【技術實現步驟摘要】
本專利技術涉及電力市場交易，尤其涉及一種基于新能源出力分段式的時間序列電力參數預測方法。
技術介紹
1、隨著電力市場的逐步改革和發展，電力市場規則越來越復雜，涉及的因素越來越廣泛。近年來，隨著新能源裝機容量的快速增長，新能源在電力市場的參與度顯著提升。特別是在新能源占比較高的一些省份，新能源發電量的增長對電力市場的運行方式和電價機制產生了深遠影響。
2、新能源發電，尤其是風能和太陽能，因其清潔、可再生的特點而受到廣泛關注。然而，這些能源的發電量受到自然條件的限制，具有較強的間歇性和不確定性。隨著新能源裝機容量的增加，這種不確定性對電力市場的影響愈專利技術顯。
3、一方面，新能源發電的成本持續下降，導致電力市場的邊際出清參數降低，從而影響傳統能源(如煤電、天然氣發電)的經濟效益。另一方面，由于新能源發電的波動性，電力系統需要更多的靈活調節資源來保證供需平衡，這不僅增加了系統的復雜性，同時也對電力市場的定價機制提出了新的挑戰。
4、在某些地區，新能源發電量的大幅增長甚至會導致現貨市場電力參數出現異常波動，例如負電價現象的發生。此外，隨著峰谷電價機制的推廣，許多省份已經實施了分時電價政策，以鼓勵消費者在新能源發電高峰期使用電力，這進一步影響了電力參數的走勢。
5、因此，對于新能源發電量較大地區的電力市場來說，準確預測電力參數變得尤為重要。這不僅有助于電力市場參與者更好地制定交易策略，還能幫助電力系統運營商優化調度計劃，保障電力系統的安全穩定運行。
6、現有技術中，主要有基于歷
技術實現思路
1、本專利技術針對現有技術存在的問題，提供了一種
2、為實現上述目的，本專利技術采用的技術方案如下：一種基于新能源分段式的時間序列電力參數預測方法，包括以下步驟：
3、獲取目標時段和目標時段特征數集；根據所述目標時段獲得采樣時段；獲取歷史樣本數集，所述歷史樣本數集包括特征數集和電力參數值集；
4、根據所述采樣時段劃分所述歷史樣本數集獲得若干個子歷史樣本數集，所述子歷史樣本數集為采樣時段內的歷史樣本數集；
5、基于所述目標時段特征數集，根據灰色關聯度分析法篩選所述若干個子歷史樣本數集獲得第一樣本數集；
6、采用dbscan算法處理所述若干個子歷史樣本數集獲得若干個聚類中心和若干個聚類數集，所述聚類中心與所述聚類數集一一對應；根據所述聚類中心獲得聚類中心數集；
7、基于所述目標時段特征數集，根據歐式距離公式篩選若干個所述聚類中心數集獲得最優聚類中心數集；
8、根據所述最優聚類中心數集和所述聚類數集獲得最優聚類數集；
9、根據所述第一樣本數集與所述最優聚類數集求交集獲得初選樣本數集；
10、根據遺傳算法處理所述初選樣本數集獲得訓練樣本數集；
11、基于transformer的時間序列，根據所述訓練樣本數集構建并訓練獲得電力參數預測模型；
12、根據所述目標時段特征數集和所述電力參數預測模型獲得所述目標時段內電力參數的初始預測數集；
13、獲取預設周期和新能源出力值數集；
14、根據所述預設周期篩選所述歷史樣本數集獲得預設歷史樣本數集，所述預設歷史樣本數集為所述預設周期內的歷史樣本數集；
15、采用3sigma準則根據所述新能源出力值數集和所述預設歷史樣本數集獲得修正時段和修正算法；
16、基于所述修正時段和所述修正算法修正所述初始預測數集獲得最終預測數集。
17、進一步地，獲得歷史樣本數集的步驟包括：
18、獲取目標時刻，根據所述目標時刻獲得采樣時刻；獲取第一歷史數據；
19、基于所述采樣時刻篩選所述第一歷史數據獲得原始歷史數集；
20、對所述原始歷史數集進行缺失值清洗和去除異常值清洗獲得第一歷史數集；
21、標準化處理所述第一歷史數集獲得所述歷史樣本數集。
22、進一步地，所述子歷史樣本數集包括第一特征數集，所述第一特征數集為采樣時段內每個采樣時刻特征數據的集合。
23、進一步地，獲得所述第一樣本數集的步驟為：
24、獲取分辨系數；
25、采用灰色關聯度分析法，根據所述分辨系數、所述第一特征數集和所述目標時段特征數集獲得關聯度；
26、根據所述關聯度對所述若干個子歷史樣本數集進行排序；
27、獲取第一數量，所述第一數量為所述第一樣本數集中所述子歷史樣本數集的數量；
28、根據所述第一數量選取關聯度值高的所述子歷史樣本數集獲得所述第一樣本數集。
29、進一步地，獲取所述最優聚類數集的步驟為：
30、使用間隔統計量方法處理處理所述若干個子歷史樣本數集獲得聚類k值；
