本發(fā)明涉及電力現(xiàn)貨價格預(yù)測，具體涉及基于elm的電力市場結(jié)算價格預(yù)測方法、裝置及存儲介質(zhì)。

背景技術(shù)：

1、電力現(xiàn)貨市場的重要特征是價格隨時隨地變動。隨著電力現(xiàn)貨市場建設(shè)向全月及連續(xù)結(jié)算試運行發(fā)展，可再生能源將逐步進入電力現(xiàn)貨市場，電力現(xiàn)貨市場價格的波動幅度將不斷增大，電價是電力市場運營狀況的核心指標，反映了市場競爭效率，并且是電力市場決策的基礎(chǔ)，如同其他商品價格一樣，電力現(xiàn)貨市場價格是電力需求和供給共同作用的結(jié)果，其重要特征是價格隨時間波動，而隨著可再生能源發(fā)電滲透率的不斷增加，電力市場的供需平衡變得更為復(fù)雜，準確的電價預(yù)測對于發(fā)電企業(yè)、售電公司、電力用戶等市場主體至關(guān)重要。

2、現(xiàn)有技術(shù)方案包括時間序列法，時間序列法是一種常用的電價預(yù)測方法，它依賴于歷史數(shù)據(jù)的時間序列特性來進行預(yù)測，自回歸積分滑動平均模型(autoregressiveintegrated?moving?average?model，arima)是一種典型的時間序列方法，但它可能無法充分捕捉到電價變動的非線性和復(fù)雜性，機器學(xué)習(xí)方法包括支持向量機(svm)，svm用于預(yù)測電價的值和預(yù)測區(qū)間，它通過構(gòu)建統(tǒng)計模型并引入異方差性方程來估計預(yù)測區(qū)間，svm的優(yōu)點在于能夠處理非線性問題，但其缺點在于模型的選擇和參數(shù)調(diào)整較為復(fù)雜，且對大規(guī)模數(shù)據(jù)集的處理效率較低，基于mpmr的方法構(gòu)建較為復(fù)雜，需要大量的歷史數(shù)據(jù)進行訓(xùn)練和驗證；基于聚類分析的方法能夠?qū)?fù)雜的電價預(yù)測問題分解為更簡單的子問題求解，簡化了預(yù)測過程，但聚類效果依賴于初始聚類中心的選擇，容易受到噪聲的影響。

技術(shù)實現(xiàn)思路

1、有鑒于此，本發(fā)明的目的在于提供基于elm的電力市場結(jié)算價格預(yù)測方法、裝置及存儲介質(zhì)，以解決傳統(tǒng)預(yù)測電價方法無法充分捕捉到電價變動的非線性和復(fù)雜性，且對大規(guī)模數(shù)據(jù)集的處理效率較低，預(yù)測時間較長，準確度不高的問題。

2、根據(jù)本發(fā)明實施例的第一方面，提供基于elm的電力市場結(jié)算價格預(yù)測方法，所述方法包括：

3、構(gòu)建n個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)分別用于預(yù)測未來一段時間內(nèi)每個月的平均現(xiàn)貨價格；

4、獲取現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)，根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)分別獲取每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的訓(xùn)練數(shù)據(jù)；

5、確定每個人工神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，以及確定每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的激活函數(shù)以及每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)中隱藏層的最優(yōu)神經(jīng)元數(shù)量；

6、通過每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)所對應(yīng)的訓(xùn)練數(shù)據(jù)分別對每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行訓(xùn)練，分別得到訓(xùn)練好的n個人工神經(jīng)網(wǎng)絡(luò)模型；

7、通過所述訓(xùn)練好的n個人工神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測未來一段時間內(nèi)n個月的月平均現(xiàn)貨價格；對所述n個月的月平均現(xiàn)貨價格按升序進行排列，得到預(yù)測集合；

8、基于影響待預(yù)測月份的月平均現(xiàn)貨價格的風(fēng)險因素設(shè)置待預(yù)測月份的風(fēng)險參數(shù)，基于所述待預(yù)測月份的風(fēng)險參數(shù)以及預(yù)測集合得到待預(yù)測月份的月平均現(xiàn)貨參考價格。

9、優(yōu)選地，

10、所述根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)分別獲取每個人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)包括：

11、獲取每個人工神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的待預(yù)測月份；

12、獲取電力交易合同簽訂日期到待預(yù)測月份的第一天之間的天數(shù)；

13、根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)分別獲取議價日前x天以及前y天的期貨平均價格；

14、根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)獲取議價日前x天的現(xiàn)貨平均價格；

15、根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)獲取議價日前x天的鄰近x天的現(xiàn)貨平均價格，根據(jù)所述議價日前x天的現(xiàn)貨平均價格以及議價日前x天的鄰近x天的現(xiàn)貨平均價格獲取日前x天現(xiàn)貨平均價格差；

16、將所述每個人工神經(jīng)網(wǎng)絡(luò)模型所對應(yīng)的待預(yù)測月份、電力交易合同簽訂日期到待預(yù)測月份的第一天之間的天數(shù)、議價日前x天以及前y天的期貨平均價格、議價日前x天的現(xiàn)貨平均價格以及日前x天現(xiàn)貨平均價格差作為每個人工神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)。

