本发明专利技术公开一种基于周期分解和数据平滑的电价预测方法及系统，基于电价数据的变化周期将原始数据集进行分解和重构，以此学习到不同周期下的电价变化规律，使电价预测模型既可以考虑周期内的变化关系，又可以考虑周期间的变化关系。同时，本发明专利技术采用霍尔移动平均方法提取电价数据的平滑项和残差项，降低数据集中突变点对建模的影响，提升对大波动数据的预测效果。本发明专利技术提供的电价预测方法及系统可以有效的处理电价数据中多周期和波动的场景，以此实现较为精确的中短期电价预测。
【技术实现步骤摘要】
本专利技术属于电价预测，具体涉及一种基于周期分解和数据平滑的电价预测方法及系统。
技术介绍
1、在电力市场中，市场出清电价是整个发电侧电力市场的杠杆和支点，在整个发电侧电力市场中发挥着核心的作用。对发电企业来说，可以利用电价预测结果制定报价策略、优化报价，以期能够中标和获得最大的利润；对供电企业来说，可以利用电价预测结果来优化配置现货市场和长期合同市场中的购电量；对市场监管者来说，可以利用电价预测结果对市场进行监管，从而确保电力市场的健康、稳定和有序运行；对于电力投资者来说，可以利用电价预测结果辅助投资决策，以减少投资风险。
2、因此，对于电力市场电价的研究，有利于满足电力行业市场化发展的需要，也可以促进我国发电侧电力市场的发展。
3、同时，由于近年来风电、水电和光电等新能源的发展，电价除了受系统负荷需求、电力成本和输电阻塞等电网因素的影响，还受风速、风向和降水量等气象条件的影响。因此，不同电力市场的环境下电价的形成机制、波动特征也会有明显差异。
4、由于系统负荷需求和气象条件等因素存在多种周期性，其中，系统负荷需求通常存在以天为周期和以周为周期的周期性变化特性，而气象条件通常存在一定的周期的变化特征。而且，由于政策或者节假日等突变因素的影响，导致电价数据存在较强的不确定性和突变性。
5、目前，电价预测领域常用的预测方法为基于统计的方法，这类方法需要将时序数据进行平稳性处理，对电价中的大波动情况预测能力差；同时这类方法最多只能处理一种周期，难以捕捉电价数据中多个周期的变化。
技术实现思路
1、本专利技术实施例中提供了一种基于周期分解和数据平滑的电价预测方法及系统，以解现有电价预测方法难以建立准确的电价预测模型的问题。
2、为了解决上述技术问题，本专利技术实施例公开了如下技术方案：
3、本专利技术的一个方面提供一种基于周期分解和数据平滑的电价预测方法，应用于电力交易市场，包括：
4、获取历史时段内的电力数据，所述电力数据包括电价数据和特征数据；
5、基于历史时段内的电力数据构建时序数据集，所述时序数据集包括输入时序数据集和电价数据集，其中，输入时序数据集中的样本为在历史时段电力数据中采用预设滑动窗口提取得到的电力数据序列；电价数据集由历史时段内的电价数据构成；
6、确定历史时段内电价数据的预设数量种变化周期；
7、基于时序数据集和电价数据的变化周期构建电价预测模型，包括：
8、根据所述变化周期将输入时序数据集重构成预设数量个周期数据集，所述周期数据集与所述变化周期一一对应；
9、针对每个周期数据集，均采用霍尔移动平均方法对所述周期数据集中的电价数据进行平滑处理，得到残差项数据序列和平滑项数据序列；
10、利用卷积神经网络分别基于每个周期数据集的残差项数据序列和平滑项数据序列建立子网络，得到每个周期数据集的残差项子网络和平滑项子网络；
11、将所有残差项子网络和平滑项子网络的输出数据进行加权组合，得到历史时段内的电价预测结果总集；
12、基于电价预测结果总集和时序数据集对电价预测模型进行训练，得到满足预设训练条件的电价预测模型；
13、采集当前时段内的特征数据并输入训练好的电价预测模型，预测得到未来时刻的电价数据，所述当前时段与预设滑动窗口的长度相同。
14、可选的，所述基于历史时段内的电力数据构建时序数据集，包括：
15、按照以下方式，采用预设滑动窗口提取电价数据的时序特征数列和特征数据的时序特征数列：
16、
17、
18、其中，在由t时刻到t+q1时刻的预设滑动窗口内，电价数据的时序特征数列表示为oyt，特征数据的时序特征数列表示为oxt；q1为预设滑动窗口的长度；yt+1为t+1时刻的电价数据，以此类推，为t+q1时刻的电价数据；xt+1为t+1时刻的特征数据，以此类推，为t+q1时刻的特征数据；
19、设置预测窗口的长度为q2，采用电价数据的时序特征数列oyt和特征数据的时序特征数列oxt将预测得到t+q1+q2时刻的电价数据
20、将时序数据集中的输入时序数据集表示为x＝{oyt,oxt},t＝0,1,2,...,n，其中，n为输入时序数据集中样本的数量；
21、将时序数据集中的电价数据集表示为
22、可选的，所述确定历史时段内电价数据的预设数量种变化周期，包括：
23、对历史时段内的所有电价数据进行快速傅立叶变换，得到每个频率分量对应的幅值强度序列；
