一种电力交易现货价格一致性预测方法及系统技术方案

本发明专利技术提出一种电力交易现货价格一致性预测方法及系统，建立各供需数据分项的预测模型，预测出需要预测电价当日的供需，作为自发预测供需数据；构造差值特征，连同历史的区域预测气象数据和省调预测供需数据作为输入特征，历史电价一致性数据作为目标，建立电价一致性预测模型；通过电价一致性预测模型得到需要预测电价当日的电价一致性预测数据。本发明专利技术直接对电价一致性进行建模预测，充分挖掘了实际供需数据、预测供需数据和电价一致性的关系，比分别预测完日前节点电价和实时节点电价之后再统计一致性精度更高。之后再统计一致性精度更高。之后再统计一致性精度更高。

【技术实现步骤摘要】
一种电力交易现货价格一致性预测方法及系统


[0001]本专利技术属于新能源电力
，特别是涉及到一种电力交易现货价格一致性预测方法及系统。

技术介绍

[0002]当前陆续有多个试点省份实现连续试运行电力现货交易，电力市场建设稳步推进。节点电价作为一种重要的价格机制，在电力现货市场建设过程中被频繁采用。通过对日前节点电价和实时节点电价进行精准预测，辅助电场人员合理修改短期功率预测申报能够使新能源发电企业在电力现货交易中合理套利，提高交易收益。在多省的电力交易经验中，日前节点电价和实时节点电价的一致性对辅助交易策略的作用比电价精度的重要性更高。一致性指标定义为：逐点（每15分钟）计算（实时节点电价
‑
日前节点电价）* （实时节点电价预测
‑
日前节点电价预测），若计算结果<0，记为0；否则记为1；一致性为1的样本数除以总样本数即为一致性指标。
[0003]日前节点电价和实时节点电价的一致性受到多种因素影响，极难准确预测。对日前节点电价和实时节点电价影响因素众多，诸如全省资源情况、新能源出力预测、省内负荷预测、负荷联络线计划（受电或送电）、来水情况、机组报价、断面阻塞、人为因素等。当前电力交易一般以价格预测为主，分别预测完日前节点电价和实时节点电价之后再统计一致性，基本上没有单独做一致性预测模型的案例或者方案设想，这也与无法充分利用实际供需数据有关，因为此数据在电价预测日是不能取到的，即使可以构建模型预测供需数据以替代实际供需特征，但这样形成的预测电价虽然精度能够保证，价格一致性却很难提上来，这样的预测电价输入到策略中会导致策略亏损，甚至出现策略调整方向完全相反的情形。

