基于DeepAR模型的电力现货市场日前价格预测方法及系统技术方案

本申请提出基于DeepAR模型的电力现货市场日前价格预测方法及系统，所述方法包括：获取待确定电价日的各披露数据时间序列及各披露数据时间序列对应的缩放因子、权重因子和前一日电价数据时间序列对应的缩放因子；对披露数据时间序列进行处理；将处理后的披露数据时间序列输入所述预先构建好的DeepAR模型中，得到所述DeepAR模型输出的所述待确定电价日的日前电价初始预测结果；根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到优化后的日前电价预测结果。本申请提出的技术方案，可以对时间序列里的幅度变化不均衡的问题进行有效处理，并利用DeepAR模型进行电价预测，进而提高了预测精度及预测效率。进而提高了预测精度及预测效率。进而提高了预测精度及预测效率。

【技术实现步骤摘要】
基于DeepAR模型的电力现货市场日前价格预测方法及系统


[0001]本申请涉及电价预测领域，尤其涉及基于DeepAR模型的电力现货市场日前价格预测方法及系统。

技术介绍

[0002]日前市场是在负荷预测、新能源功率预测日前层面相对较准的情况下，为了应对传统火电机组启停惯性较大、需要提前决策生产安排，从而产生的协调市场和发电计划的交易市场。日前电价的多少与火电机组的报价直接影响各场站的收益，因此精确有效的预测电力现货市场的日前电价对市场主体制定决策方案和把握市场规律具有重要意义。现有的预测方法大多基于人工沟通，人工成本较高，模型效率较低；基于传统算法的预测方法容易过于依赖人工特征挖掘的协变量关系从而导致忽视了原本数据中隐藏的关系，同时对时间序列里的幅度变化不均衡的问题也很少能做到有效处理。因此，亟需提出一种精确且高效的电力现货市场日前价格预测方案。

