本發(fā)明涉及智能電網，尤其涉及一種基于分類網絡的實時電價預測方法和系統(tǒng)。

背景技術：

1、當前電力市場的實時電價預測是電力系統(tǒng)管理和市場交易中的關鍵環(huán)節(jié)。隨著電力市場的不斷發(fā)展，電價受多種因素的影響，包括電力需求、發(fā)電成本、氣候條件、能源政策等，因此電價波動具有復雜性和不確定性。現(xiàn)有的電價預測方法主要基于傳統(tǒng)的統(tǒng)計分析、時間序列模型(如arima模型)、機器學習算法(如回歸模型、支持向量機)等。這些方法雖然在一定程度上能夠捕捉電價的時序特征和外部影響因素，但仍存在一些局限性：

2、多源數(shù)據(jù)整合能力不足：傳統(tǒng)方法在處理多源數(shù)據(jù)時，通常僅關注單一或少量數(shù)據(jù)源，無法有效整合電價的多維特征(如時序特征、外部影響因素、波動特征等)。因此，這類方法無法充分反映電價波動的復雜性和多因素的影響。預測精度有限：雖然一些先進的機器學習方法能夠提高預測精度，但在面對電價波動的劇烈變化時，這些方法的表現(xiàn)仍不理想。尤其是，當外部因素(如政策變動、氣候變化)突然出現(xiàn)時，現(xiàn)有模型難以快速調整，導致預測誤差較大。模型的自適應性不足：現(xiàn)有模型往往缺乏對市場變化的自適應能力，尤其是電價波動頻繁、數(shù)據(jù)特征復雜的情況下，現(xiàn)有方法無法及時調整模型參數(shù)，從而影響預測的實時性和準確性。對電價區(qū)間的置信度評估不完善：目前的電價預測模型通常輸出單一的預測值，而缺乏對預測結果置信度的評估機制，難以為決策者提供明確的風險提示和應對方案。

3、因此，急需一種基于分類網絡的實時電價預測方法和系統(tǒng)。

技術實現(xiàn)思路

1、本發(fā)明提供了一種基于分類網絡的實時電價預測方法和系統(tǒng)，以解決現(xiàn)有技術中存在的上述問題。

2、為了達到上述目的，本發(fā)明提供如下技術方案：

3、一種基于分類網絡的實時電價預測方法，其特征在于，包括：

4、s101：實時監(jiān)測電力市場，獲取多源數(shù)據(jù)，多源數(shù)據(jù)包括電價的時序特征、外部影響因素的狀態(tài)信息和電價波動特征；

5、s102：基于多源數(shù)據(jù)，構建分類網絡模型；

6、s103：基于分類網絡模型，對當前獲取的多源數(shù)據(jù)進行分析，生成多個電價區(qū)間的預測結果，同時評估每個區(qū)間結果的置信度；

7、s104：基于預測結果及對應的置信度，綜合考慮市場變化趨勢，對未來電價走勢進行分析，生成電價預測報告，為電力市場決策提供支持。

8、其中，s101步驟包括：

9、s1011：當監(jiān)測電力市場的多源實時數(shù)據(jù)時，獲取電力市場的電價的時序特征信息；

10、s1012：獲取電力市場的外部影響因素的狀態(tài)信息；

11、s1013：基于時序特征信息和預設的電價波動特征模板生成庫，生成電價波動特征檢測模板；

12、s1014：基于電價波動特征檢測模板，根據(jù)狀態(tài)信息，獲取電價波動特征。

13、其中，構建分類網絡模型，包括：

14、對多源數(shù)據(jù)進行預處理，提取與實時電價預測相關的特征信息，并將特征信息作為多源數(shù)據(jù)特征；

15、根據(jù)多源數(shù)據(jù)特征，確定多源數(shù)據(jù)與實時電價之間的關聯(lián)關系，關聯(lián)關系用于表示時序特征、外部影響因素和電價波動特征對實時電價預測的影響；

