一种短期电价预测方法技术

本发明专利技术涉及电价预测的技术领域，更具体地，涉及一种短期电价预测方法，具体地是一种基于互信息—注意力机制和纵横交叉算法优化长短时记忆网络的短期电价预测方法。针对电价特征变量增多的问题，提出基于互信息—注意力机制的二次特征选取方法，利用互信息特征选取方法选取出与电价相关性最高的特征集，再引入注意力机制对该特征集赋予不同权重以突出其中的关键信息，能够有效选取出加权的高相关性特征集；针对传统长短时记忆网络容易陷入局部最优的问题，采用纵横交叉算法优化模型的权重和阈值，能有效提高模型跳出局部最优的能力；组合预测模型结合了多种算法的优势，能够有效提高电价预测精度和模型的泛化能力。提高电价预测精度和模型的泛化能力。提高电价预测精度和模型的泛化能力。

【技术实现步骤摘要】
一种短期电价预测方法


[0001]本专利技术涉及电价预测的
，更具体地，涉及一种短期电价预测方法。

技术介绍

[0002]随着电力市场改革的深入以及新能源的接入，电价的影响因素增多，电价变得更加复杂。由于电力不能大量储存，电力供需关系的时刻变化使得电价具有一定的波动性。可再生能源的发电边际成本较低，其大规模接入电力市场会降低电价，而新能源出力具有较强的不确定性，致使电价波动性提升。此外，电力市场不仅存在内部各价区之间的电力交易，还与外部电力市场之间存在耦合。考虑跨区电力交易和新能源等因素对电价的影响，建立高准确率的电价预测模型具有重要意义。
[0003]目前，短期电价预测主要有统计方法、机器学习方法。统计方法通常基于线性预测，对于非线性序列预测效果并不佳，然而电价具有明显的非线性，当电价发生快速或高频变化时，统计方法可能会失效。机器学习具有强大的非线性建模能力。相比传统机器学习，深度学习的隐含层数更深，具备更强大的自学习和深度特征提取能力。中国专利CN109242532A将深度学习方法应用到电价预测领域，具体地，将RBF神经网络用于电价预测。但电价受负荷、风电、光伏发电量、市场耦合等多维特征因素影响，具有高度复杂的波动性，导致预测难度较大。此外，深度学习模型具有易陷入局部最优等固有缺陷，导致模型泛化能力不强。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供一种在短期电价预测方法，不仅可以有效降低数据维度，而且可以有效提高模型跳出局部最优的能力，从而提高电价预测精度和模型。
[0005]为解决上述技术问题，本专利技术采用的技术方案是：
[0006]提供一种短期电价预测方法，包括以下步骤：
[0007]S10.采集电力市场中相关历史数据，并对相关历史数据预处理得到相应的时间序列，所述相关历史数据包括原始电价、负荷、风电、光伏发电量、与相邻市场之间的耦合流量；
[0008]S20.将步骤S10中相关历史数据的时间序列作为原始特征集F＝{f1,f2,...,f
n
}，电价时间序列作为标签，利用互信息特征选取方法选取原始特征集中的最优特征子集；所述时间序列包括负荷时间序列、风电时间序列、光伏发电量时间序列、与相邻市场之间的耦合流量时间序列；
[0009]S30.将步骤S20中所述的电价时间序列与所述的最优特征子集拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2...,x
N+1
]，其中x
k
(1≤k≤N+1)为第k个特征所对应的T个历史输入时刻数据组合而成的时间维度向量，N为最优特征子集中的特征数，x
k
具体为：
[0010][0011]S40.利用注意力模型通过动态选择步骤S30中所述的单个输入样本序列，对其赋予不同权重得到加权后的输入样本序列；
[0012]S50.建立长短时记忆网络深度学习预测模型LSTM模型，并利用步骤S40中加权后的输入样本序列作为训练样本训练LSTM模型，直至训练完成；
[0013]S60.利用纵横交叉算法对步骤S50中训练好的LSTM模型的权重和阈值进行优化，得到最优预测模型；
[0014]S70.利用步骤S60中的最优预测模型作提前t时刻的电价预测，并获得预测电价时间序列。
[0015]与现有技术相比，本专利技术的有益效果是：
