电力现货市场日前竞价空间的预测方法、装置和存储介质与流程

本公开涉及电力现货市场预测领域，特别是涉及一种电力现货市场日前竞价空间的预测方法、装置和存储介质。

背景技术：

1、在电力现货市场运营中，电力调度机构如何预先识别潜在系统风险和评估电力系统安全性，是保障电力系统高效运行的关键环节。日前竞价空间作为电力现货市场运行中的一个重要参数，能够辅助电力调度机构制定安全高效的资源配置计划。

2、现阶段日前竞价空间通常按照“日前竞价空间＝统筹负荷-联络线计划量-地方电计划量-备用电计划量-风电预测量-光伏预测量”的计算方式得到，没有考虑电网情况和其他基本面情况，导致日前竞价空间与实时竞价空间存在一定偏差。在中国发明专利《一种电力现货市场预测方法、装置、终端及存储介质》(申请号：201911370559.2)所公开的技术方案中包含分时竞价空间计算方法，但其仅考虑了负荷、外购电负荷、a类机组出力，风电、光伏新能源出力以及电网阻塞、检修等影响电力供需关系信息并没有考虑进去。因此，对于电力现货市场日前竞价空间的预测仍然存在改进空间。本发明创新地提出了一种日前竞价空间的预测方法，为电力调度机构辅助决策提供了技术支持。

技术实现思路

1、本公开旨在至少在一定程度上解决现有相关技术中存在的技术问题之一。

2、为此，本公开提供了一种电力现货市场日前竞价空间的预测方法、装置和存储介质，突破了传统的日前竞价空间计算方法，采用深度神经网络模型对日前竞价空间进行预测，使用了电力需求侧、电网传输侧、电力供给侧和其他因素四个方面的时间序列特征的异构数据，将布尔型和文本型数据转换成数值型数据，充分挖掘了这两类数据在深度神经网络模型数值预测任务中的价值，提升了日前竞价空间的计算结果精度，为电力调度机构做日前调度计划提供了重要数据支持。

3、为了实现上述目的，本公开采用如下技术方案：

4、本公开第一方面提供的一种电力现货市场日前竞价空间的预测方法，包括：

5、获取电力现货市场的原始历史数据和电力网络拓扑情况，所述原始历史数据分为数值型、布尔型和文本型三大类，将每种数据分别表示为数值型的时间序列并作为相应的一个特征，其中，针对布尔型的历史原始数据，将布尔值“是”用数值“1”表示，将布尔值“否”用数值“0”表示；针对文本型的历史原始数据，将所述电力网络拓扑情况作为外部知识利用大语言模型和设计的格式化提示符对其进行处理，以转换为数值型的时间序列；将同一时刻的各特征的数值作为行，将某一特征的时间序列数值作为列构造由所有特征融合形成的特征矩阵，利用所述特征矩阵及其对应的实时竞价空间构建训练数据集；

6、利用所述训练数据集对深度神经网络模型进行训练，得到日前竞价空间预测模型；

7、获取电力现货市场的实时数据，按照所述特征矩阵的构造方式得到待测特征矩阵，将所述待测特征矩阵输入所述日前竞价空间预测模型，得到日前竞价空间的预测值。

8、在一些实施例中，所述电力现货市场的原始历史数据和实时数据均分为电力需求侧数据、电网传输侧数据、电力供给侧数据和其他数据；

9、所述电力需求侧数据选取统筹负荷；所述电力供给侧数据选取联络线计划量、地方电计划量、备用电计划量、风电预测量和光伏预测量；所述电网传输侧数据选取线路阻塞情况和线路检修情况；所述其他数据选取新能源装机量、燃料价格、日期属性和温度预测量，所述日期属性为是否为节假日；

10、上述数据中，所述线路阻塞情况和线路检修情况均为文本型数据，所述日期属性为布尔型数据，剩余数据均为数值型数据。

11、在一些实施例中，所述电力网络拓扑情况包括电网中的节点、节点中的发电厂以及发电厂连接的母线，以此构建“节点-厂站-线路”关系表格，作为所述大语言模型处理文本型数据的外部知识。

12、在一些实施例中，对于所述线路阻塞情况和线路检修情况，利用所述大语言模型从其文本数据中提炼出相关信息，并基于所述大语言模型的提示词工程方法设计的格式化提示符，将经所述大语言模型处理后得到的信息根据所述电力网络拓扑情况，统计出电网中各个节点的线路阻塞数量和线路检修数量，由此将针对所述线路阻塞情况和线路检修情况的文本型数据转换成了数值型时间序列数据。

13、在一些实施例中，设t时刻的特征矩阵为ft，表达式为：

14、

15、其中，特征矩阵ft的维度为t×(2m+10)；特征矩阵ft的第2列至第m+1列分别代表电网中各个节点的线路阻塞数量，m为电网含有的节点总数；特征矩阵ft的第m+2列至第2m+1列分别代表电网中各个节点的线路检修数量；特征矩阵ft的其余列依次为剩余的10种特征的时间序列数值。

