一种电力现货市场的电价预测方法及装置与流程

本发明涉及电力技术领域，尤其涉及一种电力现货市场的电价预测方法、装置、终端设备及存储介质。

背景技术：

电力现货市场能充分反映出边际发电成本和电力供需，从而更好地凸显电力价格信号。然而现有的电价预测方法主要包括回归模型、神经网络预测、时间序列、小波分析预测及灰色预测等单一或组合算法，其用于电力现货市场的价格预测精度及算法稳定性都较差。

南方(以广东起步)电力现货市场即将进入试运行，这是全国首个投入试运行的电力现货市场，迫切需要提出一种预测算法稳定性和预测精度均适用于电力现货市场的价格预测方法。

技术实现要素：

本发明的目的在提供一种适用于电力现货市场的电价预测方法、装置终端设备及存储介质，能够提高电力现货市场的电价预测的精确度。

为了解决上述技术问题，本发明实施例提供一种电力现货市场的电价预测方法，包括：

获取一定时间范围内的历史电价数据，形成历史电价数据序列；

对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；，

将所述不同频率的子序列分成训练集和预测集；

利用所述训练集训练cnn模型，并将所述预测集传输到训练后的cnn模型中进行电价预测，得到预测数据；

对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。

进一步地，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，

采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；

根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

进一步地，所述设定的尺度为3、4、5、6或7尺度。

进一步地，所述利用训练集训练cnn模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练cnn模型。

本发明实施例还提供一种电力现货市场的电价预测装置，包括：

获取模块，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列；

归一化模块，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列；

小波分解模块，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列；，

分类模块，用于将所述不同频率的子序列分成训练集和预测集；

训练模块，用于利用所述训练集训练cnn模型；

电价预测模块，用于将所述预测集传输到训练后的cnn模型中进行电价预测，得到预测数据；

小波重构模块，用于对所述预测数据进行小波重构，得到重构的预测数据；

反归一化模块，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。

进一步地，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，

采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；

根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

进一步地，所述设定的尺度为3、4、5、6或7尺度。

进一步地，所述利用训练集训练cnn模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练cnn模型。

本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述的电力现货市场的电价预测方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的电力现货市场的电价预测方法。

本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。

此外，还通过依靠cnn(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。

附图说明

图1为本发明实施例提供的电力现货市场的电价预测方法的流程图；

图2为3尺度的小波分解的示意图；

图3为典型7层卷积神经网络结构示意图；

图4为pjm市场2000年08-09月电价预测mape图；

图5为本发明实施例提供的电力现货市场的电价预测装置结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。

术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。

请参阅图1，本发明实施例提供一种电力现货市场的电价预测方法，包括：

s100、获取一定时间范围内的历史电价数据，形成历史电价数据序列。

s101、对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列。

其中，所述对所述历史电价数据序列进行归一化，具体的，将所述历史电价数据归一化到0～1之间。

所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，

可以采用3尺度、4尺度、5尺度、6尺度或7尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号an和若干个高频的细节信号dn；

根据所述一个低频的近似信号an和所述若干个高频的细节信号dn划分不同频率的子序列。

所述3尺度的小波分解的示意图如图2所示，

其中，p(n)＝a3(n)+d3(n)+d2(n)+d1(n)。

s102、将所述不同频率的子序列分成训练集和预测集。

s103、利用所述训练集训练cnn模型，并将所述预测集传输到训练后的cnn模型中进行电价预测，得到预测数据。

其中，在利用训练集训练cnn模型之前，还需要构建cnn模型。cnn(卷积神经网络)模型是一种深度学习模型，采用的是有监督的学习机制，这使得它能适应大部分的问题，尤其是在对局部特征进行挖掘和对全局训练特征进行提取方面有强大的优越性。它是从输入到输出的一种映射，不需要精确的表达式，只需要有对应的输入与输出就可以映射出对应关系。开始训练前对参数采用的是随机初始化的方法，保证要尽量小以免进入饱和状态，同时随机赋值也是为了使网络具备学习能力，与其他深度学习算法相比，卷积神经网络不需要复杂的数据预处理过程，性能更高。其结构如图3所示。

在cnn模型构建后，利用训练集中的样本数据，并采用误差反向传输算法分别训练对应的cnn模型。

在所述cnn模型训练好后，利用预测集中的电价数据作为输入数据，将其输入到经过训练后的cnn模型中获得预测电价。

s104、对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。

在本发明实施例中，所述对预测数据进行小波重构，具体的，将步骤s2所述不同频率的子序列重构成在小波分解前的序列数据。

其中，3尺度的子序列数据，重构后的序列数据采用的表达式如下：

p(n)＝a3(n)+d3(n)+d2(n)+d1(n)

