一种节点电价的预测方法及装置制造方法及图纸

本发明专利技术公开了一种节点电价的预测方法及装置，根据待预测电力系统的拓扑结构建立对应的图模型数据；获取拓扑结构中每个电力设备的历史特征值数据；以图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN

【技术实现步骤摘要】
一种节点电价的预测方法及装置


[0001]本专利技术属于节点电价预测
，尤其涉及一种节点电价的预测方法及装置。

技术介绍

[0002]电价是电力市场的核心和杠杆，是电力市场中传递供求变化最敏感的信号，合理的电价机制可以优化社会资源的配置，促进电力成本的合理补偿和用户费用的合理分摊，进而促进电力行业的发展。节点实时电价有着实现全社会效益最优的丰富的经济学信息，电价随时间变化，反映的是负荷需求的不断变化；同时电价随节点位置变化，反映的是网损和传输拥挤的影响。采用节点电价法不仅可以得到计及输电阻塞的发电计划，而且求出的节点电价也为阻塞费用的分摊、网损成本的分摊提供了依据。
[0003]电力市场中电能的价格采用实时的节点电价，能够反映电能在系统中不同地理位置的母线在不同时刻的价值，反映电力资源的稀缺程度，为电力的生产者、消费者、投资者和管理者提供电价信号，提高电力资源的使用效率，优化电力资源的配置，促进电力市场稳定发展。因此，电能量市场中采用节点电价体制具有非常重要意义。
[0004]目前，在针对节点电价预测的研究中，伴随着大数据技术日渐成熟，数据分析挖掘预测方法成为主要研究方向，绝大多数的数据挖掘方法是机器学习和深度学习方法，但是这些方法中，很多都是针对系统中单独一个节点的节点电价进行预测，这样的做法仅仅考虑了节点电价时间维度上的特征，忽略了节点电价空间维度上的特征，进而会导致预测的节点电价准确度降低。

