一种子图学习的电价预测方法

1.本发明涉及电力市场中电价预测领域，具体涉及一种子图学习的电价预测方法。


背景技术：

2.电力现货市场主要分为日前交易市场、日内交易市场和日前市场。其中，日前交易市场是电力市场的重要子市场，通过在运行日前一日决定运行日的资源组合状态和计划的电能量交易，并进行市场出清，得到运行日的电力价格。电力价格是影响供电商在电力市场运作中盈亏的决定性因素，价格的波动会直接影响到各个市场参与者的收益，各个电力市场的参与者需要制定有效的电价预测模型，进而才能提供有效的报价和使自身的效益最大化等。
3.与此同时，各国的能源消耗加剧了环境气候变化所带来的严重后果威胁着人类的可持续发展，为此，各国开始通过控制温室气体排放来遏制全球变暖，但由于可再生能源并不稳定，这使得电力价格比以往任何时候都更难预测。(吕维港,王辉,周子扬,汪怡秀,邾玢鑫.高比例风电下电力市场短期电价预测[j].科学技术与工程,2021,21(30):13002-13009.)，为此，需要利用先进的技术手段，挖掘数据特征，分析发展规律，从而精确预测日前电价成为关键(lago,j.,et al.,forecasting day-ahead electricity prices:a review of state-of-the-art algorithms,best practices and an open-access benchmark.applied energy,2021.293:p.116983.)。
[0004]
近年来，随着深度学习的不断发展，人们不断尝试将先验知识融入到深度学习当中，以提高模型的性能，一般做法是利用全连接层将特征拼接来实现特征融合，但在拼接过程难以保证原有的信息逻辑，为了把多类特征嵌入表示，图技术成为解决的关键(周飞燕,金林鹏,董军.卷积神经网络研究综述[j].计算机学报,2017,40(06):1229-1251.)。图技术所解决的数据与普通数据不同，其关注于对非欧氏空间下的数据进行特征提取，通过节点来承载数据信息，通过边来表达数据间的关联特性，是一种新的数据处理方式。因此，在电力市场的不断发展以及新型电力系统中电力消费高度不确定的大背景下，如何设计一种精确有效的电价预测方法，合理考虑多种影响因素，实现高精度日前电价预测，是当前电力市场亟需解决的一个重要问题。


技术实现要素：

[0005]
为解决随着新型电力系统的发展所带来电力市场价格难以预测的大背景下，以及图技术的发展推动了知识嵌入数据样本当中，本发明提出一种子图学习的电价预测方法，构建电价图数据并改进图学习过程，从而进一步提高电价预测水平。
[0006]
本发明提出一种子图学习的电价预测方法，该方法具有泛化性强、预测精度高、鲁棒性强的特点。
[0007]
本发明至少通过如下技术方案之一实现。
[0008]
一种子图学习的电价预测方法，包括以下步骤：
[0009]
步骤1、获取关于区域负荷、天气的多种外源特征数据，并进行数据预处理和特征重要度分析，筛选出与电价相关的特征信息，建立电价信息库，提取出电价的训练集、验证集和测试集；
[0010]
步骤2、电价数据和筛选出来的多种外源特征信息作为节点信息，将各个节点的关系作为节点权重，形成电价信息图；
[0011]
步骤3、构建子图学习框架，将图学习过程分解成三个部分：子图分解过程、子图学习过程和子图聚合过程，形成子图学习层；
[0012]
步骤4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图进行学习和特征挖掘，映射到预测日的电价序列；
[0013]
步骤5、将训练集中的训练样本分成若干个批次并按批次送入日前电价预测模型中进行训练，并用验证集对日前电价预测模型的超参数进行调整直至收敛，最后利用测试集输出所需结果。
[0014]
进一步地，步骤1包括以下步骤：
[0015]
首先从电力市场中获取电价数据序列其中p
t
为t时刻的电价大小，t为电价序列的长度；然后再通过智能监测设备或者外源系统获得包括负荷序列数据、天气序列数据、节假日信息、天然气能源消耗信息的外源信息，并将数据进行数据预处理；
[0016]
采用斯皮尔曼等级相关系数或随机森林进行特征数据评估，筛选出与未来电价更加相关或者更加重要的特征信息。