17、優(yōu)選地，

18、所述確定每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的最優(yōu)激活函數(shù)以及每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)中隱藏層的最優(yōu)神經(jīng)元數(shù)量包括：

19、確定每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)中隱藏層的神經(jīng)元數(shù)量測試范圍，對所述神經(jīng)元數(shù)量測試范圍內(nèi)的每一個值，使用不同的激活函數(shù)獲取預(yù)測值；

20、基于損失函數(shù)獲取每個預(yù)測值的損失值，選取損失值最小的神經(jīng)元數(shù)量以及激活函數(shù)組合作為最優(yōu)激活函數(shù)以及最優(yōu)神經(jīng)元數(shù)量。

21、優(yōu)選地，

22、所述對所述神經(jīng)元數(shù)量測試范圍內(nèi)的每一個值，使用不同的激活函數(shù)獲取預(yù)測值包括：

23、通過開源數(shù)學(xué)計算軟件octave的隨機數(shù)生成器工具初始化人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)中隱藏層的輸入權(quán)重矩陣及偏置量，并通過最小化損失函數(shù)求解輸出權(quán)重；

24、所述人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入層將輸入矩陣輸出給所述隱藏層；

25、所述隱藏層基于所述輸入權(quán)重矩陣、偏置量、輸入矩陣以及不同神經(jīng)元數(shù)量以及激活函數(shù)組合獲取隱藏層輸出矩陣；

26、所述人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸出層基于所述輸出權(quán)重以及隱藏層輸出矩陣獲取不同神經(jīng)元數(shù)量以及激活函數(shù)組合下的預(yù)測值。

27、優(yōu)選地，還包括：

28、根據(jù)每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)對應(yīng)的訓(xùn)練數(shù)據(jù)中包含的樣本數(shù)量以及特征數(shù)量，將每個人工神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)的訓(xùn)練數(shù)據(jù)變換為所述輸入矩陣，將所述輸入矩陣輸入到人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的輸入層中。

29、優(yōu)選地，

30、所述損失函數(shù)采用均方根誤差。

31、根據(jù)本發(fā)明實施例的第二方面，提供基于elm的電力市場結(jié)算價格預(yù)測裝置，所述裝置包括：

32、模型搭建模塊：用于構(gòu)建n個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)分別用于預(yù)測未來一段時間內(nèi)每個月的平均現(xiàn)貨價格；

33、訓(xùn)練數(shù)據(jù)獲取模塊：用于獲取現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)，根據(jù)所述現(xiàn)貨價格和期貨價格的歷史數(shù)據(jù)分別獲取每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的訓(xùn)練數(shù)據(jù)；

34、參數(shù)設(shè)置模塊：用于確定每個人工神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)，以及確定每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)的激活函數(shù)以及每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)中隱藏層的最優(yōu)神經(jīng)元數(shù)量；

35、訓(xùn)練模塊：用于通過每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)所對應(yīng)的訓(xùn)練數(shù)據(jù)分別對每個人工神經(jīng)網(wǎng)絡(luò)模型架構(gòu)進行訓(xùn)練，分別得到訓(xùn)練好的n個人工神經(jīng)網(wǎng)絡(luò)模型；

36、模型預(yù)測模塊：用于通過所述訓(xùn)練好的n個人工神經(jīng)網(wǎng)絡(luò)模型分別預(yù)測未來一段時間內(nèi)n個月的月平均現(xiàn)貨價格；對所述n個月的月平均現(xiàn)貨價格按升序進行排列，得到預(yù)測集合；

37、風(fēng)險預(yù)測模塊：用于基于影響待預(yù)測月份的月平均現(xiàn)貨價格的風(fēng)險因素設(shè)置待預(yù)測月份的風(fēng)險參數(shù)，基于所述待預(yù)測月份的風(fēng)險參數(shù)以及預(yù)測集合得到待預(yù)測月份的月平均現(xiàn)貨參考價格。

38、根據(jù)本發(fā)明實施例的第三方面，提供一種存儲介質(zhì)，所述存儲介質(zhì)存儲有計算機程序，所述計算機程序被主控器執(zhí)行時，實現(xiàn)上述方法中的各個步驟。

39、本發(fā)明的實施例提供的技術(shù)方案可以包括以下有益效果：

40、本技術(shù)利用機器學(xué)習(xí)技術(shù)(elm)來預(yù)測未來電力市場中短期內(nèi)的實時電力價格變動，使用elm算法進行訓(xùn)練與建模，通過最小化輸出誤差來優(yōu)化輸出層與隱藏層的權(quán)重，為降低天氣條件和可再生能源隨機性造成的電力市場波動風(fēng)險，在人工神經(jīng)網(wǎng)絡(luò)單側(cè)預(yù)測訓(xùn)練外考慮風(fēng)險因素增加了風(fēng)險參數(shù)，基于給定風(fēng)險水平，計算出一個相對穩(wěn)定的價格，以幫助市場主體更好地管理暴露于市場波動性的風(fēng)險，本技術(shù)不僅具備快速收斂、高精度和強泛化能力等優(yōu)點，還通過簡化訓(xùn)練過程和增強型改進提升了模型的適應(yīng)性和可靠性，為電力市場提供了有效的預(yù)測工具。

41、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。