度系数获取降噪后的电价负荷异常数据。
本申请的一些实施例中，根据所述阈值函数对所述小波系数进行处理，并生成降噪小波系数时，包括：
预设第一阈值系数；
若所述第一阈值系数大于所述小波系数，则保存所述小波系数；
若所述第一阈值系数小于所述小波系数，则置零所述小波系数。
本申请的一些实施例中，所述建立电力现货市场价格预测模型时，包括：
对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据，根据所述预处理后的数据生成多个样本；
建立多个多元时间序列LSTM模型，并根据各个多元时间序列LSTM模型的输出值融合构建全连接网络层；
根据所述全连接网络层的输出值生成预测结果。
本申请的一些实施例中，所述样本包括：
3个输入序列和1个输出值；
所述3个输入序列分别是邻近时间点特征输入序列、日周期性特征输入序列、周周期性特征输入序列
所述1个输出值是下一时刻的负荷值。
本申请的一些实施例中，所述建立多个多元时间序列LSTM模型时，包括：
根据所述邻近时间点特征输入序列建立第一时序模型；
根据所述日周期性特征输入序列建立第二时序模型；
根据所述周周期性特征输入序列建立第三时序模型。
本申请的一些实施例中，所述建立电力现货市场价格预测模型时，还包括：
获取训练集和验证集对所述电力现货市场价格预测模型进行训练和调参；
获取所述电力现货市场价格预测模型对所述训练集的训练预测结果；
获取所述训练预测结果与所述验证集中真实结果的误差值；
根据所述误差值修正所述预测结果。
本申请的一些实施例中，提供了一种电力现货市场价格信息预测优化系统，其特征在于，包括：
电力数据获取模块，用于获取电力交易数据，并根据所述电力交易数据生成电价负荷信息数据表；
天气数据处理模块，用于获取历史天气数据，根据所述历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
所述天气数据处理模块还用于对天气信息数据进行量化处理，生成天气信息数据表；
数据处理模块，用于对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据；
预测模块，用于获取预处理数据，并根据所述预处理数据建立电力现货市场价格预测模型。
本申请实施例一种电力现货市场价格信息预测优化方法及系统与现有技术相比，其有益效果在于：
通过获取电价负荷信息数据表数据并通过历史天气数据对现货市场交易日进行分类，得到电力现货市场电价日期信息组，将不同的影响因素与现货电价联系起来，并对电价预测所需的历史数据中可能存在的异常数据和数据缺失进行预处理，使数据规范化，提高预测精准度，为市场主体和管理者提供决策依据，保证发电侧负荷和现货收益的稳定。
附图说明
图1是本申请实施例优选实施例中一种电力现货市场价格信息预测优化方法的流程示意图；
图2是本申请实施例优选实施例中一种电力现货市场价格信息预测优化系统的示意图；
图3是本申请实施例优选实施例中电力现货市场价格预测模型的信息处理流程图。
具体实施方式
下面结合附图和实施例，对本申请的具体实施方式作进一步详细描述。以下实施例用于说明本申请，但不用来限制本申请的范围。
在本申请的描述中，需要理解的是，术语“中心”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本申请和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本申请的限制。
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一个或者更多个该特征。在本申请的描述中，除非另有说明，“多个”的含义是两个或两个以上。
在本申请的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本申请中的具体含义。
如图1所示，本申请实施例优选实施例中提供了一种电力现货市场价格信息预测优化方法，包括：
S101：获取电力交易数据，并根据电力交易数据生成电价负荷信息数据表；
S102：获取历史天气数据，根据历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
S103：对电价负荷信息数据表和电力现货市场电价日期信息组数据进行预处理，并建立电力现货市场价格预测模型；
获取电力交易数据包括：
电力现货市场交易历史日前电价、实时电价和负荷96点信息，包括：节点电价、日前电价、直调负荷、地方电厂发电总加负荷、联络线受电负荷、风电总加负荷、光伏总加负荷、核电总加负荷。
具体而言，根据历史天气数据对现货市场交易日进行分类时，包括：