[0017]
进一步地，所述数据预处理包括以下步骤：
[0018]
首先，对数据进行异常值处理，利用线性插值的方法对数据进行线性插值填充；
[0019]
然后，对于数值型数据，采用正态分布标准化方法或者max-min标准化方法对数据进行线性变换，其中，正态分布标准化方法将数据变换成均值为0方差为1的数据分布，定义如下：
[0020][0021]
max-min标准化方法将数据映射到[0,1]区间，其定义如下：
[0022][0023]
式中：x、x
*
分别为连续型特征数据的原始值和标准化转化值；mean是数据中的平均值；std是数据中的标准差；max是数据中的最大值；min是数据中的最小值；
[0024]
对于离散型节点数据，利用one-hot编码进行处理。
[0025]
进一步地，采用斯皮尔曼等级相关系数进行特征筛选，计算公式为：
[0026][0027]
式中：ρ表示特征筛选的结果，n为样本数量，i为样本；xi和yi为待分析对象信息的观测值；分别表示分析对象信息的平均数值。
[0028]
进一步地，对外源特征数据与电价特征信息进行结合，形成节点数据，每个节点代表一个时刻的所有特征数据，并计算每个节点数据之间的关系获得节点权重，从而形成电价信息图。
[0029]
进一步地，所述子图分解过程主要是采用子图分解方法将电价图信息图进行拆分，提取电价信息图的子图表示。
[0030]
进一步地，所述子图学习过程是对子图分解过程得到的电价子图进行图卷积计算，能够选取不同的图卷积核进行计算，如选取图卷积核、图注意力核或者残差图卷积核gcn、gat或者resgcn。
[0031]
进一步地，所述子图聚合过程是对多个子图的相同编号节点进行聚合，聚合方式可以采用平均或加权方式。
[0032]
进一步地，步骤4包括如下过程：基于步骤3所挖掘学习的子图学习层的结果作为上游特征提取结果，根据下游任务选择合适的模型进行拼接，从而构建出基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图映射到预测日的电价序列。
[0033]
进一步地，所述的下游任务，为了获得预测日的电价序列，经子图提取后，拼接下游模型，针对电价预测任务，下游模型为利用一个图注意力层对数据进行聚合，并用三个全连接层实现图特征到预测日的电价序列映射。
[0034]
相比于现有技术，本发明的有益效果如下：
[0035]
为了进一步提升日前电价预测精度，提高售电商市场收益，本发明设计了一种基于子图学习的电价预测方法，方法首先将历史电价数据以及与电价指标相关性较强的外源信息有效融合，将数据作为节点信息表示，将各节点的关系作为节点权重，形成多源特征的电价图数据，并借鉴集成学习的思想，提出子图学习框架对图数据进行学习，子图学习框架将图学习过程分解成多个子图学习过程，以提高模型的泛化性能，最后搭建图学习模型，得到预测日的电价结果。相较于其他预测方法，预测精度更高。为电力市场售电商策略选择奠定基础。
附图说明
[0036]
图1是本发明实施例中电价信息图的图构建方式示意图；
[0037]
图2是本发明实施例中子图学习框架示意图；
[0038]
图3是本发明实施例中子图分解过程示意图；
[0039]
图4是本发明实施例中resgcn的卷积过程示意图；
[0040]
图5是本发明实施例中子图聚合过程示意图；
[0041]
图6是本发明实施例中基于子图学习框架的电价预测模型示意图；
[0042]
图7是本发明实施例中整体实施的流程图。
具体实施方式
[0043]
附图仅用于示例性说明，不能理解为对本发明的限制；为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明，不能理解为对本发明的限制。
[0044]
实施例1
[0045]
一种子图学习的电价预测方法，如图7所示，包括如下步骤：
[0046]
步骤1、基于电力市场交易所得的区域电价数据以及各种智能监测设备(如负荷监测装置)采集与外源系统(气象站计量系统、能源交易系统)获取的区域负荷、天气等多种外源特征数据，数据包括电价数据序列以及外源数据信息如温度、风速、湿度等天气数据；天然气用量；光伏出力；风力出力等能源出力信息；节假日信息等。其中p
t
为t时刻的电价大小，t为电价序列的长度.