16、基于多源數(shù)據(jù)與實時電價的關聯(lián)關系，構建初始分類網絡模型，分類網絡模型通過輸入多源數(shù)據(jù)特征來預測實時電價，初始分類網絡模型由多個網絡層和神經單元構成，網絡層包括時序層、狀態(tài)信息處理層和波動特征提取層，分別用于處理與電價時序特征、外部影響因素的狀態(tài)信息和電價波動特征相關的輸入數(shù)據(jù)；

17、對初始分類網絡模型進行訓練，利用預設的訓練集數(shù)據(jù)對分類網絡模型中的權重進行調整，其中，訓練集數(shù)據(jù)包括已標注的歷史電價和對應的多源數(shù)據(jù)特征；

18、根據(jù)訓練后的分類網絡模型的性能，采用預設的模型優(yōu)化策略對分類網絡模型進行優(yōu)化，模型優(yōu)化策略包括基于誤差反饋的反向傳播算法，用于調整網絡層之間的權重關系，以提高實時電價預測的準確性，獲得優(yōu)化后的分類網絡模型；

19、基于優(yōu)化后的分類網絡模型，對實時輸入的多源數(shù)據(jù)進行預測，將實時電價預測結果作為分類網絡模型的輸出；

20、在分類網絡模型中，按照預設的模型檢測方法進行分類網絡模型效果評估，判斷分類網絡模型在實時電價預測中的表現(xiàn)，評估結果作為進一步模型優(yōu)化的依據(jù)；

21、基于分類網絡模型的評估結果，確定最終用于實時電價預測的分類網絡模型，分類網絡模型通過多源數(shù)據(jù)的輸入，實現(xiàn)對實時電價的高精度預測。

22、其中，對當前獲取的多源數(shù)據(jù)進行分析，包括：

23、基于多源數(shù)據(jù)，構建輸入數(shù)據(jù)集，將輸入數(shù)據(jù)集輸入至分類網絡模型中；

24、基于分類網絡模型的分析結果，設定多個電價區(qū)間，電價區(qū)間為連續(xù)時間段內電價的預測值范圍；

25、對電價區(qū)間的預測結果進行置信度評估，置信度評估基于分類網絡模型對輸入數(shù)據(jù)的擬合程度及外部影響因素的波動狀態(tài)；

26、若某一電價區(qū)間的置信度低于預設的置信度閾值，對該電價區(qū)間的預測結果進行再分析或調整，生成修正的電價區(qū)間；

27、輸出多個電價區(qū)間的預測結果及對應的置信度信息，用于電價調控或市場分析；

28、其中，多個電價區(qū)間的設定基于分類網絡模型對電價時序特征的解析，結合外部影響因素的狀態(tài)信息，動態(tài)生成多個區(qū)間范圍；

29、置信度評估包括基于歷史數(shù)據(jù)的回溯測試，以確保預測結果的準確性和可靠性。

30、其中，生成電價預測報告，包括：

31、根據(jù)電價預測結果生成電價預測報告，并根據(jù)置信度高低提供未來電價走勢的多種場景分析；

32、對預測報告中的數(shù)據(jù)進行對比分析，當預測報告中的電價變化趨勢與歷史或預存數(shù)據(jù)的偏差大于第一預設閾值時，進行一級提醒，并在預測報告中附加分析建議；

