一种基于深度学习的省间现货购电需求预测方法及系统，包括采集电力现货市场的购电需求数据以及与购电需求数据有关的特征数据；通过预处理模块对各原始数据进行预处理，得到样本数据集；基于皮尔逊相关系数，Lasso特征选择进行特征提取，有效地选择出与购电需求密切相关的特征；建立省间现货购电需求预测模型，该模型将指数平滑和多层扩张循环神经网络结合起来生成点预测和以预测区间形式的概率预测，该模型不需要初始时间序列分解，并且结合了自适应预处理、交叉学习和多个扩张，以应对复杂的时间序列特征，从而最大化预测模型的准确性；本发明专利技术能够用于提高预测省间现货购电需求的速度以及预测结果的准确性。
【技术实现步骤摘要】
本专利技术涉及电力市场需求预测，具体为一种基于深度学习的省间现货购电需求预测方法。
技术介绍
1、2021年12月，现货购电在原有跨区域现货交易的基础上扩展到区域内省间现货交易，以促进资源大范围优化配置和可再生能源大范围消纳、规范开展省间电力现货交易。
2、2022年迎峰度夏期间，受持续高温、用电需求增加、电力供应紧张等多重因素影响，多地电力市场交易出现价格攀升的现象，省间现货价格多次突破纪录，部分省份迎峰省间现货购电费用过高，其购电成本的疏导一度引发舆情。对于电网企业而言，如何充分利用省间现货市场，发挥其保障电力供应作用，需要对省间现货市场的购电缺口机理有更进一步的研究，支持科学地制定省间现货购电策略。
3、cn117764637a公开了一种基于多维度数据分析的电力交易方法及系统，该方法包括以下步骤：获取多维电力交易数据及电网供电流量数据；利用自学习神经网络对多维电力交易数据进行维度特征提取，生成维度特征电力交易数据；对维度特征电力交易数据进行时序分析，以生成电力交易时序数据；对电力交易时序数据进行需求特征提取，以生成电力需求时序曲线；利用深度学习算法对电力需求时序曲线进行动态需求峰值计算，生成电力需求峰值；根据电力需求峰值对电力交易时序数据进行需求模式分析，以生成电力交易需求模式数据；对电力交易需求模式数据进行隐含关联分析，以生成需求模式关联数据；该专利对于影响因素考虑较少，而省间现货购电需求受到风光等自然环境、气温等因素的影响和省内电力负荷等因素的影响，导致该专利预测准确率不高。
<
p>技术实现思路1、为解决现有技术中存在的不足，本专利技术提供一种基于深度学习的省间现货购电需求预测方法，该预测方法充分利用了与省间现货购电需求有关数据的不同维度特征，能够有效提高购电需求的预测精度，且能够在获得较高准确率的情况下，降低调参时间，提高训练效率。
2、本专利技术采用如下的技术方案。
3、一种基于深度学习的省间现货购电需求预测方法，其特征在于，所述方法包括以下步骤：
4、步骤1：获取省间现货购电需求历史数据；
5、步骤2：对省间现货购电需求历史数据进行预处理；
6、步骤3：基于lasso回归算法和相关系数计算，对预处理后的省间现货购电需求历史数据进行特征提取，筛选对省间现货购电需求有贡献的特征数据，构成数据集；
7、步骤4：基于多层扩张循环神经网络构建省间现货购电需求预测模型，并通过数据集对其进行训练；
8、步骤5：将待预测日前七天的省间电力现货购电需求历史数据经过步骤2-3的处理后输入到步骤4训练好的省间现货购电需求预测模型进行预测，并计算最终的真实预测值。
9、本专利技术进一步包括以下优选方案。
10、步骤1中，省间现货购电需求历史数据包括省间电力现货市场的运行特性和影响因素，其中，省电力现货市场的运行特性包括省间现货购电需求值、省日用负荷信息和日期类型；省间电力现货市场的影响因素包括温度、风速、降雨量和日期类型信息，日期类型信息包括工作日和节假日。
11、步骤2中，对数据集进行预处理，具体指对数据集进行修正异常数据、补全缺失数据、通过one-hot编码处理日期类型和归一化的预处理。
12、步骤3中，通过lasso回归算法对预处理后省间现货购电需求历史数据进行特征提取，特征提取后得到数据集，然后对于数据集中的任意特征变量x，按照下式计算其和目标变量z之间的相关系数ρx,z，当|ρx,z|＜ε时，在数据集中删除该特征变量得到最终剩余nm个样本的特征提取后数据集，并记录其中每个特征变量对应的相关系数值分别为：
13、
14、其中，分别表示特征变量x、目标变量z在所有样本点的平均值，ε为设定相关阈值，取值在(0,1)之间。
15、步骤4中，通过数据集训练省间现货购电需求预测模型具体包括：
16、4.1采用指数平滑对数据集中各时间序列数据进行平滑处理，并动态提取省间现货购电需求值时间序列的长期趋势和季节性成分，然后再进行预处理；将预处理后的数据集作为多层扩张循环神经网络的训练样本；
17、4.2用步骤4.1得到训练样本对多层扩张循环神经网络进行训练，在每个迭代递归过程，将多层扩张循环神经网络输出的指数平滑系数的修正返回步骤4.1，达到设定的递归次数后，完成训练，得到训练好的省间现货购电需求预测模型。
18、进一步的，在步骤4.1中，用提取的季节性成分对通过指数平滑后的省间现货购电需求值时间序列进行去季节化预处理。
19、进一步的，在步骤4.1中，设置移动步长将训练样本分割成多个相邻输入窗口和输出窗口；其中，输出窗口δout大小为一天，输出窗口内的省间现货购电需求数据作为模型的输出标签，输出窗口之前相邻的输入窗口δin，其长度为七天，输入窗口内除省间现货购电需求值数据以外的数据作为模型的输入。
20、进一步的，将输入窗口δin内的输入数据按照以下方式进行扩展得到扩展后的输入数据
