基于TCN-DNN模型的电力现货市场日前电价确定方法及系统技术方案

本申请提出基于TCN

【技术实现步骤摘要】
基于TCN
‑
DNN模型的电力现货市场日前电价确定方法及系统


[0001]本申请涉及电价预测领域，尤其涉及基于TCN
‑
DNN模型的电力现货市场日前电价确定方法及系统。

技术介绍

[0002]随着电力市场改革的进一步深入，电力市场的竞争变得日益充分。电价作为电力市场的核心要素，逐渐由政府制定转向市场竞争。电价的有效预测不仅能够反映出市场的期望，预期市场的运行状态，而且能够促进电力市场的参与主体合理配置资源、安排有效的发电计划、制定合理的报价策略，对提高电力市场的效率具有十分重要的意义。由于电价是不稳定且剧烈波动的，日前电价的有效预测在目前依然属于一个难点。电力市场中的日前电价除了供需比的直接影响外，还包含了季节性的、按星期或按小时的周期性变化，同时又有节假日和正常工作日的差别。针对电价的周期性变化部分，当前的主流预测方法为循环神经网络算法或长短期记忆人工神经网络算法。但是，这两种算法都属于递归模型架构，有同样的耗时久和消耗资源大的缺点。由于网络一次只读取、解析输入的电价数据，深度神经网络必须等前一个输入处理完，才能进行下一个输入的处理，没有办法进行大规模的并行处理，并且在训练神经网络的过程中需要占用大量的内存。