31、根據所述聚類k值采用dbscan算法對所述若干個子歷史樣本數集進行聚類獲得若干個聚類中心；
32、獲取聚類數量，所述聚類數量為所述聚類數集中所述子歷史樣本數集的數量；
33、根據所述若干個聚類中心、所述聚類數量獲得所述若干個聚類數集；
34、根據所述聚類中心獲得聚類中心數集，所述聚類中心數集包括第二特征數集，所述第二特征數集為聚類中心所在的采樣時段內每個采樣時刻特征數據的集合；
35、采用所述歐式距離公式，根據所述第二特征數集和所述目標時段特征數集獲得每一個所述聚類中心的歐式距離；
36、根據所述歐式距離對所述若干個所述聚類中心數集進行排序，根據歐式距離值最小獲得最優聚類中心數集；
37、根據所述最優聚類中心數集和所述聚類數集獲得最優聚類數集。
38、進一步地，所述初選樣本數集包括第三特征數集；獲得所述訓練樣本數集的步驟為：
39、基于所述第三特征數集進行特征擴充獲得第四特征數集；
40、采用遺傳算法篩選所述第四特征數集獲得關鍵特征數集；
41、根據所述關鍵特征數集和所述初選樣本數集獲得所述訓練樣本數集。
42、進一步地，獲得所述電力參數預測模型的步驟為：
43、基于transformer的時間序列，根據所述訓練樣本數集構建初始預測模型；
44、劃分所述訓練樣本數集獲得訓練集和驗證集，所述驗證集包括驗本文檔來自技高網...
【技術保護點】
1.一種基于新能源分段式的時間序列電力參數預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲得歷史樣本數集的步驟包括：
3.根據權利要求2所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，所述子歷史樣本數集包括第一特征數集，所述第一特征數集為采樣時段內每個采樣時刻特征數據的集合。
4.根據權利要求3所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲得所述第一樣本數集的步驟為：
5.根據權利要求3所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲取所述最優聚類數集的步驟為：
6.根據權利要求3所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，所述初選樣本數集包括第三特征數集；獲得所述訓練樣本數集的步驟為：
7.根據權利要求6所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲得所述電力參數預測模型的步驟為：
8.根據權利要求6所述的基于新能源分段式的時間序列電力參數預
9.根據權利要求1所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，所述預設歷史樣本數集包括第一電力參數值集，所述第一電力參數值集為所述預設周期內電力參數的數據集合；
10.根據權利要求9所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，基于所述修正時段修正所述初始預測數集獲得所述最終預測數集的步驟為：
...【技術特征摘要】
1.一種基于新能源分段式的時間序列電力參數預測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲得歷史樣本數集的步驟包括：
3.根據權利要求2所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，所述子歷史樣本數集包括第一特征數集，所述第一特征數集為采樣時段內每個采樣時刻特征數據的集合。
4.根據權利要求3所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲得所述第一樣本數集的步驟為：
5.根據權利要求3所述的基于新能源分段式的時間序列電力參數預測方法，其特征在于，獲取所述最優聚類數集的步驟為：
6.根據權利要求3所述的基于新能源分段式的時間序列電...
【專利技術屬性】
技術研發人員：周云，陳好，李超英，鄭瑞錦，林宏宇，李晴，
申請(專利權)人：中能智新科技產業發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。