中长期电价预测方法、系统、存储介质及设备技术方案

本发明专利技术涉及中长期电价预测方法、系统、存储介质及设备，其中的中长期电价预测方法包括以下步骤：获取设定地区的气象数据，该地区电力现货市场历史区域新能源总出力实际值与统调负荷实际值，电力现货市场历史日前电价实际值；气象数据经预处理，与电力现货市场历史区域新能源总出力实际值与统调负荷实际值配对形成源荷数据；提取与源荷数据时间对应的实际日前电价数据，配对形成电价数据；分割上述步骤中的数据，为源荷预测模型建模训练和电价预测模型建模训练；基于上述模型得到多源源荷预测结果，生成对应的电价预测结果，经排序后得到每个预测区间被预测到的频数，将此频数作为预测的概率，即电价在气象数据影响下发生变化的概率。的概率。的概率。

【技术实现步骤摘要】
中长期电价预测方法、系统、存储介质及设备


[0001]本专利技术涉及电力
，具体为中长期电价预测方法、系统、存储介质及设备。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息，不必然构成在先技术。
[0003]气象条件改变会影响电网中的部分发电设施，使得电网应对负荷的能力改变，造成电价波动。与此同时极端气候也会影响负荷端，例如一个地区持续高温会造成用电负荷升高，高温引发的水位下降影响水电出力，都会加剧区域用电紧张，间接的影响了电价。
[0004]气象条件由于可同时影响源荷大小，进而改变市场供需关系，部分地区以新能源为主、或以水电等清洁能源为主的新型电力系统，气象条件改变使得用电企业难以应对所引发的用电紧张，也无法预知气象条件对中长期电价的影响。

