一种价格预测方法技术

本申请公开了一种价格预测方法

【技术实现步骤摘要】
一种价格预测方法、装置、设备及存储介质


[0001]本专利技术涉及计算机
，特别涉及一种价格预测方法
、
装置
、
设备及存储介质
。

技术介绍

[0002]电力现货市场中的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
。
而实时市场中的实时电价非预先确定，而是在每个时段实时调整
。
通常在需求上升时电价调高，在需求下降时电价调低，激励用户在高峰时段减少用电量，在低谷时段适当增加用电量，达到削峰填谷目的
。
[0003]在日前和实时电力市场中，准确的日前与实时电价预测结果有助于发电侧报量策略的优化选择，有利于供电企业和大用户最佳购电计划的设计，以实现购电成本最小化或效用最大化，有助于电力监管部门通过准确的市场预测对市场进行监管，以确保市场公平竞争
。
因此，日前与实时电价预测对电力市场各个方面都具有重要意义
。
[0004]然而，目前基于机器学习的预测方法具体是直接利用所有公开数据特征对日前和实时价格进行预测，此种方法的缺点在于：仅利用公开信息对电力市场信息的描述能力不足，数据挖掘能力有限；输入数据包含大量冗余信息，导致训练效率低，同时预测的准确率难以提升
。
因此，如何提高预测电力现货市场日前与实时价格的效率以及准确度是当前亟待解决的问题
。

技术实现思路

[0005]有鉴于此，本专利技术的目的在于提供一种价格预测方法
、
装置
、
设备及存储介质，能够提高价格预测的效率以及准确度
。
其具体方案如下：
[0006]第一方面，本申请提供了一种价格预测方法，包括：
[0007]基于预设数据集构建规则以及若干个预设数据源生成相应的数据集；
[0008]利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作，得到当前训练后模型；
[0009]根据当前训练后模型输出的重要度信息对所述数据集进行筛选，并基于得到的筛选后数据集及所述预设滚动训练规则对当前训练后模型进行模型训练，以得到新的当前训练后模型；
[0010]当确定所述新的当前训练后模型不满足预设训练终止条件时，重新跳转至所述根据当前训练后模型输出的重要度信息对所述数据集进行筛选的步骤；
[0011]当确定所述新的当前训练后模型满足所述预设训练终止条件时，将所述新的当前训练后模型确定为目标模型，并基于所述目标模型执行相应的价格预测操作
。
[0012]可选的，所述基于预设数据集构建规则以及若干个预设数据源生成相应的数据集，包括：
[0013]从若干个预设数据源获取相应时间段内的公开数据；所述公开数据包括相应的历史温度信息
、
历史湿度信息
、
历史光照强度信息
、
历史风速信息
、
历史日前电力价格
、
历史实时电力价格以及对应的日期数据；
[0014]通过特征工程并利用所述公开数据执行相应的特征构建操作，并基于各构建好的特征以及所述公开数据得到相应的数据集
。
[0015]可选的，所述通过特征工程并利用所述公开数据执行相应的特征构建操作，包括：
[0016]通过所述特征工程以及所述公开数据执行相应的时间特征构建操作
、
统计值特征构建操作以及历史同期特征构建操作
。
[0017]可选的，所述得到新的当前训练后模型之后，还包括：
[0018]基于所述公开数据确定相应的目标测试集；
[0019]针对与所述目标测试集对应的时间段，基于所述新的当前训练后模型进行日前电力价格以及实时电力价格的预测，以得到相应的预测准确率；
[0020]判断当前所述预测准确率是否未发生变化，以基于得到的判断结果确定所述新的当前训练后模型是否满足预设训练终止条件
。
[0021]可选的，所述利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作之前，还包括：
[0022]对所述数据集执行相应的归一化操作，以得到相应的归一化后的所述数据集，以基于归一化后的所述数据集执行相应的模型训练操作
。
[0023]可选的，所述利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作，包括：
[0024]利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行预设轮次的模型训练操作；
[0025]相应的，所述基于得到的筛选后数据集及所述预设滚动训练规则对当前训练后模型进行模型训练，包括：
[0026]基于得到的筛选后数据集及所述预设滚动训练规则对当前训练后模型进行所述预设轮次的模型训练
。
[0027]可选的，所述根据当前训练后模型输出的重要度信息对所述数据集进行筛选，包括：
[0028]获取当前训练后模型以排序的方式输出的重要度信息；其中，所述重要度信息为与所述数据集中各项数据分别对应的重要度值；
[0029]获取预先配置的目标重要度阈值；
[0030]基于所述目标重要度阈值以及所述重要度信息对所述数据集进行筛选
。
[0031]第二方面，本申请提供了一种价格预测装置，包括：
[0032]数据集构建模块，用于基于预设数据集构建规则以及若干个预设数据源生成相应的数据集；
[0033]第一模型训练模块，用于利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作，得到当前训练后模型；
[0034]第二模型训练模块，用于根据当前训练后模型输出的重要度信息对所述数据集进行筛选，并基于得到的筛选后数据集及所述预设滚动训练规则对当前训练后模型进行模型
训练，以得到新的当前训练后模型；
[0035]步骤跳转模块，用于当确定所述新的当前训练后模型不满足预设训练终止条件时，将所述新的当前训练后模型作为当前训练后模型，并重新跳转至所述根据当前训练后模型输出的重要度信息对所述数据集进行筛选的步骤；
[0036]价格预测模块，用于当确定所述新的当前训练后模型满足所述预设训练终止条件时，将所述新的当前训练后模型确定为目标模型，并基于所述目标模型执行相应的价格预测操作
。
[0037]第三方面，本申请提供了一种电子设备，包括：
[0038]存储器，用于保存计算机程序；
[0039]处理器，用于执行所述计算机程序，以实现前述的价格预测方法的步骤
。
[0040]第四方面，本申请提供了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的价格预测方法的步骤
。...

