【技术实现步骤摘要】
本申请属于人工智能，尤其涉及一种电价预测方法、装置、终端设备及计算机程序产品。
技术介绍
1、目前，电力市场中的电价往往具有高度的非线性和非平稳性特征，特别是在极端天气、政策变化或突发事件下，电价的波动性显著增加，传统模型往往无法捕捉这些动态变化，导致预测误差显著增加。
2、现有技术通常是利用长短期记忆网络（long short-term memory，lstm）捕捉时间序列数据中的长期依赖关系，以应对电价预测中的非线性和非平稳性问题。然而，现有技术无法适应复杂的电力市场，从而降低了电价的预测准确率。
技术实现思路
1、本申请实施例提供了一种电价预测方法、装置、终端设备及计算机程序产品，用以提高电价预测的准确性。
2、第一方面，本申请实施例提供了一种电价预测方法，包括：
3、获取目标区域在历史时间段内，与电价相关的历史数据集；所述历史数据集包括在不同历史时间的多个历史数据；所述多个历史数据中包括历史实际电价；
4、根据不同历史时间的所述多个历史数据和图注意力网络，得到不同历史时间的初始电价向量；
5、依次将不同历史时间的初始电价向量输入至循环神经网络模型进行处理，得到电价预测向量；所述循环神经网络模型由预构建的门控循环单元和自注意力机制训练得到；
6、基于所述电价预测向量，预测得到所述目标区域在目标时间的电价预测值。
7、本申请实施例提供的一种电价预测方法，由于图注意力网络可以实现对电价与其不同影响
8、可选的，在所述根据不同历史时间的所述多个历史数据和图注意力网络，得到不同历史时间的初始电价向量之前，还包括：
9、针对任意一个历史时间，基于所述历史时间下的历史实际电价对所述历史时间下的其余历史数据进行划分，得到所述历史时间下的静态图；所述其余历史数据指所述多个历史数据中除所述历史实际电价之外的数据；所述静态图包括中心节点以及至少一个其他节点，所述中心节点为所述历史实际电价，所述其他节点为与所述历史实际电价处于同一个历史时间下的其余历史数据；
10、相应的，所述根据不同历史时间的所述多个历史数据和图注意力网络，得到不同历史时间的初始电价向量，包括：
11、依次将在不同历史时间的所述静态图输入至图注意力网络进行处理，得到不同历史时间下的初始电价向量。
12、上述实施方式中，终端设备可以根据不同的历史时间，将包括电价在内的不同历史数据划分到对应的历史下，并通过将电价与其余历史数据之间的关系抽象为各自历史时间下的静态图，以便后续图注意力网络对各个历史时间下的静态图进行处理，从而得到准确的不同历史时间下的初始电价向量。
13、可选的，所述图注意力网络包括节点嵌入层；所述依次将在不同历史时间下的所述静态图输入至图注意力网络进行处理，得到不同历史时间下的初始电价向量，包括：
14、针对任意一个历史时间，将所述历史时间下的静态图输入至节点嵌入层进行转化处理，得到所述历史时间对应的多个历史数据对应的高维特征向量；
15、使用注意力机制对各个所述高维特征向量进行权重计算，得到各个所述高维特征向量对应的注意力权重；所述注意力权重用于描述各个所述高维特征向量与所述静态图的中心节点的关系强度；
16、对各个所述高维特征向量的注意力权重和各个所述高维特征向量进行聚合处理，得到所述历史时间下的初始电价向量。
17、上述实施方式中，终端设备可以利用图注意力网络能够获取图中其他节点与中心节点之间关系的特性，实现在同一时刻下按照一定的权重比例，将其余历史数据与电价进行有效聚合，从而得到不同历史时间下准确的初始电价向量。
18、可选的，所述循环神经网络模型包括目标门控循环单元；所述依次将不同历史时间下的初始电价向量输入至已训练的循环神经网络模型进行处理，得到电价预测向量，包括：
19、针对任意一个历史时间，将所述历史时间下的初始电价向量和在所述历史时间之前的前一时间下的隐藏状态输入至所述目标门控循环单元进行计算，得到所述历史时间下的隐藏状态；
20、使用注意力机制对不同历史时间下的隐藏状态进行权重计算，得到不同历史时间下的权重向量；
21、对不同历史时间下的权重向量和隐藏状态进行加权求和，得到所述电价预测向量。
22、上述实施方式中，由门控循环单元和自注意力机制训练得到的循环神经网络模型可以增强对复杂时序数据中非线性和非平稳性的处理能力，有效捕捉长序列所蕴含的时间信息，提高了自身的鲁棒性和精度，从而提高了得到的电价预测向量的准确性。