16、在一些实施例中，所述深度神经网络模型包括卷积神经网络、基于门控循环单元的循环神经网络和输出层，所述循环神经网络由m个门控循环单元组构成，各门控循环单元组内含有相同个数的门控循环单元，第一个门控循环单元组内的各门控循环单元顺次连接，其余门控循环单元组内的各门控循环单元跳跃连接；所述卷积神经网络用于提取输入的特征矩阵中各特征的相关关系，得到特征fcnn；将该特征fcnn输入至所述循环神经网络中的各门控循环单元组，以捕捉特征fcnn中的时序关系，得到特征frnn-1,frnn-2,…,frnn-m；所述输出层用于对特征fcnn,frnn-1,frnn-2,…,frnn-m进行非线性融合和relu变换，并输出日前竞价空间的预测值。

17、在一些实施例中，对所述深度神经网络模型进行训练时，通过反向传播算法更新模型参数，最小化模型输出的预测值与真实值之间的误差，损失函数表达式为：

18、

19、其中，n为所述训练数据集含有的样本总数；yi表示第i个训练样本的真实值，即与输入所述深度神经网络模型的特征矩阵对应的实时竞价空间；表示所述深度神经网络模型输出的日前竞价空间的预测值。

20、在一些实施例中，对所述深度神经网络模型进行训练时，还包括对所述深度神经网络模型的超参数进行优化，所述超参数包括输入所述深度神经网络模型的特征矩阵的行数、所述卷积神经网络含有的卷积核数量和大小、所述门控循环单元跳跃连接的长度。

21、本公开第二方面提供的一种基于本公开第一方面任一实施例所述预测方法的预测装置，包括：

22、训练数据集构建模块，被配置为获取电力现货市场的原始历史数据和电力网络拓扑情况，所述原始历史数据分为数值型、布尔型和文本型三大类，将每种数据分别表示为数值型的时间序列并作为相应的一个特征，其中，针对布尔型的历史原始数据，将布尔值“是”用数值“1”表示，将布尔值“否”用数值“0”表示；针对文本型的历史原始数据，将所述电力网络拓扑情况作为外部知识利用大语言模型和设计的格式化提示符对其进行处理，以转换为数值型的时间序列；将同一时刻的各特征的数值作为行，将某一特征的时间序列数值作为列构造由所有特征融合形成的特征矩阵，利用所述特征矩阵及其对应的实时竞价空间构建训练数据集；

23、训练模块，被配置为利用所述训练数据集对深度神经网络模型进行训练，得到日前竞价空间预测模型；

24、预测模块，被配置为获取电力现货市场的实时数据，对其按照所述特征矩阵的构造方式进行处理得到待测特征矩阵，将该待测特征矩阵输入所述日前竞价空间预测模型，得到日前竞价空间的预测值。

25、本公开第三方面提供的一种计算机可读存储介质，所述计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本公开第一方面任一实施例所述的预测方法。

26、本公开的优点及有益效果是：

27、①根据电力需求侧、电网传输侧、电力供给侧和其他因素四个方面，并具体选取了与日前竞价空间相关的12个特征。其中，线路阻塞情况和线路检修情况能够表征电力传输过程的难易程度，间接影响电力供需关系；新能源装机量决定新能源出力的上限，间接影响电力供给量；燃料价格决定火力发电厂出力，间接影响电力供给量；日期属性，具体为是否是节假日，决定社会生产活动和人们生活方式，间接影响电力需求量；温度决定人们生活方式，间接影响电力需求量，目前这些特征很少被考虑到日前竞价空间的计算中；②设计了异构数据类型的特征构造方法，将布尔型和文本型特征均转换成数值型数据，实现了不同类型数据的时间和价值对齐，并且通过大语言模型提示词工程方法，解决了行业内文本型数据无法在深度神经网络模型的数值预测任务中发挥作用的问题，使得非数值型数据能够在预测方法中发挥重要价值；③将所有特征变量数据在相同时间点进行采样并采集相同时间长度，融合后形成特征矩阵，便于构造训练深度神经网络模型输入数据的张量形式；④预测方法采用一款轻量型深度神经网络模型，主要包括卷积神经网络(cnn)和基于门控循环单元(gru)的循环神经网络(rnn)，能够充分挖掘各特征变量的空间和时间关联特性，并且模型训练兼顾了时间成本和结果精度；⑤针对影响模型预测精度的输入深度神经网络模型的特征矩阵的行数、卷积核数量和大小、门控循环单元跳跃连接的长度的超参数，引入optuna调参工具，能够提升模型结果预测精度。

28、综上所述，本发明突破了传统的日前竞价空间计算方法，采用深度神经网络模型对日前竞价空间进行预测，使用了电力需求侧、电网传输侧、电力供给侧和其他因素四个方面的时间序列特征的异构数据，将布尔型和文本型数据转换成数值型数据，充分挖掘了这两类数据在深度神经网络模型数值预测任务中的价值，提升了日前竞价空间的计算结果精度，为电力调度机构做日前调度计划提供了重要数据支持。