一种电力交易日前价格预测方法与流程

本发明涉及电力市场交易领域，特别是一种电力交易日前价格预测方法。

背景技术：

1、现有电力交易日前价格预测技术主要采用传统的时间序列预测方法，通过对历史协变量和目标变量进行拟合，生成一个单输出模型。

2、但是，该单输出模型以当日协变量作为输入，用于预测目标变量，旨在捕捉协变量和目标变量之间的关系；

3、而且该时间序列预测方法在建模过程中仅关注协变量和目标变量之间的关系，而缺少对目标变量自身时序关联性的考虑，导致模型在捕捉价格变动趋势上的不足；

4、同时，电力交易市场受实时供需变化等因素的影响较大，单输出的传统时间序列预测模型缺乏足够的实时性和动态性，无法灵活地应对市场瞬时变化，导致预测精度不足。

技术实现思路

1、本发明的目的在于，提供一种电力交易日前价格预测方法。本发明采用多输出模型，具有相对更强的实时性和动态性，能灵活应对变化，预测精度相对更高的优点。

2、本发明的技术方案：一种电力交易日前价格预测方法，包括如下步骤：

3、s1、数据预处理：对输入的数据进行预处理；

4、s2、模型训练：采用梯度提升回归树模型进行模型训练得到预测模型；所述预测模型为多输出梯度提升回归树模型multi-output gbrt；

5、s3、价格预测：对预测模型输入相关数据进行价格预测。

6、前述的电力交易日前价格预测方法中，步骤s1数据预处理，包括如下步骤：

7、s1.1、数据定义：市场电价为目标变量y，市场信息和气象信息为协变量x；各个协变量特征分别为x1，x2，…xn；历史目标变量为yd-1，yd-2，…，历史协变量为预测目标变量为yd；

8、s1.2、数据映射处理：采用插值函数f24to96将数据映射到相同长度；

9、s1.3、数据拼接输出：采用1d窗口作为模型输入，将目标变量和协变量按时间顺序进行拼接组成数据预处理输出。

10、前述的电力交易日前价格预测方法中，所述市场信息为调度中心公布的以15分钟为间隔的96时点数据，包括日前电价、市场电价、系统负荷、联络线计划、新能源出力、水电出力和火电最小出力；

11、所述气象信息为气象中心公布的以每小时为间隔的24时点数据，包括太阳辐照、风速、温度和气压。

12、前述的电力交易日前价格预测方法中，步骤s1.2所述的采用插值函数f24to96将数据映射到相同长度，其具体内容为：

13、

14、其中为24时点数据，为96时点数据。

15、前述的电力交易日前价格预测方法中，步骤s1.3所述的将目标变量和协变量按时间顺序进行拼接组成数据预处理输出，其具体内容为：

16、对各个协变量特征从最后一个时点向前取s时段的数据并与当日目标变量yd-1进行拼接，组成数据预处理输出，

17、

18、前述的电力交易日前价格预测方法中，步骤s2所述的模型训练，其具体内容为：

19、96个单时点的预测均采用梯度提升回归树模型gbrt1，gbrt2，…gbrt96，数据预处理后的输出数据为x，当日数据xd-1为预测输入，往前取n天xd-2，xd-3，…xd-n为训练输入，每个gbrt模型，训练真实值为明日相应时点的节点电价；

20、gbrt1的训练真实值为y1，d-1，y2，d-2，…y96，d-n+1；

21、训练过程中采取贪心算法，每个gbrt模型独立计算损失，并进行反向更新，将训练出的gbrt1，gbrt2，…gbrt96模型按时点顺序进行组合，得到多输出梯度提升回归树模型multi-output gbrt。

22、前述的电力交易日前价格预测方法中，步骤s3所述的价格预测，其具体内容为：

23、将预测输入xd-1传入训练后的多输出梯度提升回归树模型multi-output gbrt，得到预测目标变量yd，

24、

25、前述的电力交易日前价格预测方法中，所述预测模型设有损失函数；所述损失函数具体为：

26、其中p*为计算皮尔逊相关系数，s*为计算斯皮尔曼系数。

27、与现有技术相比，本发明通过利用多输出模型，不仅关注协变量和目标变量之间的关系，更强调捕捉目标变量自身的时序关联性，将历史目标变量纳入建模过程，更好把握电力交易日前价格变动的时序特性，通过采用多输出模型，更灵活地适应市场的实时供需变化，每个输出都对应不同时间点，使模型具备更强的实时性和动态性，能够在每一个时点更准确地预测电力交易日前价格，以适应市场瞬时变化。

