一种基于深度学习的发电侧短期电价精准预测方法与流程

本发明涉及电力系统，具体为一种基于深度学习的发电侧短期电价精准预测方法。

背景技术：

1、随着电力市场化改革持续推进，新能源发电在电力系统中的占比不断提升，发电侧电力供应的波动性与不确定性显著增加，短期电价作为电力市场交易的核心指标，直接关系到发电企业的生产调度、市场交易决策与经济效益，精准的发电侧短期电价预测，是保障电力市场平稳运行、优化电力资源配置、提升发电侧运营管理效率的重要前提，已成为电力市场领域重点研究的技术方向。

2、然而，现有发电侧短期电价预测技术存在一些缺陷，特征处理环节仅采用单一筛选方式，无法有效剔除与电价时序变化无关的冗余特征与噪声特征，易导致预测模型输入数据质量不佳；时序特征提取多采用单一网络结构，未能融合局部波动特征与长期依赖特征，无法完整捕捉电价时序变化规律；预测模型未针对新能源出力波动、极端气象、市场规则变动等边缘工况进行适配优化，仅通过常规训练调整预测模型参数，导致预测模型泛化能力与场景适配性不足，难以保障复杂工况下的预测可靠性。

技术实现思路

1、本发明的目的就是为了弥补现有技术的不足，提供了一种基于深度学习的发电侧短期电价精准预测方法，本发明通过构建双层级特征筛选单元，依托注意力机制对原始多维度影响因子分配动态权重并完成首轮特征筛选，剔除低权重冗余特征与噪声特征，再开展时序关联匹配，移除与电价时序变化无关联的特征项，最终整合形成核心特征数据，该双层筛选机制实现了数据特征的精细化筛选与提纯，全程保留与电价时序变化高度相关的特征项，为深度学习预测模型提供适配性强、关联性高的特征输入；通过搭建由输入层、隐藏层、输出层组成的深度学习预测模型，融合提取电价序列的局部波动特征与长期依赖特征，再通过对抗训练优化模型内部参数，结合场景迁移策略完成边缘工况的模型参数适配，使得该模型架构可全面捕捉电价时序变化的多维特征，对抗训练让深度学习预测模型适配数据扰动场景，场景迁移使深度学习预测模型匹配新能源出力波动、极端气象、市场规则变动等复杂工况，确保在各类运行环境下均能维持预测过程的连贯性与可靠性。

2、本发明为解决上述技术问题，提供如下技术方案：一种基于深度学习的发电侧短期电价精准预测方法，该方法的具体步骤为：

3、数据处理：通过电力系统采集终端与市场数据接口，采集发电侧市场供需数据、新能源出力数据、气象数据、市场调控规则数据及历史电价时序数据，并对采集的全部数据进行预处理，形成标准化数据集并传输；

4、特征筛选：通过注意力机制构建双层级特征筛选单元，接收标准化数据集，确定标准化数据集中的原始多维度影响因子，并分配动态权重，识别并剔除冗余特征与噪声特征，得到核心特征数据；

5、模型搭建：搭建深度学习预测模型的整体架构，将双层级特征筛选单元设置为输入层，将时序卷积网络与长短期记忆网络组合设置为隐藏层，从而完成深度学习预测模型的搭建；

6、模型优化：基于搭建完成的深度学习预测模型，引入对抗性训练机制调整深度学习预测模型的内部参数，结合场景迁移策略适配边缘工况，从而完成深度学习预测模型的优化；

7、预测输出：基于优化后的深度学习预测模型，将待预测时段的全部数据输入，从而生成发电侧短期电价的预测结果。

8、进一步地，所述数据处理中，市场供需数据包括电力市场供需缺口数据、发电机组计划出力数据，新能源出力数据包含风电实时出力数据、光伏实时出力数据、风电短期预测出力数据、光伏短期预测出力数据，气象数据包含环境温度数据、风速数据、光照强度数据，市场调控规则数据包含电力市场交易规则数据、行业调控规则数据，历史电价时序数据包含连续周期的逐时点电价记录数据；数据预处理时，对采集的全部数据识别并剔除异常值，对剔除异常值的数据进行数值尺度统一转换处理，再按照相同时间戳进行时序对应排列处理，整合后形成标准化数据集。

9、更进一步地，所述特征筛选中，双层级特征筛选单元包含输入层筛选模块与优化模块，通过输入层筛选模块对标准化数据集进行首轮特征筛选，通过优化模块对首轮筛选后的特征进行二次特征优化；进行特征处理时，将标准化数据集内的市场供需数据、新能源出力数据、气象数据、市场调控规则数据、历史电价时序数据对应的特征项作为原始多维度影响因子，输入至输入层筛选模块，通过多维度影响因子动态权重公式进行动态权重分配，将动态权重低于设定阈值的原始多维度影响因子判定为冗余特征与噪声特征并进行剔除，完成首轮特征筛选，将首轮特征筛选后的特征输入至优化模块，进行时序关联匹配，移除与电价时序变化无关联的特征项，完成二次特征优化，将二次特征优化后的特征项整合后，从而得到核心特征数据。

