基于分时段建模与iTransformer的电力市场电价预测方法及系统与流程

本发明涉及电力系统运行与电力市场交易，尤其涉及基于分时段建模与itransformer的电力市场电价预测方法及系统。

背景技术：

1、随着电力市场化改革的不断深入，日前电价与实时电价已成为引导市场主体发用电行为、反映电力供需关系的最核心信号。准确的电价预测不仅能够帮助发电企业优化报价策略、提高收益，还能协助售电公司和大型用户规避市场风险、降低用电成本。然而，在新型电力系统建设背景下，风、光等高比例新能源的接入导致电网净负荷波动加剧，加之极端天气、节假日效应及宏观经济环境的多重影响，电价序列呈现出极强的非平稳性、非线性和波动聚集特征。

2、当前，传统的电价预测方法主要依赖于时间序列统计模型（如arima）或浅层机器学习模型（如svr、随机森林）。近年来，深度学习技术被广泛引入该领域，但现有主流方法仍存在显著痛点：

3、(1)以lstm为代表的循环神经网络模型在处理长序列数据时存在梯度消失问题，且由于其串行计算机制，难以实现高效的并行训练。

4、(2)传统的transformer模型虽然解决了并行计算与长距离依赖问题，但其注意力机制主要在时间步之间进行计算。在电力市场这种包含多达数十个协变量（如各类型负荷、新能源出力、外受电等）的场景中，不同变量间的物理意义和量纲差异巨大，传统transformer难以有效捕捉极端多元变量之间的复杂交叉依赖关系，甚至可能出现注意力图退化的现象。

5、(3)全天24小时内的电力供需博弈呈现高度异质性（例如凌晨的负荷低谷期与白天的光伏大发期、傍晚的晚峰期表现截然不同），传统方法通常使用单一模型拟合全天数据，难以同时兼顾不同时间段的特定数据分布特性。

6、因此，如何提供基于分时段建模与itransformer的电力市场电价预测方法及系统是本领域技术人员亟需解决的问题。

技术实现思路

1、本发明的一个目的在于提出基于分时段建模与itransformer的电力市场电价预测方法及系统，本发明通过构建负荷、新能源出力、竞价空间及节气周期等电力市场特征，将全天数据划分为多个独立时段，并采用滑动窗口融合历史实测数据与未来已知协变量，再利用变量倒置机制对多变量间的关联关系进行建模，分别生成各时段电价预测结果并按时间顺序融合，具备对复杂多变量关系刻画能力强、对全天非平稳电价序列适应性好、日前及实时电价预测精度高和预测稳定性强的优点。

2、根据本发明实施例的基于分时段建模与itransformer的电力市场电价预测方法及系统，包括如下步骤：

3、获取并对齐电网运行数据与电价数据，构建负荷、新能源、竞价空间及节气周期特征，生成电价预测特征矩阵；

4、将电价预测特征矩阵按1时至8时、9时至16时、17时至次日0时划分为三个特征子集，分别建立归一化参数集并生成归一化特征子集；

5、对各归一化特征子集执行滑动窗口切分，将历史实测协变量与目标电价构成历史段，将未来已知协变量与目标电价占位列构成未来段，日前预测时在历史段写入已知日前电价，实时预测时在未知位置写入零值，并沿时间维拼接形成分时段时序样本；

6、交换分时段时序样本的时间维与变量维，使各变量的窗口序列形成独立变量表征，并在变量维执行自注意力编码，生成分时段变量关联特征；

7、将三个分时段变量关联特征分别输入对应的独立itransformer预测模型，生成三个归一化电价预测序列；

8、调用与各归一化电价预测序列对应的归一化参数集执行逆归一化，并按时间戳顺序拼接，生成完整运行周期的电价预测结果。

9、可选的，基于分时段建模与itransformer的电力市场电价预测系统包括如下模块：

10、特征构建模块，获取并对齐电网运行数据与电价数据，构建负荷、新能源、竞价空间及节气周期特征，生成电价预测特征矩阵；

11、分时段映射模块，将电价预测特征矩阵按1时至8时、9时至16时、17时至次日0时划分为三个特征子集，分别建立归一化参数集并生成归一化特征子集；

12、样本重构模块，对各归一化特征子集执行滑动窗口切分，将历史实测协变量与目标电价构成历史段，将未来已知协变量与目标电价占位列构成未来段，日前预测时在历史段写入已知日前电价，实时预测时在未知位置写入零值，并沿时间维拼接形成分时段时序样本；

13、变量倒置编码模块，交换分时段时序样本的时间维与变量维，使各变量的窗口序列形成独立变量表征，并在变量维执行自注意力编码，生成分时段变量关联特征；

14、分时段预测模块，将三个分时段变量关联特征分别输入对应的独立itransformer预测模型，生成三个归一化电价预测序列；

15、结果融合模块，调用与各归一化电价预测序列对应的归一化参数集执行逆归一化，并按时间戳顺序拼接，生成完整运行周期的电价预测结果。

16、可选的，所述特征构建模块包括：

17、获取电力市场交易平台及电网调度系统中的直调负荷、联络线受电负荷、新能源总加、竞价空间、总用电量、其他负荷总加的实际值及预测值，以及日前电价和实时电价，以统一时间戳对获取的数据进行时间粒度匹配、异常记录剔除及时间对齐，形成基础时序数据；

