一种基于极值优化的电价预测方法、系统、设备及存储介质

技术领域

本发明属于电价预测领域，涉及一种基于极值优化的电价预测方法、系统、设备及存储介质。

背景技术

市场出清价格是现货市场中的报价结果的实际反映，直接影响市场主体的市场利益，因此精确有效的预测电力现货市场的出清价格对市场主体制定决策方案和把握市场规律具有重要意义。现有的预测方法大多基于人工沟通，人工成本较高，效率较低，而基于算法的预测方法又难以捕捉到电价极值，即市场主体所关注的获利点，难以辅助市场主体把握市场规律。

发明内容

本发明的目的在于解决现有技术中采用人工预测效率低，采用预测算法难以捕捉到电价极值的问题，提供一种基于极值优化的电价预测方法、系统、设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明提出的一种基于极值优化的电价预测方法，包括如下步骤：

获取预处理的电价数据；

构建深度神经网络模型的损失函数，获取改进的深度神经网络模型；

将预处理的电价数据输入至改进的深度神经网络模型中，输出日前电价预测结果，实现电价的预测。

优选地，电价数据包括历史电价数据和历史市场披露数据；

电价数据的预处理方法为归一化处理方法。

优选地，构建深度神经网络模型的损失函数Loss如下：

Loss＝w

其中，pred

优选地，极值标准化权重w

其中，a为第一标准化权重，b为第二标准化权重。

优选地，第一权重a的计算方法为：

计算历史电价每一天日前价格出现极值的频率；

计算历史这段时间极值出现的平均频率；

将平均频率通过z score标准化的方法放大，得到1000-1500对应的第一权重a。

优选地，第二权重b的计算方法为：

计算历史电价每一天日前价格出现极值的频率；

计算历史这段时间极值出现的平均频率；

将平均频率通过z score标准化的方法放大，得到0-200对应的第一权重b。

优选地，改进的深度神经网络模型的停止迭代阈值∈与损失函数Loss满足如下关系：

若损失函数Loss小于停止迭代阈值∈，则改进的深度神经网络模型训练完成；

若损失函数Loss大于等于停止迭代阈值∈，则改进的深度神经网络模型继续训练。

本发明提出的一种基于极值优化的电价预测系统，包括：

数据获取模块，所述数据获取模块用于获取预处理的电价数据；

模型构建模块，所述模型构建模块用于构建深度神经网络模型的损失函数，获取改进的深度神经网络模型；

电价预测模块，所述电价预测模块用于将预处理的电价数据输入至改进的深度神经网络模型中，输出日前电价预测结果，实现电价的预测。

一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现基于极值优化的电价预测方法的步骤。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于极值优化的电价预测方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明提出的一种基于极值优化的电价预测方法，获取预处理的电价数据目的是为了避免直接采集的数据在进行预测时精度低的问题；在深度神经网络模型的基础上构建损失函数，得到改进的深度神经网络模型，目的是为了提高模型的准确度，更有效地预测当前电价值。与现有技术相比，采用算法来预测电价提高了预测精度和效率，节省了人力；采用改进的深度神经网络模型来预测电价，通过更改损失函数能够捕捉到电价极值。因此，本发明提出的电价预测方法能够解决现有技术中采用人工预测效率低，采用预测算法难以捕捉到电价极值的问题。

进一步地，采用归一化处理方法使得预处理的数据被限定在一定的范围内，从而消除奇异样本数据导致的不良影响，还能提高模型精度。

本发明提出的一种基于极值优化的电价预测系统，通过将系统划分为数据获取模块、模型构建模块和电价预测模块，实现电价的预测。采用模块化思想使各个模块之间相互独立，方便对各模块进行统一管理。

附图说明

为了更清楚的说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明的基于极值优化的电价预测方法流程图。

图2为本发明的第一权重a的计算方法流程图。

图3为本发明的第二权重b的计算方法流程图。

图4为本发明的基于极值优化的电价预测系统图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。

因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。

在本发明实施例的描述中，需要说明的是，若出现术语“上”、“下”、“水平”、“内”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

