一种基于人工智能的日前市场节点电价预测方法和系统技术方案

本发明专利技术公开了一种基于人工智能的日前市场节点电价预测方法和系统。本发明专利技术采用的技术方案为：将市场供需预测数据的历史数据集、统调负荷预测数据的历史数据集作为训练集的输入层数据，将历史日前市场节点电价预测数据作为训练集的输出层数据，将日前市场节点电价数据的历史数据集作为训练集的期望输出数据；将市场供需预测数据的预测日数据集、统调负荷预测数据的预测日数据集作为预测集的输入层数据，将日前市场节点电价数据的预测数据集作为预测集的输出层数据；根据预测集的输入层数据，基于BP神经网络算法模型训练完成的日前市场节点电价预测模型，进行预测日日前市场节点电价数据的预测。本发明专利技术提高了节点电价预测的稳定性和准确性。稳定性和准确性。稳定性和准确性。

【技术实现步骤摘要】
一种基于人工智能的日前市场节点电价预测方法和系统


[0001]本专利技术属于电力市场领域，涉及一种基于人工智能的日前市场节点电价预测方法和系统。

技术介绍

[0002]电价预测技术是提升各市场主体在电力市场中合理预期的重要方式，日前市场节点电价受诸多因素影响，包括但不限于自然环境、电力需求、电网运行约束以及电力市场买卖双方竞争策略等等。当前电价预测主要面临以下难点：(1)影响电价因素众多，如何删选影响因素，保留影响大的因素、删除影响较小的因素是电价预测输入选择的难点；(2)电价预测方法众多，不同方法预测的电价数据千差万别，如何合理选取及改良电价预测方法是预测技术路径选择的难点；(3)电价预测历史数据集较小，当前各现货市场试点省份现货市场开启时间较短，电价预测所需的历史数据集较小，如何在训练集较小地情况下提升电价预测精度是难点之一。

