本申请公开了一种电力现货价格预测方法、装置以及系统。所述方法包括：获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的；根据所述价格预测结果，得到电力现货价格预测结果。本申请针对历史电力现货价格的峰、谷区数据作有针对性的数据增强，有效提升电力现货价格预测的准确度、尤其是峰谷区电力现货价格；同时，本申请结合节假日特征与趋势性特征，对价格预测模型的训练数据进行数据增维、融合与降维处理，能有效提升预测准确度的同时提高计算效率。
【技术实现步骤摘要】
本申请涉及电力系统，尤其涉及一种电力现货价格预测方法、装置以及系统。
技术介绍
1、电能具有瞬时传输的特性，不能大规模储存，因此在电力系统实时运行过程中，要保持“源-荷”电力平衡，现代电力市场中的现货市场与辅助服务市场正是基于电力平衡需要建立的。现货市场分为日前市场、日内市场、实时市场。我国电力现货处于建设初期，在大部分省份中，现货市场建设包括日前市场、实时市场两部分，现货市场价格也包括日前价格、实时价格两部分。由于实时价格具有较大不确定性，受天气、突发事件、社会行为等影响较为密切，具有一定的不可预测性，对大多数市场(发电企业、售电公司)而言，其交易的核心更多是对日前价格进行预测，日前价格预测的准确程度，成为影响市场主体参与电力现货交易利润大小和竞价策略关键因素，为此备受关注。
2、对于现货价格预测，常规的预测方法包括统计学方法、神经网络方法等。但针对国内现货市场建设初期，数据量不足，数据峰谷分布不均的问题，仅用上述方法进行预测，效果欠佳，尤其是在峰谷价格的预测准确度上；其次，从市场参与者角度来看，对价格波动大的区间捕捉越准确，获利空间越大，电力市场价格峰谷数据在市场全量数据中占比较小，使得现有预测模型算法难以在该部分数据上取得较高的准确率。
3、需要说明的是，这里的陈述仅提供与本申请有关的背景信息，而不必然地构成现有技术。
技术实现思路
1、鉴于上述问题，本申请提出了一种克服上述问题或者至少部分地解决上述问题的电力现货价格预测方法、装置及系统。
>2、本申请实施例采用下述技术方案：3、第一方面，本申请实施例提供一种电力现货价格预测方法，所述方法包括：
4、获取待预测数据；通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；根据所述价格预测结果，得到电力现货价格预测结果。
5、优选地，所述价格预测模型的预先训练，包括：根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本；使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本；使用预设的神经网络对所述历史数据样本和所述扩充数据样本进行训练，得到所述预先训练的价格预测模型；其中，所述历史数据样本至少包括如下之一的维度：直调负荷、地方电厂发电、联络线受电、风电出力、光伏出力、核电出力以及价格。
6、优选地，所述价格预测模型的预先训练，还包括：根据节假日特征和/或趋势性特征，对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度；根据节假日特征和/或趋势性特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度；将所述历史数据样本综合特征数据维度和扩充数据样本综合特征数据维度分别与所述历史数据样本的维度拼接，获取历史数据样本拼接数据和扩充数据样本拼接数据；使用所述预设的神经网络对所述历史数据样本拼接数据和扩充数据样本拼接数据进行训练，得到所述预先训练的价格预测模型。
7、优选地，所述根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本，包括：使用预设窗口对所述电力现货历史数据样本中的每一条数据进行移动筛选，当电力现货价格大于第一预设值时，将该条数据对应时点记为峰区，当电力现货价格小于第二预设值时，将该条数据对应时点记为谷区。
8、优选地，所述使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本，包括：获取所述峰区的前方和后方的各预设条电力现货历史数据样本，得到峰区数据样本，并利用插值法进行数据扩充，获取峰区扩充数据样本；获取所述谷区的前方和后方的各预设条电力现货历史数据样本，得到谷区数据样本，并利用插值法进行数据扩充，获取谷区扩充数据样本。
9、优选地，所述根据节假日特征，对所述历史数据样本进行数据增维，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述历史数据样本进行节假日维度增强，若属于节假日，则将历史数据样本对应的节假日维度数值标记为1，若不属于节假日，则将历史数据样本对应节假日维度数值标记为0；所述根据节假日特征，对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据，包括：根据是否属于节假日前三天、节假日前一天、节假日当天、节假日后一天、节假日后三天对所述扩充数据样本进行节假日维度增强，若属于节假日，则将扩充数据样本对应的节假日维度数值标记为1，若不属于节假日，则将扩充数据样本对应的节假日维度数值标记为0。