33、當電價預測結果偏差超過第二預設閾值時，觸發(fā)二級報警，并在預測報告中附加市場風險提示及相關應對方案；

34、當電價預測結果偏差超過第三預設閾值時，觸發(fā)三級報警，并在報告中建議采取緊急調控措施以避免市場波動風險。

35、其中，獲取電力市場的外部影響因素的狀態(tài)信息，包括：

36、獲取電力市場的歷史電價記錄；

37、基于歷史電價記錄，將電力市場劃分成重點監(jiān)測市場區(qū)域和非重點監(jiān)測市場區(qū)域；

38、對重點監(jiān)測市場區(qū)域和非重點監(jiān)測市場區(qū)域進行電價波動特征檢測的檢測資源的適應分配。

39、其中，基于時序特征信息和預設的電價波動特征模板生成庫，生成電價波動特征檢測模板，包括：

40、解析時序特征信息的信息種類數(shù)目；

41、當信息種類數(shù)目唯一時，從電價波動特征模板生成庫中確定時序特征信息對應的電價波動檢測規(guī)則；

42、基于電價波動檢測規(guī)則，生成電價波動特征檢測模板；

43、當信息種類數(shù)目不唯一時，基于預設的特征解析模板，解析時序特征信息的狀態(tài)信息特征集；

44、基于狀態(tài)信息特征集，構建時序特征信息的第一特征描述向量；

45、從電價波動特征模板生成庫中提取多組一一對應的第二特征描述向量和電價波動檢測規(guī)則集；

46、計算第一特征描述向量與任一第二特征描述向量之間的向量相似度；

47、基于最大向量相似度的第二特征描述向量對應的電價波動檢測規(guī)則集，生成電價波動特征檢測模板。

48、其中，設定多個電價區(qū)間，包括：

49、獲取待設定電價區(qū)間的電價預測值，電價預測值為在連續(xù)時間段內基于電價預測模型預測的電價值；

50、獲取參考電價數(shù)據(jù)集合，參考電價數(shù)據(jù)集合為預置電價數(shù)據(jù)集合中包含電價預測值的參考數(shù)據(jù)集合；

51、基于參考電價數(shù)據(jù)集合中，每個參考數(shù)據(jù)中記錄的電價預測值的時間屬性值，確定電價區(qū)間的劃分，參考數(shù)據(jù)中記錄的電價預測值的時間屬性值用于描述電價預測值的時間分布。

52、其中，一種基于分類網絡的實時電價預測系統(tǒng)，包括：

53、獲取多源數(shù)據(jù)單元，用于實時監(jiān)測電力市場，獲取多源數(shù)據(jù)，多源數(shù)據(jù)包括電價的時序特征、外部影響因素的狀態(tài)信息和電價波動特征；

54、分類網絡模型單元，用于基于多源數(shù)據(jù)，構建分類網絡模型；

55、獲取預測結果單元，用于基于分類網絡模型，對當前獲取的多源數(shù)據(jù)進行分析，生成多個電價區(qū)間的預測結果，同時評估每個區(qū)間結果的置信度；

56、獲取電價預測報告單元，基于預測結果及對應的置信度，綜合考慮市場變化趨勢，對未來電價走勢進行分析，生成電價預測報告，為電力市場決策提供支持。

57、其中，獲取多源數(shù)據(jù)單元包括：

58、第一獲取多源數(shù)據(jù)模塊，用于當監(jiān)測電力市場的多源實時數(shù)據(jù)時，獲取電力市場的電價的時序特征信息；

59、第二獲取多源數(shù)據(jù)模塊，用于獲取電力市場的外部影響因素的狀態(tài)信息；

60、第三獲取多源數(shù)據(jù)模塊，用于基于時序特征信息和預設的電價波動特征模板生成庫，生成電價波動特征檢測模板；

61、第四獲取多源數(shù)據(jù)模塊，用于基于電價波動特征檢測模板，根據(jù)狀態(tài)信息，獲取電價波動特征。

62、與現(xiàn)有技術相比，本發(fā)明具有以下優(yōu)點：

63、一種基于分類網絡的實時電價預測方法，包括：實時監(jiān)測電力市場，獲取多源數(shù)據(jù)，多源數(shù)據(jù)包括電價的時序特征、外部影響因素的狀態(tài)信息和電價波動特征；基于多源數(shù)據(jù)，構建分類網絡模型；基于分類網絡模型，對當前獲取的多源數(shù)據(jù)進行分析，生成多個電價區(qū)間的預測結果，同時評估每個區(qū)間結果的置信度；基于預測結果及對應的置信度，綜合考慮市場變化趨勢，對未來電價走勢進行分析，生成電價預測報告，為電力市場決策提供支持。確保對電價變化的預測更加全面和精準。

64、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。

65、下面通過附圖和實施例，對本發(fā)明的技術方案做進一步的詳細描述。