技术实现思路

[0005]为了解决上述
技术介绍
中存在的技术问题，本专利技术提供中长期电价预测方法、系统、存储介质及设备，通过深度神经网络预测新能源出力与区域用电负荷大小，再通过上述多源源荷预测结果经过后处理后形成电价概率预测，得到电价变化的概率，实现中长期日前电价的预测；使用电企业能够提前应对天气影响下电价波动带来的额外成本，并为电力市场的中长期交易提供事前决策信息。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术的第一个方面提供中长期电价预测方法，包括以下步骤：
[0008]步骤1：获取设定地区的气象数据，该地区电力现货市场历史区域新能源总出力实际值与统调负荷实际值，电力现货市场历史日前电价实际值；
[0009]步骤2：气象数据经预处理，与电力现货市场历史区域新能源总出力实际值与统调负荷实际值配对形成数据集1，即为源荷数据；提取与源荷数据时间对应的实际日前电价数据，配对形成数据集2，即为电价数据；
[0010]步骤3：分割步骤2中的数据集1和数据集2，分别为源荷预测模型建模训练和电价预测模型建模训练；
[0011]步骤4：源荷预测模型建模，输入量为预处理后的气象数据作，输出量为源荷预报值；
[0012]步骤5：电价预测模型建模，输入量为历史源荷实际值，输出层输出量为电价预测值，
[0013]步骤6：预测结果后处理，基于步骤4和5的模型得到多源源荷预测结果，并生成对应的电价预测结果，经排序后得到每个预测区间被预测到的频数，将此频数作为预测的概率，即电价在气象数据影响下发生变化的概率。
[0014]步骤1中，气象数据间隔设定周期起报一次，每次起报时各成员预测时效不同。
[0015]步骤2：气象数据经预处理，包括数据清洗、缺陷检测、异常值剔除和归一化。
[0016]步骤3中，将经步骤2处理后的数据集1和数据集2根据设定的比例划分为训练集、验证集和测试集，其中训练集1、验证集1和测试集1用于源荷预测模型建模训练，训练集2、验证集2和测试集2用于电价预测模型建模训练。
[0017]步骤4中的源荷预测模型，采用深度卷积神经网络，预处理后的气象数据为模型输入量，源荷预报值为模型输出量，采用Relu激活函数，计算模型输出与源荷真值的关系求得损失函数，并通过反向梯度传播训练模型各个神经元参数，直至模型精度达到最优。
[0018]步骤5中的电价预测模型，采用浅层神经网络MLP多层感知器作为建模算法，模型输入量为历史源荷实际值，输出量为电价预测值，采用Relu激活函数，计算模型输出与电价真值的关系求得损失函数，并通过反向梯度传播训练模型各个神经元参数，直至模型精度达到最优停止训练。
[0019]步骤6中，对电价预测结果进行排序，包括：
[0020]将得到的电价预测结果中最大值向上取整十，最小值向下取整十；
[0021]计算此时最大值和最小值之差并除以N，得到的商作为概率区间宽度，并基于该宽度计算得到N个价格区间；
[0022]计算预测值在每个价格区间的个数，从而得到每个预测区间被预测到的频数，将此频数作为本次预测的概率,即电价在气象数据影响下发生变化的概率。
[0023]本专利技术的第二个方面提供实现上述方法所需的系统，包括：
[0024]数据获取模块，被配置为：获取设定地区的气象数据，该地区电力现货市场历史区域新能源总出力实际值与统调负荷实际值，电力现货市场历史日前电价实际值；
[0025]预处理模块，被配置为：气象数据经预处理，与电力现货市场历史区域新能源总出力实际值与统调负荷实际值配对形成数据集1，即为源荷数据；提取与源荷数据时间对应的实际日前电价数据，配对形成数据集2，即为电价数据；
[0026]数据分割模块，被配置为：分割步骤2中的数据集1和数据集2，分别为源荷预测模型建模训练和电价预测模型建模训练；
[0027]源荷预测模块，被配置为：源荷预测模型建模，输入量为预处理后的气象数据作，输出量为源荷预报值；
[0028]电价预测模块，被配置为：电价预测模型建模，输入量为历史源荷实际值，输出层输出量为电价预测值，
[0029]后处理模块，被配置为：预测结果后处理，基于步骤4和5的模型得到多源源荷预测结果，并生成对应的电价预测结果，经排序后得到每个预测区间被预测到的频数，将此频数作为预测的概率，即电价在气象数据影响下发生变化的概率。
[0030]本专利技术的第三个方面提供一种计算机可读存储介质。
[0031]一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的中长期电价预测方法中的步骤。
[0032]本专利技术的第四个方面提供一种计算机设备。
[0033]一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的中长期电价预测方法中的步骤。
[0034]与现有技术相比，以上一个或多个技术方案存在以下有益效果：
[0035]1、基于多个中长期气象数据和对应地区中新能源出力实际值与负荷值，以及该地区电力市场的历史电价，通过算法得到对应的多个源荷预测与多个中长期日前电价预测值，再通过数据处理将其转换为概率信息的表达，从而得到中长期电价的概率预测结果，展示了某地区受到气候因素影响时，中长期电价可能发生变化的概率，一方面使用电企业能够提前应对天气影响下电价波动带来的额外成本，另一方面为电力市场的中长期交易提供事前决策信息，从而帮助规避由于气象条件变化或极端天气气候事件为电力中长期交易带来的市场风险。
[0036]2、丰富了预测产品的信息量，度量了预测不确定性所蕴含的风险。将预报时效内多日的概率预测结果通过一定处理即可得到适用于中长期不同细分市场的电价概率预测结果。
附图说明
[0037]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0038]图1是本专利技术一个或多个实施例提供的电价预测流程图；
[0039]图2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.中长期电价预测方法，其特征在于：包括以下步骤：步骤1：获取设定地区的气象数据，该地区电力现货市场历史区域新能源总出力实际值与统调负荷实际值，电力现货市场历史日前电价实际值；步骤2：气象数据经预处理，与电力现货市场历史区域新能源总出力实际值与统调负荷实际值配对形成数据集1，即为源荷数据；提取与源荷数据时间对应的实际日前电价数据，配对形成数据集2，即为电价数据；步骤3：分割步骤2中的数据集1和数据集2，分别为源荷预测模型建模训练和电价预测模型建模训练；步骤4：源荷预测模型建模，输入量为预处理后的气象数据作，输出量为源荷预报值；步骤5：电价预测模型建模，输入量为历史源荷实际值，输出层输出量为电价预测值，步骤6：预测结果后处理，基于步骤4和5的模型得到多源源荷预测结果，并生成对应的电价预测结果，经排序后得到每个预测区间被预测到的频数，将此频数作为预测的概率，即电价在气象数据影响下发生变化的概率。2.如权利要求1所述的中长期电价预测方法，其特征在于：所述步骤1中，气象数据间隔设定周期起报一次，每次起报时各成员预测时效不同。3.如权利要求1所述的中长期电价预测方法，其特征在于：步骤2中，气象数据经预处理，包括，数据清洗、缺陷检测、异常值剔除和归一化。4.如权利要求1所述的中长期电价预测方法，其特征在于：所述步骤3中，将经步骤2处理后的数据集1和数据集2根据设定的比例划分为训练集、验证集和测试集，其中训练集1、验证集1和测试集1用于源荷预测模型建模训练，训练集2、验证集2和测试集2用于电价预测模型建模训练。5.如权利要求1所述的中长期电价预测方法，其特征在于：所述步骤4中的源荷预测模型，采用深度卷积神经网络，预处理后的气象数据为模型输入量，源荷预报值为模型输出量，采用Relu激活函数，计算模型输出与源荷真值的关系求得损失函数，并通过反向梯度传播训练模型各个神经元参数，直至模型精度达到最优。6.如权利要求1所述的中长期电价预测方法，其特征在于：所述步骤5中的电价预测模型，采用浅层神经网络MLP多层感知器作为建模算法，模型输入量为历史源荷实际值，输出量为电价预测值，采用Rel...

【专利技术属性】
技术研发人员：汪佳伟，胡天慧，李婉嘉，高乐，赵晶晶，王冠，耿福海，许晓林，侯金锁，于殿富，杜星龙，
申请(专利权)人：上海能源科技发展有限公司，
类型：发明
国别省市：