21、
22、其中，是第t个输入窗口的扩展后的输入数据，是第t输入窗口原输入数据，为由步骤3得到的特征矩阵在第t个输入窗口内的值，是在第t输入窗口中所有时间点上的省间现货购电需求值的平均值，是对应于第t个输出窗口前一天省间现货购电需求值时间序列的96个季节性分量，和是二进制的one-hot编码向量，分别表示第t个输出窗口的预测日是所在星期几、所在月的日期和所在年份的周数。
23、进一步的，步骤4.1中，对时间序列数据进行指数平滑处理的平滑系数的初始值：iα和iβ的取值范围为(0,1)；
24、每次迭代递归过程中，通过以下公式计算修正后的平滑系数：
25、
26、其中，αt+1和βt+1是修正后的平滑系数，δαt和δβt是多层扩张循环神经网络输出的平滑系数的修正。
27、进一步的，在步骤4.2中，用训练样本中的输入、输出数据对多层扩张循环神经网络进行训练，在每次递归训练过程中，输出预测值、预测区间的上下界，以及指数平滑系数的修正，将每次递归训练输出的指数平滑系数的修正返回到步骤4.1，并根据输出预测值，计算真实预测值，达到设定的递归次数后完成训练。
28、进一步的，在步骤4.2中，实际值预测按以下公式计算：
29、
30、其中，是第t个输出窗口第τ个时间点的实际值预测，是第t个输出窗口第τ个时间点多层扩张循环神经网络的输出预测值，是第t个输入窗口中所有时间点上的省间现货购电需求值数据的平均值，是第t个输入窗口的第τ个时间点的指数平滑模型预测的省间现货购电需求值时间序列季节性分量。
31、进一步的，损失函数按以下公式计算得到：
32、
33、其中，lτ是第t个输出窗口第τ个时间点的损失函数，n是第t个输出窗口预测时间点的数量，wi是根据特征矩阵和特征重要性确定的t个输本文档来自技高网
...
【技术保护点】
1.一种基于深度学习的省间现货购电需求预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
3.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
5.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
6.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
7.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
8.根据权利要求7所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
9.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
10.根据权利要求1或8所述的省间现货购电需求相关标准数据集以及数据预处理方法，其特征在于：
11.根据权利要求10所述的省间现货购电需求相关标准数据集以及数据预处理方法，其特征在于：
12.根据权利要求11所述的省间现货购电需求相关标准数据集以及数据预处理方法，其特征在于：
13.根据权利要求12所述的省间现货购电需求相关标准数据集以及数据预处理方法，其特征在于：
14.根据权利要求12所述的省间现货购电需求相关标准数据集以及数据预处理方法，其特征在于：
15.一种利用权利要求1-14任一项权利要求所述的基于深度学习的省间现货购电需求预测方法的基于深度学习的省间现货购电需求预测系统，其特征在于，包括：历史数据获取模块、数据预处理模块、特征提取模块和购电需求预测模块；
16.一种终端，包括处理器及存储介质；其特征在于：
17.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-14任一项所述方法的步骤。
...
【技术特征摘要】
1.一种基于深度学习的省间现货购电需求预测方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
3.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
4.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
5.根据权利要求1所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
6.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
7.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
8.根据权利要求7所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
9.根据权利要求5所述的一种基于深度学习的省间现货购电需求预测方法，其特征在于：
10.根据权利要求1或8所述的省间现货购电需...
【专利技术属性】
技术研发人员：薛冰，杨世海，黄茜，王岗，毕明德，江明，孙莉，刘恬畅，李磊，陈畅，周瑶，张凯奇，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
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。