本發(fā)明屬于電價(jià)預(yù)測(cè)，涉及基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法。

背景技術(shù)：

1、隨著全球?qū)夂蜃兓年P(guān)注增加，各國(guó)政府和能源行業(yè)都在尋求減少對(duì)化石燃料的依賴(lài)，并轉(zhuǎn)向更清潔、可持續(xù)的能源資源。虛擬電廠(chǎng)（virtual?power?plant，vpp）技術(shù)通過(guò)整合分散的可再生能源資源，如太陽(yáng)能、風(fēng)能以及儲(chǔ)能系統(tǒng)，提供了一種靈活且高效的能源管理方式。隨著能源存儲(chǔ)、智能電網(wǎng)技術(shù)和數(shù)字管理平臺(tái)的持續(xù)改進(jìn)，vpp的功能和效率得到了增強(qiáng)。人工智能、機(jī)器學(xué)習(xí)和區(qū)塊鏈技術(shù)的進(jìn)步將是vpp領(lǐng)域創(chuàng)新的關(guān)鍵驅(qū)動(dòng)力，電力市場(chǎng)分為中長(zhǎng)期市場(chǎng)與現(xiàn)貨市場(chǎng)，其中現(xiàn)貨市場(chǎng)最為活躍，日前市場(chǎng)是電力現(xiàn)貨市場(chǎng)中的重要一環(huán)。準(zhǔn)確的日前市場(chǎng)電價(jià)預(yù)測(cè)對(duì)售電公司進(jìn)行合理的購(gòu)售電決策，提高利潤(rùn)率起著巨大作用，并與發(fā)電側(cè)的投標(biāo)決策息息相關(guān)。

2、統(tǒng)計(jì)分析模型和機(jī)器學(xué)習(xí)模型是兩類(lèi)常見(jiàn)的日前市場(chǎng)電價(jià)預(yù)測(cè)模型。常見(jiàn)的基于統(tǒng)計(jì)分析的模型有廣義自回歸條件異方差（garch）模型、差分自回歸移動(dòng)平均（arima）等?；诮y(tǒng)計(jì)分析的模型實(shí)現(xiàn)簡(jiǎn)單、需要調(diào)整的參數(shù)少所需運(yùn)算資源少，在線(xiàn)性平穩(wěn)的時(shí)序預(yù)測(cè)方面能取得較高的精度，但其存在較難擬合具有高度非線(xiàn)性和非平穩(wěn)序列的缺點(diǎn)。在日前市場(chǎng)電價(jià)預(yù)測(cè)中得到廣泛使用的基于機(jī)器學(xué)習(xí)的模型有長(zhǎng)短期記憶網(wǎng)絡(luò)（lstm）和梯度提升隨機(jī)森林（gbrf）等。機(jī)器學(xué)習(xí)模型相較于統(tǒng)計(jì)分析模型更適用于處理非線(xiàn)性、隨機(jī)性較強(qiáng)的數(shù)據(jù)，但其調(diào)參復(fù)雜、訓(xùn)練速度慢、算力需求高的問(wèn)題仍然難以解決。

3、綜上所述，現(xiàn)有技術(shù)存在日前市場(chǎng)電價(jià)預(yù)測(cè)模型計(jì)算速度慢、算力差的問(wèn)題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的是提供基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，解決了現(xiàn)有技術(shù)中存在的日前市場(chǎng)電價(jià)預(yù)測(cè)模型計(jì)算速度慢、算力差的問(wèn)題。

2、本發(fā)明所采用的技術(shù)方案是，基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，包括以下步驟：

3、s1、設(shè)定數(shù)據(jù)獲取參數(shù)，獲取歷史電價(jià)數(shù)據(jù)；

4、s2、歷史電價(jià)數(shù)據(jù)轉(zhuǎn)化為若干日前市場(chǎng)電價(jià)矩陣；

5、s3、將若干日前市場(chǎng)電價(jià)矩陣通過(guò)iceemdan模型分解為若干本征模函數(shù)序列imfs與殘差序列res后分別計(jì)算各序列的過(guò)零率；

6、s4、根據(jù)過(guò)零率將數(shù)據(jù)序列劃分為若干電價(jià)低頻子序列和若干電價(jià)高頻子序列；

7、s5、若干電價(jià)低頻子序列通過(guò)arima模型處理后得到電價(jià)低頻預(yù)測(cè)結(jié)果，若干電價(jià)高頻子序列通過(guò)timesnet模型處理后得到電價(jià)高頻預(yù)測(cè)結(jié)果；

8、s6、將電價(jià)低頻預(yù)測(cè)結(jié)果與電價(jià)高頻預(yù)測(cè)結(jié)果相加后得到日前市場(chǎng)電價(jià)預(yù)測(cè)值。

