CN117557293A - 一种电力现货价格预测方法、装置以及系统 - Google Patents

一种电力现货价格预测方法、装置以及系统 Download PDF

Info

Publication number
CN117557293A
CN117557293A CN202311603504.8A CN202311603504A CN117557293A CN 117557293 A CN117557293 A CN 117557293A CN 202311603504 A CN202311603504 A CN 202311603504A CN 117557293 A CN117557293 A CN 117557293A
Authority
CN
China
Prior art keywords
data
dimension
data sample
sample
price prediction
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
Application number
CN202311603504.8A
Other languages
English (en)
Inventor
孙建旸
张文浩
张继元
郭洋
王卫宏
芮冬阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhiguang Research Institute Guangzhou Co ltd
Original Assignee
Zhiguang Research Institute Guangzhou Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhiguang Research Institute Guangzhou Co ltd filed Critical Zhiguang Research Institute Guangzhou Co ltd
Priority to CN202311603504.8A priority Critical patent/CN117557293A/zh
Publication of CN117557293A publication Critical patent/CN117557293A/zh
Pending legal-status Critical Current

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/27—Regression, e.g. linear or logistic regression
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Evolutionary Computation (AREA)
  • Economics (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Human Resources & Organizations (AREA)
  • Water Supply & Treatment (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)

Abstract

本申请公开了一种电力现货价格预测方法、装置以及系统。所述方法包括：获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的；根据所述价格预测结果，得到电力现货价格预测结果。本申请针对历史电力现货价格的峰、谷区数据作有针对性的数据增强，有效提升电力现货价格预测的准确度、尤其是峰谷区电力现货价格；同时，本申请结合节假日特征与趋势性特征，对价格预测模型的训练数据进行数据增维、融合与降维处理，能有效提升预测准确度的同时提高计算效率。

