一种基于AEN-PAC模型的现货市场日前电价确定方法及系统技术方案

本发明专利技术提出一种基于AEN

【技术实现步骤摘要】
一种基于AEN
‑
PAC模型的现货市场日前电价确定方法及系统


[0001]本专利技术涉及人工智能及日前电价预测
，尤其涉及一种基于AEN
‑
PAC模型的现货市场日前电价确定方法及系统。

技术介绍

[0002]日前市场是在负荷预测、新能源功率预测日前层面相对较准的情况下，为了应对传统火电机组启停惯性较大、需要提前决策生产安排，从而产生的协调市场和发电计划的交易市场。日前电价的多少与火电机组的报价直接影响各场站的收益，因此精确有效的预测电力现货市场的日前电价对市场主体制定决策方案和把握市场规律具有重要意义。
[0003]现有的预测计算方法大多基于人工沟通，人工成本较高，模型效率较低，而基于算法的预测计算方法又容易将用于预测的重要特征给予过小权重或删除，也低估了时序对于价格的影响，从而降低价格预测计算的准确性。

技术实现思路

[0004]本专利技术旨在至少在一定程度上解决相关技术中的技术问题之一。
[0005]为此，本专利技术的第一个目的在于提出一种基于AEN
‑
PAC模型的现货市场日前电价确定方法，主要目的在于提高电价预测计算的效率和准确性。
[0006]本专利技术的第二个目的在于提出一种基于AEN
‑
PAC模型的现货市场日前电价确定系统。
[0007]本专利技术的第三个目的在于提出一种基于AEN
‑
PAC模型的现货市场日前电价确定设备。
[0008]本专利技术的第四个目的在于提出一种非瞬时计算机可读存储介质。
[0009]为达上述目的，本专利技术第一方面实施例提出了一种基于AEN
‑
PAC模型的现货市场日前电价确定方法，包括：
[0010]构建训练数据集，所述训练数据集包括历史市场披露数据和历史电价；
[0011]构建弹性网络正则化整合偏自相关网络AEN
‑
PAC模型，其中，利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型；
[0012]利用所述训练数据集对所述AEN
‑
PAC模型进行训练获得训练好的AEN
‑
PAC模型；
[0013]获取现货市场披露数据，所述现货市场披露数据的数据类型与所述历史市场披露数据的数据类型一致；
[0014]将所述现货市场披露数据输入训练好的AEN
‑
PAC模型，输出日前电价计算结果。
[0015]在本专利技术的一个实施例中，所述利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型，包括：获得适应性弹性网络回归网络模型和所述适应性弹性网络回归网络模型的未知数向量；基于滞后阶数建立偏自相关系数的权重矩阵；利用所述权重矩阵对所述适应性弹性网络回归网络模型的未知数向量进行优化获得目标未知数向量；基于目标未知数向量获得AEN
‑
PAC模型。
[0016]在本专利技术的一个实施例中，所述利用所述权重矩阵对所述适应性弹性网络回归网络模型的未知数向量进行优化获得目标未知数向量，包括：将所述权重矩阵带入所述适应性弹性网络回归网络模型获得目标惩罚项；基于所述目标惩罚项获得目标损失函数；基于所述目标损失函数获得优化后的未知数向量，所述优化后的未知数向量为目标未知数向量。
[0017]在本专利技术的一个实施例中，所述历史市场披露数据的数据类型包括电量数据和运行方式。
[0018]在本专利技术的一个实施例中，所述历史市场披露数据的数据类型还包括相似日信息。
[0019]在本专利技术的一个实施例中，在利用所述训练数据集对所述AEN
‑
PAC模型进行训练获得训练好的AEN
‑
PAC模型之前，还包括对所述训练数据集进行数据清洗与处理。
[0020]为达上述目的，本专利技术第二方面实施例提出了一种基于AEN
‑
PAC模型的现货市场日前电价确定系统，包括：
[0021]数据收集模块，用于构建训练数据集，所述训练数据集包括历史市场披露数据和历史电价；
[0022]建模模块，用于构建弹性网络正则化整合偏自相关网络AEN
‑
PAC模型，其中，利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型；并利用所述训练数据集对所述AEN
‑
PAC模型进行训练获得训练好的AEN
‑
PAC模型；
[0023]实时采集模块，用于获取现货市场披露数据，所述现货市场披露数据的数据类型与所述历史市场披露数据的数据类型一致；
[0024]价格计算模块，用于将所述现货市场披露数据输入训练好的AEN