获取历史天气24点信息，包括天气类型、空气质量等级、能见度、PM2.5、湿度、气温、气压、风速，并对天气信息数据进行量化处理，生成天气信息数据表。
具体而言，风向量化规则为：
南风量化值为1，西南风量化值为2，西风量化值为3，西北风量化值为4，北风量化值为5，东北风量化值为6，东风量化值为7，东南风量化值为8；
具体而言，风速量化规则为：
无持续或微风量化值为1，1～2级风量化值为2，3～4级风量化值为3，4～5级风量化值为4；
具体而言，天气类量化规则为：
晴量化值为1，晴转多云量化值为2，多云量化值为3，多云转阴量化值为4，阴量化值为5，阴转雨量化值为6，雨量化值为7，雪量化值为8；
具体而言，空气质量等级量化规则为：
优量化值为1，良量化值为2，轻度污染量化值为3，中度污染量化值为4，重度污染量化值为5，严重污染量化值为6；
具体而言，季节量化规则为：
春量化值为1，夏量化值为2，秋量化值为3，冬量化值为4；
具体而言，日期类型量化规则为：
星期一量化值为1，星期二量化值为2，星期三量化值为3，星期四量化值为4，星期五量化值为5，星期六量化值为6，星期日量化值为7，节假日量化值为8。
具体而言，对电价负荷信息数据表进行预处理时，包括：
获取电价负荷缺失数据对应的日期信息组数据，并根据所日期信息组数据生成缺失数据日；
获取缺失数据日前后相邻两周相同星期的第一负荷影响权重比例；
获取缺失日前后两天的第二负荷影响权重比例；
获取后一周相对于前一周负荷的变化率；
根据第一负荷影响权重比例，第二负荷影响权重比例和变化率生成电价负荷缺失数据值。
具体而言，基于负荷变化具有周期性的特点，使用数据插补的方法对缺失的数据进行处理。
计算公式如下所示：
式中Lw，f代表缺失日的实际负荷
w代表周；
t代表星期类型，取值为1～7；
β1代表缺失数据日前后相邻两周相同星期的负荷的加权系数，即第一负荷影响权重比例；
(Lw-1，t+Lw+1，t)表示缺失数据日前后相邻两周相同星期的负荷值；
β2代表缺失日前后两天的负荷的加权系数，即第二负荷影响权重比例；
(Lw，t-1+Lw，t+1)表示缺失日前后两天的负荷值；
表示后一周相对于前一周负荷的变化率。
若β1＞β2则说明负荷的周周期性变化大；若β1＜β2则说明日周期性的变化更为明显。
具体而言，对电价负荷信息数据表进行预处理时，还包括：
获取电价负荷异常数据，并对电价异常数据在多个尺度进行小波分解，生成小波系数和尺度系数；
预设阈值函数，并根据阈值函数对小波系数进行处理，并生成降噪小波系数；
根据降噪小波系数和尺度系数获取降噪后的电价负荷异常数据。
具体而言，异常数据采用小波阈值去噪法的方法。
具体而言，根据阈值函数对小波系数进行处理，并生成降噪小波系数时，包括：
预设第一阈值系数；
若第一阈值系数大于小波系数，则保存小波系数；
若第一阈值系数小于小波系数，则置零小波系数。
具体而言，阈值的选取，选择一种固定阈值去噪的准则VisuShrink方法(全局阈值去噪方法)来确定阈值，计算公式如下：
式中：σ表示零均值高斯白噪声噪声标准差；N表示小波系数的总个数。
σ可以通过分解的高频系数的绝对值中指来估计，计算公式如下：
式中：wj，k表示第j层分解后的第k个高频系数
表示数列{wj，k}的中值。
阈值函数的选取，采用软硬综合阈值函数法：
软硬综合阈值函数满足f(-λ)＝f(λ)＝0，f′(-λ)＝f′(λ)＝-1，
当|wj，k|＞＞2λ时，将反正切函数与一次函数相结合，使阈值函数与硬阈值函数更接近，当|wj，k|＜2λ时，二次函数使阈值函数与软阈值函数更接近。
令
当aπ/(满足g2)＝p2)＝2，这样就使阈值函数在2(处满足连续性和|wj，k|＞λ时的一阶可导性，而且软硬综合阈值函数在|ωj，k|＝λ处的变化速度有所降低。
可以理解的是，上述实施例中，通过获取电价负荷信息数据表数据并通过历史天气数据对现货市场交易日进行分类，得到电力现货市场电价日期信息组，不同的影响因素与现货电价联系起来，并对电价预测所需的历史数据中可能存在的异常数据和数据缺失进行预处理，使数据规范化，提高预测精准度。
本申请实施例优选实施例中，建立电力现货市场价格预测模型时，包括：
对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据，根据预处理后的数据生成多个样本；
建立多个多元时间序列LSTM模型，并根据各个多元时间序列LSTM模型的输出值融合构建全连接网络层；
根据全连接网络层的输出值生成预测结果。
具体而言，输入层的输入神经元个数为对电力现货市场价格信息影响因素进行分析之后筛选出的10个主要影响因素，分别依次为年份、月份、日、日期类型、最高温度、最低温度、平均温度、天气类型、季节类型、历史负荷值。在模型的网络结构中，LSTM单元层的作用是对信息的选择性记忆，记忆重要基于LSTM深度网络的电力负荷预测40信息遗忘不重要的。