技术实现思路

[0003]本申请提供基于TCN
‑
DNN模型的电力现货市场日前电价确定方法及系统，以至少解决电价预测时计算速度慢且占用资源较大的技术问题。
[0004]本申请第一方面实施例提出一种基于TCN
‑
DNN模型的电力现货市场日前电价确定方法，所述方法包括：
[0005]获取待确定电价日的披露数据，并对所述数据进行预处理；
[0006]将预处理后的所述待确定电价日的披露数据输入所述预先训练好的TCN
‑
DNN日前电价确定模型中，得到所述待确定电价日的日前电价预测结果；
[0007]其中，所述预先训练好的TCN
‑
DNN日前电价确定模型是基于待确定电价日对应的预处理后的历史时段内的市场披露数据、历史时段内的电价数据进行训练得到的；
[0008]所述TCN
‑
DNN日前电价确定模型包括：时间卷积模块和深度神经网络模块。
[0009]优选的，所述披露数据包括：用电负荷预测值、新能源出力预测值、联络线电量预测值和机组运行容量数据预测值。
[0010]优选的，所述TCN
‑
DNN日前电价确定模型的时间卷积模块包括：第一时间卷积模块、第二时间卷积模块和第三时间卷积模块；
[0011]其中，所述第一时间卷积模块、所述第二时间卷积模块和所述第三时间卷积模块对应的感受野是基于所需提取的多尺度上的时序特征的尺度进行设置的。
[0012]进一步的，所述TCN
‑
DNN日前电价确定模型的训练过程包括：
[0013]获取待确定电价日对应的历史时段内的市场披露数据、历史时段内的电价数据，
并对所述历史时段内的市场披露数据、所述历史时段内的电价数据进行预处理；
[0014]将所述历史时段内的电价数据分别输入第一时间卷积模块、第二时间卷积模块和第三时间卷积模块中的，得到所述电价数据对应的多尺度上的时序特征；
[0015]将所述电价数据对应的多尺度上的时序特征和历史时段内的市场披露数据输入所述初始的深度神经网络中，并将平均绝对误差MAE作为模型的损失函数、ReLU函数作为模型的激活函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的TCN
‑
DNN日前电价确定模型。
[0016]进一步的，所述第一时间卷积模块中设置56个残差块；
[0017]所述第二时间卷积模块中设置有8个残差块；
[0018]所述第三时间卷积模块中设置有1个残差块；
[0019]其中，所述第一时间卷积模块、第二时间卷积模块和第三时间卷积模块各连接一个1x1卷积的残差。
[0020]本申请第二方面实施例提出一种基于TCN
‑
DNN模型的电力现货市场日前电价确定系统，所述系统包括：
[0021]获取模块，用于获取待确定电价日的披露数据，并对所述数据进行预处理；
[0022]确定模块，用于将预处理后的所述待确定电价日的披露数据输入所述预先训练好的TCN
‑
DNN日前电价确定模型中，得到所述待确定电价日的日前电价预测结果；
[0023]其中，所述预先训练好的TCN
‑
DNN日前电价确定模型是基于待确定电价日对应的预处理后的历史时段内的市场披露数据、历史时段内的电价数据进行训练得到的；
[0024]所述TCN
‑
DNN日前电价确定模型包括：时间卷积模块和深度神经网络模块。
[0025]优选的，所述披露数据包括：用电负荷预测值、新能源出力预测值、联络线电量预测值和机组运行容量数据预测值。
[0026]优选的，所述TCN
‑
DNN日前电价确定模型的时间卷积模块包括：第一时间卷积模块、第二时间卷积模块和第三时间卷积模块；
[0027]其中，所述第一时间卷积模块、所述第二时间卷积模块和所述第三时间卷积模块对应的感受野是基于所需提取的多尺度上的时序特征的尺度进行设置的。
[0028]本申请第三方面实施例提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如第一方面实施例所述的方法。
[0029]本申请第四方面实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面实施例所述的方法。
[0030]本申请的实施例提供的技术方案至少带来以下有益效果：
[0031]本申请提出了基于TCN
‑
DNN模型的电力现货市场日前电价确定方法及系统，所述方法包括：获取待确定电价日的披露数据，并对所述数据进行预处理；将预处理后的所述待确定电价日的披露数据输入所述预先训练好的TCN
‑
DNN日前电价确定模型中，得到所述待确定电价日的日前电价预测结果；其中，所述预先训练好的TCN
‑
DNN日前电价确定模型是基于待确定电价日对应的预处理后的历史时段内的市场披露数据、历史时段内的电价数据进行训练得到的；所述TCN
‑
DNN日前电价确定模型包括：时间卷积模块和深度神经网络模块。本申请提出的技术方案，计算速度快且在训练TCN
‑
DNN日前电价确定模型的过程中占用资
源较小，进而在节约了资源的同时可快速精确的确定日前电价。
[0032]本申请附加的方面以及优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本申请的实践了解到。
附图说明
[0033]本申请上述的和/或附加的方面以及优点从下面结合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TCN
‑
DNN模型的电力现货市场日前电价确定方法，其特征在于，所述方法包括：获取待确定电价日的披露数据，并对所述数据进行预处理；将预处理后的所述待确定电价日的披露数据输入所述预先训练好的TCN
‑
DNN日前电价确定模型中，得到所述待确定电价日的日前电价预测结果；其中，所述预先训练好的TCN
‑
DNN日前电价确定模型是基于待确定电价日对应的预处理后的历史时段内的市场披露数据、历史时段内的电价数据进行训练得到的；所述TCN
‑
DNN日前电价确定模型包括：时间卷积模块和深度神经网络模块。2.如权利要求1所述的方法，其特征在于，所述披露数据包括：用电负荷预测值、新能源出力预测值、联络线电量预测值和机组运行容量数据预测值。3.如权利要求1所述的方法，其特征在于，所述TCN
‑
DNN日前电价确定模型的时间卷积模块包括：第一时间卷积模块、第二时间卷积模块和第三时间卷积模块；其中，所述第一时间卷积模块、所述第二时间卷积模块和所述第三时间卷积模块对应的感受野是基于所需提取的多尺度上的时序特征的尺度进行设置的。4.如权利要求3所述的方法，其特征在于，所述TCN
‑
DNN日前电价确定模型的训练过程包括：获取待确定电价日对应的历史时段内的市场披露数据、历史时段内的电价数据，并对所述历史时段内的市场披露数据、所述历史时段内的电价数据进行预处理；将所述历史时段内的电价数据分别输入第一时间卷积模块、第二时间卷积模块和第三时间卷积模块中的，得到所述电价数据对应的多尺度上的时序特征；将所述电价数据对应的多尺度上的时序特征和历史时段内的市场披露数据输入所述初始的深度神经网络中，并将平均绝对误差MAE作为模型的损失函数、ReLU函数作为模型的激活函数，利用自适应矩阵估计Adam优化算法对所述模型进行训练，得到训练好的TCN
‑
D...

【专利技术属性】
技术研发人员：史鉴恒，黄思皖，王宝岳，
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：