一种电力现货市场日前电价的预测方法、电子设备与流程

本发明涉及电价预测，特别涉及一种电力现货市场日前电价的预测方法、电子设备及介质。

背景技术：

1、目前水能、风能、太阳能等新能源的开发建设规模逐渐扩大，且相关技术日渐成熟，经济效益也持续提高，诸如风电、光伏发电等新能源被大规模地引入并接入电网。但是这类新能源存在不确定性，且其电能难以大量储存，进而可能导致日前出清价格出现剧烈波动，使得电力市场参与者的行为更加难以预测，增大了电力市场供需之间失衡的风险，易影响电网运行的稳定性。同时，随着电力行业逐渐由垄断走向市场化，电力市场环境下各方的交易均建立在电价基础之上。因此，准确的日前电力价格预测能够为参与市场的各方提供决策支持，例如确定出售或购买电力的时机、制定合理的电力采购计划等，对于电力市场的运行和参与者的决策具有重要意义。

2、现货市场日前电价的价格主要由市场供需、能源价格、及天气因素决定，其中市场供需作为内生变量。然而在电力市场中，影响日前电价的外生不确定因素十分复杂，既有宏观经济发展、政策影响，又受到微观市场结构、电力客观约束条件制约，比如外部市场价格、新能源出力情况，线路阻塞、机组报价等因素影响，在这些因素的叠加耦合影响，会出现突然的价格上涨或下跌，即出现尖峰电价。此外，收到交易操作等不可控的人为因素对供需关系的影响，还会导致所述尖峰电价的随机性很强，但所述尖峰电价的时间点正是交易决策峰谷套利的关键时间点。

3、随着大数据技术逐渐成熟，当前用于预测电力市场出清价格的方法多基于数据挖掘技术，例如包括统计学方法、机器学习方法(machine learning，ml)以及时序分解方法等。其中统计学方法是基于历史价格、历史外部因素及当前外部因素的数学组合来估计当前价格，其中外部因素通常包括负荷的生产和消费值以及天气条件。一些典型方法包括相似日法、指数平滑法、回归模型和自回归时间序列模型等。但是由于电价的形成是基于多种因素的非线性耦合，统计学预测方法对于非线性行为和某些相关基本变量的建模能力有限，无法拟合具有高波动性、高不确定性的日前电价导致预测精度较低。机器学习方法则包括支持向量机回归(support vector regression，svr)、极端梯度提升(extreme gradientboosting，xgboost)以及轻量级梯度提升机(light gradient boosting machine，lgbm)等。电价数据通常具有时间上的相关性和趋势性，而机器学习模型通常假设样本是独立的，这可能导致机器学习模型无法充分利用数据的时序性信息。时序分解方法则是将原始电价分解，再采用长短期记忆网络(long short-term memory，lstm)等深度学习模型进行预测。深度学习模型具有更高的灵活性，能够对复杂的非线性问题进行建模，分解方法主要有经验模态分解(empirical mode decomposition，emd)及相关变体形式、变分模态分解(variational mode decomposition,vmd)等，具体方法有emd-lstm方法、eemd-lstm和vmd-lstm等。时间序列分解虽然关注了电价的长期趋势和季节性成分，但是忽略了可以显著影响电价复杂的、细粒度的结构成分，如短期趋势变化。因此，针对节假日电价进行预测时会遵循历史长期趋势的变化模式，忽略价格的瞬时变化，导致预测精度较低；其次，部分分解方法基于未来数据的分解，有严重的数据泄露情况。

技术实现思路

1、针对现有技术中的部分或全部问题，本发明第一方面提供一种电力现货市场日前电价的预测方法，其基于日前电价形成的过程，融合了特征衍生、频域数据增强及基于深度学习的长时序预测方法，以捕捉电价长短期变化模式和多特征之前的耦合关系,构建长时序、精度高、计算快的日前电价预测模型，进而克服数据偏移、尖峰电价、长时序预测误差累积导致的预测精度不高问题，所述预测方法包括：