9、本發(fā)明的特點(diǎn)還在于：

10、數(shù)據(jù)獲取參數(shù)包括需獲取的歷史電價(jià)數(shù)據(jù)的時(shí)間段及數(shù)據(jù)獲取量；歷史電價(jià)數(shù)據(jù)包括過(guò)去若干天的歷史電價(jià)，歷史電價(jià)數(shù)據(jù)以時(shí)間段為單位劃分為若干組電價(jià)數(shù)據(jù)集；日前市場(chǎng)電價(jià)矩陣分別通過(guò)歷史電價(jià)數(shù)據(jù)中的若干組電價(jià)數(shù)據(jù)集轉(zhuǎn)化得到。

11、s1的具體步驟為：

12、s1.1、設(shè)定需獲取的歷史電價(jià)數(shù)據(jù)的時(shí)間段及數(shù)據(jù)獲取量，獲取歷史電價(jià)數(shù)據(jù)；

13、s1.2、歷史電價(jià)數(shù)據(jù)的數(shù)據(jù)量小于設(shè)定數(shù)據(jù)獲取量，繼續(xù)獲取比設(shè)定時(shí)間段時(shí)間更早的歷史電價(jià)數(shù)據(jù)；若歷史電價(jià)數(shù)據(jù)的數(shù)據(jù)量大于設(shè)定數(shù)據(jù)獲取量，將歷史電價(jià)數(shù)據(jù)的數(shù)據(jù)量多于設(shè)定數(shù)據(jù)獲取量的部分刪除；若歷史電價(jià)數(shù)據(jù)的數(shù)據(jù)量等于設(shè)定數(shù)據(jù)獲取量，執(zhí)行步驟s2。

14、s3的具體步驟為：

15、s3.1、將日前市場(chǎng)電價(jià)矩陣輸入iceemdan模型；

16、s3.2、將組白噪聲添加至日前市場(chǎng)電價(jià)矩陣中生成組中間矩陣；

17、s3.3、計(jì)算組中間矩陣的局部均值的平均值得到該組的殘差；

18、s3.4、分別計(jì)算組中間矩陣與該組的殘差的差值得到組模態(tài)子序列；

19、s3.5、分別計(jì)算組模態(tài)子序列的局部均值得到殘差序列res；

20、s3.6、計(jì)算殘差序列res中各子序列之間的差值得到本征模函數(shù)序列imfs；

21、s3.7、重復(fù)步驟s3.1-s3.6，將若干日前市場(chǎng)電價(jià)矩陣全部分解為若干本征模函數(shù)序列imfs與殘差序列res后執(zhí)行步驟s3.8；

22、s3.8、分別計(jì)算各本征模函數(shù)序列imfs與殘差序列res的過(guò)零率。

23、過(guò)零率的計(jì)算公式如下所示：

24、，

25、其中，表示第 i個(gè)序列的過(guò)零率、表示第 i個(gè)序列的序列數(shù)據(jù)通過(guò)零的次數(shù)、表示第 i個(gè)序列的序列數(shù)據(jù)點(diǎn)的總數(shù)。

