[發明專利]校準窗口集成與耦合市場特征的雙層日前電價預測方法

在審

• 申請號: 202210975713.4
• 申請日: 2022-08-15
• 公開（公告）號: CN115564466A
• 公開（公告）日: 2023-01-03
• 發明（設計）人: 沈曉東;劉慧鑫;劉彥
• 申請（專利權）人: 四川大學
• 主分類號: G06Q30/02
• 分類號: G06Q30/02;G06Q10/04;G06Q50/06;G06N3/04;G06N3/08
• 代理公司: 成都時譽知識產權代理事務所(普通合伙) 51250
• 代理人: 李春彥

本發明涉及校準窗口集成與耦合市場特征的雙層日前電價預測方法，屬于電力市場技術領域，該預測算法為雙層框架：內層框架為基于改進自適應噪聲完備集合經驗模態分解ICEEMDAN的擇優預測：通過ICEEMDAN算法將原始電價序列分解為各個子序列后，對每個子序列使用本文提出的統計模型套索估計自回歸模型LEAR和人工智能模型長期和短期時間序列網絡LSTNet預測等。外層算法為基于貝葉斯模型平均的校準窗口集成預測：設置一組不同時間長度的校準窗口作為輸入數據集中的訓練集，在每個校準窗口數據集上訓練內層預測模型，然后在測試集上預測并使用BMA方法對不同的校準窗口的預測賦予相應權重，整合得到最終預測電價。相比現有預測算法，本發明所提預測方面更加準確和穩定。

技術領域

本發明屬于電力市場技術領域，具體涉及校準窗口集成與耦合市場特征的雙層日前電價預測方法。

背景技術

在構建新型電力系統和實現雙碳目標的背景下，《關于加快建設全國統一電力市場體系的指導意見》強調要實現電力資源在全國更大范圍內共享互濟和優化配置，加快形成統一的電力市場體系。電價是電力市場交易的關鍵要素，準確的日前電價預測對于電力市場參與主體制定計劃策略至關重要。

現有日前電價預測模型主要分為統計模型和人工智能模型兩類。統計模型依賴于線性回歸，并通過解釋變量的線性組合來表示預測結果變量，在處理線性數據時效果較好，但對于非線性數據的處理能力不足。自回歸滑動平均(autoregressive moving average,ARMA)族模型和廣義自回歸條件異方差模型(generalized autoregressive conditionalheteroskedastic,GARCH)是常用的統計模型。人工智能模型相比于統計模型更擅長處理非平穩非線性數據，特別是深度神經網絡算法。極限學習機(extreme learning machine,ELM)、長短時記憶網絡(long short termmemory,LSTM)、門控循環單元(gate recurrentunit,GRU)和卷積時空網絡(CNN-LSTM)是常用的人工智能算法。為獲得更準確的預測結果，許多研究工作和試驗從不同的角度以尋求可用于電力系統管理和電力市場的改進電價預測模型?，F有技術采用分解算法奇異譜分析將原始電價序列分解為不同的模態分量，證明了對電價分解可以有效提高預測精度。還有采用特征選擇算法最大信息系數相關性分析在預測前選定對電價預測重要的特征集，降低了預測模型的復雜度；還有則考慮了空間因素對電價預測的影響，使用圖卷積神經網絡提取所研究區域周圍區域的數據，刻畫統一市場內不同價區的相互作用。還有則引入了Attention機制，在電價預測過程中突出關鍵特征的作用，提高了模型預測的速度。還有從混合模型的角度，基于核極限學習機(KELM)和ARMA提出了一種兼具線性和非線性預測能力的混合電價預測模型。

以上現有技術都側重于開發更好的模型結構，以提升算法性能。但忽略了以下幾點:1)校準窗口的選擇對于電價預測的影響：在計量經濟學中，預測模型的性能對校準窗口的選擇很敏感，并且結合基于不同長度的校準窗口的預測能有效提高預測精度。2)耦合市場的影響：在電力市場不斷發展的同時，耦合市場也不斷增長，傳統的電價預測通?？紤]歷史電價、發電量、用電量這些典型特征，而缺乏關注耦合市場特征對于電價預測的影響，尤其是電力市場與耦合市場之間輸電網絡的影響。

發明內容

本發明目的在于提供校準窗口集成與耦合市場特征的雙層日前電價預測方法，用于解決上述現有技術中存在的技術問題。

為實現上述目的，本發明的技術方案是：

校準窗口集成與耦合市場特征的雙層日前電價預測方法，包括以下步驟：

S1、內層框架為基于改進自適應噪聲完備集合經驗模態分解ICEEMDAN的擇優預測：通過ICEEMDAN算法將原始電價序列分解為各個子序列后，對每個子序列使用統計模型套索估計自回歸模型LEAR和人工智能模型長期和短期時間序列網絡LSTNet預測；然后根據評價指標選出每個子序列的最優預測模型并整合得到預測電價；