本發明屬于電力，具體涉及一種面向電力現貨市場的購電預測方法。

背景技術：

1、電力市場是一個典型的多元化、市場化、競爭化的市場，也是一個信息量極大、復雜度高的市場。隨著電力市場的發展，市場參與方對電價的預測需求不斷提高，而準確的電價預測對電力市場的穩定運行以及市場參與方的經濟利益等都具有重要影響。

2、通常，電價的預測方法主要有傳統的統計方法、基于機器學習的預測方法及基于人工神經網絡(ann)的預測方法等。其中，基于統計的方法如自回歸模型、移動平均模型等容易受到數據噪聲的影響，且在處理非線性和復雜性問題上有限；而基于機器學習的方法如決策樹、支持向量機等雖能處理非線性和高維度問題，但需要大量的樣本數據和良好的特征表示，且處理時序問題能力有限；而ann雖然可以處理時序性強、非線性和高維度的問題，但是深度神經網絡在長期依賴問題上有一定的缺陷，比如梯度消失和梯度爆炸問題。因此如何克服現有技術的不足是目前本技術領域亟需解決的問題。

技術實現思路

1、本發明的目的是為了解決現有技術的不足，提供一種面向電力現貨市場的購電預測方法。

2、為實現上述目的，本發明采用的技術方案如下：

3、一種面向電力現貨市場的購電預測方法，包括如下步驟：

4、s1、數據采集：采集電力市場的相關特征數據，包括主變容量、自備電廠的產能、主要設備負荷數據、電力市場中各電廠的產能及單位能耗、歷史電價數據、現貨市場交易數據；

5、s2、數據預處理：對主要設備負荷數據進行降維處理；

6、s3、特征篩選：計算s1采集的主變容量、自備電廠的產能、電力市場中各電廠的產能及單位能耗、現貨市場交易數據以及經s2預處理后的主要設備負荷數據與歷史電價數據的相關系數，篩選相關系數大于閾值的特征數據；

7、s4、構建基于lstm的購電決策優化模型：

8、采用s3篩選的特征數據作為模型的輸入，以未來一段時間的歷史電價數據作為輸出，對lstm模型進行訓練，并進行測試與驗證，得到基于lstm的購電決策優化模型；

9、s5、實時預測及購電：實時獲取當前的特征數據輸入到基于lstm的購電決策優化模型，獲得預測的電價數據；然后結合電力市場的交易規則與公司實際電力需求，計算預測誤差風險評估指標，然后生成購電方案，然后根據購電方案下發購電指令至相應的電力交易系統進行交易。

10、進一步，優選的是，s2中，采用t分布隨機近鄰嵌入方法對主要設備負荷數據進行降維處理。

11、進一步，優選的是，s2中，主要設備負荷數據是10維的，通過降維將其降維到3維；

12、10維的主要設備負荷數據包括實時負荷、預測負荷、峰值負荷、谷值負荷、平均負荷、負荷因子、負載率、負荷增長速度、負荷波動程度和負荷曲線斜率。

13、進一步，優選的是，s3中，相關系數采用皮爾遜相關系數。

14、進一步，優選的是，s3中，閾值為0.5。

15、進一步，優選的是，s4中，對模型進行訓練采用的訓練集、測試采用的測試集、驗證采用的驗證集的比例為70％：15％：15％。

16、進一步，優選的是，計算預測誤差風險評估指標的方法如下：

17、設x＝{xt,t＝1,2,…,n}為實際原始時間序列，n它表示樣本的總數；

18、基于lstm的購電決策優化模型的m次預測的預測值序列為xi＝xit,t＝1,2,…,n,i＝1,2,…,m，m為預測次數；

19、同時設每次預測相應的權重系數為w1,w2,…,wm,且滿足：

20、

21、根據加權幾何平均數的公式，令：

22、

23、則稱為加權幾何平均的組合預測值，令為t時刻的多次預測序列；

24、將公式(3)變為

25、

26、其中，xit第i次預測在第t時刻的預測值；

27、設lnx＝{lnxt,t＝1,2,…,n}為實際值對數序列，xt第t時刻實際值的標準化值；第i次預測在第t時刻的預測值對數序列為為t時刻的多次預測值對數序列

28、

29、

30、則稱ei為第i次預測的對數誤差平方和；e為多次預測方法的對數誤差平方和；eit表示第i次預測在第t時刻的預測值與實際值的誤差。

31、基于誤差平方和的加權幾何平均多次預測表示為：

32、

33、式(7)最后求得的解是最優權重系數，mine(w)為預測誤差風險評估指標值。

34、進一步，優選的是，在制定購電方案時，優選選擇預測誤差風險評估指標值最小的預測結果。

35、進一步，優選的是，購電方案包括購電量、購電時間以及購電價格。

36、為了解決以上問題，目前出現了很多新的電價預測方法，其中，基于長短期記憶網絡(lstm)的電價預測方法因其在處理長期依賴問題上有著明顯的優點而備受關注。lstm是一種特殊的循環神經網絡結構，旨在解決長期依賴問題，即在處理長序列的數據時，能有效的捕獲序列中的長期依賴信息。然而，雖然lstm相對于其它方法在電價預測上有所優勢，但仍然面臨著許多挑戰，如如何選擇合適的模型結構、對訓練數據的選擇以及對模型預測結果風險的評估等。以上這些問題的解決，對于提高電價預測的準確性，以及供電方和用戶在電力市場中的決策有著重要的意義。本發明要解決的主要技術問題是如何結合電力市場的相關特征數據，構建一個基于lstm的電價預測模型，從而準確預測電價走向，并基于預測結果制定優化的購電策略，同時需要考慮風險控制，通過建立風險評估指標評估預測誤差風險，以提高購電決策的準確性和降低經濟損失。

37、本發明中，結合電力市場的交易規則與公司實際電力需求，生成購電方案的具體方法采用現有方法即可，本發明對此不做限制。

38、本發明s4中，輸入的數據和輸出的數據之間的具體時間間隔可以根據具體需求進行調整，比如可以設置為預測未來一天甚至一周的電價。在實際應用中，這個參數可以根據現實中的電力購買計劃來進行調整。

39、本發明與現有技術相比，其有益效果為：

40、1.通過對電力市場的豐富特征數據進行挖掘和篩選，將與電價預測有顯著影響的特征進行篩選，構建特征數據集，并運用lstm的預測模型，有效地提高了電價預測的準確性。

41、2.特征篩選的過程旨在找到最有代表性的特征，合理的特征篩選可以降低模型復雜度，大大提高模型訓練和預測的效率。同時，應用t-sn?e技術降低數據的維度，也有效的降低了模型的計算復雜度，提升了模型的運算速度。

42、3.多元風險的預測誤差風險評估指標，可以評估模型預測的風險大小，使得電價預測工作更加穩健，從而在實際的電力市場交易中降低風險。

43、4.模型的輸入特征具有廣泛性，覆蓋了主變容量、自備電廠情況、主要設備負荷數據、臺區電壓數據、產能及單位能耗、現貨市場交易數據等多個方面，使得模型具有廣泛的應用性，可以適應不同的電力市場環境和企業需求。

44、通過應用實例可以看出與現有預測方法相比，本發明能夠提高10％左右的預測準確性。