本公開涉及電力現(xiàn)貨市場預(yù)測領(lǐng)域，特別是涉及一種電力現(xiàn)貨市場日前競價空間的預(yù)測方法、裝置和存儲介質(zhì)。

背景技術(shù)：

1、在電力現(xiàn)貨市場運營中，電力調(diào)度機構(gòu)如何預(yù)先識別潛在系統(tǒng)風(fēng)險和評估電力系統(tǒng)安全性，是保障電力系統(tǒng)高效運行的關(guān)鍵環(huán)節(jié)。日前競價空間作為電力現(xiàn)貨市場運行中的一個重要參數(shù)，能夠輔助電力調(diào)度機構(gòu)制定安全高效的資源配置計劃。

2、現(xiàn)階段日前競價空間通常按照“日前競價空間＝統(tǒng)籌負(fù)荷-聯(lián)絡(luò)線計劃量-地方電計劃量-備用電計劃量-風(fēng)電預(yù)測量-光伏預(yù)測量”的計算方式得到，沒有考慮電網(wǎng)情況和其他基本面情況，導(dǎo)致日前競價空間與實時競價空間存在一定偏差。在中國發(fā)明專利《一種電力現(xiàn)貨市場預(yù)測方法、裝置、終端及存儲介質(zhì)》(申請?zhí)枺?01911370559.2)所公開的技術(shù)方案中包含分時競價空間計算方法，但其僅考慮了負(fù)荷、外購電負(fù)荷、a類機組出力，風(fēng)電、光伏新能源出力以及電網(wǎng)阻塞、檢修等影響電力供需關(guān)系信息并沒有考慮進去。因此，對于電力現(xiàn)貨市場日前競價空間的預(yù)測仍然存在改進空間。本發(fā)明創(chuàng)新地提出了一種日前競價空間的預(yù)測方法，為電力調(diào)度機構(gòu)輔助決策提供了技術(shù)支持。

技術(shù)實現(xiàn)思路

1、本公開旨在至少在一定程度上解決現(xiàn)有相關(guān)技術(shù)中存在的技術(shù)問題之一。

2、為此，本公開提供了一種電力現(xiàn)貨市場日前競價空間的預(yù)測方法、裝置和存儲介質(zhì)，突破了傳統(tǒng)的日前競價空間計算方法，采用深度神經(jīng)網(wǎng)絡(luò)模型對日前競價空間進行預(yù)測，使用了電力需求側(cè)、電網(wǎng)傳輸側(cè)、電力供給側(cè)和其他因素四個方面的時間序列特征的異構(gòu)數(shù)據(jù)，將布爾型和文本型數(shù)據(jù)轉(zhuǎn)換成數(shù)值型數(shù)據(jù)，充分挖掘了這兩類數(shù)據(jù)在深度神經(jīng)網(wǎng)絡(luò)模型數(shù)值預(yù)測任務(wù)中的價值，提升了日前競價空間的計算結(jié)果精度，為電力調(diào)度機構(gòu)做日前調(diào)度計劃提供了重要數(shù)據(jù)支持。

3、為了實現(xiàn)上述目的，本公開采用如下技術(shù)方案：

4、本公開第一方面提供的一種電力現(xiàn)貨市場日前競價空間的預(yù)測方法，包括：

5、獲取電力現(xiàn)貨市場的原始?xì)v史數(shù)據(jù)和電力網(wǎng)絡(luò)拓?fù)淝闆r，所述原始?xì)v史數(shù)據(jù)分為數(shù)值型、布爾型和文本型三大類，將每種數(shù)據(jù)分別表示為數(shù)值型的時間序列并作為相應(yīng)的一個特征，其中，針對布爾型的歷史原始數(shù)據(jù)，將布爾值“是”用數(shù)值“1”表示，將布爾值“否”用數(shù)值“0”表示；針對文本型的歷史原始數(shù)據(jù)，將所述電力網(wǎng)絡(luò)拓?fù)淝闆r作為外部知識利用大語言模型和設(shè)計的格式化提示符對其進行處理，以轉(zhuǎn)換為數(shù)值型的時間序列；將同一時刻的各特征的數(shù)值作為行，將某一特征的時間序列數(shù)值作為列構(gòu)造由所有特征融合形成的特征矩陣，利用所述特征矩陣及其對應(yīng)的實時競價空間構(gòu)建訓(xùn)練數(shù)據(jù)集；

6、利用所述訓(xùn)練數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到日前競價空間預(yù)測模型；

7、獲取電力現(xiàn)貨市場的實時數(shù)據(jù)，按照所述特征矩陣的構(gòu)造方式得到待測特征矩陣，將所述待測特征矩陣輸入所述日前競價空間預(yù)測模型，得到日前競價空間的預(yù)測值。

8、在一些實施例中，所述電力現(xiàn)貨市場的原始?xì)v史數(shù)據(jù)和實時數(shù)據(jù)均分為電力需求側(cè)數(shù)據(jù)、電網(wǎng)傳輸側(cè)數(shù)據(jù)、電力供給側(cè)數(shù)據(jù)和其他數(shù)據(jù)；

