System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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
< ...【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
...【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。