Description

一种电力现货价格预测方法、装置以及系统
技术领域
本申请涉及电力系统技术领域，尤其涉及一种电力现货价格预测方法、装置以及系统。
背景技术
电能具有瞬时传输的特性，不能大规模储存，因此在电力系统实时运行过程中，要保持“源-荷”电力平衡，现代电力市场中的现货市场与辅助服务市场正是基于电力平衡需要建立的。现货市场分为日前市场、日内市场、实时市场。我国电力现货处于建设初期，在大部分省份中，现货市场建设包括日前市场、实时市场两部分，现货市场价格也包括日前价格、实时价格两部分。由于实时价格具有较大不确定性，受天气、突发事件、社会行为等影响较为密切，具有一定的不可预测性，对大多数市场(发电企业、售电公司)而言，其交易的核心更多是对日前价格进行预测，日前价格预测的准确程度，成为影响市场主体参与电力现货交易利润大小和竞价策略关键因素，为此备受关注。
对于现货价格预测，常规的预测方法包括统计学方法、神经网络方法等。但针对国内现货市场建设初期，数据量不足，数据峰谷分布不均的问题，仅用上述方法进行预测，效果欠佳，尤其是在峰谷价格的预测准确度上；其次，从市场参与者角度来看，对价格波动大的区间捕捉越准确，获利空间越大，电力市场价格峰谷数据在市场全量数据中占比较小，使得现有预测模型算法难以在该部分数据上取得较高的准确率。
需要说明的是，这里的陈述仅提供与本申请有关的背景信息，而不必然地构成现有技术。
发明内容
鉴于上述问题，本申请提出了一种克服上述问题或者至少部分地解决上述问题的电力现货价格预测方法、装置及系统。
本申请实施例采用下述技术方案：
第一方面，本申请实施例提供一种电力现货价格预测方法，所述方法包括：
获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；根据所述价格预测结果，得到电力现货价格预测结果。
优选地，所述价格预测模型的预先训练，包括：根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本；使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本；使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型；其中，所述历史数据样本至少包括如下之一的维度：直调负荷、地方电厂发电、联络线受电、风电出力、光伏出力、核电出力以及价格。
优选地，所述价格预测模型的预先训练，还包括：根据节假日特征和/或趋势性特征，对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度；根据节假日特征和/或趋势性特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度；将所述历史数据样本综合特征数据维度和扩充数据样本综合特征数据维度分别与所述历史数据样本的维度拼接，获取历史数据样本拼接数据和扩充数据样本拼接数据；使用所述预设的神经网络对所述历史数据样本拼接数据和扩充数据样本拼接数据进行训练，得到所述预先训练的价格预测模型。
优选地，所述根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本，包括：使用预设窗口对所述电力现货历史数据样本中的每一条数据进行移动筛选，当电力现货价格大于第一预设值时，将该条数据对应时点记为峰区，当电力现货价格小于第二预设值时，将该条数据对应时点记为谷区。
优选地，所述使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本，包括：获取所述峰区的前方和后方的各预设条电力现货历史数据样本，得到峰区数据样本，并利用插值法进行数据扩充，获取峰区扩充数据样本；获取所述谷区的前方和后方的各预设条电力现货历史数据样本，得到谷区数据样本，并利用插值法进行数据扩充，获取谷区扩充数据样本。
优选地，所述根据节假日特征，对所述历史数据样本进行数据增维，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述历史数据样本进行节假日维度增强，若属于节假日，则将历史数据样本对应的节假日维度数值标记为1，若不属于节假日，则将历史数据样本对应节假日维度数值标记为0；所述根据节假日特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述扩充数据样本进行节假日维度增强，若属于节假日，则将扩充数据样本对应的节假日维度数值标记为1，若不属于节假日，则将扩充数据样本对应的节假日维度数值标记为0。
优选地，所述根据趋势性特征，对所述历史数据样本进行数据增维包括：对所述历史数据样本进行预设级数的傅里叶分解，获取所述历史数据样本的趋势维度增强；所述根据趋势性特征，对所述扩充数据样本进行数据增维包括：对所述扩充数据样本进行预设级数的傅里叶分解，获取所述扩充数据样本的趋势维度增强，其中，所述趋势维度的维度数等于所述预设级数。
优选地，所述对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度，包括：使用预设算法对历史数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取历史数据样本综合特征数据维度；所述对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度，包括：使用预设算法对扩充数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取扩充数据样本综合特征数据维度。
第二方面，本申请实施例还提供一种电力现货价格预测装置，所述装置包括：待预测数据获取单元，用于获取待预测数据；价格预测单元，通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；电力现货价格预测获取单元，根据所述价格预测结果，得到电力现货价格预测结果。
第三方面，本申请实施例还提供一种电力现货价格预测系统，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面之任一所述方法。
本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
本申请针对电力现货价格历史数据的峰区和谷区数据作有针对性的数据增强，相较于直接利用原始电力现货价格历史数据行预测的方案，能有效提升电力现货价格预测的准确度、尤其是对电力现货价格的峰区和谷区的预测；其次，本申请结合节假日特征与趋势性特征，进行数据增维处理，并运用贝叶斯线性回归对增维数据进行融合与降维，能有效提升预测准确度的同时降低计算量。
本申请技术方案的上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本申请的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本申请实施例中电力现货价格预测方法流程示意图；
图2为本申请实施例中价格预测第一模型获取流程示意图；
图3为本申请实施例中价格预测第二模型获取流程示意图；
图4为本申请实施例中电力现货价格预测装置示意图；
图5为本申请实施例中的电力现货价格预测结果与常规模型的电力现货价格预测结果对比图；