技术实现思路

[0004]本专利技术提出一种电力交易现货价格一致性预测方法及系统，直接对现货电价一致性进行预测，更好地服务于辅助交易策略。
[0005]为达到上述目的，本专利技术的技术方案是这样实现的：一种电力交易现货价格一致性预测方法，包括：S1、通过区域预测气象数据和省调发布实际供需数据，分别以省调发布实际供需数据各分项为目标，建立各供需数据分项的预测模型，预测出需要预测电价当日的供需，作为自发预测供需数据；所述预测模型可采用采用随机森林模型、ARIMA等时间序列模型；S2、由步骤S1方法得到的历史的自发预测供需数据和省调历史发布的省调预测供需数据的各分项的差值构造差值特征，所述差值特征连同历史的区域预测气象数据和省调预测供需数据作为输入特征，历史电价一致性数据作为目标，代入到GBDT模型进行训练，建立电价一致性预测模型；所述GBDT模型包括但不限于神经网络、支持向量机（SVM）、随机森林等；S3、将需要预测电价当日的区域预测气象数据、省调预测供需数据以及差值特征
作为输入，通过电价一致性预测模型得到需要预测电价当日的电价一致性预测数据；所述差值特征通过计算需要预测电价当日的自发预测供需数据的各分项与省调预测供需数据对应分项的差值获得。
[0006]进一步的，步骤S1、S2、S3中所有特征数据都为15分钟一个数据，每日96点。
[0007]进一步的，步骤S2中，所述历史电价一致性数据为：从历史交易数据中获取真实日前节点电价、真实实时节点电价，计算真实实时节点电价
‑
真实日前节点电价，作为历史电价一致性数据。
[0008]进一步的，步骤S2中，在模型训练前先对作为输入特征和目标的数据进行清洗，检查数据是否有缺失、异常值，有则删除。
[0009]更进一步的，步骤S2中，在数据清洗后再进行归一化，然后代入到GBDT模型进行训练。
[0010]本专利技术另一方面还提出了一种电力交易现货价格一致性预测系统，包括：自发预测供需模块：通过区域预测气象数据和省调发布实际供需数据，分别以省调发布实际供需数据各分项为目标，建立各供需数据分项的预测模型，预测出需要预测电价当日的供需，作为自发预测供需数据；所述预测模型可采用采用随机森林模型、ARIMA等时间序列模型；电价一致性预测模型模块：由自发预测供需模块得到的历史的自发预测供需数据和省调历史发布的省调预测供需数据的差值构造差值特征，所述差值特征连同历史的区域预测气象数据和省调预测供需数据作为输入特征，历史电价一致性数据作为目标，代入到GBDT模型进行训练，建立电价一致性预测模型；所述GBDT模型包括但不限于神经网络、支持向量机（SVM）、随机森林等；预测模块：将需要预测电价当日的区域预测气象数据、省调预测供需数据以及差值特征作为输入，通过电价一致性预测模型得到需要预测电价当日的电价一致性预测数据；所述差值特征通过计算需要预测电价当日的自发预测供需数据的各分项与省调预测供需数据对应分项的差值获得。
[0011]进一步的，所有特征数据都为15分钟一个数据，每日96点。
[0012]进一步的，电价一致性预测模型模块中包括：一致性数据单元：用于从历史交易数据中获取真实日前节点电价、真实实时节点电价，计算真实实时节点电价
‑
真实日前节点电价，作为历史电价一致性数据。
[0013]进一步的，电价一致性预测模型模块中包括：清洗单元：在模型训练前先对作为输入特征和目标的数据进行清洗，检查数据是否有缺失、异常值，有则删除。
[0014]更进一步的，电价一致性预测模型模块中还包括：归一化单元：在数据清洗后再进行归一化，然后代入到GBDT模型进行训练。
[0015]与现有技术相比，本专利技术具有如下的有益效果：1、本专利技术采用多模型级联融合的方式，结合了省调公布的预测供需和实际供需的各分项，通过单模型训练预测，预测出电价一致性预测所需的特征，再以电价一致性为标签建立预测模型，对策略日的现货电价一致性进行预测。本专利技术的方法为电力交易辅助决策提供了新的原料和思路，拓展了研究方向；
2、本专利技术建立的电价一致性预测模型，充分挖掘了实际供需数据、预测供需数据和电价一致性的关系，比分别预测完日前节点电价和实时节点电价之后再统计计算一致性的精度高；3、本专利技术建立的电价一致性预测模型更可靠，鲁棒性非常好，在外界有干扰的情况下也能够平稳地运行。
附图说明
[0016]图1是本专利技术实施例的流程示意图；图2是本专利技术实施例的单电场2022年8月1日的实际的日前和实时节点电价的对比图；图3是本专利技术实施例的单电场2022年8月1日的传统算法预测日前和实时节点电价的预测图；图4是本专利技术实施例的单电场2022年8月1日的本专利技术方法预测日前和实时节点电价的预测图。
具体实施方式
[0017]需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。
[0018]如图1所示，本专利技术提出的电力交易现货价格一致性预测方法包括：1、通过区域预测气象数据（包括15分钟频度的风速、风向、温度、湿度、压强、总辐照度，但不限于这些特征）和省调发布实际供需数据（包括风电总出力、光伏总出力、实际外送、实际省内负荷、水电出力、火电出力），分别以省调发布实际供需数据的各分项为目标，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力交易现货价格一致性预测方法，其特征在于，包括：S1、通过区域预测气象数据和省调发布实际供需数据，分别以省调发布实际供需数据各分项为目标，建立各供需数据分项的预测模型，预测出需要预测电价当日的供需，作为自发预测供需数据；S2、由步骤S1方法得到的历史的自发预测供需数据和省调历史发布的省调预测供需数据的各分项的差值构造差值特征，所述差值特征连同历史的区域预测气象数据和省调预测供需数据作为输入特征，历史电价一致性数据作为目标，代入到GBDT模型进行训练，建立电价一致性预测模型；所述GBDT模型包括但不限于神经网络、支持向量机（SVM）、随机森林等；S3、将需要预测电价当日的区域预测气象数据、省调预测供需数据以及差值特征作为输入，通过电价一致性预测模型得到需要预测电价当日的电价一致性预测数据；所述差值特征通过计算需要预测电价当日的自发预测供需数据的各分项与省调预测供需数据对应分项的差值获得。2.根据权利要求1所述的一种电力交易现货价格一致性预测方法，其特征在于，步骤S1、S2、S3中所有特征数据都为15分钟一个数据，每日96点。3.根据权利要求1所述的一种电力交易现货价格一致性预测方法，其特征在于，步骤S2中，所述历史电价一致性数据为：从历史交易数据中获取真实日前节点电价、真实实时节点电价，计算真实实时节点电价
‑
真实日前节点电价，作为历史电价一致性数据。4.根据权利要求1所述的一种电力交易现货价格一致性预测方法，其特征在于，步骤S2中，在模型训练前先对作为输入特征和目标的数据进行清洗，检查数据是否有缺失、异常值，有则删除。5.根据权利要求4所述的一种电力交易现货价格一致性预测方法，其特征在于，步骤S2中，在数据清洗后再进行归一化，然后代入到GBDT模型进行训练。6.一种电力交易现货价格一致性预测系统，其特征在于，包...

【专利技术属性】
技术研发人员：向博，钟崇光，李兆兴，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：