【技术实现步骤摘要】
本专利技术属于电力交易作业领域，涉及一种基于lce算法进行短期电价预测的方法。
技术介绍
1、基于区块链的电能交易系统是电力物联网的一项重要组成部分。基于区块链的电能交易系统需要大量以智能电能表为主的智能计量终端，将数据上报区块链物联网平台，且需要智能计量终端与其周围的智能计量终端进行终端侧的统计，且具备短时电价预测功能，为参与交易的各方带来参考。准确的短期电价预测将有助于选择最优报价策略，使购电的动态成本控制成为可能，同时也为监管部门的实时监管提供了重要的科学依据，在保证电力市场正常运行的同时，提供最佳的环境污染治理。
2、电价预测是一个新的研究领域，现阶段主要是利用点对点的倍比法、回归分析法、专家系统、模糊逻辑系统等方法进行电价预测。但短期电价预测具有时变性，影响因素复杂，对精度要求高，一般采用单一的电价预测模型进行预测具有模型适应性不强、预测速度慢、难以达到预测要求等问题。
技术实现思路
1、为克服上述相关技术中的缺陷，本专利技术的一些实施例提供一种基于lce算法进行短期电价预测的方法；具有排除预测干扰因素、预测值精确度高的优点。
2、基于lce算法进行短期电价预测的方法包括：自电力交易中心获取指定时期内的电力交易的原始数据。建立cnn-lstm模型，对所述指定时期内的电力交易的原始数据进行特征提取，并训练cnn-lstm模型，训练后的所述cnn-lstm模型对预定时期内的电力交易价格进行预测，并获取预定时期内的电力交易价格的第一预测值。建立第一神经网
3、优选地，所述电力交易的原始数据包括每日基准电价、每日交易电价和每日交易电量。
4、优选地，所述工业类型占比是指高电能耗企业的实缴资金在所述对应区域中所有企业的实缴资金之和的占比，所述高电能耗企业包括：金属冶炼企业、采煤和炼焦企业、石油提炼企业、化工企业、建材制造企业、纺织企业、造纸企业。所述天气数据包括：天气类型和气温，所述天气类型包括：下雨、下雪和晴天。所述并网和脱网数据包括：所述对应区域内的电站并入电网后增加的电量数据，或所述对应区域内的电站脱离电网后减少的电量数据。
5、优选地，所述根据所述指定时期内的工业类型占比、天气数据、并网或脱网数据和电力交易的原始数据完成对第二神经网络模型的训练的方法包括：所述第二神经网络模型采用人工神经网络，所述第二神经网络模型的输入层的神经元数量为五，所述第二神经网络模型的输出层的神经元数量为一。将所述指定时期内的工业类型占比、天气数据、并网或脱网数据进行特征向量变换，并获取特征向量输入值。将所述特征向量输入值和所述每日交易电量输入所述第二神经网络模型完成训练。
6、优选地，所述将所述指定时期内的工业类型占比、天气数据、并网或脱网数据进行特征向量变换的方法包括：将所述工业类型占比、所述气温、所述并网或脱网数据进行归一化处理并进行向量化。将所述天气类型进行数字编码并向量化。其中，并网数据以正向量表示，脱网数据以负向量表示。
7、优选地，所述lce算法包括：bagging模型和boosting模型。根据所述第一预测值和所述第三预测值，采用lce算法进行电价短期组合预测，获取所述预定时期内电价的准确预测值的方法包括：所述cnn-lstm模型根据所述电力交易的原始数据获取多个原始数据对应时期的第一预测值。获取所述电力交易的原始数据对应时期内对应区域内的工业类型占比、天气数据和并网数据。所述第二神经网络模型对所述电力交易的原始数据对应时期进行电量交易量预测，并获取原始数据对应的交易电量预测值。将所述原始数据对应的交易电量预测值替换所述电力交易的原始数据中的每日交易电量，并生成预测原始数据。根据所述预测原始数据，所述第一神经网络模型获取多个原始数据对应时期的第三预测值。将所述多个原始数据对应时期的第三预测值、所述每日交易电价对所述bagging模型进行训练。将所述多个原始数据对应时期的第一预测值、所述多个原始数据对应时期的第三预测值和所述每日交易电价对所述boosting模型进行训练。将所述预定时期内的电力交易价格的第三预测值输入所述bagging模型获取第一数据。将所述多个原始数据对应时期的第一预测值和第一数据输入所述boosting模型获取第二数据，所述第二数据为所述预定时期内的电力交易预测价格。
8、本专利技术的有益效果在于：
9、本专利技术可以对预测区域内的交易电量进行预测，并根据预测的电量对短期内的电价进行预测，可以相对准确的获取电量的交易量和供电量，如此可以知道电量的供需关系，结合神经网络模型可以相对准确的预测短期内的电价，具有预测结果准确，对外界影响因素能够及时排除的优点。
10、本专利技术采用lce算法，可以实现偏差-方差的权衡互补，提高预测准确率。
本文档来自技高网...【技术保护点】
1.基于LCE算法进行短期电价预测的方法，其特征在于，包括：
2.根据权利要求1所述的基于LCE算法进行短期电价预测的方法，其特征在于，所述电力交易的原始数据包括：每日基准电价、每日交易电价和每日交易电量。
3.根据权利要求2所述的基于LCE算法进行短期电价预测的方法，其特征在于，所述工业类型占比是指高电能耗企业的实缴资金在所述对应区域中所有企业的实缴资金之和的占比，所述高电能耗企业包括：金属冶炼企业、采煤和炼焦企业、石油提炼企业、化工企业、建材制造企业、纺织企业、造纸企业；
4.根据权利要求3所述的基于LCE算法进行短期电价预测的方法，其特征在于，所述根据所述指定时期内的工业类型占比、天气数据、并网或脱网数据和电力交易的原始数据完成对第二神经网络模型的训练的方法包括：
5.根据权利要求4所述的基于LCE算法进行短期电价预测的方法，其特征在于，所述将所述指定时期内的工业类型占比、天气数据、并网或脱网数据进行特征向量变换的方法包括：
6.根据权利要求5所述的基于LCE算法进行短期电价预测的方法，其特征在于，所述LCE算法包
...【技术特征摘要】
1.基于lce算法进行短期电价预测的方法，其特征在于，包括：
2.根据权利要求1所述的基于lce算法进行短期电价预测的方法，其特征在于，所述电力交易的原始数据包括：每日基准电价、每日交易电价和每日交易电量。
3.根据权利要求2所述的基于lce算法进行短期电价预测的方法，其特征在于，所述工业类型占比是指高电能耗企业的实缴资金在所述对应区域中所有企业的实缴资金之和的占比，所述高电能耗企业包括：金属冶炼企业、采煤和炼焦企业、石油提炼企业、化工企业、建材制造企业、纺织企业、造纸企业；
4...
【专利技术属性】
技术研发人员：贺建荣，罗琦，王勇，
申请(专利权)人：合邦电力科技有限公司，
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。