【技术实现步骤摘要】
本专利技术属于电价预测，具体为一种基于dnn的现货电价日前预测方法及系统。
技术介绍
1、电价预测的背景可以从多个方面来探讨。首先，从全球范围内来看，许多国家和地区都在开放电力市场，旨在促进电力生产和消费的竞争，提高效率。其次，电价受到多种因素的影响，包括供需关系、成本结构和竞争环境等。在竞争环境下，电价受到传统因素和新的因素的影响。传统因素包括油价、天气、菜价等，而新的因素则包括能源结构、政策环境、新技术等。这些因素都为电价预测提供了复杂而多元的背景。此外，发电侧的发电成本压力和用户侧的宏观经济承受力也是电价预测的重要考虑因素。随着电力市场化深入，国内电价预计将进入一轮上涨周期。在这种背景下，电价将以结构调整为主要方式，以温和渐进为主基调逐步提升。总的来说，电价预测的背景是复杂而多变的，受到市场开放、供需关系、成本结构、竞争环境以及宏观经济因素的影响。因此，对电价的预测需要综合考虑多种因素，以便更准确地预测未来的电价趋势。
2、准确有效的电价预测对于市场主体制定决策方案、把握市场规律具有重要意义。对于发电企业，准确的电价预测可以帮助其制定合理的竞价策略，实现收益最大化；对于售电公司，提前预测电价可以让他们以最低的价格购买电力；对于市场管理者，预测电价的变化可以更好地管理和优化电力市场，故需要建立准确、稳定的电价预测模型。
3、目前国内外学者对于电价预测提出许多方法，主要分为统计方法与机器学习方法。统计方法包括arma模型、garch模型、lasso估计自回归(lear)模型等，统计模型的算法简单，但对于
技术实现思路
1、为了提升日前电价预测的稳定性与泛化性能，本专利技术提供一种基于dnn的现货电价日前预测方法及系统。该方法基于深度学习的dnn模型对电价信号具有更强的特征学习能力与拟合能力，能够适应具有较强波动性的电价序列。
2、为了实现上述目的，本专利技术采用如下技术方案：
3、第一方面本专利技术提供一种基于dnn的现货电价日前预测方法，包括：
4、采集日前电价相关因子构建电价预测数据集，作为输入特征；
5、构建树结构parzen估计器优化模型和dnn模型，对输入特征与dnn模型的超参数采用树结构parzen估计器优化模型优化，得到多个特征子集；
6、利用dnn模型对优化后的多个特征子集分别进行训练，对现货电价进行日前预测，得到多个预测结果；
7、对多个预测结果进行集成组合，获得集成dnn模型的预测结果；
8、使用多种误差评价标准对预测结果进行评估，在多种单一模型与集成dnn模型中选择满足要求的现货电价日前预测模型。
9、作为本专利技术进一步改进，所述日前电价相关因子包括历史日前电价、负荷量预测值、发电量预测值、风电功率预测值及光伏功率预测值。
10、作为本专利技术进一步改进，所述的树结构parzen估计器优化是一个迭代过程，是使用评估的超参数的历史记录来创建概率模型，并概率模型建议下一组要评估的超参数。
11、作为本专利技术进一步改进，对输入特征与dnn模型的超参数采用树结构parzen估计器优化模型优化，得到多个特征子集，具体包括以下步骤：
12、s2-1，定义一个超参数搜索空间的域；
13、s2-2，创建电价预测目标函数，该电价预测目标函数接收超参数并输出最小化均方根误差；
14、s2-3，使用随机选择的一组超参数获得几个观察值；
15、s2-4，按最小化均方根误差对收集到的观察结果进行排序，并根据某个分位数将排序结果分成两组，第一组x1包含给出最佳分数的观察值，第二组x2包含所有其他观察值；
16、s2-5，以现有数据点为中心计算平均值得到两个密度l(x1)和g(x2)，两个密度l(x1)和g(x2)使用parzen估计器建模得到树结构parzen估计器优化模型；
17、s2-6，树结构parzen估计器优化模型从l(x1)中抽取样本超参数，根据l(x1)/g(x2)评估样本超参数，并返回在l(x1)/g(x2)下产生与最大预期改进相对应的最小值的集合；然后在目标函数上评估这些超参数；
18、s2-7，更新步骤s2-3中的观察值；
19、s2-8，重复步骤s2-4至s2-7直到达到最大迭代次数为止，得到多个特征子集。
20、作为本专利技术进一步改进，所述的输入特征包括：待预测日前三天与一周前的历史日前电价：pd-1、pd-2、pd-3、pd-7；两个电价相关因子的预测值：电价相关因子一天前与一周前的预测值：代表星期几的变量zd∈{1,...,7}。
21、作为本专利技术进一步改进，所述的dnn模型的超参数包括每个神经元的数量、激活函数、丢失率、学习率、是否使用归一化、数据预处理技术类型、权重初始化以及l1正则化系数。
22、作为本专利技术进一步改进，所述的dnn模型是一深度前馈神经网络，采用反向传播算法训练模型，并更新模型每一层的权重与偏置。
23、作为本专利技术进一步改进，所述采用反向传播算法训练模型，包括如下步骤：
24、初始化各隐含层与输出层的权重矩阵w和偏置b；
25、使用前向传播算法顺序计算第2层至第l层的ai,l：
26、ai,l＝σ(zi,l)＝σ(wlai,l-1+bl)
27、式中：ai,l为第l层第i个神经元的输出；zi,l为第l层第i个神经元的输入；σ为选取的激活函数；wl、bl分别为第l层的权重与偏置；
28、通过损失函数计算输出层的误差δi,l；
29、进行反向传播计算第2层至第l层的δi,l：
