【技术实现步骤摘要】
本专利技术涉及一种电力负荷电价响应概率预测方法、装置、存储介质及设备，属于电力系统数据处理。
技术介绍
1、涉及多个领域，首先是深度学习技术，如卷积神经网络 (cnn) 和长短时记忆网络(lstm)，这些技术被广泛用于时间序列数据分析和预测。其次，关注电力市场，需要了解电力市场的基本概念，包括负荷预测、电价定价。此外，概率预测方法是关键，包括分位数回归，它用于估计不同概率水平下的电价响应，以便更全面地理解电价变动。
2、特征提取不足：现有技术未能充分挖掘负荷和电价之间复杂的非线性关系，导致模型无法捕捉到关键的特征和趋势。
3、时空关联不充分：现有技术缺乏足够的对时空关联性的考虑，而负荷和电价的变化往往受到多种因素的影响，包括季节性、天气条件等。
4、对异常值和噪声的敏感性：现有技术对负荷和电价中的异常值和噪声较为敏感，影响了模型的鲁棒性和泛化能力。
5、缺乏对不确定性的处理：现有技术未能有效处理预测结果的不确定性，而在电力市场中，不确定性是常见且重要的因素。
6、综合考虑这些技术和领域知识，旨在开发一种综合方法，以提高短期负荷电价响应概率预测的准确性和实用性。
技术实现思路
1、本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种电力负荷电价响应概率预测方法、装置、存储介质及设备。
2、为解决上述技术问题，本专利技术提供一种电力负荷电价响应概率预测方法，其特征在于，包括：
3、获取目标区域待预
4、所述cnn-lstm和分位数回归融合预测模型的处理过程，包括：
5、cnn-lstm模型根据目标区域的电价以及电力负荷影响因素数据预测所述时间的电力负荷；
6、分位数回归模型根据所述时间的电力负荷预测所述时间的电力负荷的概率区间。
7、进一步的，所述cnn-lstm和分位数回归融合预测模型的训练，包括：
8、收集历史电力负荷数据以及对应的历史电价数据和历史电力负荷影响因素数据；
9、对收集的历史电力负荷数据以及对应的历史电价数据和历史电力负荷影响因素数据进行归一化处理，对归一化处理后的数据进行预处理，得到数据集；
10、从数据集中提取cnn-lstm模型的训练集，所述cnn-lstm模型的训练集的输入包括历史电价数据和历史电力负荷影响因素数据，输出包括对应的历史电力负荷数据；将所述cnn-lstm模型的训练集传递给cnn-lstm模型，计算损失，并更新cnn-lstm模型参数，以优化cnn-lstm模型，得到训练好的cnn-lstm模型；
11、分位数回归模型的训练集的输入是训练好的cnn-lstm模型预测的电力负荷，输出为对应的历史电力负荷数据的概率区间；将分位数回归模型的训练集传递给分位数回归模型，利用分位数损失函数计算损失，并更新分位数回归模型参数，以优化分位数回归模型，得到训练好的分位数回归模型；
12、结合训练好的cnn-lstm模型和训练好的分位数回归模型得到训练好的cnn-lstm和分位数回归融合预测模型。
13、进一步的，所述电力负荷影响因素数据包括湿球温度和季节信息中的至少一种。
14、一种电力负荷电价响应概率预测装置，包括：
15、获取模块，用于获取目标区域待预测时间的电价和电力负荷影响因素数据；
16、预测模块，用于将目标区域待预测时间的电价和负荷影响因素数据输入到预先训练好的cnn-lstm和分位数回归融合预测模型，预测所述时间的电力负荷以及所述时间的电力负荷的概率区间；
17、所述cnn-lstm和分位数回归融合预测模型的处理过程，包括：
18、cnn-lstm模型根据目标区域的电价和和电力负荷影响因素数据预测所述时间的电力负荷；
19、分位数回归模型根据所述时间的电力负荷预测所述时间的电力负荷的概率区间。
20、进一步的，还包括：训练模块，用于
21、收集历史电力负荷数据以及对应的历史电价数据和历史电力负荷影响因素数据；
22、对收集的历史电力负荷数据以及对应的历史电价数据和历史电力负荷影响因素数据进行归一化处理，对归一化处理后的数据进行预处理，得到数据集；
23、从数据集中提取cnn-lstm模型的训练集，所述cnn-lstm模型的训练集的输入包括历史电价数据和历史电力负荷影响因素数据，输出包括对应的历史电力负荷数据；将所述cnn-lstm模型的训练集传递给cnn-lstm模型，计算损失，并更新cnn-lstm模型参数，以优化cnn-lstm模型，得到训练好的cnn-lstm模型；
24、分位数回归模型的训练集的输入是训练好的cnn-lstm模型预测的电力负荷，输出为对应的历史电力负荷数据的概率区间；将分位数回归模型的训练集传递给分位数回归模型，利用分位数损失函数计算损失，并更新分位数回归模型参数，以优化分位数回归模型，得到训练好的分位数回归模型；
25、结合训练好的cnn-lstm模型和训练好的分位数回归模型得到训练好的cnn-lstm和分位数回归融合预测模型。
26、进一步的，所述电力负荷影响因素数据包括湿球温度和季节信息中的至少一种。
27、一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行所述方法。
28、一种计算机设备，包括，
29、一个或多个处理器、存储器以及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述方法的指令。
30、本专利技术所达到的有益效果：
31、结合了深度学习技术和分位数回归，用于预测电力市场中短期负荷电价响应的概率分布。这将有助于改善电力市场的运营和管理，促使更可持续和智能的能源利用，对社会和经济都具有积极的影响。
本文档来自技高网...【技术保护点】
1.一种电力负荷电价响应概率预测方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷电价响应概率预测方法，其特征在于，所述CNN-LSTM和分位数回归融合预测模型的训练，包括：
3.根据权利要求1所述的电力负荷电价响应概率预测方法，其特征在于，所述电力负荷影响因素数据包括湿球温度和季节信息中的至少一种。
4.一种电力负荷电价响应概率预测装置，其特征在于，包括：
5.根据权利要求4所述的电力负荷电价响应概率预测装置，其特征在于，还包括：训练模块，用于
6.根据权利要求4所述的电力负荷电价响应概率预测装置，其特征在于，所述电力负荷影响因素数据包括湿球温度和季节信息中的至少一种。
7.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行权利要求1至3中的任一所述方法。
8.一种计算机设备，其特征在于，包括，
【技术特征摘要】
1.一种电力负荷电价响应概率预测方法，其特征在于，包括：
2.根据权利要求1所述的电力负荷电价响应概率预测方法，其特征在于，所述cnn-lstm和分位数回归融合预测模型的训练，包括：
3.根据权利要求1所述的电力负荷电价响应概率预测方法，其特征在于，所述电力负荷影响因素数据包括湿球温度和季节信息中的至少一种。
4.一种电力负荷电价响应概率预测装置，其特征在于，包括：
5.根据权利要求4所述...
【专利技术属性】
技术研发人员：王珂，曹若琳，吴峰，周奕男，徐弘升，王正风，梁肖，高卫恒，
申请(专利权)人：河海大学，
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。