技术实现思路

[0003]本申请提供基于DeepAR模型的电力现货市场日前价格预测方法及系统，以至少解决现有技术在日前电价预测时不能够针对时间序列里的幅度变化不均衡的问题进行有效处理及忽视了原本数据中隐藏的关系导致预测效率低且不精确的技术问题。
[0004]本申请第一方面实施例提出一种基于DeepAR模型的电力现货市场日前价格预测方法，所述方法包括：
[0005]获取待确定电价日的各披露数据时间序列及各披露数据时间序列对应的缩放因子、权重因子和所述待确定电价日的前一日电价数据时间序列对应的缩放因子；
[0006]根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列；
[0007]将处理后的披露数据时间序列输入所述预先构建好的DeepAR模型中，得到所述DeepAR模型输出的所述待确定电价日的日前电价初始预测结果；
[0008]根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到所述待确定电价日优化后的日前电价预测结果。
[0009]优选的，所述根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列之前还包括：
[0010]对所述披露数据时间序列进行清洗及归一化处理。
[0011]进一步的，所述缩放因子的计算式如下：
[0012][0013]式中，v
j
为第j个时间序列对应的缩放因子，T为一个时间序列的总时长，r
j,t
为第j个时间序列在t时刻的值。
[0014]进一步的，所述DeepAR模型的构建过程包括：
[0015]获取历史时段内的各披露数据时间序列及电价数据时间序列及各时间序列对应的缩放因子、权重因子；
[0016]基于所述各时间序列对应的缩放因子、权重因子对各时间序列进行处理；
[0017]利用处理后的各时间序列构建DeepAR模型。
[0018]进一步的，所述DeepAR模型的构建过程包括：
[0019]步骤F1:对输入和边界条件进行编码得到隐藏层输出然后将这个结果作为输入的一部分传入下一个隐藏层中，同时输入的还有上一刻的真实电价、下一刻的自变量xi,t，用公式来表示，则隐藏层的更新过程如下:
[0020][0021]式中，为自回归循环网络中使用的LSTM细胞状态的给定参数，h()为一个自回归循环网络，h为自回归循环网络隐藏层的输出结果，zi,t
‑
1为处理后的第i个电价数据时间序列在t
‑
1时刻的值，xi,t为处理后的第i个电价数据时间序列t时刻对应的自变量，其中，所述自变量为披露数据；
[0022]步骤F2：在构建完基本的自回归循环网络后，加入似然函数使输出预测值成为一个概率分布，θ()是正在训练的神经网络模型,似然函数使用高斯分布，则高斯分布公式如下：
[0023][0024][0025][0026]式中，μ是数学期望，σ2是方差，W是似然函数训练中会得到的权重，b是误差项；
[0027]步骤F3:搭建完整的DeepAR模型，其中，所述DeepAR模型的整体公式为：
[0028][0029]优选的，所述根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到所述待确定电价日优化后的日前电价预测结果，包括：
[0030]将所述日前电价初始预测结果乘以待确定电价日的前一日电价数据时间序列对应的缩放因子，得到待确定电价日优化后的日前电价预测结果。
[0031]本申请第二方面实施例提出一种基于DeepAR模型的电力现货市场日前价格预测系统，所述系统包括：
[0032]获取模块，用于获取待确定电价日的各披露数据时间序列及各披露数据时间序列
对应的缩放因子、权重因子和所述待确定电价日的前一日电价数据时间序列对应的缩放因子；
[0033]第一处理模块，用于根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列；
[0034]初始结果模块，用于将处理后的披露数据时间序列输入所述预先构建好的DeepAR模型中，得到所述DeepAR模型输出的所述待确定电价日的日前电价初始预测结果；
[0035]优化结果模块，用于根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到所述待确定电价日优化后的日前电价预测结果。
[0036]优选的，所述系统还包括：
[0037]预处理模块，用于对所述披露数据时间序列进行清洗及归一化处理。
[0038]本申请第三方面实施例提出一种电子设备，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，实现如第一方面实施例所述的方法。
[0039]本申请第四方面实施例提出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第一方面实施例所述的方法。
[0040]本申请的实施例提供的技术方案至少带来以下有益效果：
[0041]本申请提出了基于DeepAR模型的电力现货市场日前价格预测方法及系统，其中，所述方法包括：获取待确定电价日的各披露数据时间序列及各披露数据时间序列对应的缩放因子、权重因子和所述待确定电价日的前一日电价数据时间序列对应的缩放因子；根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列；将处理后的披露数据时间序列输入所述预先构建好的DeepAR模型中，得到所述DeepAR模型输出的所述待确定电价日的日前电价初始预测结果；根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到所述待确定电价日优化后的日前电价预测结果。本申请提出的技术方案，可以对时间序列里的幅度变化不均衡的问题进行有效处理，并利用DeepAR模型进行电价预测，进而提高了预测精度及预测效率。
[004本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于DeepAR模型的电力现货市场日前价格预测方法，其特征在于，所述方法包括：获取待确定电价日的各披露数据时间序列及各披露数据时间序列对应的缩放因子、权重因子和所述待确定电价日的前一日电价数据时间序列对应的缩放因子；根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列；将处理后的披露数据时间序列输入所述预先构建好的DeepAR模型中，得到所述DeepAR模型输出的所述待确定电价日的日前电价初始预测结果；根据所述待确定电价日的前一日电价数据时间序列对应的缩放因子对所述日前电价初始预测结果进行优化，得到所述待确定电价日优化后的日前电价预测结果。2.如权利要求1所述的方法，其特征在于，所述根据所述缩放因子、权重因子对所述披露数据时间序列进行处理，得到处理后的披露数据时间序列之前还包括：对所述披露数据时间序列进行清洗及归一化处理。3.如权利要求2所述的方法，其特征在于，所述缩放因子的计算式如下：式中，v
j
为第j个时间序列对应的缩放因子，T为一个时间序列的总时长，r
j,t
为第j个时间序列在t时刻的值。4.如权利要求2所述的方法，其特征在于，所述DeepAR模型的构建过程包括：获取历史时段内的各披露数据时间序列及电价数据时间序列及各时间序列对应的缩放因子、权重因子；基于所述各时间序列对应的缩放因子、权重因子对各时间序列进行处理；利用处理后的各时间序列构建DeepAR模型。5.如权利要求4所述的方法，其特征在于，所述利用处理后的各时间序列构建DeepAR模型，包括：步骤F1:对输入和边界条件进行编码得到隐藏层输出h
i
，t0‑1，然后将这个结果作为输入的一部分传入下一个隐藏层中，同时输入的还有上一刻的真实电价、下一刻的自变量x
i，t
，用公式来表示，则隐藏层的更新过程如下：式中，为自回归循环网络中使用的LSTM细胞状态的给定参数，h()为一个自回归循环网络，h为自回归循环网络隐藏层的输出结果，Z
i，t
‑1为处理后的第i个电价数据时间序列在t
‑
1时刻的值...

【专利技术属性】
技术研发人员：王宝岳，钟明，安娜，杨宁，王春森，任立兵，黄思皖，史鉴恒，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：