9、所述電力需求側(cè)數(shù)據(jù)選取統(tǒng)籌負(fù)荷；所述電力供給側(cè)數(shù)據(jù)選取聯(lián)絡(luò)線計劃量、地方電計劃量、備用電計劃量、風(fēng)電預(yù)測量和光伏預(yù)測量；所述電網(wǎng)傳輸側(cè)數(shù)據(jù)選取線路阻塞情況和線路檢修情況；所述其他數(shù)據(jù)選取新能源裝機量、燃料價格、日期屬性和溫度預(yù)測量，所述日期屬性為是否為節(jié)假日；

10、上述數(shù)據(jù)中，所述線路阻塞情況和線路檢修情況均為文本型數(shù)據(jù)，所述日期屬性為布爾型數(shù)據(jù)，剩余數(shù)據(jù)均為數(shù)值型數(shù)據(jù)。

11、在一些實施例中，所述電力網(wǎng)絡(luò)拓?fù)淝闆r包括電網(wǎng)中的節(jié)點、節(jié)點中的發(fā)電廠以及發(fā)電廠連接的母線，以此構(gòu)建“節(jié)點-廠站-線路”關(guān)系表格，作為所述大語言模型處理文本型數(shù)據(jù)的外部知識。

12、在一些實施例中，對于所述線路阻塞情況和線路檢修情況，利用所述大語言模型從其文本數(shù)據(jù)中提煉出相關(guān)信息，并基于所述大語言模型的提示詞工程方法設(shè)計的格式化提示符，將經(jīng)所述大語言模型處理后得到的信息根據(jù)所述電力網(wǎng)絡(luò)拓?fù)淝闆r，統(tǒng)計出電網(wǎng)中各個節(jié)點的線路阻塞數(shù)量和線路檢修數(shù)量，由此將針對所述線路阻塞情況和線路檢修情況的文本型數(shù)據(jù)轉(zhuǎn)換成了數(shù)值型時間序列數(shù)據(jù)。

13、在一些實施例中，設(shè)t時刻的特征矩陣為ft，表達式為：

14、

15、其中，特征矩陣ft的維度為t×(2m+10)；特征矩陣ft的第2列至第m+1列分別代表電網(wǎng)中各個節(jié)點的線路阻塞數(shù)量，m為電網(wǎng)含有的節(jié)點總數(shù)；特征矩陣ft的第m+2列至第2m+1列分別代表電網(wǎng)中各個節(jié)點的線路檢修數(shù)量；特征矩陣ft的其余列依次為剩余的10種特征的時間序列數(shù)值。

16、在一些實施例中，所述深度神經(jīng)網(wǎng)絡(luò)模型包括卷積神經(jīng)網(wǎng)絡(luò)、基于門控循環(huán)單元的循環(huán)神經(jīng)網(wǎng)絡(luò)和輸出層，所述循環(huán)神經(jīng)網(wǎng)絡(luò)由m個門控循環(huán)單元組構(gòu)成，各門控循環(huán)單元組內(nèi)含有相同個數(shù)的門控循環(huán)單元，第一個門控循環(huán)單元組內(nèi)的各門控循環(huán)單元順次連接，其余門控循環(huán)單元組內(nèi)的各門控循環(huán)單元跳躍連接；所述卷積神經(jīng)網(wǎng)絡(luò)用于提取輸入的特征矩陣中各特征的相關(guān)關(guān)系，得到特征fcnn；將該特征fcnn輸入至所述循環(huán)神經(jīng)網(wǎng)絡(luò)中的各門控循環(huán)單元組，以捕捉特征fcnn中的時序關(guān)系，得到特征frnn-1,frnn-2,…,frnn-m；所述輸出層用于對特征fcnn,frnn-1,frnn-2,…,frnn-m進行非線性融合和relu變換，并輸出日前競價空間的預(yù)測值。

17、在一些實施例中，對所述深度神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練時，通過反向傳播算法更新模型參數(shù)，最小化模型輸出的預(yù)測值與真實值之間的誤差，損失函數(shù)表達式為：

18、

19、其中，n為所述訓(xùn)練數(shù)據(jù)集含有的樣本總數(shù)；yi表示第i個訓(xùn)練樣本的真實值，即與輸入所述深度神經(jīng)網(wǎng)絡(luò)模型的特征矩陣對應(yīng)的實時競價空間；表示所述深度神經(jīng)網(wǎng)絡(luò)模型輸出的日前競價空間的預(yù)測值。

20、在一些實施例中，對所述深度神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練時，還包括對所述深度神經(jīng)網(wǎng)絡(luò)模型的超參數(shù)進行優(yōu)化，所述超參數(shù)包括輸入所述深度神經(jīng)網(wǎng)絡(luò)模型的特征矩陣的行數(shù)、所述卷積神經(jīng)網(wǎng)絡(luò)含有的卷積核數(shù)量和大小、所述門控循環(huán)單元跳躍連接的長度。