在通过小波重构获得小波分解前的序列数据后，将步骤s4所述的预测数据进行反归一化处理，得到起实际电价预测序列。

由于历史电价数据序列中含有较强的非线性特征，具体表现为序列波形中的尖峰或者剧烈振荡，而这些特征是影响预测精度的重要原因。

本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。

此外，还通过依靠cnn(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。

为了验证本发明实施例的效果，本发明实施例本取pjm市场的2000年06月-07月作为输入数据样本，对8月和9月电价数据进行滚动预测。

请参阅图4，图4为pjm市场2000年08-09月电价预测的mape图。从图4可以看出本方法的mape曲线更接近于0曲线，且本发明实施例、支持向量机(svm)、bp神经网络方法(bpnn)、小波变换与深度置信网络(wt+dbn)及小波分解与支持向量机组合法(wd+svm)预测方法分别得到的平均绝对百分比误差(mape)的均值为0.0505、0.2201、0.1708、0.0789、0.0865及0.05685，可见，本电价预测方法mape的均值最小，即验证了本发明实施例提供的一种电力现货市场的电价预测方法能够提高电力现货市场的电价预测的精确度。

本发明实施例还提供一种电力现货市场的电价预测装置，包括：

获取模块1，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列。

归一化模块2，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列。

小波分解模块3，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列。

其中，所述对所述历史电价数据序列进行归一化，具体的，将所述历史电价数据归一化到0～1之间。

所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，

可以采用3尺度、4尺度、5尺度、6尺度或7尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；

根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。

所述3尺度的小波分解的示意图如图2所示，

其中，p(n)＝a3(n)+d3(n)+d2(n)+d1(n)。

分类模块4，用于将所述不同频率的子序列分成训练集和预测集。

电价预测模块5，用于将所述预测集传输到训练后的cnn模型中进行电价预测，得到预测数据。

其中，在利用训练集训练cnn模型之前，还需要构建cnn模型。cnn(卷积神经网络)模型是一种深度学习模型，采用的是有监督的学习机制，这使得它能适应大部分的问题，尤其是在对局部特征进行挖掘和对全局训练特征进行提取方面有强大的优越性。它是从输入到输出的一种映射，不需要精确的表达式，只需要有对应的输入与输出就可以映射出对应关系。开始训练前对参数采用的是随机初始化的方法，保证要尽量小以免进入饱和状态，同时随机赋值也是为了使网络具备学习能力，与其他深度学习算法相比，卷积神经网络不需要复杂的数据预处理过程，性能更高。其结构如图3所示。

在cnn模型构建后，利用训练集中的样本数据，并采用误差反向传输算法分别训练对应的cnn模型。

在所述cnn模型训练好后，利用预测集中的电价数据作为输入数据，将其输入到经过训练后的cnn模型中获得预测电价。

小波重构模块6，用于对所述预测数据进行小波重构，得到重构的预测数据；

反归一化模块7，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。

在本发明实施例中，所述对预测数据进行小波重构，具体的，将通过小波重构模块分解得到的不同频率的子序列重构成在小波分解前的序列数据。

其中，3尺度的子序列数据，重构后的序列数据采用的表达式如下：

p(n)＝a3(n)+d3(n)+d2(n)+d1(n)

在通过小波重构获得小波分解前的序列数据后，将电价预测模块5获得的预测数据进行反归一化处理，得到起实际电价预测序列。

由于历史电价数据序列中含有较强的非线性特征，具体表现为序列波形中的尖峰或者剧烈振荡，而这些特征是影响预测精度的重要原因。

本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。

此外，还通过依靠cnn(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。

为了验证本发明实施例的效果，本发明实施例本取pjm市场的2000年06月-07月作为输入数据样本，对8月和9月电价数据进行滚动预测。

请参阅图4，图4为pjm市场2000年08-09月的mape图。从图4可以看出本方法的mape曲线更接近于0曲线，且本发明实施例、支持向量机(svm)、bp神经网络方法(bpnn)、小波变换与深度置信网络(wt+dbn)及小波分解与支持向量机组合法(wd+svm)预测方法分别得到的平均绝对百分比误差(mape)的均值为0.0505、0.2201、0.1708、0.0789、0.0865及0.05685，可见，本电价预测方法mape的均值最小，即验证了本发明实施例提供的一种电力现货市场的电价预测装置能够提高电力现货市场的电价预测的精确度。

本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的电力现货市场的电价预测方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述所述的电力现货市场的电价预测方法。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。