技术实现思路

[0003]基于上述现有技术存在的问题，本专利技术提供一种基于人工智能的日前市场节点电价预测方法和系统，以有效提高节点电价预测的稳定性和准确性，尤其是对复杂多变边界条件下的电价预测，提升市场主体对电力市场的电价预期。
[0004]为此，本专利技术采用的一种技术方案为：一种基于人工智能的日前市场节点电价预测方法，其包括：
[0005]获取日前市场节点电价预测所需的历史数据集，以及日前市场节点电价预测所需的预测日数据集；
[0006]将所述历史数据集中的市场供需预测数据的历史数据集和统调负荷预测数据的历史数据集作为训练集的输入层数据，训练集的输出层输出数据为历史日前市场节点电价预测数据集，将所述历史数据集中的日前市场节点电价数据作为训练集的期望输出数据；将市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集作为预测集的输入层数据，预测集的输出层数据为预测日日前市场节点电价数据集；
[0007]根据训练集的输入层与输出层数据，基于BP神经网络算法模型进行日前市场节点电价预测模型训练；以及根据预测集的输入层数据，基于训练完成的BP神经网络日前市场节点电价预测模型进行预测日日前市场节点电价数据的预测。
[0008]进一步地，所述市场供需预测数据的历史数据集、日前市场节点电价数据的历史数据集和统调负荷预测数据的历史数据集，均为历史日全天96点历史数据。
[0009]进一步地，所述市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集，均为预测日全天96点历史数据。
[0010]进一步地，所述根据训练集的输入层与输出层数据，基于BP神经网络算法模型进行日前市场节点电价预测模型训练，按照以下步骤：
[0011]隐藏层节点数量为以下表达式：
[0012][0013]其中，p表示隐藏层节点数量，n为输入层节点数量，q为输出层节点数量，a为经验值，取a＝1～10；
[0014]隐藏层输出为以下表达式：
[0015][0016]其中，ho
h
(k)为第k天的隐藏层输出，f为sigmoid激活函数，w
ih
为隐藏层权重系数，x
i
(k)为第k天的输入层数据，b
h
为隐藏层偏置系数；
[0017]输出层输出为以下表达式：
[0018][0019]其中，yo
o
(k)为第k天的输出层输出，f为sigmoid激活函数，w
ho
为输出层权重系数，b
o
为隐藏层偏置系数；
[0020]误差函数对输出层的偏导数为以下表达式：
[0021][0022][0023]其中，e为输出层误差函数，d
o
(k)为输出层的期望输出，即日前市场节点电价数据的历史数据集，f
′
表示激活函数的导数；
[0024]误差函数对隐藏层的偏导数为以下表达式：
[0025][0026][0027]权重系数修正值为以下表达式：
[0028][0029][0030]其中，w
Nho
为第N次修正后的输出层权重系数，w
Nih
为第N次修正后的隐藏层权重系数，η为学习率。
[0031]进一步地，所述根据预测集的输入层数据，基于训练完成的BP神经网络日前市场节点电价预测模型进行预测日日前市场节点电价数据的预测，具体按照以下步骤：
[0032]隐藏层输出为以下表达式：
[0033][0034]其中，ho
’
h
(k)为预测日的隐藏层输出，f为sigmoid激活函数，w
’
ih
为训练完成后的隐藏层权重系数，x
’
i
(k)为预测日的输入层数据，b
’
h
为训练完成后的隐藏层偏置系数。
[0035]输出层输出为以下表达式：
[0036][0037]其中，yo
’
o
(k)为预测日的输出层输出，f为sigmoid激活函数，w
’
ho
为训练完成后的输出层权重系数，b
’
o
为训练完成后的隐藏层偏置系数。
[0038]本专利技术采用的另一种技术方案为：一种基于人工智能的日前市场节点电价预测系统，其包括：
[0039]数据获取模块，用于获取日前市场节点电价预测所需的历史数据集和预测日数据集，所述的历史数据集包括市场供需预测数据的历史数据集、日前市场节点电价数据的历史数据集和统调负荷预测数据的历史数据集，所述的预测日数据集包括市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集；
[0040]数据准备模块，用于将市场供需预测数据的历史数据集和统调负荷预测数据的历史数据集作为训练集的输入层数据，训练集的输出层数据为历史日前市场节点电价预测数据集，将日前市场节点电价数据的历史数据集作为训练集的期望输出数据；将市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集作为预测集的输入层数据，预测集的输出层数据为预测日日前市场节点电价数据的预测数据集；
[0041]日前市场节点电价预测训练模块，根据训练集的输入层与输出层数据，基于BP神经网络算法模型进行日前市场节点电价预测模型训练；
[0042]日前市场节点电价预测模块，根据预测集的输入层数据，基于训练完成的BP神经网络日前市场节点电价预测模型进行预测日日前市场节点电价数据的预测。
[0043]本专利技术通过获取日前市场节点电价预测所需的历史数据集，包括市场供需预测数据的历史数据集、日前市场节点电价数据的历史数据集、统调负荷预测数据的历史数据集；获取日前市场节点电价预测所需的预测日数据集，包括市场供需预测数据的预测日数据集、统调负荷预测数据的预测日数据集；将市场供需预测数据的历史数据集、统调负荷预测数据的历史数据集作为训练集的输入层数据，将历史日前市场节点电价预测数据作为训练集的输出层数据，将日前市场节点电价数据的历史数据集作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的日前市场节点电价预测方法，其特征在于，包括：获取日前市场节点电价预测所需的历史数据集，以及日前市场节点电价预测所需的预测日数据集；将所述历史数据集中的市场供需预测数据的历史数据集和统调负荷预测数据的历史数据集作为训练集的输入层数据，训练集的输出层输出数据为历史日前市场节点电价预测数据集，将所述历史数据集中的日前市场节点电价数据作为训练集的期望输出数据；将市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集作为预测集的输入层数据，预测集的输出层数据为预测日日前市场节点电价数据集；根据训练集的输入层与输出层数据，基于BP神经网络算法模型进行日前市场节点电价预测模型训练；以及根据预测集的输入层数据，基于训练完成的BP神经网络日前市场节点电价预测模型进行预测日日前市场节点电价数据的预测。2.根据权利要求1所述的一种基于人工智能的日前市场节点电价预测方法，其特征在于，所述市场供需预测数据的历史数据集和日前市场节点电价数据的历史数据集、统调负荷预测数据的历史数据集，均为历史日全天96点历史数据。3.根据权利要求1所述的一种基于人工智能的日前市场节点电价预测方法，其特征在于，所述市场供需预测数据的预测日数据集和统调负荷预测数据的预测日数据集，均为预测日全天96点历史数据。4.根据权利要求1所述的一种基于人工智能的日前市场节点电价预测方法，其特征在于，所述根据训练集的输入层与输出层数据，基于BP神经网络算法模型进行日前市场节点电价预测模型训练，按照以下步骤：隐藏层节点数量为以下表达式：其中，p表示隐藏层节点数量，n为输入层节点数量，q为输出层节点数量，a为经验值，取a＝1～10；隐藏层输出为以下表达式：其中，ho
h
(k)为第k天的隐藏层输出，f为sigmoid激活函数，w
ih
为隐藏层权重系数，x
i
(k)为第k天的输入层数据，b
h
为隐藏层偏置系数；输出层输出为以下表达式：其中，yo
o
(k)为第k天的输出层输出，f为sigmoid激活函数，w
ho
为输出层权重系数，b
o
为隐藏层偏置系数；误差函数对输出层的偏导数为以下表达式：
其中，e为输出层误差函数，d
o
(k)为输出层的期望输出，即日前市场节点电价数据的历史数据集，f
′
表示激活函数的导数；误差函数对隐藏层的偏导数为以下表达式：误差函数对隐藏层的偏导数为以下表达式：权重系数修正值为以下表达式：权重系数修正值为以下表达式：其中，w
Nho
为第N次修正后的输出层权重系数，w
Nih
为第N次修正后的隐藏层权重系数，η为学习率。5.根据权利要求4所述的一种基于人工智能的日前市场节点电价预测方法，其特征在于，所述根据预测集的输入层数据，基于训练完成的BP神经网络日前市场节点电价预测模型进行预测日日前市场节点电价数据的预测，按照以下步骤；隐藏层输出为以下表达式：其中，ho
’
h
(k)为预测日的隐藏层输出，f为sigmoid激活函数，w
’
ih
为训练完成后的隐藏层权重系数，x
’
i
(k)为预测日的输入层数据，b
’
h
为训练完成后的隐藏层偏置系数。输出层输出为以下表达式：其中，yo
’
o
(k)为预测日的输出层输出，f为sigmoid激活函数，w
’
ho
为训练完成后的输出层权重系数，b
’
o
为训练完成后的隐藏层偏置系数。6.一种基于人工智能的日前市场节点电价预测系统，其特征在于，包括：数据获取模块，用于获取日前市场节点电价预测所需的历史数据集和预测日数据集，所述的历史数据集包括市场供需预测数据的历史数据集、日前市场...

【专利技术属性】
技术研发人员：章枫，邓晖，陆承宇，房乐，周子青，徐程炜，项中明，陆春良，徐立中，唐琦雯，
申请(专利权)人：国网浙江省电力有限公司电力科学研究院，
类型：发明
国别省市：