图6为本申请实施例中电力现货价格预测系统的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合本申请具体实施例及相应的附图对本申请技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的构思在于，针对现有技术中电力现货价格预测准确度低的现状，设计一种普适性强、准确度高的电力现货价格预测方法，该方法通过对电力现货价格的峰区和谷区数据作有针对性的数据增强，数据增维、降维处理，能有效提升电力现货价格预测的准确度、尤其是针对峰谷区价格的预测。
以下结合附图，详细说明本申请各实施例提供的技术方案。
本申请涉及的技术术语如下：
MSE，(Mean Square Error)均方误差；
MAE，(Mean Absolute Error)平均绝对误差；
RMSE，(Root Mean Square Error)均方根差；
R2，(coeficient of determination)决定系数，也称判定系数或者拟合优度，它是表征回归方程在多大程度上解释了因变量的变化，或者说方程对观测值的拟合程度如何；
LSTM，(Long Short-Term Memory)长短期记忆网络。
本申请实施例提供了一种电力现货价格预测方法装置及系统，如图1所示，提供了本申请实施例中电力现货价格预测方法流程示意图，所述方法至少包括如下的步骤S110至步骤S130：
步骤S110，获取待预测数据；
本申请中，待预测数据主要包括电力现货历史数据，维度包括：直调负荷(负荷)、地方电厂发电(地方电)、联络线受电(联络线)、风电出力(风)、光伏出力(光)、核电出力(核)，价格(价)；电力现货历史数据中，将一天(0—24h)分为96个采样点，每15分钟一个采样点数据，其中，运行日为j日的第i条数据样本的形式如下：
步骤S120，通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本。
如图2所示，本申请中所述价格预测模型的预先训练，包括：步骤S210，根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本；步骤S220，使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本；步骤S230，使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型。
本申请中，峰谷区数据样本的获取主要包括如下方式：
对于所有价格数据
当且/> 该条数据样本对应时点记为峰区，其中，/>单位为元/MWh；
当且/> 该条数据样本对应时点记为谷区。
本申请中，如果单个j日存在k条数据，其符合上述峰、谷特征，则该j日会产生k份扩充数据样本。
对符合上述峰区、谷区特征的(i,j)，获取pi,j及其前后预设条数据样本，以本申请为例，获取15条共31条数据样本，其形式如下：
本申请中，所述扩充数据样本的获取包括如下方式：
利用插值法对上述31条数据扩充为96条数据，并将每条数据样本乘以一个随机的比例系数，得到如下数据：
其中{α1,j,α2,j,α3,j,…,α96,j}∈[0.8，1.2]，将扩充后的96条数据，作为运行日j日的扩充数据样本，记作
对于运行日j日的第i条扩充数据样本数据具体如下：
本申请中，使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型，具体如下：
本申请中，采用长短记忆网络(LSTM)进行模型训练，并将训练后的模型进行现货价格预测。
获取j-14到j-1日的数据，进行模型训练：
对于j-14到j-1日的所有与/>将train_x作为训练集输入，train_y作为训练集输出，利用LSTM进行模型训练。
其中，
上式中，k表示在j-14到j-1日共有k份扩充数据样本，每一份扩充数据样本为96×7维。
步骤S130，根据所述价格预测结果，得到电力现货价格预测结果。
基于j-14到j-1日数据，利用LSTM训练得到的模型(价格预测模型)，针对j日的数据test_x，进行价格预测计算test_y，其中，
如图3所示，本申请的一些实例中，所述价格预测模型的预先训练，还包括：步骤S310，根据节假日特征和/或趋势性特征，对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度；步骤S320，根据节假日特征和/或趋势性特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度；步骤S330，将所述历史数据样本综合特征数据维度和扩充数据样本综合特征数据维度分别与所述历史数据样本的维度拼接，获取历史数据样本拼接数据和扩充数据样本拼接数据；步骤S340，使用所述预设的神经网络对所述历史数据样本拼接数据和扩充数据样本拼接数据进行训练，得到所述预先训练的价格预测模型。
所述根据节假日特征，对所述历史数据样本进行数据增维，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述历史数据样本进行节假日维度增强，若属于节假日，则将历史数据样本对应的节假日维度数值标记为1，若不属于节假日，则将历史数据样本对应节假日维度数值标记为0；
所述根据节假日特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述扩充数据样本进行节假日维度增强，若属于节假日，则将扩充数据样本对应的节假日维度数值标记为1，若不属于节假日，则将扩充数据样本对应的节假日维度数值标记为0。
所述根据趋势性特征，对所述历史数据样本进行数据增维包括：对所述历史数据样本进行预设级数的傅里叶分解，获取所述历史数据样本的趋势维度增强；
所述根据趋势性特征，对所述扩充数据样本进行数据增维包括：对所述扩充数据样本进行预设级数的傅里叶分解，获取所述扩充数据样本的趋势维度增强，其中，所述趋势维度的维度数等于所述预设级数。
本申请中，根据节假日特征进行数据增强，是指如下增强方法：
对以及/>根据j日是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天进行数据增强，若属于则将对应维度数值标记为1，否则标记为0，增强后的数据记为/>具体形式如下：
本申请中，根据趋势性特征进行数据增强，是指如下增强方法：
对以及/>进行m级傅里叶分解，其公式如下：
其中:
m为傅立叶项级数，本申请中设置为5；
n为傅立叶项级数；
分别为/>的第n级傅立叶项；
e为周期值，本申请中设置为24；
与/>为第n级傅立叶项中的待确定参数，可通过最小二乘法求得。
本申请中，获取历史数据样本综合特征数据维度和获取扩充数据样本综合特征数据维度，具体包括：
对于历史数据样本pi，j、结合节假日特征、趋势性特征，组成新的增维数据样本，具体如下：
对于扩充数据样本结合节假日特征、趋势性特征，组成新的增维数据样本，具体如下：
使用时序分析工具Neural Prophet中的贝叶斯线性回归模型，对任意j日的与/>进行多元回归分析，将96×17维数据，通过回归映射到96×1的综合特征/>与/>上，实现数据维度的降低，以减少计算量。
本申请中，获取历史数据样本拼接数据和扩充数据样本拼接数据，是指：
将pi，j与拼接为/>
将与/>拼接为/>
采用长短记忆网络(LSTM)进行模型训练，并将训练后的模型进行现货价格预测，是指如下过程：
首先，获取j-14到j-1日的数据，进行模型训练：
对于j-14到j-1日的所有与/>将train_x作为训练集输入，train_y作为训练集输出，利用LSTM进行模型训练；
其中，k表示在j-14到j-1日共有k份扩充数据样本，每一份扩充数据样本为96×7维；
其次，基于j-14到j-1日数据，利用LSTM训练得到的模型(价格预测模型)，针对j日的数据test_x，进行价格预测计算test_y，其中，