18、基于基础时序数据中各时间戳对应的日期属性，提取星期序号以及法定休息日和周末休息日标识，确定对应日期的二十四节气序数，并按照：

19、；

20、生成节气正弦特征和节气余弦特征；

21、基于基础时序数据中同一时间戳对应的直调负荷实际值与新能源总加实际值，按照，生成净负荷特征，其中，表示净负荷特征，表示直调负荷实际值，表示新能源总加实际值；

22、根据电价预测任务，从日前电价和实时电价中选取对应电价数据作为目标电价列，并将目标电价列与基础时序数据、星期序号、休息日标识、节气正弦特征、节气余弦特征及净负荷特征按照时间戳进行对应；

23、将完成时间戳对应后的各实际值、各预测值、时间特征、净负荷特征及目标电价列按照特征维度进行列向排列，并按照时间戳顺序组织各行数据，生成电价预测特征矩阵。

24、可选的，所述分时段映射模块包括：

25、接收电价预测特征矩阵，读取各行数据对应的小时属性，在保持时间戳及特征字段对应关系不变的条件下，将1时至8时对应的数据划分为第一特征子集，将9时至16时对应的数据划分为第二特征子集，将17时至次日0时对应的数据划分为第三特征子集；

26、分别针对第一特征子集、第二特征子集和第三特征子集中的历史输入特征及目标电价进行独立统计，逐一确定各特征在对应时间区间内的最大值和最小值，并将同一时间区间内各特征对应的最大值和最小值按照特征字段进行关联，形成与三个时间区间一一对应的归一化参数集；

27、调用各时间区间对应的归一化参数集，对相应特征子集中的各特征进行归一化处理；

28、将完成归一化处理后的各特征按照原有时间戳及特征字段重新排列，分别形成第一归一化特征子集、第二归一化特征子集和第三归一化特征子集，并保留各归一化特征子集与对应归一化参数集之间的映射关系。

29、可选的，所述样本重构模块包括：

30、接收第一归一化特征子集、第二归一化特征子集和第三归一化特征子集，分别按照各归一化特征子集中的时间戳先后顺序排列数据，读取各特征字段在归一化特征子集中的列位置，并以历史输入时间步长与未来预测时间步长之和确定单个滑动窗口覆盖的时间范围；

31、针对每一滑动窗口，以历史输入时间步长对应的边界将窗口内数据划分为历史时间范围和未来预测时间范围，从历史时间范围逐时间步提取实际观测的直调负荷、联络线受电负荷、新能源总加、竞价空间、总用电量、其他负荷总加及时间周期特征，并同步提取各时间步对应的目标电价，按照电价预测特征矩阵中的特征字段排列顺序组成历史段；

32、对历史段中属于当前预测日且实际目标电价尚未形成的时间步进行目标电价字段重构，当预测任务为日前电价预测时，将当前预测日已经获得的日前电价写入对应目标电价字段；当预测任务为实时电价预测时，保留已经形成的历史实时电价，并将当前预测日中尚未形成实时电价的时间步对应目标电价字段写入零值；

33、从同一滑动窗口的未来预测时间范围逐时间步读取能够在预测时刻取得的预测协变量，将直调负荷预测值、联络线受电负荷预测值、新能源总加预测值、竞价空间预测值、总用电量预测值、其他负荷总加预测值及对应时间周期特征写入与历史段相同的特征字段位置，并将未来预测时间范围内各时间步的目标电价字段统一写入零值，形成与历史段具有相同变量数量、相同字段顺序及相同字段位置关系的未来段；

34、按照时间先后关系将历史段置于未来段之前，并沿时间维将历史段与未来段连续拼接，形成单个历史—未来联合时序样本；保持该联合时序样本中历史实测协变量、目标电价、未来预测协变量及目标电价占位字段之间的列位置对应关系，并按照批次维、时间维和变量维组织联合时序样本；

35、分别对第一归一化特征子集、第二归一化特征子集和第三归一化特征子集重复执行滑动窗口截取、历史段构建、目标电价字段重构、未来段构建及时间维拼接，形成与1时至8时、9时至16时、17时至次日0时三个时间区间一一对应的分时段时序样本，并保留各分时段时序样本与其来源归一化特征子集的对应关系。

36、可选的，所述变量倒置编码模块包括：

37、接收分时段时序样本，按照各分时段时序样本中的批次维、时间维和变量维读取输入张量，将输入张量由批次维、时间维、变量维的排列方式转换为批次维、变量维、时间维的排列方式，使同一变量在完整滑动窗口内对应的连续时间序列形成一个独立变量序列，并保持变量序列与原始特征字段之间的对应关系；

38、分别读取各独立变量序列中的全部时间步数据，对每个独立变量序列执行线性嵌入映射，将不同变量对应的时间序列转换至统一的隐藏特征维度，并对完成线性嵌入映射的隐藏特征执行随机失活处理，生成与各变量一一对应的变量嵌入特征；