2、根据相关性，从电力现货市场的公开披露数据中筛选特征；

3、基于筛选得到的特征进行衍生，得到衍生特征；

4、对筛选得到的特征及衍生特征进行数据处理，包括填补缺失值、方差稳定转换以及归一化处理；

5、对所述特征进行编码，将其映射到维度一致的高维空间；

6、将编码后的数据输入到训练好的预测模型，得到预测电价，其中所述预测模型为基于transformer的多变量时序预测及自监督表示学习的模型。

7、进一步地，筛选特征包括：

8、计算电力现货市场的各公开披露数据的皮尔逊相关系数；以及

9、根据计算得到的皮尔逊相关系数对所述公开披露数据进行排序，并提取相关系数大于指定数值的数据作为特征。

10、进一步地，所述衍生特征包括：

11、基于时间效应衍生的特征，包括季度特征、月度特征、小时特征及节假日特征；

12、基于电价波动情况衍生的特征，包括价格趋势特征、及b类机组出力趋势特征；以及

13、阻塞特征。

14、进一步地，填补缺失值包括：

15、采用临近两天同一时刻的均值填补缺失值，其中所述缺失值包括缺失的某一时刻的日前节点电价。

16、进一步地，所述方差稳定转换包括对数变换或双曲正弦变换。

17、进一步地，所述归一化处理包括正态标准化处理。

18、进一步地，对特征进行编码包括：

19、将输入向量与位置编码向量按元素顺序相加，对时间序列数据中的顺序信息进行编码，得到特征向量；以及

20、通过一维卷积将所述特征变量映射为指定维数的数据。

21、进一步地，所述预测模型包括：

22、前序(forward)模块，其用于将输入的多变量时间序列分割为若干条单变量的时间序列；

23、时序分割(patching)模块，其用于将所述单变量的时间序列划分为若干个块(patch)，并将每个patch视为一个标志(token)进行嵌入(embedding)，加上位置编码特征，形成transformer编码器的输入信息；以及

24、transformer编码器。

25、进一步地，所述预测模型的训练过程包括：

26、基于历史数据形成训练集及测试集对所述预测模型进行训练，在模型收敛后，保存模型参数文件。

27、进一步地，所述预测模型的训练还包括在对所述训练集的特征进行编码前，进行数据增强，包括：

28、时域上串联回顾窗口与预测视界的数据点；

29、对串联后的时域数据做傅里叶变换，得到一个由复数组成的张量；

30、随机将所述张量的一部分掩码修改为零，得到增广的频域数据；以及

31、对所述增广的频域数据做傅里叶逆变换，得到增强后的时域数据。

32、进一步地，所述预测模型的训练采用平滑平均绝对误差作为损失函数。

33、基于如前所述的电力现货市场日前电价的预测方法，本发明第二方面提供一种用于预测电力现货市场日前电价的电子设备，其包括存储器以及处理器，其中所述存储器被配置为存储计算机程序，所述计算机程序在所述处理器运行时执行如前所述的预测方法。

34、本发明提供的一种电力现货市场日前电价的预测方法，其通过获取待确定电价日对应的历史时段内的市场披露数据、历史时段内的电价数据和待确定电价日的披露数据；采用特征衍生和主成分分析(principal component analysis，pca)降维对原始数据处理后获得样本数据；将数据输入至长时序预测模型进行训练，并在训练阶段采用频域数据增强方法提高模型泛化性，得到训练好的电力现货市场日前电价预测模型；将所述待确定电价日的披露数据经相同的预处理后输入所述训练好的电力现货市场日前电价预测模型中，得到所述待确定电价日的日前电价预测结果。所述方法引入趋势指标来表征日前电价的波动情况，能够捕捉有效的细粒度结构成分，如短期变化模式，基于主成分分析将2000多个节点电价数据特征进行降维处理后作为阻塞特征来缓解尖峰电价的预测，并在模型训练阶段采用频域增强技术缓解了尖峰电价样本过少导致的模型欠拟合和过拟合问题，提高了日前价格预测的整体精度。所采用的预测模型相较于其它深度学习方法减少了内存使用和计算复杂度，可快速准确的预测运行日的日前电价并节省所需计算资源；此外，基于所预测的电价指导用电的生产经营活动，可达到节能减排并节约成本的技术效果。