本申请实施例还提供了电力现货价格预测装置400，如图4所示，提供了本申请实施例中电力现货价格预测装置的结构示意图，所述装置400至少包括：待预测数据获取单元410、价格预测单元420以及电力现货价格预测获取单元430，其中：
在本申请的一个实施例中，所述待预测数据获取单元410具体用于：用于获取待预测数据；
本申请中，待预测数据主要包括电力现货历史数据，维度包括：直调负荷(负荷)、地方电厂发电(地方电)、联络线受电(联络线)、风电出力(风)、光伏出力(光)、核电出力(核)，价格(价)；电力现货历史数据中，将一天(0—24h)分为96个采样点，每15分钟一个采样点数据，其中，运行日为j日的第i条数据样本的形式如下：
在本申请的一个实施例中，所述价格预测单元420具体用于：通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；
本申请中，所述价格预测模型的预先训练，包括：根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本；使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本；使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型；其中，所述历史数据样本至少包括如下之一的维度：直调负荷、地方电厂发电、联络线受电、风电出力、光伏出力、核电出力以及价格。
所述价格预测模型的预先训练，还包括：根据节假日特征和/或趋势性特征，对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度；根据节假日特征和/或趋势性特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度；将所述历史数据样本综合特征数据维度和扩充数据样本综合特征数据维度分别与所述历史数据样本的维度拼接，获取历史数据样本拼接数据和扩充数据样本拼接数据；使用所述预设的神经网络对所述历史数据样本拼接数据和扩充数据样本拼接数据进行训练，得到所述预先训练的价格预测模型。
在本申请的一个实施例中，所述电力现货价格预测获取单元430具体用于：根据所述价格预测结果，得到电力现货价格预测结果。
利用LSTM训练得到的模型(价格预测模型)，针对j日的数据test_x，进行价格预测计算test_y，其中，
能够理解，上述电力现货价格预测装置，能够实现前述实施例中提供的电力现货价格预测方法的各个步骤，关于电力现货价格预测方法的相关阐释均适用于电力现货价格预测装置，此处不再赘述。
为了展示本申请中电力现货价格预测方法的技术效果，现以xx省电力现货市场为例进行举例说明：
2022年1月1日到2023年2月28日，xx省电力现货市场，部分数据如下：
根据如上数据，使用本申请中的电力现货价格预测结果与常规模型的结果进行对比，具体如图5所示，在所选的时间内，xx省电力现货价格出现了1500元/MWh的峰价，也出现了-80元/MWh的谷价。对比之下，本申请中的技术方案的预测值相较于常规方案而言，在峰谷处呈现出较大的预测准确度优势。
表1、表2为对比的具体数据展示：
方案 MSE R2 MAE RMSE
本方案 17300.646 0.812 75.212 131.532
常规方案 20182.172 0.780 78.939 142.064
表1评价指标(2022.01.01-2023.02.28)
表2峰谷评价指标(2022.01.01-2023.02.28)
从表1中可见，对于全量数据集，本方案预测指标，在MSE(越小越好)、R2(越大越好)、MAE(越小越好)、RMSE(越小越好)上，相较于常规方案，都更优。此外，从表2中可见，对于峰、谷部分的数据预测效果，本方案在上述指标中，呈现出更大的优势。
图6是本申请的一个实施例电力现货价格预测系统的结构示意图。请参考图6，在硬件层面，该电力现货价格预测系统包括处理器，可选地还包括内部总线、网络接口、存储器。其中，存储器可能包含内存，例如高速随机存取存储器(Random-Access Memory，RAM)，也可能还包括非易失性存储器(non-volatile memory)，例如至少1个磁盘存储器等。当然，该电力现货价格预测系统还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接，该内部总线可以是ISA(Industry Standard Architecture，工业标准体系结构)总线、PCI(PeripheralComponent Interconnect，外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture，扩展工业标准结构)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图6中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。
存储器，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器，并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行，在逻辑层面上形成电力现货价格预测装置。处理器，执行存储器所存放的程序，并具体用于执行以下操作：
获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；根据所述价格预测结果，得到电力现货价格预测结果。
上述如本申请图1所示实施例揭示的电力现货价格预测装置执行的方法可以应用于处理器中，或者由处理器实现。处理器可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器，包括中央处理器(Central ProcessingUnit，CPU)、网络处理器(Network Processor，NP)等；还可以是数字信号处理器(DigitalSignal 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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
该电力现货价格预测系统还可执行图1中电力现货价格预测装置执行的方法，并实现电力现货价格预测装置在图1所示实施例的功能，本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质，该计算机可读存储介质存储一个或多个程序，该一个或多个程序包括指令，该指令当被包括多个应用程序的电力现货价格预测系统执行时，能够使该电力现货价格预测系统执行图1所示实施例中电力现货价格预测装置执行的方法，并具体用于执行：
获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；根据所述价格预测结果，得到电力现货价格预测结果。
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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请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，本申请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。
以上所述仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。