[0047]
对获取到的数据首先进行数据预处理，预处理异常值识别可以利用统计分布形式进行识别，由于电价灾变现象，电价突变的值会对模型影响较大，为此选用数据规定范围，如对小于5分位数和大于95分位数的数据作为异常值，并用线性插值方式进行填充处理。
[0048]
接着，对于数值型数据，如电价大小、负荷大小、温度大小等数据，可以采用正态分布标准化方法或者max-min标准化方法对数据进行线性变换，其中，正态分布标准化方法将数据变换成均值为0方差为1的数据分布，其定义如下：
[0049][0050]
max-min标准化方法将数据映射到[0,1]区间，其定义如下：
[0051][0052]
式中：x、x
*
分别为连续型特征数据的原始值和标准化转化值；mean是数据中的平均值；std是数据中的标准差；max是数据中的最大值；min是数据中的最小值；
[0053]
对于离散型节点数据，如是否为工作日，月份标识等，利用one-hot编码进行处理。
[0054]
预处理完毕则对其他外源信息进行重要度评估，筛选出与未来电价更加相关或者更加重要的特征信息。筛选方法可以采用斯皮尔曼等级相关系数该系数能够衡量x(独立变量)和y(依赖变量)的相关方向计算。它利用单调方程评价两个统计变量的相关性，结果一般用ρ表示。计算公式为：
[0055][0056]
式中：n为样本数量，i为样本；xi和yi为待分析对象信息的观测值；，分别表示分析对象信息的平均数值；
[0057]
选择与电价相关性较强的数据特征，构建电价信息库，并按7 1:2的比例划分训练集、验证集和测试集。
[0058]
步骤2、基于图理论将步骤1所得到的电价信息库进行图数据构建，其结果如图1所示。将电价数据和筛选出来的多种外源信息作为节点信息表示，每个节点所代表某一个时刻的数据特征，根据一天获取数据的长度决定了图数据的节点数量n，如电价为1小时一个时间点，则建立24节点的图数据，节点1代表了1时刻的预测日前一日的历史电价数据，1时刻的负荷数据，当天日期类型。(图中的tn表示第n个节点)
[0059]
并计算每个时刻的电价序列之间的相关性作为节点权重，最终形成电价信息图。
[0060]
步骤3、构建子图学习框架，子图学习框架主要包含三个部分：子图分解过程、子图学习过程和子图聚合过程，其整体框架计算过程如图2所示。
[0061]
子图分解过程如图3所示，采用随机采样方法，其过程包括以下步骤：
[0062]
(1)首先，根据所设子图节点数量上下限随机对图数据的节点和边进行采样，形成单个子图；
[0063]
(2)重复步骤(1)得到所需的子图数量；
[0064]
(3)子图全节点检查：即检查所有子图累计节点是否包含原图数据的节点，若子图累计节点没有包含原图数据的节点，则把剩余节点形成单个子图。
[0065]
子图学习过程则是图卷积计算过程，在此选用resgcn作为图卷积核为例，计算子图节点的特征提取结果，如图4所示为resgcn卷积过程。resgcn是在gcn的基础上演化而来的，利用初始残差从输入层构建一个跳跃连接，保证了每个节点的信息随着卷积次数的增多始终能保留初始输入特征的一部分；恒等映射则在权值矩阵中添加一个单位矩阵，保证深度模型至少与浅层模型的性能相同。加入残差机制后特征提取的最终结果计算公式如下所示
[0066][0067]
式中：i,j分别表示第i,j个节点,为第i个节点第k层子图卷积提取结果，n(i)表示除i节点外的所有其他节点集合，deg(i)表示求第i个节点的度，表示原始特征的残差衰减因子；表示权重矩阵的衰减因子；in为单位矩阵。ω
ij
为学习的矩阵权重，θ为权重矩阵。relu是非线性激活函数，其计算公式如下：
[0068]
relu(x)＝max(0,x)
[0069]
子图聚合过程是对多个子图的相同编号节点进行聚合，其过程如图5所示，聚合方式可以选择平均或加权等方式。
[0070]
对于节点i，其特征提取结果如下公式
[0071][0072]
其中，为第k层子图卷积提取结果，为第k层的第n个子图的图卷积提取结果，函数υ(x)为各子图相应节点的聚合函数，这里采用平均策略，即
[0073][0074]
步骤4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图进行学习和特征挖掘，映射到预测日的电价序列。其模型结构如图6所示。
[0075]
在第一层的全连接特征变换，计算公式如下
[0076]
[0077]
式中：w
(0)
为第一个全连接层的权重矩阵；b
(0)
为第一个全连接层的偏置矩阵；为原始数据特征；为经过全连接层的特征输出。
[0078]
子图学习层2计算过程由前所述，图归一化层计算公式如下
[0079][0080]
式中：α表示学习多少信息保持在平均值中的参数；γ和β表示其他归一化方法的仿射参数。x
(0)
表示输入的特征矩阵，e[x
(0)
]表示输入特征矩阵的平均数，ε表示偏置，var函数表示求取方差。
[0081]
最后通过三层全连接层(4、5、6)获得最终的特征，计算公式如下：
[0082][0083]
步骤5、将训练集中的训练样本分成若干个批次并按批次送入网络中进行训练，学习模型参数，并基于验证集对网络模型的超参数进行调整，获得较好的初始化参数，实现高精度的日前电价预测。最后根据所述最终的模型对电价进行预测，得到最终的分时电价预测结果。
[0084]
实施例2
[0085]