‑
PAC模型，输出日前电价计算结果。
[0025]在本专利技术的一个实施例中，所述建模模块，具体用于：获得适应性弹性网络回归网络模型和所述适应性弹性网络回归网络模型的未知数向量；基于滞后阶数建立偏自相关系数的权重矩阵；利用所述权重矩阵对所述适应性弹性网络回归网络模型的未知数向量进行优化获得目标未知数向量；基于目标未知数向量获得AEN
‑
PAC模型。
[0026]为达上述目的，本专利技术第三方面实施例提出了一种基于AEN
‑
PAC模型的现货市场日前电价确定设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本专利技术第一方面实施例的基于AEN
‑
PAC模型的现货市场日前电价确定方法。
[0027]为了实现上述目的，本专利技术第四方面实施例提出了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行本专利技术第一方面实施例的基于AEN
‑
PAC模型的现货市场日前电价确定方法。
[0028]在本专利技术一个或多个实施例中，构建训练数据集，训练数据集包括历史市场披露数据和历史电价；构建弹性网络正则化整合偏自相关网络AEN
‑
PAC模型，其中，利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型；利用训练数据集对AEN
‑
PAC模型进行训练获得训练好的AEN
‑
PAC模型；获取现货市场披露数据，现货市场披露数据的数据类型与历史市场披露数据的数据类型一致；将现货市场披露数据输入训练好的AEN
‑
PAC模
型，输出日前电价计算结果。在这种情况下，采用人工智能技术利用训练好的弹性网络正则化整合偏自相关网络模型进行日前电价预测计算，降低了人工因素，提高了电价预测计算的效率，另外，弹性网络正则化整合偏自相关网络模型利用偏自相关系数优化适应性弹性网络回归网络模型得到，考虑了时间序列对价格的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，包括：构建训练数据集，所述训练数据集包括历史市场披露数据和历史电价；构建弹性网络正则化整合偏自相关网络AEN
‑
PAC模型，其中，利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型；利用所述训练数据集对所述AEN
‑
PAC模型进行训练获得训练好的AEN
‑
PAC模型；获取现货市场披露数据，所述现货市场披露数据的数据类型与所述历史市场披露数据的数据类型一致；将所述现货市场披露数据输入训练好的AEN
‑
PAC模型，输出日前电价计算结果。2.根据权利要求1所述的基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，所述利用偏自相关系数优化适应性弹性网络回归网络模型得到AEN
‑
PAC模型，包括：获得适应性弹性网络回归网络模型和所述适应性弹性网络回归网络模型的未知数向量；基于滞后阶数建立偏自相关系数的权重矩阵；利用所述权重矩阵对所述适应性弹性网络回归网络模型的未知数向量进行优化获得目标未知数向量；基于目标未知数向量获得AEN
‑
PAC模型。3.根据权利要求2所述的基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，所述利用所述权重矩阵对所述适应性弹性网络回归网络模型的未知数向量进行优化获得目标未知数向量，包括：将所述权重矩阵带入所述适应性弹性网络回归网络模型获得目标惩罚项；基于所述目标惩罚项获得目标损失函数；基于所述目标损失函数获得优化后的未知数向量，所述优化后的未知数向量为目标未知数向量。4.根据权利要求1所述的基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，所述历史市场披露数据的数据类型包括电量数据和运行方式。5.根据权利要求4所述的基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，所述历史市场披露数据的数据类型还包括相似日信息。6.根据权利要求5所述的基于AEN
‑
PAC模型的现货市场日前电价确定方法，其特征在于，在利用...

【专利技术属性】
技术研发人员：王宝岳，钟明，安娜，黄思皖，史鉴恒，杨宁，王春森，任立兵，
申请(专利权)人：中国华能集团清洁能源技术研究院有限公司，
类型：发明
国别省市：