Claims (10)

1.一种电力现货价格预测方法，其特征在于，所述方法包括：
获取待预测数据；
通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；
根据所述价格预测结果，得到电力现货价格预测结果。
2.如权利要求1所述方法，其特征在于，所述价格预测模型的预先训练，包括：
根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本；
使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本；
使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型；
其中，所述历史数据样本至少包括如下之一的维度：直调负荷、地方电厂发电、联络线受电、风电出力、光伏出力、核电出力以及价格。
3.如权利要求2所述方法，其特征在于，所述价格预测模型的预先训练，还包括：
根据节假日特征和/或趋势性特征，对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度；
根据节假日特征和/或趋势性特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度；
将所述历史数据样本综合特征数据维度和扩充数据样本综合特征数据维度分别与所述历史数据样本的维度拼接，获取历史数据样本拼接数据和扩充数据样本拼接数据；
使用所述预设的神经网络对所述历史数据样本拼接数据和扩充数据样本拼接数据进行训练，得到所述预先训练的价格预测模型。
4.如权利要求3所述方法，其特征在于，所述根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本，包括：
使用预设窗口对所述电力现货历史数据样本中的每一条数据进行移动筛选，
当电力现货价格大于第一预设值时，将该条数据对应时点记为峰区；
当电力现货价格小于第二预设值时，将该条数据对应时点记为谷区。
5.如权利要求4所述方法，其特征在于，所述使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本，包括：
获取所述峰区的前方和后方的各预设条电力现货历史数据样本，得到峰区数据样本，并利用插值法进行数据扩充，获取峰区扩充数据样本；
获取所述谷区的前方和后方的各预设条电力现货历史数据样本，得到谷区数据样本，并利用插值法进行数据扩充，获取谷区扩充数据样本。
6.如权利要求3所述方法，其特征在于，所述根据节假日特征，对所述历史数据样本进行数据增维，包括：
根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述历史数据样本进行节假日维度增强，
若属于节假日，则将历史数据样本对应的节假日维度数值标记为1，
若不属于节假日，则将历史数据样本对应节假日维度数值标记为0；
所述根据节假日特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据，包括：
根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述扩充数据样本进行节假日维度增强，
若属于节假日，则将扩充数据样本对应的节假日维度数值标记为1，
若不属于节假日，则将扩充数据样本对应的节假日维度数值标记为0。
7.如权利要求6所述方法，其特征在于，所述根据趋势性特征，对所述历史数据样本进行数据增维包括：
对所述历史数据样本进行预设级数的傅里叶分解，获取所述历史数据样本的趋势维度增强；
所述根据趋势性特征，对所述扩充数据样本进行数据增维包括：
对所述扩充数据样本进行预设级数的傅里叶分解，获取所述扩充数据样本的趋势维度增强，其中，所述趋势维度的维度数等于所述预设级数。
8.如权利要求7所述方法，其特征在于，所述对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度，包括：
使用预设算法对历史数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取历史数据样本综合特征数据维度；
所述对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度，包括：
使用预设算法对扩充数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取扩充数据样本综合特征数据维度。
9.一种电力现货价格预测装置，其特征在于，所述装置包括：
待预测数据获取单元，用于获取待预测数据；
价格预测单元，通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；
电力现货价格预测获取单元，根据所述价格预测结果，得到电力现货价格预测结果。
10.一种电力现货价格预测系统，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8之任一所述方法。
CN202311603504.8A 2023-11-28 2023-11-28 一种电力现货价格预测方法、装置以及系统 Pending CN117557293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311603504.8A CN117557293A (zh) 2023-11-28 2023-11-28 一种电力现货价格预测方法、装置以及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311603504.8A CN117557293A (zh) 2023-11-28 2023-11-28 一种电力现货价格预测方法、装置以及系统