39、将同一分时段内的各变量嵌入特征共同输入transformer编码器，以变量嵌入特征作为自注意力计算对象，在变量维度计算各变量与其余变量之间的注意力关联，并根据获得的注意力关联对各变量嵌入特征进行加权聚合；在编码过程中依次执行层归一化、自注意力处理、前馈特征变换及gelu激活处理，获得包含变量间关联信息的变量编码特征；

40、按照变量倒置前各变量在分时段时序样本中的特征字段对应关系，对变量编码特征进行重新组织，形成与1时至8时、9时至16时、17时至次日0时三个时间区间分别对应的分时段变量关联特征，并将分时段变量关联特征传递至分时段预测模块。

41、可选的，所述分时段预测模块：

42、依据1时至8时、9时至16时、17时至次日0时三个时间区间，分别建立参数相互独立的itransformer预测模型，将各时间区间对应的分时段时序样本及分时段变量关联特征作为对应模型的训练输入，并将各分时段时序样本中预测时间范围对应的归一化目标电价作为监督数据；

43、将各分时段变量关联特征输入对应itransformer预测模型的预测投影层，按照分时段时序样本设定的预测时间步长，对变量关联特征执行线性投影，使每个变量关联特征转换为覆盖各预测时间步的预测表征，再将预测表征由变量维、预测时间维的排列方式转换为预测时间维、变量维的排列方式；

44、依据目标电价在电价预测特征矩阵中的特征字段位置，从转换后的预测表征中提取各预测时间步对应的目标电价预测值，并与同一时间区间对应的归一化目标电价计算平均绝对误差损失：

45、；

46、其中，表示参与当前迭代的目标电价样本数量，表示第个归一化目标电价，表示对应的目标电价预测值；

47、根据平均绝对误差损失采用自适应矩估计优化器执行反向传播，分别更新三个itransformer预测模型的网络参数，并在各时间区间的训练样本完成迭代后分别保存对应模型权重；

48、在电价预测阶段，根据待预测分时段时序样本所属时间区间加载对应模型权重，将变量倒置编码模块生成的分时段变量关联特征输入匹配的itransformer预测模型，依次执行预测投影、维度转换及目标电价字段提取，分别生成第一归一化电价预测序列、第二归一化电价预测序列和第三归一化电价预测序列。

49、可选的，所述结果融合模块包括：

50、接收各时段电价预测序列，并读取各时段在目标业务日中对应的起始日内步序、终止日内步序及预测步数，按照起始日内步序建立各时段电价预测序列与目标业务日日内位置之间的对应关系，使各时段电价预测序列中的第一个预测值对应相应时段的起始日内步序，后续预测值依次对应相邻日内步序，直至对应终止日内步序；

51、依据统一业务日序列中目标业务日对应的日内步序建立完整预测位置序列，并针对每一时段，从该时段的起始日内步序开始，按照时段电价预测序列内部的预测值排列顺序逐项读取电价预测值，将读取的电价预测值依次写入完整预测位置序列中具有相同日内步序的位置，使各时段预测结果恢复至目标业务日中的原始时间位置；

52、按照各预测时段在目标业务日中的时间先后关系，依次完成各时段电价预测值的位置写入，使前一预测时段的终止日内步序之后直接承接后一预测时段的起始日内步序，并保持各预测时段内部的预测值顺序不变，由此将各自独立生成的时段电价预测序列转换为处于同一目标业务日时间轴上的连续预测结果；

53、在全部预测时段完成位置写入后，按照目标业务日的日内步序由前至后读取完整预测位置序列中的电价预测值，并依据业务日标识及日内步序恢复各电价预测值对应的目标日时间位置，将时间位置与电价预测值逐项关联，形成覆盖目标业务日全部预测时点的完整电力现货价格预测序列并输出

54、本发明的有益效果是：

55、本发明通过对电网运行数据与电价数据进行统一构建，并引入负荷、新能源出力、竞价空间、节气周期及净负荷等特征，将影响电价变化的运行信息、时间周期信息与目标电价进行关联；同时按照1时至8时、9时至16时以及17时至次日0时划分独立时间区间，并针对各时间区间分别建立归一化参数及预测模型，使不同负荷水平、新能源出力状态及市场供需特征对应的数据分布能够分别参与建模，减少全天统一建模过程中不同时段数据分布相互混杂的问题，提高对电价非平稳性及分时段波动特征的刻画能力。

56、本发明通过滑动窗口对各分时段数据进行重构，将历史实测协变量与历史目标电价形成历史段，将未来预测协变量与目标电价占位数据形成未来段，并在日前电价预测与实时电价预测任务下分别配置对应的目标电价字段，使历史信息和预测时刻可获得的未来信息在统一特征维度下形成连续时序样本；由此能够在不改变输入变量位置关系的情况下，将历史运行状态、未来负荷及新能源预测信息共同输入预测模型，使日前电价预测与实时电价预测采用一致的数据组织结构，提高训练阶段与预测阶段之间的数据对应一致性。