一种电力市场价格预测方法技术

本发明专利技术公开了一种电力市场价格预测方法，步骤如下：步骤一：数据采集，人工梳理所有可获取且存在影响电价可能性的变量作为特征值数据集，步骤二：标准化处理；步骤三：

【技术实现步骤摘要】
一种电力市场价格预测方法


[0001]本专利技术属于新能源与节能领域；涉及电力系统自动化
/
运行优化领域，具体涉及一种电力市场价格预测方法
。

技术介绍

[0002]由于电价受多种因素的影响，当前一般的处理方法是通过人工分析筛选出影响因素作为输入特征数据集，导入到人工智能模型后得到电价
。
但常规方法的问题在于：
[0003]1)
若人工分析后保留的输入数据集太大，一方面会给人工智能模型带来较大的计算压力，另一方面不同输入数据集之后存在耦合关系，使得人工智能模型对有用的数据信息重复计算，造成了计算资源的浪费
。
[0004]2)
若人工分析后保留的输入数据集太少，会使得人工智能模型考虑的因素不完善，同样会导致预测精度下降
。
[0005]3)
人工分析往往是基于经验，缺少完善的理论依据，因此人工筛选效果难以控制
。
[0006]因此，本专利技术基于低阈值
Spearman
系数
、Kendall
系数建立数据清单，采用了
LightGBM
模型对特征值进行模型内筛选排序后预测电价，并引入
PSO
算法设置最优
LightGBM
计算参数，保证了电价预测的计算速度和精度
。
[0007]目前关于
PSO
‑
LightGBM
算法的专利应用较少，公开专利仅包括
《<br/>一种车载控制器局域网络入侵检测方法及设备
》
和
《
一种用于工业互联网数据安全平台的数据分析方法及设备
》
，二者均利用
PSO
‑
LightGBM
的大规模数据的处理能力分析网络数据并识别异常
。
尽管目前尚无在电价预测领域的
PSO
‑
LightGBM
算法应用专利，但考虑到电力市场领域数据规模的快速增加，基于
PSO
‑
LightGBM
的电价预测方法存在广阔的应用空间
。
[0008]关于电价预测的研究尚且处于起步阶段，常见的做法是将人工筛选后数据录入人工智能模型并得到预测结果，目前找到相似专利
《
一种基于神经网络和模式识别的电价预测方法
》
，该专利提出基于神经网络模型识别人工筛选后样本特征值中电价与特征值变化趋势，从而进行预测
。
本研究撰写的专利与
《
一种基于神经网络和模式识别的电价预测方法
》
的不同点在于，本专利采用低阈值
Spearman
系数
、Kendall
系数建立数据清单，在确立特征值清单的同时不进行过度人工筛选，其后基于
PSO
‑
LightGBM
模型读取清单中所有特征值参数，避免了人工筛选误差对预测精度的影响
。