[0016]本专利技术的短期电价预测方法，基于互信息—注意力机制的二次特征选取方法，利用互信息特征选取方法选取出与电价相关性最高的特征集，再引入注意力机制对该特征集赋予不同权重以突出其中的关键信息，能够有效选取出加权的高相关性特征集；基于纵横交叉算法优化长短时记忆网络深度学习预测模型的权重和阈值，能够有效提高模型跳出局部最优的能力；组合预测模型结合了多种算法的优势，能够有效提高电价预测精度和模型的泛化能力。
附图说明
[0017]图1为短期电价预测方法的流程图；
[0018]图2为互信息
‑
注意力二次特征选取的流程图；
[0019]图3为CSO
‑
LSTM预测模型构建的流程图；
[0020]图4为短期电价预测方法的预测效果图；
具体实施方式
[0021]下面结合具体实施方式对本专利技术作进一步的说明。
[0022]实施例一
[0023]如图1所示所示为本专利技术的短期电价预测方法的实施例，包括以下步骤：
[0024]S10.采集电力市场中相关历史数据，并对相关历史数据预处理得到相应的时间序列，所述相关历史数据包括原始电价、负荷、风电、光伏发电量、与相邻市场之间的耦合流量；
[0025]S20.将步骤S10中相关历史数据的时间序列作为原始特征集F＝{f1,f2,...,f
n
}，电价时间序列作为标签，利用互信息特征选取方法选取原始特征集中的最优特征子集；所述时间序列包括负荷时间序列、风电时间序列、光伏发电量时间序列、与相邻市场之间的耦合流量时间序列；
[0026]S30.将步骤S20中所述的电价时间序列与所述的最优特征子集拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2...,x
N+1
]，其中x
k
(1≤k≤N+1)为第k个特征所对应的T个历史输入时刻数据组合而成的时间维度向量，N为最优特征子集中的特征数，x
k
具体为：
[0027][0028]S40.利用注意力模型通过动态选择步骤S30中所述的单个输入样本序列，对其赋予不同权重得到加权后的输入样本序列；
[0029]S50.建立长短时记忆网络深度学习预测模型LSTM模型，并利用步骤S40中加权后的输入样本序列作为训练样本训练LSTM模型，直至训练完成；
[0030]S60.利用纵横交叉算法对步骤S50中训练好的LSTM模型的权重和阈值进行优化，得到最优预测模型；
[0031]S70.利用步骤S60中的最优预测模型作提前t时刻的电价预测，并获得预测电价时间序列。
[0032]本实施例中：步骤S20中，可采用现有互信息特征选取方法选取原始特征集中的最优特征子集；步骤S40中，可采用本领域技术人员所了解到的注意力模型对输入样本序列进行处理得到加权后的最优特征子集；步骤S50～步骤S60中，LSTM模型的训练和LSTM模型的优化也可采用已知模型和已知优化方法实现。本实施例的短期电价预测方法，在于各种选取方法、模型的优化和模型的运用，利用互信息特征选取方法选取出与电价相关性最高的特征集，再引入注意力机制对该特征集赋予不同权重以突出其中的关键信息，能够有效选取出加权的高相关性特征集；基于纵横交叉算法优化长短时记忆网络深度学习预测模型的权重和阈值，能够有效提高模型跳出局部最优的能力；组合预测模型结合了多种算法的优势，能够有效提高电价预测精度和模型的泛化能力。
[0033]实施例二
[0034]本实施例与实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种短期电价预测方法，其特征在于，包括以下步骤：S10.采集电力市场中相关历史数据，并对相关历史数据预处理得到相应的时间序列，所述相关历史数据包括原始电价、负荷、风电、光伏发电量、与相邻市场之间的耦合流量；S20.将步骤S10中相关历史数据的时间序列作为原始特征集F＝{f1,f2,...,f
n
}，电价时间序列作为标签，利用互信息特征选取方法选取原始特征集中的最优特征子集；所述时间序列包括负荷时间序列、风电时间序列、光伏发电量时间序列、与相邻市场之间的耦合流量时间序列；S30.将步骤S20中所述的电价时间序列与所述的最优特征子集拼接并形成时间步长为T的单个输入样本序列X＝[x1,x2...,x