具体而言，样本包括：
3个输入序列和1个输出值；
3个输入序列分别是邻近时间点特征输入序列、日周期性特征输入序列、周周期性特征输入序列
1个输出值是下一时刻的负荷值。
具体而言，建立多个多元时间序列LSTM模型时，包括：
根据邻近时间点特征输入序列建立第一时序模型；
根据日周期性特征输入序列建立第二时序模型；
根据周周期性特征输入序列建立第三时序模型。
具体而言，建立电力现货市场价格预测模型时，还包括：
获取训练集和验证集对电力现货市场价格预测模型进行训练和调参；
获取电力现货市场价格预测模型对训练集的训练预测结果；
获取训练预测结果与验证集中真实结果的误差值；
根据误差值修正预测结果。
可以理解的是，上述实施例中，利用历史电力现货信息及天气信息建立电力现货价格预测模型，实现准确预测次日节点电价和日前现货电价，为发电侧负荷和现货收益稳定性提供有利帮助。
基于上述任一优选实施例中的电力现货市场价格信息预测方法，本优选实施例提供了一种电力现货市场价格信息预测优化系统，包括：
电力数据获取模块，用于获取电力交易数据，并根据电力交易数据生成电价负荷信息数据表；
天气数据处理模块，用于获取历史天气数据，根据历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
天气数据处理模块还用于对天气信息数据进行量化处理，生成天气信息数据表；
数据处理模块，用于对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据；
预测模块，用于获取预处理数据，并根据预处理数据建立电力现货市场价格预测模型。
具体而言，第一步电力数据获取模块，先获取电力现货市场交易历史日前、实时电价及负荷96点信息，包括：节点电价、日前电价、直调负荷、地方电厂发电总加负荷、联络线受电负荷、风电总加负荷、光伏总加负荷、核电总加负荷信息。
第二步天气数据处理模块获取历史天气24点信息，包括天气类型、空气质量等级、能见度、PM2.5、湿度、气温、气压、风速。根据天气信息对现货市场交易日进行分类，得到电力现货市场电价日期信息组；
第三步由于电价预测所需的历史数据中可能存在异常数据和数据缺失影响预测模型和预测精度，数据处理模块应用小波分析法对数据进行预处理，使数据规范化
第四步预测模块，根据第一步和第二步获取的信息，经过数据处理模块处理后，建基于长短期测模型，根据电价影响的多因素，建立的模型为融入电价多影响因素的LSTM网络多元96点时间序列预测模型。
根据本申请的第一构思，通过获取电价负荷信息数据表数据并通过历史天气数据对现货市场交易日进行分类，得到电力现货市场电价日期信息组，不同的影响因素与现货电价联系起来，并对电价预测所需的历史数据中可能存在的异常数据和数据缺失进行预处理，使数据规范化，提高预测精准度，为市场主体和管理者提供决策依据，保证发电侧负荷和现货收益的稳定。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请技术原理的前提下，还可以做出若干改进和替换，这些改进和替换也应视为本申请的保护范围。
Claims (10)
1.一种电力现货市场价格信息预测优化方法，其特征在于，包括：
获取电力交易数据，并根据所述电力交易数据生成电价负荷信息数据表；
获取历史天气数据，根据所述历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
对所述电价负荷信息数据表和所述电力现货市场电价日期信息组数据进行预处理，并建立电力现货市场价格预测模型；
所述获取电力交易数据包括：
电力现货市场交易历史日前电价、实时电价和负荷96点信息，包括：节点电价、日前电价、直调负荷、地方电厂发电总加负荷、联络线受电负荷、风电总加负荷、光伏总加负荷、核电总加负荷。
2.如权利要求1所述的电力现货市场价格信息预测优化方法，其特征在于，所述根据所述历史天气数据对现货市场交易日进行分类时，包括：
获取历史天气24点信息，包括天气类型、空气质量等级、能见度、PM2.5、湿度、气温、气压、风速，并对天气信息数据进行量化处理，生成天气信息数据表。
3.如权利要求2所述的电力现货市场价格信息预测优化方法，其特征在于，对所述电价负荷信息数据表进行预处理时，包括：
获取电价负荷缺失数据对应的日期信息组数据，并根据所日期信息组数据生成缺失数据日；
获取缺失数据日前后相邻两周相同星期的第一负荷影响权重比例；
获取缺失日前后两天的第二负荷影响权重比例；
获取后一周相对于前一周负荷的变化率；