技术实现思路

[0009]本专利技术为了解决上述现有技术中存在的缺陷和不足，提供了一种基于低阈值
Spearman
系数
、Kendall
系数建立数据清单，采用了
LightGBM
模型对特征值进行模型内筛选排序后预测电价，基于
LightGBM
算法调整输入数据权重，并引入
PSO
算法调整
LightGBM
计算参数，在保证电价预测的计算速度和精度的前提下解决了电价预测输入特征值难以确定的问题的电力市场价格预测方法
。
[0010]为了实现上述技术目的，本专利技术采用了以下技术方案：一种电力市场价格预测方
法，步骤如下：
[0011]步骤一：数据采集，人工梳理所有可获取且存在影响电价可能性的变量作为特征值数据集，
[0012]步骤二：标准化处理，将所有特征值和实际电价按对应运行日组成样本数据集，并将数据集的各参数进行归一化处理；
[0013]步骤三：
PSO
变量建立及初始化，将
LightGBM
中的学习速率
learn_rate、
最大数深度
max_depth、
一棵树上的叶子数
num_leaf、
一个叶子上最小数据量
min_child_sample、
一个叶子上最小数据权重和
min_child_weight、
子数据集占所有数据集的比例
subsample_ratio、
加速训练参数
colsample_bytree、
迭代次数
num_estimators
作为
PSO
变量，并将所有变量进行初始化处理；
[0014]步骤四：
PSO
变量计算，依据当前的预测精度指标形成
PSO
适应值，并进行
PSO
变量数值迭代；
[0015]步骤五：基于
PSO
变量值调整
LightGBM
模型参数；
[0016]步骤六：按照步骤五中模型参数，导入样本数据集数据，调用
LightGBM
模型软件包进行训练；
[0017]步骤七：计算
LightGBM
精度指标，基于样本数据集中测试集算得当前计算进度指标，基于精度指标和当前迭代次数判断是否迭代完成；
[0018]步骤八：迭代完成后输出最终
LightGBM
模型，用于实际电价预测；
[0019]步骤九：基于最终
LightGBM
模型进行电价预测并得到预测结果
。
[0020]优选地，所述步骤一中，考虑到每个运行日的电价直接反应该目的电力供需特性，因此需要采集反应电力供需特性的指标来预测电价的数值特性，将该类指标定义为数值特性特征值，其和运行日电价的
Spearman
相关系数需满足式
(1)
：
[0021][0022]其中，
s
i
为样本中第
i
时刻的数值特征值，
y
i
为运行日第
i
时刻的电价，
n
为样本所有时刻数据个数；在上式中将系数的阈值定为
0.3
，阈值较低，目的在于避免人工过度筛选的前提下选择所有影响电价的特征值；
[0023]同时电价自身有较强的时间周期特性，因此需要选取不同时间的历史电价数据用于预测电价的时间周期特性，将该类指标定义为时间特性特征值，其和运行日电价的
Kendall
相关系数需满足式
(2)
：
[0024][0025]其中，任本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种电力市场价格预测方法，其特征在于：其步骤如下：步骤一：数据采集，人工梳理所有可获取且存在影响电价可能性的变量作为特征值数据集，步骤二：标准化处理，将所有特征值和实际电价按对应运行日组成样本数据集，并将数据集的各参数进行归一化处理；步骤三：
PSO
变量建立及初始化，将
LightGBM
中的学习速率
learn_rate、
最大数深度
max_depth、
一棵树上的叶子数
num_leaf、
一个叶子上最小数据量
min_child_sample、
一个叶子上最小数据权重和
min_child_weight、
子数据集占所有数据集的比例
subsample_ratio、
加速训练参数
colsample_bytree、
迭代次数
num_estimators
作为
PSO
变量，并将所有变量进行初始化处理；步骤四：
PSO
变量计算，依据当前的预测精度指标形成
PSO
适应值，并进行
PSO
变量数值迭代；步骤五：基于
PSO
变量值调整
LightGBM
模型参数；步骤六：按照步骤五中模型参数，导入样本数据集数据，调用
LightGBM
模型软件包进行训练；步骤七：计算
LightGBM
精度指标，基于样本数据集中测试集算得当前计算进度指标，基于精度指标和当前迭代次数判断是否迭代完成；步骤八：迭代完成后输出最终
LightGBM
模型，用于实际电价预测；步骤九：基于最终
LightGBM
模型进行电价预测并得到预测结果
。2.
根据权利要求1所述的一种电力市场价格预测方法，其特征在于：所述步骤一中，考虑到每个运行日的电价直接反应该日的电力供需特性，因此需要采集反应电力供需特性的指标来预测电价的数值特性，将该类指标定义为数值特性特征值，其和运行日电价的
Spearman
相关系数需满足式
(1)
：其中，
s
i
为样本中第
i
时刻的数值特征值，
y
i
为运行日第
i
时刻的电价，
n
为样本所有时刻数据个数；在上式中将系数的阈值定为
0.3
，阈值较低，目的在于避免人工过度筛选的前提下选择所有影响电价的特征值；同时电价自身有较强的时间周期特性，因此需要选取不同时间的历史电价数据用于预测电价的时间周期特性，将该类指标定义为时间特性特征值，其和运行日电价的
Kendall
相关系数需满足式
(2)
：其中，任选两个时刻的样本中历史电价
(s
i
,s
j
)
，找对对应时刻的运行日电价
(y
i
,y
j
)
，
C
为所有样本中
(s
i
,s
j
)
与
(y
i
,y
j
)
大小方向一致的个数，
D
为所有样本中
(s
i
,s
j
)
与
(y
i
,y
j
)
大小方向不一致的个数，
n
为样本所有时刻数据个数；在上式中将系数的阈值定为
0.3
，阈值较低，目的在于避免人工过度筛选的前提下选择所有影响电价的特征值
。
3.
根据权利要求2所述的一种电力市场价格预测方法，其特征在于：所述步骤一中，采取的变量包括日期类型
、
温度
、
光照强度
、
风力强度
、
统调负荷
、A
类机组计划出力
、
地调机组计划出力
、
西电东送联络线计划
、
备用容量约束
、
检修机组容量
、
前一日电价
、
前一周同日期类型的电价
。4.
根据权利要求1所述的一种电力市场价格预测方法，其特征在于：所述步骤二中归一化处理依据公式
(3)
进行：其中
s
归一化
为归一化后的变量，
s
为原始变量，
s
min
为变量中最小值，
s
max
为变量中最大值
。5.
根据权利要求1所述的一种电力市场价格预测方法，其特征在于：所述步骤三中，
LightGBM
的参数个数
D
将作为
PSO
的变量维度，
PSO
包括
N
个粒子，其中第
i
个粒子包括位置
X
iD
＝
(x
i1
,x
i2
,
…
,x
id
)、
粒子最佳位置
P
iD,pbest
＝
(p
i1
，
pbest
，
p
i2

【专利技术属性】
技术研发人员：邓昂，肖定垚，唐世俊，王卫军，吕应龙，张璟沛，潘舒妍，陈镜羽，刘衍波，宋育珍，朱小帆，杨小志，吴云亮，侯俊贤，董毅峰，
申请(专利权)人：浙江万里扬能源科技有限公司，
类型：发明
国别省市：