10、优选地，所述根据趋势性特征，对所述历史数据样本进行数据增维包括：对所述历史数据样本进行预设级数的傅里叶分解，获取所述历史数据样本的趋势维度增强；所述根据趋势性特征，对所述扩充数据样本进行数据增维包括：对所述扩充数据样本进行预设级数的傅里叶分解，获取所述扩充数据样本的趋势维度增强，其中，所述趋势维度的维度数等于所述预设级数。
11、优选地，所述对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度，包括：使用预设算法对历史数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取历史数据样本综合特征数据维度；所述对所述扩充数据样本进行数据增维，获取扩充数据样本综合特征数据维度，包括：使用预设算法对扩充数据样本的维度、节假日维度以及趋势维度的拼接维度进行线性回归，将所述拼接维度映射到一维，获取扩充数据样本综合特征数据维度。
12、第二方面，本申请实施例还提供一种电力现货价格预测装置，所述装置包括：待预测数据获取单元，用于获取待预测数据；价格预测单元，通过预先训练的价格预测模型，得到所述待预测数据的价格预测结果，所述价格预测模型使用多组预处理数据将神经网络训练至收敛后得出的，多组预处理数据中的每组数据均包括：电力现货历史数据样本以及所述电力现货历史数据样本的增强样本；电力现货价格预测获取单元，根据所述价格预测结果，得到电力现货价格预测结果。
13、第三方面，本申请实施例还提供一种电力现货价格预测系统，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行第一方面之任一所述方法。
14、本申请实施例采用的上述至少一个技术方案能够达到以下有益效果：
15、本申请针对电力现货价格历史数据的峰区和谷区数据作有针对性的数据增强，相较于直接利用原始电力现货价格历史数据行预测的方案，能有效提升电力现货价格预测的准确度、尤其是对电力现货价格的峰区和谷区的预测；其次，本申请结合节假日特征与趋势性特征，进行数据增维处理，并运用贝叶斯线性回归对增维数据进行融合与降维，能有效提升预测准确度的同时降低计算量。
16、本申请技术方案的上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依本文档来自技高网...
【技术保护点】
1.一种电力现货价格预测方法，其特征在于，所述方法包括：
2.如权利要求1所述方法，其特征在于，所述价格预测模型的预先训练，包括：
3.如权利要求2所述方法，其特征在于，所述价格预测模型的预先训练，还包括：
4.如权利要求3所述方法，其特征在于，所述根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本，包括：
5.如权利要求4所述方法，其特征在于，所述使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本，包括：
6.如权利要求3所述方法，其特征在于，所述根据节假日特征，对所述历史数据样本进行数据增维，包括：
7.如权利要求6所述方法，其特征在于，所述根据趋势性特征，对所述历史数据样本进行数据增维包括：
8.如权利要求7所述方法，其特征在于，所述对所述历史数据样本进行数据增维，获取历史数据样本综合特征数据维度，包括：
9.一种电力现货价格预测装置，其特征在于，所述装置包括：
10.一种电力现货价格预测系统，包括：处理器；以及被安排成存储计算机可执行指令的存储器，所述可执行指令在被执行时使所述处理器执行所述权利要求1～8之任一所述方法。
...
【技术特征摘要】
1.一种电力现货价格预测方法，其特征在于，所述方法包括：
2.如权利要求1所述方法，其特征在于，所述价格预测模型的预先训练，包括：
3.如权利要求2所述方法，其特征在于，所述价格预测模型的预先训练，还包括：
4.如权利要求3所述方法，其特征在于，所述根据电力现货历史数据样本，获取电力现货价格处于峰区和谷区的峰谷区数据样本，包括：
5.如权利要求4所述方法，其特征在于，所述使用插值法对所述峰谷区数据样本进行数据增强，获取扩充数据样本，包括：
6.如权利要求3所述方法，其特征在于，...
【专利技术属性】
技术研发人员：孙建旸，张文浩，张继元，郭洋，王卫宏，芮冬阳，
申请(专利权)人：智光研究院广州有限公司，
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。