28、因此，本发明采用多输出模型，具有相对更强的实时性和动态性，能灵活应对变化，预测精度相对更高的优点。

29、进一步的，本申请的通过采用数据预处理的方法，具有以下优点：

30、1)特征维度的降低：相对于2d输入窗口，1d输入窗口的输入能有效降低特征空间的维度，减少模型的复杂性，降低过拟合的风险，并在计算方面更加高效；

31、2)数据时效性：通过使用最近的时点数据，能够更好地捕捉数据的时效性；特别是在电力现货市场中，价格的趋势和模式可能随时间迅速发生变化；

32、3)窗口大小的可调性：与经典的2d窗口输入相比，1d窗口输入的大小更容易调整和优化；可以改变选取长度s选择合适的窗口大小，以平衡模型的灵活性和性能；

33、4)协变量和目标变量的结合：将目标变量和协变量按时间顺序进行拼接，有助于模型更好地理解它们之间的关系；这种结合可以提供更多的信息，有助于模型更准确地进行预测；

34、采用多输出梯度提升回归树模型multi-output gbrt作为预测模型，该模型结构具有如下优点：

35、1)可解释性：gbrt模型具有很好的可解释性，可以提供特征的重要性排序，可以帮助分析和理解电价因素，以便进行决策和调整；

36、2)数据灵活性：允许使用不同长度的历史数据xd-2，xd-3，…xd-n来训练模型，有助于模型捕获潜在的趋势和周期性；传统时间序列预测模型通常依赖固定的历史窗口，这可能会导致信息丢失或无法充分利用可用数据；

37、3)并行训练：传统时间序列预测模型通常是单个时间序列预测，因此在训练时必须依次处理每个时点的数据，导致训练过程较为缓慢；相比之下本模型采用贪心算法来并行训练96个gbrt模型，每个模型负责预测一个时点的值，这意味着每个模型在训练过程中都专注于最大化其自身的性能，而不受其他模型的干扰；这可以加速模型训练过程。

38、4)多输出模型解耦：将多输出问题分解为多个独立的单目标问题，每个问题由一个gbrt模型解决；这种解耦可以简化问题，降低模型复杂性；同时允许每个单目标模型专注于其特定时刻的预测，合并以获得全局多输出预测。这提供了更灵活的方式来建立多输出模型。

技术特征：

1.一种电力交易日前价格预测方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的一种电力交易日前价格预测方法，其特征在于，步骤s1数据预处理，包括如下步骤：

3.根据权利要求2所述的一种电力交易日前价格预测方法，其特征在于：所述市场信息为调度中心公布的以15分钟为间隔的96时点数据，包括日前电价、市场电价、系统负荷、联络线计划、新能源出力、水电出力和火电最小出力；

4.根据权利要求2所述的一种电力交易日前价格预测方法，其特征在于，步骤s1.2所述的采用插值函数f24to96将数据映射到相同长度，其具体内容为：

5.根据权利要求2所述的一种电力交易日前价格预测方法，其特征在于，步骤s1.3所述的将目标变量和协变量按时间顺序进行拼接组成数据预处理输出，其具体内容为：

6.根据权利要求1所述的一种电力交易日前价格预测方法，其特征在于，步骤s2所述的模型训练，其具体内容为：

7.根据权利要求6所述的一种电力交易日前价格预测方法，其特征在于，步骤s3所述的价格预测，其具体内容为：

8.根据权利要求1所述的一种电力交易日前价格预测方法，其特征在于，所述预测模型设有损失函数；所述损失函数具体为：

技术总结
本发明公开了一种电力交易日前价格预测方法,步骤为：S1、数据预处理；S2、模型训练；S3、价格预测。本发明通过利用多输出模型，不仅关注协变量和目标变量之间的关系，更强调捕捉目标变量自身的时序关联性，将历史目标变量纳入建模过程，更好把握电力交易日前价格变动的时序特性，通过采用多输出模型，更灵活地适应市场的实时供需变化，每个输出都对应不同时间点，使模型具备更强的实时性和动态性，能够在每一个时点更准确地预测电力交易日前价格，以适应市场瞬时变化。本发明采用多输出模型，具有相对更强的实时性和动态性，能灵活应对变化，预测精度相对更高的优点。

技术研发人员：刘中一
受保护的技术使用者：北京兰木达技术有限公司
技术研发日：
技术公布日：2024/4/7