步骤1、基于电力市场交易所得的区域电价数据以及各种智能监测设备采集(如负荷)与外源系统获取的区域负荷、天气等多种外源特征数据进行数据预处理和特征重要度分析，筛选出与电价更为相关的信息特征，建立电价信息库，提取出电价的训练集、验证集和测试集；
[0086]
步骤2、电价数据和筛选出来的多种外源信息作为节点信息表示，将各个节点的关系作为节点权重，形成电价信息图；
[0087]
步骤3、构建子图学习框架，对传统的图学习过程转换成分成三部分：子图分解过程、子图学习过程和子图聚合过程；
[0088]
步骤4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图进行学习和特征挖掘，映射到预测日的电价序列；
[0089]
步骤5、将训练集中的训练样本分成若干个批次并按批次送入电价预测模型中进行训练，并用验证集对电价预测模型的超参数进行调整直至收敛。
[0090]
该实施例采用不同的子图分解方法对子图进行分解，该方法首先对全部节点(设有24个节点)计算每个节点之间的皮尔逊相关系数，接着，对于每个节点选取与其相关性较高的前5个另外节点作为子图1，如此类推获得24个子图。
[0091]
除去不同的子图分解方法外设定同实施例1。
[0092]
实施例3
[0093]
步骤1、基于电力市场交易所得的区域电价数据以及各种智能监测设备采集(如负荷)与外源系统获取的区域负荷、天气等多种外源特征数据进行数据预处理和特征重要度分析，筛选出与电价更为相关的信息特征，建立电价信息库，提取出电价的训练集、验证集
和测试集；
[0094]
步骤2、电价数据和筛选出来的多种外源信息作为节点信息表示，将各个节点的关系作为节点权重，形成电价信息图；
[0095]
步骤3、构建子图学习框架，对传统的图学习过程转换成分成三部分：子图分解过程、子图学习过程和子图聚合过程；
[0096]
基于步骤3所挖掘学习的子图学习层的结果作为上游特征提取结果(上游即指一开始得到的结果，包括数据挖掘、特征提取，下游即指利用所得提取的特征根据所需要解决的问题所构建的模型)，根据下游任务选择合适的模型进行拼接，从而构建出基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图映射到预测日的电价序列。
[0097]
根据下游任务选择合适的模型进行拼接，具体包括：为了获得预测日的电价序列，经子图提取后，拼接下游模型，针对电价预测任务，下游模型为利用一个图注意力层对数据进行聚合，并用三个全连接层实现图特征到预测日的电价序列映射。
[0098]
步骤4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图进行学习和特征挖掘，映射到预测日的电价序列；
[0099]
步骤5、将训练集中的训练样本分成若干个批次并按批次送入电价预测模型中进行训练，并用验证集对电价预测模型的超参数进行调整直至收敛。
[0100]
该实施例采用不同的图卷积核进行图学习计算，图卷积核采用图注意力卷积核(gat)。其计算公式如下所示：
[0101][0102][0103][0104]
其中，x
i(k)
表示第k层第i个节点的特征，θ和a
t
为可学习参数，exp()为求取指数函数。
[0105]
除去不同的图卷积核外设定同实施例1。
[0106]
实施例4
[0107]
步骤1、基于电力市场交易所得的区域电价数据以及各种智能监测设备采集(如负荷)与外源系统获取的区域负荷、天气等多种外源特征数据进行数据预处理和特征重要度分析，筛选出与电价更为相关的信息特征，建立电价信息库，提取出电价的训练集、验证集和测试集；
[0108]
步骤2、电价数据和筛选出来的多种外源信息作为节点信息表示，将各个节点的关系作为节点权重，形成电价信息图；
[0109]
步骤3、构建子图学习框架，对传统的图学习过程转换成分成三部分：子图分解过
程、子图学习过程和子图聚合过程；
[0110]
步骤4、构建基于子图学习框架下的图卷积网络的日前电价预测模型，将区域电价信息图进行学习和特征挖掘，映射到预测日的电价序列；
[0111]
步骤5、将训练集中的训练样本分成若干个批次并按批次送入电价预测模型中进行训练，并用验证集对电价预测模型的超参数进行调整直至收敛。
[0112]
该实施例采用随机森林进行重要特征筛选，具体方法为设定随机森林模型，输入外源数据特征，输出为电价序列，进行随机森林模型训练，从而获得随机森林模型，随机森林特征重要度计算方法为：
[0113]
(1)对于随机森林中的每一颗决策树，使用其相应的袋外数据来计算它的袋外数据误差，记为erroob1。
[0114][0115]
其中，n为决策树数量，yi为第i个数据，y
left
为yi数据左叶子节点的平均数，y
right
为yi数据右叶子节点的平均数，x
left
为左叶子节点，x
right
为右叶子结点。
[0116]
(2)随机地对袋外数据所有样本的特征x加入噪声干扰，再次计算它的袋外数据误差,记为erroob2。
[0117]
(3)随机森林的特征x的重要性则可以用如下公式计算：
[0118]
importance x＝∑(erroob1+erroob2)/n
[0119]
除去不同的重要度筛选外设定同实施例1。
[0120]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。