此外，若出现术语“水平”，并不表示要求部件绝对水平，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。

在本发明实施例的描述中，还需要说明的是，除非另有明确的规定和限定，若出现术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。

下面结合附图对本发明做进一步详细描述：

本发明提出的一种基于极值优化的电价预测方法，如图1所示，包括如下步骤：

S1、获取预处理的电价数据；

电价数据包括历史电价数据和历史市场披露数据；

电价数据的预处理方法为归一化处理方法。

S2、构建深度神经网络模型的损失函数，获取改进的深度神经网络模型；

构建深度神经网络模型的损失函数Loss如下：

Loss＝w

其中，pred

极值标准化权重w

其中，a为第一标准化权重，b为第二标准化权重。

如图2所示，第一权重a的计算方法为：

S101、计算历史电价每一天日前价格出现极值的频率；

S102、计算历史这段时间极值出现的平均频率；

S103、将平均频率通过z score标准化的方法放大，得到1000-1500对应的第一权重a。

如图3所示，第二权重b的计算方法为：

S201、计算历史电价每一天日前价格出现极值的频率；

S202、计算历史这段时间极值出现的平均频率；

S203、将平均频率通过z score标准化的方法放大，得到0-200对应的第一权重b。

改进的深度神经网络模型的停止迭代阈值∈与损失函数Loss满足如下关系：

若损失函数Loss小于停止迭代阈值∈，则改进的深度神经网络模型训练完成；

若损失函数Loss大于等于停止迭代阈值∈，则改进的深度神经网络模型继续训练。

S3、将预处理的电价数据输入至改进的深度神经网络模型中，输出日前电价预测结果，实现电价的预测。

具体步骤如下：

步骤1：数据预处理，收集历史电价数据、历史市场披露数据，针对原始数据进行数据清洗与处理工作，包括归一化数据处理。

步骤2：统计历史电价每一天日前价格出现极值的频率，极值可根据市场经验自行定义，如定义1000-1500为极大值，0-200为极小值，再计算历史这段时间极值出现的平均频率，将平均频率通过z score标准化的方法放大，得到1000-1500对应的第一权重为a，0-200极小值对应的第二权重为b，电价在200-1000范围内对应的权重则为1。

其中，w

步骤3：模型训练，首先设定深度神经网络模型(DNN)的总层数L、各隐藏层与输出层的神经元个数、sigmoid激活函数、迭代步长α、模型的损失函数、最大迭代次数MAX及停止迭代阈值∈，损失函数Loss优化如下：

Loss＝w

其中，pred

将预处理后的数据m个样本X输入深度神经网络模型(DNN)中，首先初始化各隐藏层与输出层的线性关系稀疏矩阵W和偏倚向量b为一个随机值，在每一次的迭代中：

将DNN的第一层输出a

z

a

其中，a

之后进行反向传播算法计算每一个输出层的梯度：

δ

其中，δ

计算完毕后，再从2到L层循环，更新每一层的W

其中，W为线性关系稀疏矩阵，b为偏倚向量，α为迭代步长，a

训练得到最终的模型参数并存储。

本发明提出的一种基于极值优化的价格预测系统，如图3所示，包括数据获取模块、模型构建模块和电价预测模块；

所述数据获取模块用于获取预处理的电价数据；

所述模型构建模块用于构建深度神经网络模型的损失函数，获取改进的深度神经网络模型；

所述电价预测模块用于将预处理的电价数据输入至改进的深度神经网络模型中，输出日前电价预测结果，实现电价的预测。

本发明一实施例提供的终端设备，该实施例的终端设备包括：处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现上述各个方法实施例中的步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能。

所述计算机程序可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。

所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。

所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field-ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。

所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。

所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。

本发明提出的一种基于极值优化的电价预测方法，首先获取离线数据，训练算法参数，得到训练模型。然后应用市场披露数据通过训练好的极值优化-DNN模型，得到现货市场日前电价预测结果，提高了模型预测效率和准确性。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。