30、δi,l＝(wl+1)tδi,l+1⊙σ′(zi,l)
31、式中：δi,l为第l层第i个神经元的误差；σ′为激活函数的导数，⊙为哈达玛积运算；
32、根据误更新第2层至第l层的wl、bl：
33、
34、
35、式中：α为学习率，m为第l层神经元个数。
36、作为本专利技术进一步改进，所述dnn模型的反向传播训练过程中，采用adam算法优化。
37、作为本专利技术进一步改进，所述集成dnn模型的超参数与输入特征，采用多个特征子集的算数平均值。
38、作为本专利技术进一步改进，多种误差评价标准包括平均绝对误差、均方根误差、平均绝对百分比误差、对称平均绝对百分比误差。
39、第二方面本专利技术提供一种基于dnn的现货电价日前预测系统，包括：
40、采集模块，用于采集日前电价相关因子构建电价预测数据集，作为输入特征；
41、优化模块，用于构建树结构parzen估计器优化模型和dnn模型，对输入特征与dnn模型的超参数采用树本文档来自技高网...
【技术保护点】
1.一种基于DNN的现货电价日前预测方法，其特征在于，包括：
2.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，所述日前电价相关因子包括历史日前电价、负荷量预测值、发电量预测值、风电功率预测值及光伏功率预测值。
3.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，所述的树结构Parzen估计器优化是一个迭代过程，是使用评估的超参数的历史记录来创建概率模型，并概率模型建议下一组要评估的超参数。
4.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，对输入特征与DNN模型的超参数采用树结构Parzen估计器优化模型优化，得到多个特征子集，具体包括以下步骤：
5.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，所述的输入特征包括：待预测日前三天与一周前的历史日前电价：pd-1、pd-2、pd-3、pd-7；两个电价相关因子的预测值：电价相关因子一天前与一周前的预测值：代表星期几的变量zd∈{1,...,7}。
6.根据权利要求1所述的基于DNN的现货电价日
7.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，所述的DNN模型是一深度前馈神经网络，采用反向传播算法训练模型，并更新模型每一层的权重与偏置。
8.根据权利要求7所述的基于DNN的现货电价日前预测方法，其特征在于，所述采用反向传播算法训练模型，包括如下步骤：
9.根据权利要求8所述的基于DNN的现货电价日前预测方法，其特征在于，所述DNN模型的反向传播训练过程中，采用Adam算法优化。
10.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，所述集成DNN模型的超参数与输入特征，采用多个特征子集的算数平均值。
11.根据权利要求1所述的基于DNN的现货电价日前预测方法，其特征在于，多种误差评价标准包括平均绝对误差、均方根误差、平均绝对百分比误差、对称平均绝对百分比误差。
12.一种基于DNN的现货电价日前预测系统，其特征在于，包括：
13.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1-11任一项所述基于DNN的现货电价日前预测方法。
14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-11任一项所述基于DNN的现货电价日前预测方法。
...【技术特征摘要】
1.一种基于dnn的现货电价日前预测方法，其特征在于，包括：
2.根据权利要求1所述的基于dnn的现货电价日前预测方法，其特征在于，所述日前电价相关因子包括历史日前电价、负荷量预测值、发电量预测值、风电功率预测值及光伏功率预测值。
3.根据权利要求1所述的基于dnn的现货电价日前预测方法，其特征在于，所述的树结构parzen估计器优化是一个迭代过程，是使用评估的超参数的历史记录来创建概率模型，并概率模型建议下一组要评估的超参数。
4.根据权利要求1所述的基于dnn的现货电价日前预测方法，其特征在于，对输入特征与dnn模型的超参数采用树结构parzen估计器优化模型优化，得到多个特征子集，具体包括以下步骤：
5.根据权利要求1所述的基于dnn的现货电价日前预测方法，其特征在于，所述的输入特征包括：待预测日前三天与一周前的历史日前电价：pd-1、pd-2、pd-3、pd-7；两个电价相关因子的预测值：电价相关因子一天前与一周前的预测值：代表星期几的变量zd∈{1,...,7}。
6.根据权利要求1所述的基于dnn的现货电价日前预测方法，其特征在于，所述的dnn模型的超参数包括每个神经元的数量、激活函数、丢失率、学习率、是否使用归一化、数据预处理技术类型、权重初始化以及l1正则化系数。
7.根据权利要求1所述的基于dnn的现...
【专利技术属性】
技术研发人员：李煜阳，李相俊，方保民，王莲芳，王西超，
申请(专利权)人：中国电力科学研究院有限公司，
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。