【技術實現步驟摘要】
本專利技術涉及電力市場，具體涉及一種基于時間序列深度學習的電力參數預測方法。
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，涉及的因素也愈發廣泛。近年來，新能源裝機容量的快速增長顯著提升了其在電力市場的參與度。特別是在新能源占比較高的省份，新能源發電量的增長不僅改變了電力市場的運行方式，還對電力參數相關機制產生了深遠影響。
2、新能源發電，特別是風能和太陽能，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自然條件限制，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更加明顯。同時，由于我國各地區資源稟賦分布不均，導致了電力市場供需不平衡的現象，部分地區的電力輸送能力緊張，甚至出現了電力輸送阻塞的情況，這進一步加劇了電價波動。
3、一方面，新能源發電成本持續下降，降低了電力市場的邊際出清參數，影響了傳統能源（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，增加了系統的復雜性，并對電力市場的電力參數制定機制提出了新的挑戰。
4、此外，電力市場結構尚不健全，信息披露不完全，市場參與者無法及時獲取充分的信息進行決策。這導致市場電力參數信號失真，增加了電力參數波動的頻率和幅度，使得準確預測日前電力參數變得更加困難。尤其是在資源稟賦差異大的區域，這種現象更為突出。
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
2、為實現上述目的，本專利技術采用的技術方案如下：一種基于時間序列深度學習的電力參數預測方法，包括以下步驟：
3、獲取單位時長、目標時段和目標市場；基于所述目標時段獲取預設時段；
4、根據所述預設時段獲得歷史日期時刻特征集；
5、基于所述單位時長和所述目標市場獲取所述預設時段的歷史披露數據集、歷史氣象數據集和歷史電力參數值集；
6、采用特征選擇工程，根據所述歷史電力參數值集和所述歷史氣象數據集獲得關鍵氣象特征；基于所述歷史氣象數據集，根據所述關鍵氣象特征獲得歷史關鍵氣象特征數據集；
7、采用隨機森林算法，根據所述歷史日期時刻特征集、所述歷史披露數據集、所述歷史氣象數據集和歷史電力參數值集預測所述目標市場上所述目標時段的未披露數據集；
8、構建神經網絡初始模型，根據所述歷史披露數據集、所述歷史關鍵氣象特征數據集、所述歷史日期時刻特征集和所述歷史電力參數值集訓練所述神經網絡初始模型獲得電力參數預測模型；
9、獲取所述目標時段的披露數據集、日期時刻特征集和關鍵氣象特征數據集；基于所述電力參數預測模型，根據所述披露數據集、所述未披露數據集、所述關鍵氣象特征數據集和所述日期時刻特征集獲得所述目標時段的電力參數預測值集；
10、獲取電力參數值的單位數值區間；基于所述單位數值區間和所述歷史電力參數值集，采用統計學分別獲得最大概率數值區間和數值均值，所述最大概率數值區間為所述單位時長內最大概率的單位數值區間，所述數值均值為在所述單位時長內、最大概率數值區間內所述歷史電力參數值的平均值；
11、根據所述最大概率數值區間和所述數值均值修正所述電力參數預測值集獲得電力參數修正值集。
12、在其中一些實施例中，所述目標時段為自零點起的24個小時。
13、在其中一些實施例中，所述單位時長為15分鐘。
14、在其中一些實施例中，基于所述單位時長和所述目標市場獲取所述預設時段的歷史披露數據集的步驟為：
15、以預設時段為單元，以第一時長為單位獲取所述目標市場上初始披露數據；
16、歸一化處理所述初始披露數據獲得標準披露數據；
17、根據所述標準披露數據獲得標準披露數據集；
18、對所述標準披露數據集分別進行缺失值和異常值處理獲得所述歷史披露數據集。
19、在其中一些實施例中，基于所述單位時長和所述目標市場獲取所述預設時段的歷史氣象數據集的步驟為：
20、以預設時段為單元，以第二時長為單位獲取所述目標市場所在區域內不同地區的初始氣象數據；
21、根據所述初始氣象數據獲得初始氣象數據集；
22、對所述初始氣象數據集分別進行缺失值和異常值處理獲得中間氣象數據集；
23、以所述單位時長為單位處理所述中間氣象數據集獲得所述歷史氣象數據集。
24、在其中一些實施例中，所述第一時長與所述第二時長中時長短者不小于所述單位時長。
25、在其中一些實施例中，所述第一時長為所述單位時長。
26、在其中一些實施例中，所述神經網絡初始模型的核心組件為lstm、gru?或transformer。
27、在其中一些實施例中，訓練所述神經網絡初始模型時，根據均方誤差最小獲得所述電力參數預測模型。
28、在其中一些實施例中，根據所述最大概率數值區間和所述數值均值修正所述電力參數預測值集獲得電力參數修正值集的公式為：
29、；
30、式中，為第 t個單位時長的電力參數修正值，為第 t個單位時長的電力參數預測值，為第 t個單位時長內第 i個單位數值區間為最大概率數值區間，為最大概率數值區間內的數值均值，表示。
31、相對于現有技術，本專利技術具有以下有益效果：
32、本專利技術考慮到電力市場資源分布不均、市場不平衡、電力輸送緊張及阻塞、以及市場不健全和信息披露不足等因素，提供更精確、可靠的目標時段電力參數值，以適應快速變化的電力市場環境，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。
本文檔來自技高網...【技術保護點】
1.一種基于時間序列深度學習的電力參數預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述目標時段為自零點起的24個小時。
3.根據權利要求2所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述單位時長為15分鐘。
4.根據權利要求2所述的基于時間序列深度學習的電力參數預測方法，其特征在于：基于所述單位時長和所述目標市場獲取所述預設時段的歷史披露數據集的步驟為：
5.根據權利要求4所述的基于時間序列深度學習的電力參數預測方法，其特征在于：基于所述單位時長和所述目標市場獲取所述預設時段的歷史氣象數據集的步驟為：
6.根據權利要求5所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述第一時長與所述第二時長中時長短者不小于所述單位時長。
7.根據權利要求6所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述第一時長為所述單位時長。
8.根據權利要求1所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所
9.根據權利要求8所述的基于時間序列深度學習的電力參數預測方法，其特征在于：訓練所述神經網絡初始模型時，根據均方誤差最小獲得所述電力參數預測模型。
10.根據權利要求1所述的基于時間序列深度學習的電力參數預測方法，其特征在于：根據所述最大概率數值區間和所述數值均值修正所述電力參數預測值集獲得電力參數修正值集的公式為：
...【技術特征摘要】
1.一種基于時間序列深度學習的電力參數預測方法，其特征在于：包括以下步驟：
2.根據權利要求1所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述目標時段為自零點起的24個小時。
3.根據權利要求2所述的基于時間序列深度學習的電力參數預測方法，其特征在于：所述單位時長為15分鐘。
4.根據權利要求2所述的基于時間序列深度學習的電力參數預測方法，其特征在于：基于所述單位時長和所述目標市場獲取所述預設時段的歷史披露數據集的步驟為：
5.根據權利要求4所述的基于時間序列深度學習的電力參數預測方法，其特征在于：基于所述單位時長和所述目標市場獲取所述預設時段的歷史氣象數據集的步驟為：
6.根據權利要求5所述的基于時間序列深度學習的電力參數預...
【專利技術屬性】
技術研發人員：陳好，周云，鄭瑞錦，李晴，林宏宇，李超英，魏石磊，
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。