根据所述第一负荷影响权重比例，所述第二负荷影响权重比例和所述变化率生成电价负荷缺失数据值。
4.如权利要求3所述的电力现货市场价格信息预测优化方法，其特征在于，对所述电价负荷信息数据表进行预处理时，还包括：
获取电价负荷异常数据，并对所述电价异常数据在多个尺度进行小波分解，生成小波系数和尺度系数；
预设阈值函数，并根据所述阈值函数对所述小波系数进行处理，并生成降噪小波系数；
根据所述降噪小波系数和所述尺度系数获取降噪后的电价负荷异常数据。
5.如权利要求4所述的电力现货市场价格信息预测优化方法，其特征在于，根据所述阈值函数对所述小波系数进行处理，并生成降噪小波系数时，包括：
预设第一阈值系数；
若所述第一阈值系数大于所述小波系数，则保存所述小波系数；
若所述第一阈值系数小于所述小波系数，则置零所述小波系数。
6.如权利要求4所述的电力现货市场价格信息预测优化方法，其特征在于，所述建立电力现货市场价格预测模型时，包括：
对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据，根据所述预处理后的数据生成多个样本；
建立多个多元时间序列LSTM模型，并根据各个多元时间序列LSTM模型的输出值融合构建全连接网络层；
根据所述全连接网络层的输出值生成预测结果。
7.如权利要求6所述的电力现货市场价格信息预测优化方法，其特征在于，所述样本包括：
3个输入序列和1个输出值；
所述3个输入序列分别是邻近时间点特征输入序列、日周期性特征输入序列、周周期性特征输入序列
所述1个输出值是下一时刻的负荷值。
8.如权利要求7所述的电力现货市场价格信息预测优化方法，其特征在于，所述建立多个多元时间序列LSTM模型时，包括：
根据所述邻近时间点特征输入序列建立第一时序模型；
根据所述日周期性特征输入序列建立第二时序模型；
根据所述周周期性特征输入序列建立第三时序模型。
9.如权利要求6所述的电力现货市场价格信息预测优化方法，其特征在于，所述建立电力现货市场价格预测模型时，还包括：
获取训练集和验证集对所述电力现货市场价格预测模型进行训练和调参；
获取所述电力现货市场价格预测模型对所述训练集的训练预测结果；
获取所述训练预测结果与所述验证集中真实结果的误差值；
根据所述误差值修正所述预测结果。
10.一种电力现货市场价格信息预测优化系统，其特征在于，包括：
电力数据获取模块，用于获取电力交易数据，并根据所述电力交易数据生成电价负荷信息数据表；
天气数据处理模块，用于获取历史天气数据，根据所述历史天气数据对现货市场交易日进行分类，生成电力现货市场电价日期信息组；
所述天气数据处理模块还用于对天气信息数据进行量化处理，生成天气信息数据表；
数据处理模块，用于对电价负荷信息数据表中的缺失数据进行填充并针对不同量纲的特征进行归一化处理，生成预处理数据；
预测模块，用于获取预处理数据，并根据所述预处理数据建立电力现货市场价格预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310030060.7A CN116485443A (zh) | 2023-01-05 | 2023-01-05 | 一种电力现货市场价格信息预测优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310030060.7A CN116485443A (zh) | 2023-01-05 | 2023-01-05 | 一种电力现货市场价格信息预测优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116485443A true CN116485443A (zh) | 2023-07-25 |
Family
ID=87216568
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310030060.7A Pending CN116485443A (zh) | 2023-01-05 | 2023-01-05 | 一种电力现货市场价格信息预测优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116485443A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333219A (zh) * | 2023-12-01 | 2024-01-02 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