23、可选的，所述基于所述电价预测向量，预测得到所述目标区域在目标时间下的电价预测值，包括：
24、将所述电价预测向量输入至多层感知机进行处理，得到所述电价预测值。
25、上述实施方式中，通过多层感知机提高了对最终的电价预测值的预测准确率。
26、可选的，所述目标时间为目标时间段的开始时间；在所述基于所述电价预测向量，预测得到所述目标区域在目标时间的电价预测值之后，还包括：
27、基于滑动窗口算法对处于各个数据窗口的数据集合执行预测操作，得到在所述目标时间段的不同预测时间的预测数据；所述各个数据窗口的大小均由所述历史时间段内所有历史时间的总数量确定；第n个数据集合的开始时间为所述历史时间段内的第k-（n-1）个历史时间，所述第n个数据集合的结束时间为所述目标时间段内的第n-1个预测时间；k为所述总数量；所述历史时间段内的各个历史时间按照从晚到早的顺序进行排序；所述第n个数据集合包括从所述第k-（n-1）个历史时间的其余历史数据至第n-1个预测时间的预测数据；所述其余历史数据指所述历史数据集中除历史实际电价之外的任意一个数据；所述预测数据与所述其余历史数据对应；
28、基于所述滑动窗口算法对处于各个预测窗口的待预测数据依次返回执行所述依次将在不同历史时间下的所述多个历史数据输入至图注意力网络进行处理，得到不同历史时间下的初始电价向量的步骤以及后续步骤，得到在所述目标时间之后的不同预测时间下的电价预测值；所述各个预测窗口的大小均由所述历史时间段内历史时间的总数量确定；第n组待预测数据包括从第k-（n-本文档来自技高网...
【技术保护点】
1.一种电价预测方法，其特征在于，包括：
2.如权利要求1所述的电价预测方法，其特征在于，在所述根据不同历史时间的所述多个历史数据和图注意力网络，得到不同历史时间的初始电价向量之前，还包括：
3.如权利要求2所述的电价预测方法，其特征在于，所述图注意力网络包括节点嵌入层；所述依次将在不同历史时间下的所述静态图输入至图注意力网络进行处理，得到不同历史时间下的初始电价向量，包括：
4.如权利要求1所述的电价预测方法，其特征在于，所述循环神经网络模型包括目标门控循环单元；所述依次将不同历史时间下的初始电价向量输入至已训练的循环神经网络模型进行处理，得到电价预测向量，包括：
5.如权利要求1所述的电价预测方法，其特征在于，所述基于所述电价预测向量，预测得到所述目标区域在目标时间下的电价预测值，包括：
6.如权利要求1-5任意一项所述的电价预测方法，其特征在于，所述目标时间为目标时间段的开始时间；在所述基于所述电价预测向量，预测得到所述目标区域在目标时间的电价预测值之后，还包括：
7.如权利要求1-5任意一项所述的电价
8.如权利要求1-5任意一项所述的电价预测方法，其特征在于，所述多个历史数据还包括：历史负荷以及各种不同发电方式对应的历史发电量。
9.一种电价预测装置，其特征在于，包括：
10.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的电价预测方法。
11.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序在被运行时实现如权利要求1至8任一项所述的电价预测方法。
...【技术特征摘要】
1.一种电价预测方法，其特征在于，包括：
2.如权利要求1所述的电价预测方法，其特征在于，在所述根据不同历史时间的所述多个历史数据和图注意力网络，得到不同历史时间的初始电价向量之前，还包括：
3.如权利要求2所述的电价预测方法，其特征在于，所述图注意力网络包括节点嵌入层；所述依次将在不同历史时间下的所述静态图输入至图注意力网络进行处理，得到不同历史时间下的初始电价向量，包括：
4.如权利要求1所述的电价预测方法，其特征在于，所述循环神经网络模型包括目标门控循环单元；所述依次将不同历史时间下的初始电价向量输入至已训练的循环神经网络模型进行处理，得到电价预测向量，包括：
5.如权利要求1所述的电价预测方法，其特征在于，所述基于所述电价预测向量，预测得到所述目标区域在目标时间下的电价预测值，包括：
6.如权利要求1-5任意一项所述的电价预测方法，其特征在于，所述目标...
【专利技术属性】
技术研发人员：季小文，
申请(专利权)人：上海思格源智能科技有限公司，
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。