【技术实现步骤摘要】
本专利技术涉及电价预测的，尤其是涉及一种基于时空特征的现货电价预测方法、设备及存储介质。
技术介绍
1、电价预测是指通过考虑已知的电力系统、经济、社会和气象等因素并结合历史数据，对未来一定时间内的电价进行预测。从发电方来看，准确的电价预测有利于其把握市场走向，掌握市场先机，从而构造最优的发电量和电价投标策略，以获得最大利润；从用电方来看，电价形成了其购电费用，准确的电价预测可以让用户根据需求控制其用电量，制定合理的用电计划，一些普通的用户可以通过购买能自动控制时间，智能化程度较高的家电来来享受低谷用电的实惠，从而降低生活成本，同时也起到削峰填谷的作用。但随着电力市场改革的不断进行，电价的波动性也日益增大。一方面，多个电力供应商在同一市场竞争，产生了更为复杂和不确定的市场供求关系，导致电价难以预测。另一方面，市场供求关系的变化以及市场参与者对市场前景的预期都会对电价产生影响。同时，越来越多的人参与电力市场，导致信息不对称程度加剧、电力市场交易成本上升，严重影响了电价的稳定性。因此，准确的电价预测对电力系统和电力市场正常运行起着重要作用，高精度的电价预测有助于提高资源的合理分配，是电力技术研究的重要分支之一。
2、机器学习和深度学习对长期时间序列有着较强的学习能力，被广泛应用于电价预测。常见的机器学习算法包括k-近邻回归、支持向量机、梯度提升决策树、极限学习机和随机森林等。而深度学习算法包括多层感知器、门控循环单元网格和长短时记忆网络等。这些算法通过利用大量历史数据中与电价、负荷信息、天气、节假日和能源价格相关的数据进行
技术实现思路
1、本专利技术的目的就是为了克服上述现有技术往往基于时间序列进行预测，忽略了电价的不同节点之间的空间相关性的缺陷，提供了一种预测精度高的基于时空特征的现货电价预测方法、设备及存储介质。
2、本专利技术的目的可以通过以下技术方案来实现：
3、一种基于时空特征的现货电价预测方法，包括以下步骤：
4、获取历史若干时刻对应的市场数据，包括不同时刻的分区负荷需求和这些时刻不同分区的出清电价；
5、从所述市场数据中提取时间特征和空间特征；
6、以所述时间特征和空间特征作为一经训练的预测元模型的输入，获取预测时刻的分区出清电价。
7、进一步地，提取所述时间特征具体包括：
8、针对某一分区，获取该分区的负荷需求时间序列和出清电价时间序列；
9、对所述负荷需求时间序列和出清电价时间序列分别进行标准化处理，生成对应的需求标准时间序列和电价标准时间序列；
10、按设定时间间隔，分别对需求标准时间序列和电价标准时间序列进行分组，相同时间的一组需求标准时间序列组和电价标准时间序列组组成一序列对，多个所述序列对形成序列对时间序列；
11、基于所述序列对时间序列，采用lstm模型提取时间特征。
12、进一步地，提取所述空间特征具体包括：
13、针对各分区，获取该分区的负荷需求时间序列和出清电价时间序列；
14、对所述负荷需求时间序列和出清电价时间序列分别进行标准化处理，生成对应的需求标准时间序列和电价标准时间序列；
15、按设定时间间隔，对各分区的所述需求标准时间序列和电价标准时间序列进行分组，获得空间特征序列；
16、基于所述空间特征序列，采用gat模型提取空间特征。
17、进一步地，所述标准化处理为标准差标准化处理。
18、进一步地，所述预测元模型基于人工神经网络构建。
19、本专利技术还提供一种基于时空特征的现货电价预测设备，包括：
20、市场数据获取模块，用于获取历史若干时刻对应的市场数据，包括不同时刻的分区负荷需求和这些时刻不同分区的出清电价；
21、时间特征生成模块，用于从所述市场数据中提取时间特征；
22、空间特征生成模块，用于从所述市场数据中提取空间特征；
23、元模型训练模块，用于从所述时间特征生成模块和空间特征生成模块获取若干已知电价对应的时间特征和空间特征，以时间特征和空间特征作为输入，以相应时刻的分区出清电价作为输出，训练并验证获得一预测元模型；
24、实时预测模块，用于从所述时间特征生成模块和空间特征生成模块获取预测时刻前若干时刻市场数据对应的所述时间特征和空间特征，调用经训练的所述预测元模型，获取预测时刻的分区出清电价。
25、进一步地，所述时间特征生成模块中，提取时间特征具体包括：