Publications (1)

Publication Number Publication Date
CN117557293A true CN117557293A (zh) 2024-02-13

Family

ID=89821585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311603504.8A Pending CN117557293A (zh) 2023-11-28 2023-11-28 一种电力现货价格预测方法、装置以及系统

Country Status (1)

Country Link
CN (1) CN117557293A (zh)

Similar Documents

Publication Publication Date Title
Chen et al. Asymmetric GARCH type models for asymmetric volatility characteristics analysis and wind power forecasting
Rafiei et al. Probabilistic electricity price forecasting by improved clonal selection algorithm and wavelet preprocessing
Kim et al. Tutorial on time series prediction using 1D-CNN and BiLSTM: A case example of peak electricity demand and system marginal price prediction
Pereira et al. Market integration and the persistence of electricity prices
CN116050604A (zh) 考虑时空互补性的水风光功率联合预报方法、装置及设备
CN114943565A (zh) 基于智能算法的电力现货价格预测方法及装置
CN115907389A (zh) 一种基于用户画像的城区尺度需求响应潜力电力用户定位方法、系统及介质
CN117252367A (zh) 基于领域对抗的迁移学习模型的需求响应潜力评估方法与系统
CN111680712A (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
Kim et al. A deep-learning framework for forecasting renewable demands using variational auto-encoder and bidirectional long short-term memory
Wu et al. Forecast of short‐term electricity price based on data analysis
CN117557293A (zh) 一种电力现货价格预测方法、装置以及系统
CN116706884A (zh) 光伏发电量的预测方法、装置、终端及存储介质
CN116415718A (zh) 能源用量的预测方法、装置、电子设备及存储介质
CN116523540A (zh) 基于自适应lgbm的超短期电价预测方法
CN117557294A (zh) 电力现货价格预测方法、装置、系统以及存储介质
CN112200464B (zh) 计及空间相关性的光伏电站出力数据的修正方法及系统
Khan et al. Short term load and price forecasting using tuned parameters for K-nearest neighbors
Soğukpınar et al. Evaluation of renewable energy policies in Turkey with sectoral electricity demand forecasting
Kavoosi Davoodi et al. An accurate analysis of the parameters affecting consumption and price fluctuations of electricity in the Iranian market in summer
Akan et al. Disaggregating renewable energy-growth nexus: W-ARDL and W-Toda-Yamamoto approaches
Dong et al. A day-ahead electricity price forecasting algorithm considered with multidimensional factors
CN113052393B (zh) 一种企业选址方法及装置
Kim et al. Photovoltaic (PV) power output prediction using LSTM based deep learning
Ahmed et al. A two-fold machine learning approach for efficient day-ahead load prediction at hourly granularity for NYC

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