本发明专利技术公开了一种多模型融合的电力交易趋势预测方法及装置。其中，方法包括：获取待预测电力交易趋势的影响因素数据；对影响因素数据进行预处理，确定有效影响因素数据；将有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取有效影响因素数据的待预测抽象特征；将待预测抽象特征送入预先训练的LSTM网络，输出预测电力交易趋势。
【技术实现步骤摘要】
本专利技术涉及数据预测，并且更具体地，涉及一种多模型融合的电力交易趋势预测方法及装置。
技术介绍
1、电力交易趋势预测指预测电力市场未来一定时间范围内的电力价格，电力价格受天气、电力供应和需求、市场参与者的行为等多种因素影响。因此，电力交易趋势预测需要综合考虑这些多样化的因素，以创建准确的预测模型。
2、电力交易趋势预测算法在电力市场中具有重要作用。有助于电力市场的参与者更好的理解未来电力价格趋势，制定更明智的决策；有助于电力生产商决定电力生产设备的启停时间以最大化利润，消费者制定采购计划，减少成本；有助于监管机构更好的理解市场行为，维护市场秩序。
3、常用的电力交易趋势预测算法主要为时间序列方法、回归分析方法和深度学习方法。但是时间序列方法对数据要求高，需要大量的历史数据，对于新的或短期数据，模型可能表现不佳，对数据噪声敏感。时间序列方法通常是一维的，难以处理增加外部因素的高维数据，不适用于处理非稳态条件下的价格波动。大多数回归分析方法都是基于线性假设的，这意味着其假设自变量和因变量之间的关系是线性的，可能无法捕捉复杂的非线性关系。回归模型通常不是时间序列数据的最佳选择，因为它们无法捕捉时间相关性和季节性特征。长短时记忆网络(lstm)是适用于序列数据的强大工具，能够捕捉时间序列中的长期依赖关系和季节性。而且是非线性模型，可以捕捉复杂的非线性关系，自动适应数据的变化和趋势，而不需要手动调整模型。但是lstm在特征处理上不能够很好的抽取抽象特征。
技术实现思路
<
p>1、针对现有技术的不足，本专利技术提供一种多模型融合的电力交易趋势预测方法及装置。2、根据本专利技术的一个方面，提供了一种多模型融合的电力交易趋势预测方法，包括：
3、获取待预测电力交易趋势的影响因素数据；
4、对影响因素数据进行预处理，确定有效影响因素数据；
5、将有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取有效影响因素数据的待预测抽象特征；
6、将待预测抽象特征送入预先训练的lstm网络，输出预测电力交易趋势。
7、可选地，影响因素数据包括：历史趋势数据、气象数据以及负荷数据，其中
8、历史趋势数据包括每天15分钟/点的96点的日前趋势和实时趋势数据；
9、气象数据包括湿度、降水概率、气压、定量降水预报、体感温度、降雪量、实时温度、紫外线强度、天气状况、风向角度、风向、风级、风速；
10、负荷数据包括核电总加、地方电厂发电总加、自备机组总加、光伏总加、风电总加、联络线负荷、直调负荷。
11、可选地，对影响因素数据进行预处理，确定有效影响因素数据，包括：
12、补充或删除影响因素数据中的缺失值数据；
13、对影响因素数据进行异常值检测，并按预先设定的规则检测的异常值进行调整；
14、删除影响因素数据中的重复数据；
15、通过负荷数据计算得到市场化负荷，确定有效影响因素数据。
16、可选地，将有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取有效影响因素数据的待预测抽象特征，包括：
17、使用卷积神经网络的第一层卷积层cnn对有效影响因素数据进行卷积运算，抽取多种不同影响因素对应的多种不同的第一抽象特征，其中卷积核是3个一维的卷积核；
18、再接一层池化层pooling进行池化，对第一抽象特征进行池化，其中池化层的步长设置为2；
19、再接一层卷积层cnn，对池化层的结果再抽取更高层的第二抽象特征；
20、再接一层池化层pooling，对第二抽象特征进行池化，确定待预测抽象特征。
21、可选地，lstm网络的构建过程如下：
22、获取历史电力交易趋势以及历史电力交易趋势的历史影响因素数据；
23、对历史电力交易趋势以及历史影响因素数据进行预处理，得到有效历史电力交易趋势以及有效历史影响因素数据；
24、根据有效电力交易趋势以及有效历史影响因素数据，训练卷积神经网络和lstm网络的融合模型，并通过最小化预设的回归损失函数进行模型调整，确定lstm网络，其中回归损失函数为：
25、
26、式中，yi是趋势真实值，是趋势预测值。
27、根据本专利技术的另一个方面，提供了一种多模型融合的电力交易趋势预测装置，包括：
28、获取模块，用于获取待预测电力交易趋势的影响因素数据；
29、预处理模块，用于对影响因素数据进行预处理，确定有效影响因素数据；
30、提取模块，用于将有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取有效影响因素数据的待预测抽象特征；
31、输出模块，用于将待预测抽象特征送入预先训练的lstm网络，输出预测电力交易趋势。
32、根据本专利技术的又一个方面，提供了一种计算机可读存储介质，所述存储介质存储有计算机程序，所述计算机程序用于执行本专利技术上述任一方面所述的方法。
33、根据本专利技术的又一个方面，提供了一种电子设备，所述电子设备包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本专利技术上述任一方面所述的方法。
34、从而，本申请提出了一种cnn和lstm结合的电力交易趋势预测模型，利用cnn自动从原始数据中提取抽象特征，抽取数据中的复杂非线性关系，捕捉价格数据中的空间特性，再利用lstm处理时序数据的依赖性，捕捉数据中的长期和短期依赖关系。通过cnn和lstm的结合，能够有效处理时间序列数据中的时空关系，自动处理多维特征，提高预测准确度，适应电力市场的复杂性。
本文档来自技高网...
【技术保护点】
1.一种多模型融合的电力交易趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述影响因素数据包括：历史趋势数据、气象数据以及负荷数据，其中
3.根据权利要求2所述的方法，其特征在于，对所述影响因素数据进行预处理，确定有效影响因素数据，包括：
4.根据权利要求1所述的方法，其特征在于，将所述有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取所述有效影响因素数据的待预测抽象特征，包括：
5.根据权利要求1所述的方法，其特征在于，所述LSTM网络的构建过程如下：
6.一种多模型融合的电力交易趋势预测装置，其特征在于，包括：
7.根据权利要求6所述的装置，其特征在于，所述影响因素数据包括：历史趋势数据、气象数据以及负荷数据，其中
8.根据权利要求6所述的装置，其特征在于，预处理模块，包括：
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-6任一所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：
...
【技术特征摘要】
1.一种多模型融合的电力交易趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，所述影响因素数据包括：历史趋势数据、气象数据以及负荷数据，其中
3.根据权利要求2所述的方法，其特征在于，对所述影响因素数据进行预处理，确定有效影响因素数据，包括：
4.根据权利要求1所述的方法，其特征在于，将所述有效影响因素数据输入至预先构建的卷积神经网络进行卷积运算，提取所述有效影响因素数据的待预测抽象特征，包括：
5.根据权利要求1所述的方法，其特征...
【专利技术属性】
技术研发人员：江丹丹，王维茜，
申请(专利权)人：新奥数能科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。