| CN117876008A (zh) * | 2024-01-12 | 2024-04-12 | 北京飔合科技有限公司 | 基于电力现货交易数据的交易电价走势预测方法和系统 |
-
2023
- 2023-01-05 CN CN202310030060.7A patent/CN116485443A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117333219A (zh) * | 2023-12-01 | 2024-01-02 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
| CN117333219B (zh) * | 2023-12-01 | 2024-03-08 | 国网浙江省电力有限公司 | 一种交易电量预测方法、装置、设备及存储介质 |
| CN117876008A (zh) * | 2024-01-12 | 2024-04-12 | 北京飔合科技有限公司 | 基于电力现货交易数据的交易电价走势预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116485443A (zh) | 一种电力现货市场价格信息预测优化方法及系统 | |
| Erdener et al. | A review of behind-the-meter solar forecasting | |
| CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
| CN111210093A (zh) | 基于大数据的日用水量预测方法 | |
| CN109840633B (zh) | 光伏输出功率预测方法、系统和存储介质 | |
| CN110909958A (zh) | 一种计及光伏并网功率的短期负荷预测方法 | |
| CN111626473A (zh) | 一种考虑误差修正的两阶段光伏功率预测方法 | |
| CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| CN112598155A (zh) | 一种变电站的负荷增减预估方法及系统 | |
| CN105678406A (zh) | 一种基于云模型的短期负荷预测方法 | |
| CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
| CN110866658A (zh) | 一种城市电网中长期负荷预测方法 | |
| CN116029419A (zh) | 基于深度学习的长期新能源日均发电功率预测方法及系统 | |
| CN113537569A (zh) | 一种基于权重堆叠决策树的短时公交客流预测方法及系统 | |
| CN115481918A (zh) | 一种基于源网荷储的单元状态主动感知及预测分析系统 | |
| CN110991747A (zh) | 一种计及风电场功率的短期负荷预测方法 | |
| Constantinescu et al. | Unit commitment with wind power generation: integrating wind forecast uncertainty and stochastic programming. | |
| Suksamosorn et al. | Post-processing of NWP forecasts using Kalman filtering with operational constraints for day-ahead solar power forecasting in Thailand | |
| Domínguez-Cid et al. | TEFNEN: Transformer for Energy Forecasting in Natural Environment | |
| CN111815020A (zh) | 一种基于太阳辐射气候特征识别的南墙辐射预测方法 | |
| KR102685543B1 (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| CN112348235B (zh) | 风光母线负荷自适应预测方法、装置、计算机设备 | |
| CN111899123B (zh) | 电量预测方法、装置以及计算机可读存储介质 | |
| CN113344290B (zh) | 基于U-Net网络的次季节降水气象预报订正方法 |
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 |