【技术保护点】

【技术特征摘要】
1.
一种价格预测方法，其特征在于，包括：基于预设数据集构建规则以及若干个预设数据源生成相应的数据集；利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作，得到当前训练后模型；根据当前训练后模型输出的重要度信息对所述数据集进行筛选，并基于得到的筛选后数据集及所述预设滚动训练规则对当前训练后模型进行模型训练，以得到新的当前训练后模型；当确定所述新的当前训练后模型不满足预设训练终止条件时，重新跳转至所述根据当前训练后模型输出的重要度信息对所述数据集进行筛选的步骤；当确定所述新的当前训练后模型满足所述预设训练终止条件时，将所述新的当前训练后模型确定为目标模型，并基于所述目标模型执行相应的价格预测操作
。2.
根据权利要求1所述的价格预测方法，其特征在于，所述基于预设数据集构建规则以及若干个预设数据源生成相应的数据集，包括：从若干个预设数据源获取相应时间段内的公开数据；所述公开数据包括相应的历史温度信息
、
历史湿度信息
、
历史光照强度信息
、
历史风速信息
、
历史日前电力价格
、
历史实时电力价格以及对应的日期数据；通过特征工程并利用所述公开数据执行相应的特征构建操作，并基于各构建好的特征以及所述公开数据得到相应的数据集
。3.
根据权利要求2所述的价格预测方法，其特征在于，所述通过特征工程并利用所述公开数据执行相应的特征构建操作，包括：通过所述特征工程以及所述公开数据执行相应的时间特征构建操作
、
统计值特征构建操作以及历史同期特征构建操作
。4.
根据权利要求2所述的价格预测方法，其特征在于，所述得到新的当前训练后模型之后，还包括：基于所述公开数据确定相应的目标测试集；针对与所述目标测试集对应的时间段，基于所述新的当前训练后模型进行日前电力价格以及实时电力价格的预测，以得到相应的预测准确率；判断当前所述预测准确率是否未发生变化，以基于得到的判断结果确定所述新的当前训练后模型是否满足预设训练终止条件
。5.
根据权利要求1所述的价格预测方法，其特征在于，所述利用预设滚动训练规则以及所述数据集对预设梯度提升模型执行相应的模型训练操作之前，还包括：对所述数据集执行相应的归一...

【专利技术属性】
技术研发人员：王超群，王欣，刘伟江，潘东浩，杨靖，
申请(专利权)人：浙江运达风电股份有限公司，
类型：发明
国别省市：