26、電價(jià)低頻子序列的過(guò)零率小于0.02；電價(jià)高頻子序列的過(guò)零率不小于0.02。

27、若干電價(jià)高頻子序列通過(guò)timesnet模型處理后得到電價(jià)高頻預(yù)測(cè)結(jié)果的具體包括以下步驟：

28、a1、若干電價(jià)高頻子序列輸入timesnet模型；

29、a2、若干電價(jià)高頻子序列分別轉(zhuǎn)換為二維張量；

30、a3、若干二維張量分別通過(guò)inception模塊處理后得到若干二維張量拼接矩陣；

31、a4、若干二維張量拼接矩陣裁剪聚合后得到電價(jià)高頻預(yù)測(cè)結(jié)果。

32、本發(fā)明的有益效果是：智能組合模型中的改進(jìn)的完全自適應(yīng)噪聲集成經(jīng)驗(yàn)?zāi)Ｊ椒纸猓╥ceemdan）模型相比于基于經(jīng)驗(yàn)?zāi)Ｊ椒纸夥椒ǎ╡md）具有不受限于局部性質(zhì)，分解序列不會(huì)出現(xiàn)模態(tài)混疊現(xiàn)象的優(yōu)點(diǎn)，相比于集成經(jīng)驗(yàn)?zāi)B(tài)分解（eemd）具有重構(gòu)信號(hào)中不會(huì)包含殘余噪聲的優(yōu)點(diǎn)，相比于完全自適應(yīng)噪聲集成經(jīng)驗(yàn)?zāi)Ｊ椒纸猓╟eemdan）解決了參與噪聲以及雜散模式的問(wèn)題；智能組合模型中的差分整合移動(dòng)平均自回歸（arima）模型是一種基于統(tǒng)計(jì)分析的時(shí)序預(yù)測(cè)模型，其中ar、i、ma分別代表自回歸、綜合和移動(dòng)平均，相比于傳統(tǒng)預(yù)測(cè)模型，arima模型可以通過(guò)調(diào)整自回歸項(xiàng)數(shù)p、差分階數(shù)d、移動(dòng)平均項(xiàng)數(shù)q來(lái)適應(yīng)不同的數(shù)據(jù)特征，如趨勢(shì)性、季節(jié)性和周期性，較為靈活，arima模型可以通過(guò)差分操作將非平穩(wěn)時(shí)間序列轉(zhuǎn)化為平穩(wěn)時(shí)間序列，從而進(jìn)行有效建模和預(yù)測(cè)，提高了；智能組合模型中timesnet模型相比于傳統(tǒng)時(shí)序卷積網(wǎng)絡(luò)將時(shí)序分析拓展到了二維空間中，在考慮時(shí)序二維變化的基礎(chǔ)上對(duì)于時(shí)序數(shù)據(jù)的多周期性通過(guò)模塊化的架構(gòu)進(jìn)行建模，解決了一維卷積難以捕獲數(shù)據(jù)點(diǎn)間長(zhǎng)期依賴(lài)問(wèn)題；本發(fā)明中的iceemdan組合模型組合使用iceemdan模型、arima模型、timesnet模型，對(duì)歷史電價(jià)數(shù)據(jù)經(jīng)過(guò)多重處理后預(yù)測(cè)出最佳交易電價(jià)，計(jì)算速度快，預(yù)測(cè)精度高。

技術(shù)特征：

1.基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述數(shù)據(jù)獲取參數(shù)包括需獲取的歷史電價(jià)數(shù)據(jù)的時(shí)間段及數(shù)據(jù)獲取量；所述歷史電價(jià)數(shù)據(jù)包括過(guò)去若干天的歷史電價(jià)，所述歷史電價(jià)數(shù)據(jù)以時(shí)間段為單位劃分為若干組電價(jià)數(shù)據(jù)集；所述日前市場(chǎng)電價(jià)矩陣分別通過(guò)歷史電價(jià)數(shù)據(jù)中的若干組電價(jià)數(shù)據(jù)集轉(zhuǎn)化得到。

3.根據(jù)權(quán)利要求2所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述s1的具體步驟為：

4.根據(jù)權(quán)利要求3所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述s3的具體步驟為：

5.根據(jù)權(quán)利要求4所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述過(guò)零率的計(jì)算公式如下所示：

6.根據(jù)權(quán)利要求5所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述電價(jià)低頻子序列的過(guò)零率小于0.02；所述電價(jià)高頻子序列的過(guò)零率不小于0.02。

7.根據(jù)權(quán)利要求6所述的基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，其特征在于，所述若干電價(jià)高頻子序列通過(guò)timesnet模型處理后得到電價(jià)高頻預(yù)測(cè)結(jié)果的具體包括以下步驟：

技術(shù)總結(jié)
本發(fā)明公開(kāi)了基于智能組合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，包括以下步驟：設(shè)定數(shù)據(jù)獲取參數(shù)，獲取歷史電價(jià)數(shù)據(jù)；歷史電價(jià)數(shù)據(jù)轉(zhuǎn)化為若干日前市場(chǎng)電價(jià)矩陣；將若干日前市場(chǎng)電價(jià)矩陣分解為若干本征模函數(shù)序列與殘差序列后分別計(jì)算各序列的過(guò)零率；根據(jù)過(guò)零率將數(shù)據(jù)序列劃分為電價(jià)低頻子序列和電價(jià)高頻子序列；電價(jià)低頻子序列處理后得到電價(jià)低頻預(yù)測(cè)結(jié)果，電價(jià)高頻子序列處理后得到電價(jià)高頻預(yù)測(cè)結(jié)果；將電價(jià)低頻預(yù)測(cè)結(jié)果與電價(jià)高頻預(yù)測(cè)結(jié)果相加后得到日前市場(chǎng)電價(jià)預(yù)測(cè)值?；谥悄芙M合模型的虛擬電廠(chǎng)電價(jià)預(yù)測(cè)方法，組合使用ICEEMDAN模型、ARIMA模型、TimesNet模型，對(duì)歷史電價(jià)數(shù)據(jù)經(jīng)過(guò)多重處理后預(yù)測(cè)出最佳交易電價(jià)，計(jì)算速度快，預(yù)測(cè)精度高。

技術(shù)研發(fā)人員：彭宇晨,黃亮,王士龍
受保護(hù)的技術(shù)使用者：復(fù)變時(shí)空（揚(yáng)州）能源科技有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/1/6