10、更进一步地，所述特征筛选中，多维度影响因子动态权重公式为：，其中，为第个原始多维度影响因子的动态权重，当时，判定第个原始多维度影响因子为冗余特征或噪声特征，为第个原始多维度影响因子的索引，为遍历全部原始多维度影响因子的循环索引，为第个原始多维度影响因子的查询向量，为第个原始多维度影响因子的键向量，为第个原始多维度影响因子的查询向量，为第个原始多维度影响因子的键向量，、均为键向量的转置，为键向量的维度，为原始多维度影响因子的总数量，均由标准化数据集经输入层筛选模块初始化生成，由双层级特征筛选单元的网络结构确定，为以自然常数为底的指数函数。

11、更进一步地，所述模型搭建中，进行深度学习预测模型的整体架构搭建时，先确定层级组成结构，由输入层、隐藏层、输出层依次连接构成，将双层级特征筛选单元作为输入层，接收标准化数据集并输出核心特征数据，将时序卷积网络与长短期记忆网络以串行连接方式作为隐藏层，其中，通过时序卷积网络对输入层输出的核心特征数据，提取电价序列的局部波动特征，通过长短期记忆网络挖掘电价序列的长期依赖特征，并通过时序特征联合提取公式对局部波动特征与长期依赖特征进行融合，生成联合时序特征，再通过输出层将联合时序特征映射为电价预测值，从而完成深度学习预测模型的整体搭建。

12、更进一步地，所述模型搭建中，时序特征联合提取公式为：，其中，为时刻的联合时序特征，为时刻的局部波动特征，为时刻的长期依赖特征，为时序特征融合系数，由深度学习预测模型的训练迭代过程收敛确定。

13、更进一步地，所述模型优化中，进行深度学习预测模型优化时，构建包含数值扰动、时序扰动的对抗训练样本集，将搭建完成的深度学习预测模型置于对抗训练流程中，通过对抗训练样本集进行迭代训练，调整深度学习预测模型的内部网络参数，完成深度学习预测模型基础参数的优化调整，并得到深度学习预测模型在常规工况下的基础模型训练参数；再构建新能源出力剧烈波动工况、极端气象条件工况、市场调控规则变动工况的边缘工况数据集，将深度学习预测模型在各边缘工况数据集上单独训练，得到对应工况的边缘工况参数，再基于基础模型训练参数与边缘工况参数，通过边缘工况场景迁移参数公式，生成边缘工况适配后模型参数，将边缘工况适配后模型参数写入深度学习预测模型，完成优化。

14、更进一步地，所述模型优化中，边缘工况场景迁移参数公式为：，其中，为边缘工况适配后模型参数，为基础模型训练参数，为边缘工况参数，为场景迁移系数，由边缘工况数据集与对抗训练样本集的分布匹配度确定。

15、更进一步地，所述预测输出中，将待预测时段的发电侧市场供需数据、新能源出力数据、气象数据、市场调控规则数据及历史电价时序数据输入优化后的深度学习预测模型，依次进行核心特征数据提取、联合时序特征提取、电价预测值计算，基于电价预测值生成发电侧短期电价的预测结果。

16、与现有技术相比，该一种基于深度学习的发电侧短期电价精准预测方法具备如下有益效果：

17、本发明通过构建双层级特征筛选单元，依托注意力机制对原始多维度影响因子分配动态权重并完成首轮特征筛选，剔除低权重冗余特征与噪声特征，再开展时序关联匹配，移除与电价时序变化无关联的特征项，最终整合形成核心特征数据，该双层筛选机制实现了数据特征的精细化筛选与提纯，全程保留与电价时序变化高度相关的特征项，为深度学习预测模型提供适配性强、关联性高的特征输入；通过搭建由输入层、隐藏层、输出层组成的深度学习预测模型，融合提取电价序列的局部波动特征与长期依赖特征，再通过对抗训练优化模型内部参数，结合场景迁移策略完成边缘工况的模型参数适配，使得该模型架构可全面捕捉电价时序变化的多维特征，对抗训练让深度学习预测模型适配数据扰动场景，场景迁移使深度学习预测模型匹配新能源出力波动、极端气象、市场规则变动等复杂工况，确保在各类运行环境下均能维持预测过程的连贯性与可靠性。

18、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。