24、获取幅值强度序列中前m个最大值所对应的频率f1,f2,...,fm，其中，m为变化周期的预设数量；
25、根据公式分别计算得到频率f1,f2,...,fm对应的变化周期长度p1,p2,...,pm，其中，t为历史时段的总长度，pi为第i种变化周期的长度，pi小于预设滑动窗口的长度。
26、可选的，所述根据所述变化周期将输入时序数据集重构成预设数量个周期数据集，包括：
27、针对每一个变化周期，均采用以下方法对电价数据的时序特征数列进行重构：
28、
29、其中，reoyti为基于第i个变化周期，对输入时序数据集中电价数据的时序特征数列oyt进行重构的结果；bi为预设滑动窗口长度q1与变化周期长度pi的整除值，bi＝q1//pi，i＝1,2,…,m；
30、利用重构后电价数据的时序特征数列reoyti，构建变化周期i的周期数据集x′i＝{reoyti,oxt},t＝0,1,2,...,n。
31、可选的，所述针对每个周期数据集，均采用霍尔移动平均方法对所述周期数据集中电价数据进行平滑处理，得到残差项数据序列和平滑项数据序列，包括：
32、针对每个周期数据集，均按照以下方式对电价数据进行平滑处理，得到残差项数据序列和平滑项数据序列：
33、加权移动平均的公式如下：
34、
35、其中，y为电价数据，h为预设平滑窗口的长度，n为所述周期数据集中样本的数量；wmar(·,·)为周期数据集第r个样本中,重构后电价数据的时序特征数列经过加权移动平均后得到的数据；
36、计算平滑窗口长度为h/2的加权移动平均w1＝wma(y,h/2)，将得到的数据序列作为第一时间序列，其中，wma(·,·)是以wmar(·,·)为基础，对当前周期数据集所有样本数据中，重构后电价数据的时序特征数列经过加权移动平均后得到的数据序列；
37、计算平滑窗口为h的加权移动平均w2＝wma(y,h)，将得到的数据序列作为第二时间序列；
38、令第一时间序列乘以2减去第二时间序列，得到一个新的时间序列w3＝2w1-w2；
39、基于新时间序列w3，计算平滑窗口为的加权移动平均其中，st为所述周期数据集的所有样本本文档来自技高网
...
【技术保护点】
1.一种基于周期分解和数据平滑的电价预测方法，应用于电力交易市场，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史时段内的电力数据构建时序数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述确定历史时段内电价数据的预设数量种变化周期，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述变化周期将输入时序数据集重构成预设数量个周期数据集，包括：
5.根据权利要求4所述的方法，其特征在于，所述针对每个周期数据集，均采用霍尔移动平均方法对所述周期数据集中电价数据进行平滑处理，得到残差项数据序列和平滑项数据序列，包括：
6.根据权利要求5所述的方法，其特征在于，所述利用卷积神经网络分别基于每个周期数据集的残差项数据序列和平滑项数据序列建立子网络，得到每个周期数据集的残差项子网络和平滑项子网络，包括：
7.根据权利要求6所述的方法，其特征在于，所述将所有残差项子网络和平滑项子网络的输出数据进行加权组合，得到历史时段内的电价预测结果总集，包括：
8.根据权利要求7所述的方法，其特征在于，所述基于电价预测结果总集和时序数据集对电价预测模型进行训练，得到满足预设训练条件的电价预测模型；包括：
9.根据权利要求8所述的方法，其特征在于，所述采集当前时段内的特征数据并输入训练好的电价预测模型，预测得到未来时刻的电价数据，包括：
10.一种基于周期分解和数据平滑的电价预测系统，应用于电力交易市场，其特征在于，包括：
...
【技术特征摘要】
1.一种基于周期分解和数据平滑的电价预测方法，应用于电力交易市场，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述基于历史时段内的电力数据构建时序数据集，包括：
3.根据权利要求2所述的方法，其特征在于，所述确定历史时段内电价数据的预设数量种变化周期，包括：
4.根据权利要求3所述的方法，其特征在于，所述根据所述变化周期将输入时序数据集重构成预设数量个周期数据集，包括：
5.根据权利要求4所述的方法，其特征在于，所述针对每个周期数据集，均采用霍尔移动平均方法对所述周期数据集中电价数据进行平滑处理，得到残差项数据序列和平滑项数据序列，包括：
6.根据权利要求5所述的方法，其特征在于，所述利用卷积神经网...
【专利技术属性】
技术研发人员：张儒，甘雨，路明标，金云峰，昂奇，
申请(专利权)人：南京天洑软件有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。