26、针对某一分区，获取该分区的负荷需求时间序列和出清电价时间序列；
27、对所述负荷需求时间序列和出清电价时间序列分别进行标准化处理，生成对应的需求标准时间序列和电价标准时间序列；
28、按设定时间间隔，分别对需求标准时间序列和电价标准时间序列进行分组，相同时间的一组需求标准时间序列组和电价标准时间序列组组成一序列对，多个所述序列对形成序列对时间序列；
29、基于所述序列对时间序列，采用lstm模型提取时间特征。
30、进一步地，所述空间特征生成模块中，提取空间特征具体包括：
31、针对各分区，获取该分区的负荷需求时间序列和出清电价时间序列；
32、对所述负荷需求时间序列和出清电价时间序列分别进行标准化处理，生成对应的需求标准时间序列和电价标准时间序列；
33、按设定时间间隔，对各分区的所述需求标准时间序列和电价标准时间序列进行分组，获得空间特征序列；
34、基于所述空间特征序列，采用gat模型提取空间特征。
35、本专利技术还提供一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，所述处理器执行所述程序时实现如上所述的基于时空特征的现货电价预测方法。
36、本专利技术还提供一种存储介质，其上存储有程序，所述程序被执行时实现如上所述的基于时空特征的现货电价预测方法
37、与现有技术相比，本专利技术具有以下有益效果：
38、1、本专利技术采用数据驱动的集成学习模型实施预测，无需知晓电力系统具体的出清模型和详细参数，因此可以在市场信息不完全的环境中应用；
39、2、本专利技术利用了在部分实际电力市场会公开发布的市场负荷需求值与出清电价，经过特征提取后获得了时间特征向量与空间特征向量，拼接后作为预测分区电价的输入变量，综合考虑了时间与空间因素对于出清电价的影响，考虑了电价的不同节点之间的空间相关性，有效提高电价预测精度。
本文档来自技高网...【技术保护点】
1.一种基于时空特征的现货电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，提取所述时间特征具体包括：
3.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，提取所述空间特征具体包括：
4.根据权利要求2或3所述的基于时空特征的现货电价预测方法，其特征在于，所述标准化处理为标准差标准化处理。
5.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，所述预测元模型基于人工神经网络构建。
6.一种基于时空特征的现货电价预测设备，其特征在于，包括：
7.根据权利要求6所述的基于时空特征的现货电价预测设备，其特征在于，所述时间特征生成模块中，提取时间特征具体包括：
8.根据权利要求6所述的基于时空特征的现货电价预测设备，其特征在于，所述空间特征生成模块中，提取空间特征具体包括：
9.一种电子设备，包括存储器、处理器，以及存储于所述存储器中的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-6中任一所
10.一种存储介质，其上存储有程序，其特征在于，所述程序被执行时实现如权利要求1-6中任一所述的基于时空特征的现货电价预测方法。
...【技术特征摘要】
1.一种基于时空特征的现货电价预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，提取所述时间特征具体包括：
3.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，提取所述空间特征具体包括：
4.根据权利要求2或3所述的基于时空特征的现货电价预测方法，其特征在于，所述标准化处理为标准差标准化处理。
5.根据权利要求1所述的基于时空特征的现货电价预测方法，其特征在于，所述预测元模型基于人工神经网络构建。
6.一种基于时空特征的现货电价预测设备，其特征在于，...
【专利技术属性】
技术研发人员：肖雄，赵祎，吕修业，王虎健，侯烁铭，米翰宁，陈思捷，
申请(专利权)人：甘肃疆能新能源有限责任公司，
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。