技术实现思路

[0005]本专利技术的目的是提供一种节点电价的预测方法及装置，以同时从时间维度和空间维度进行节点电价的预测，提升节点电价的预测精度。
[0006]本专利技术采用以下技术方案：一种节点电价的预测方法，包括以下步骤：
[0007]根据待预测电力系统的拓扑结构建立对应的图模型数据；
[0008]获取拓扑结构中每个电力设备的历史特征值数据；
[0009]以图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN
‑
GRU模型，确定每个电力设备的节点电价；其中，GCN
‑
GRU模型包括输入层、时空处理层和输出层；时空处理层包括依次连接的图卷积神经网络和门控循环神经网络。
[0010]进一步地，GCN
‑
GRU模型参数通过训练数据集训练得到；
[0011]训练GCN
‑
GRU模型包括：
[0012]采用训练数据集优化GCN
‑
GRU模型的模型参数；训练数据集包括每个电力设备的历史特征值数据、待预测电力系统的拓扑结构对应的图模型数据和每个电力设备节点电价。
[0013]进一步地，图卷积神经网络的层数为两层。
[0014]进一步地，根据待预测电力系统的拓扑结构建立对应的图模型数据包括：
[0015]以拓扑结构中的电力设备构建图模型数据中的节点；
[0016]以两个电力设备的输电线路作为构建图模型数据中的边。
[0017]进一步地，以图模型数据和每个电力设备的历史特征值数据作为输入信息包括：
[0018]以图模型数据中的邻接矩阵或拉普拉斯矩阵作为输入信息。
[0019]进一步地，时空处理层对输入数据处理包括：
[0020]依次采用两层图卷积神经网络对输入信息进行处理，得到每个电力设备的单一时刻的空间部分特征；
[0021]对单一时刻的空间分布特征进行组合，得到每个电力设备的时序序列；
[0022]通过门控循环神经网络对时序序列进行提取和融合，得到每个电力设备的时序特征。
[0023]进一步地，得到每个电力设备的时序特征之后还包括：
[0024]将时序特征输入输出层，得到每个电力设备的节点电价。
[0025]进一步地，训练数据集生成方法为：
[0026]获取每个电力设备的历史节点电价和对应的历史负荷数据；
[0027]对历史节点电价和对应的历史负荷数据进行数据筛选；
[0028]对筛选后的历史节点电价和对应的历史负荷数据进行归一化处理。
[0029]本专利技术的另一种技术方案：一种节点电价的预测装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述的一种节点电价的预测方法。
[0030]本专利技术的有益效果是：本专利技术通过图卷积神经网络和门控循环神经网络构建GCN
‑
GRU模型，并通过GCN
‑
GRU模型对每个电力设备的节点电价进行预测，融合了电力设备的空间结构数据和时间序列数据，提升了节点电价的预测精度。
附图说明
[0031]图1为本专利技术实施例中的IEEE
‑
30节点标准系统结构示意图；
[0032]图2为本专利技术实施例中GCN提取空间特征的示意图；
[0033]图3为本专利技术实施例中GRU的内部结构示意图；
[0034]图4为本专利技术实施例中GCN
‑
GRU模型的计算流程和结构示意图。
具体实施方式
[0035]下面结合附图和具体实施方式对本专利技术进行详细说明。
[0036]目前，很多节点电价预测方法都是针对系统中单独一个节点的节点电价进行预测，这样的做法仅仅考虑了节点电价时间维度上的特征。还有一部分方法考虑了空间维度的特征忽略了时间维度的信息。因此，本专利技术考虑系统各个节点之间的相互影响，引入GCN图卷积神经网络和GRU门控循环神经网络同时考虑电力市场的空间特性和时间特性，不仅可以还原节点电价在空间维度上的信息，同时还可以原节点电价在不同时间维度上的信息，进行空间和时间上的结合，对预测系统各个节点的节点电价具有非常重要的意义。
[0037]本专利技术公开了一种节点电价的预测方法，包括以下步骤：根据待预测电力系统的拓扑结构建立对应的图模型数据；获取拓扑结构中每个电力设备的历史特征值数据；以图
模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN
‑
GRU模型，确定每个电力设备的节点电价；其中，GCN
‑
GRU模型包括输入层、时空处理层和输出层；时空处理层包括依次连接的图卷积神经网络和门控循环神经网络。
[0038]本专利技术通过图卷积神经网络和门控循环神经网络构建GCN
‑
GRU模型，并通过GCN
‑
GRU模型对每个电力设备的节点电价进行预测，融合了电力设备的空间结构数据和时间序列数据，提升了节点电价的预测精度。
[0039]在本专利技术中，GCN
‑
GRU模型参数通过训练数据集训练得到。训练GCN
‑
GRU模型包括：采用训练数据集优化GCN
‑
GRU模型的模型参数；训练数据集包括每个电力设备的历史特征值数据、待预测电力系统的拓扑结构对应的图模型数据和每个电力设备节点电价。
[0040]在训练过程中，训练数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种节点电价的预测方法，其特征在于，包括以下步骤：根据待预测电力系统的拓扑结构建立对应的图模型数据；获取所述拓扑结构中每个电力设备的历史特征值数据；以所述图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN
‑
GRU模型，确定每个所述电力设备的节点电价；其中，所述GCN
‑
GRU模型包括输入层、时空处理层和输出层；所述时空处理层包括依次连接的图卷积神经网络和门控循环神经网络。2.如权利要求1所述的一种节点电价的预测方法，其特征在于，所述GCN
‑
GRU模型参数通过训练数据集训练得到；训练所述GCN
‑
GRU模型包括：采用训练数据集优化所述GCN
‑
GRU模型的模型参数；所述训练数据集包括每个电力设备的历史特征值数据、待预测电力系统的拓扑结构对应的图模型数据和每个电力设备节点电价。3.如权利要求2所述的一种节点电价的预测方法，其特征在于，所述图卷积神经网络的层数为两层。4.如权利要求2或3所述的一种节点电价的预测方法，其特征在于，根据待预测电力系统的拓扑结构建立对应的图模型数据包括：以所述拓扑结构中的电力设备构建图模型数据中的节点；以两个电力设备的输电线路作为构建图模型数据中的边。5.如权利要...

【专利技术属性】
技术研发人员：景晨英，张臻，乔匡华，王安倩，
申请(专利权)人：西安思安云创科技有限公司，
类型：发明
国别省市：