N+1
]，其中x
k
(1≤k≤N+1)为第k个特征所对应的T个历史输入时刻数据组合而成的时间维度向量，N为最优特征子集中的特征数，x
k
具体为：S40.利用注意力模型通过动态选择步骤S30中所述的单个输入样本序列，对其赋予不同权重得到加权后的输入样本序列；S50.建立长短时记忆网络深度学习预测模型LSTM模型，并利用步骤S40中加权后的输入样本序列作为训练样本训练LSTM模型，直至训练完成；S60.利用纵横交叉算法对步骤S50中训练好的LSTM模型的权重和阈值进行优化，得到最优预测模型；S70.利用步骤S60中的最优预测模型作提前t时刻的电价预测，并获得预测电价时间序列。2.根据权利要求1所述的短期电价预测方法，其特征在于，步骤S20中，互信息特征选取方法按以下步骤进行：S21.对于电价C和原始特征集F＝{f1,f2,...,f
n
}，设置空集S；S22.为每个特征计算其与电价之间的互信息值I(C；f)：S23.选取第一个最优特征，找到满足I
max
(C；f)的特征f，令S＝{f}，F＝F\{f}；S24.重复以下过程，直到|S|＝N：a)对所有f∈F，s∈S，计算特征f与特征s之间的互信息值I(f；s)；b)找到满足[I(C；f)
‑
β∑
s∈S
I(f；s)]
max
的f，其中β为不同特征之间对电价相关性的调节系数，令F＝F\{f}，S＝S∪{f}；S25.输出集合S，集合S中包含所有特征向量，且已按互信息值大小降序排列；S26.将集合S中按照互信息值大小降序排列的特征依次输入到LSTM模型中进行多次实验，结合误差评估指标将具有最小误差的特征子集作为最优特征子集；步骤S22与步骤S24中，互信息计算公式为：式(2)中：X、Y为两个连续随机变量；I(X；Y)为变量X、Y之间的互信息；p(x,y)为X与Y的联合概率分布；p(x)、p(y)为边缘概率分布。3.根据权利要求2所述的短期电价预测方法，其特征在于，步骤S26中，所述误差评估指标可选用平均绝对误差M
AE
或均方根误差R
MSE
，具体为：
式(3)～式(4)中：y
i
为测试集中第i个真实电价值；为测试集中第i个预测电价值；N为测试集样本数目。4.根据权利要求1所述的短期电价预测方法，其特征在于，步骤S40中，注意力模型按以下步骤构建：S41.构建层数为2的神经网络，输入和输出神经元数均为步骤S30所述的N+1，更新公式如下：如下：式(5)～式(6)中：W
a
为注意力结构中神经网络的权重矩阵；x
t
为t时刻的输入样本序列；b为偏置矩阵；f
a
(
·
)为神经网络激活函数；v
t
为t时刻的权重向量；V为神经网络输出的未归一化权重矩阵；为t时刻第i个特征的未归一化权重值；为t时刻第i个特征经过Softmax函数的归一化权重值；α为归一化后的特征注意力矩阵；S42.将矩阵α与单个输入样本序列X作点乘运算，得到加权后的输入样本序列Y＝[y1,...,y
T
]
T
，其中5.根据权利要求1所述的短期电价预测方法，其特征在于，所述步骤S5中，长短时记忆网络按以下步骤构建：S51.LSTM模型包括1个神经网络层，神经元数设置为8，当然，神经网络层数和神经元数可根据实际需求调整；S52.在t时刻，LSTM模型通过遗忘门f
t
、输入门i
t
与输出门O
t
接受当前状态x
t
、上一时刻隐藏状态h
t
‑1与内部记忆状态C
t
‑1，得到输出h
t
；S53.在经过LSTM模型对加权后的输入样本序列作进一步的时间特征提取后，输出所预测的电价序列。6.根据权利要求5所述的短期电价预测方法，其特征在于，所述步骤S52按以下步骤构建：(1)遗忘门f
t
控制内部记忆单元C
t
‑1中忘记的信息：f
t
＝σ(ω
f
·
[h
t
‑1,x
t
]+b
f
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)(2)输入门i
t
控制更新的信息：i
t
＝σ(ω
i
...

【专利技术属性】
技术研发人员：殷豪，翟广松，孟安波，冼梓康，许炫淙，谢智锋，王鹏，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：