21、本公開第二方面提供的一種基于本公開第一方面任一實施例所述預(yù)測方法的預(yù)測裝置，包括：

22、訓(xùn)練數(shù)據(jù)集構(gòu)建模塊，被配置為獲取電力現(xiàn)貨市場的原始?xì)v史數(shù)據(jù)和電力網(wǎng)絡(luò)拓?fù)淝闆r，所述原始?xì)v史數(shù)據(jù)分為數(shù)值型、布爾型和文本型三大類，將每種數(shù)據(jù)分別表示為數(shù)值型的時間序列并作為相應(yīng)的一個特征，其中，針對布爾型的歷史原始數(shù)據(jù)，將布爾值“是”用數(shù)值“1”表示，將布爾值“否”用數(shù)值“0”表示；針對文本型的歷史原始數(shù)據(jù)，將所述電力網(wǎng)絡(luò)拓?fù)淝闆r作為外部知識利用大語言模型和設(shè)計的格式化提示符對其進行處理，以轉(zhuǎn)換為數(shù)值型的時間序列；將同一時刻的各特征的數(shù)值作為行，將某一特征的時間序列數(shù)值作為列構(gòu)造由所有特征融合形成的特征矩陣，利用所述特征矩陣及其對應(yīng)的實時競價空間構(gòu)建訓(xùn)練數(shù)據(jù)集；

23、訓(xùn)練模塊，被配置為利用所述訓(xùn)練數(shù)據(jù)集對深度神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，得到日前競價空間預(yù)測模型；

24、預(yù)測模塊，被配置為獲取電力現(xiàn)貨市場的實時數(shù)據(jù)，對其按照所述特征矩陣的構(gòu)造方式進行處理得到待測特征矩陣，將該待測特征矩陣輸入所述日前競價空間預(yù)測模型，得到日前競價空間的預(yù)測值。

25、本公開第三方面提供的一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲計算機指令，所述計算機指令用于使所述計算機執(zhí)行本公開第一方面任一實施例所述的預(yù)測方法。

26、本公開的優(yōu)點及有益效果是：

27、①根據(jù)電力需求側(cè)、電網(wǎng)傳輸側(cè)、電力供給側(cè)和其他因素四個方面，并具體選取了與日前競價空間相關(guān)的12個特征。其中，線路阻塞情況和線路檢修情況能夠表征電力傳輸過程的難易程度，間接影響電力供需關(guān)系；新能源裝機量決定新能源出力的上限，間接影響電力供給量；燃料價格決定火力發(fā)電廠出力，間接影響電力供給量；日期屬性，具體為是否是節(jié)假日，決定社會生產(chǎn)活動和人們生活方式，間接影響電力需求量；溫度決定人們生活方式，間接影響電力需求量，目前這些特征很少被考慮到日前競價空間的計算中；②設(shè)計了異構(gòu)數(shù)據(jù)類型的特征構(gòu)造方法，將布爾型和文本型特征均轉(zhuǎn)換成數(shù)值型數(shù)據(jù)，實現(xiàn)了不同類型數(shù)據(jù)的時間和價值對齊，并且通過大語言模型提示詞工程方法，解決了行業(yè)內(nèi)文本型數(shù)據(jù)無法在深度神經(jīng)網(wǎng)絡(luò)模型的數(shù)值預(yù)測任務(wù)中發(fā)揮作用的問題，使得非數(shù)值型數(shù)據(jù)能夠在預(yù)測方法中發(fā)揮重要價值；③將所有特征變量數(shù)據(jù)在相同時間點進行采樣并采集相同時間長度，融合后形成特征矩陣，便于構(gòu)造訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型輸入數(shù)據(jù)的張量形式；④預(yù)測方法采用一款輕量型深度神經(jīng)網(wǎng)絡(luò)模型，主要包括卷積神經(jīng)網(wǎng)絡(luò)(cnn)和基于門控循環(huán)單元(gru)的循環(huán)神經(jīng)網(wǎng)絡(luò)(rnn)，能夠充分挖掘各特征變量的空間和時間關(guān)聯(lián)特性，并且模型訓(xùn)練兼顧了時間成本和結(jié)果精度；⑤針對影響模型預(yù)測精度的輸入深度神經(jīng)網(wǎng)絡(luò)模型的特征矩陣的行數(shù)、卷積核數(shù)量和大小、門控循環(huán)單元跳躍連接的長度的超參數(shù)，引入optuna調(diào)參工具，能夠提升模型結(jié)果預(yù)測精度。

28、綜上所述，本發(fā)明突破了傳統(tǒng)的日前競價空間計算方法，采用深度神經(jīng)網(wǎng)絡(luò)模型對日前競價空間進行預(yù)測，使用了電力需求側(cè)、電網(wǎng)傳輸側(cè)、電力供給側(cè)和其他因素四個方面的時間序列特征的異構(gòu)數(shù)據(jù)，將布爾型和文本型數(shù)據(jù)轉(zhuǎn)換成數(shù)值型數(shù)據(jù)，充分挖掘了這兩類數(shù)據(jù)在深度神經(jīng)網(wǎng)絡(luò)模型數(shù)值預(yù)測任務(wù)中的價值，提升了日前競價空間的計算結(jié)果精度，為電力調(diào)度機構(gòu)做日前調(diào)度計劃提供了重要數(shù)據(jù)支持。