基于TimesFM与相似日增强的电力现货分时段电价预测方法与流程

本发明涉及电力现货市场价格预测，尤其涉及基于timesfm与相似日增强的电力现货分时段电价预测方法。

背景技术：

1、电价预测是电力市场运行分析与交易辅助决策中的关键技术之一。随着电力市场化改革持续推进以及新能源大规模并网，电价形成过程逐步呈现出多因素共同作用的特征，价格变化的波动性、时变性和复杂性不断增强。电力现货市场中的日前电价和实时电价具有非平稳性强、分时段差异明显、影响因素多且相互耦合等特点，属于电力市场预测领域中的典型复杂时间序列问题。在实际业务中，价格序列通常受到负荷水平、气象条件、新能源出力、机组运行状态、市场交易行为以及业务日结构等多种因素共同影响，因此在不同日期和不同时段往往呈现出不同的价格水平和波动规律。

2、现有电价预测方法通常采用整日统一建模方式，对目标日24个时点进行整体预测。然而，电力现货价格在凌晨、平段、尖峰和谷段等不同时间区间往往具有不同的形成机理和波动特征，若采用单一整日模型统一处理，容易弱化不同时段之间的差异性表达，从而影响预测精度。

3、此外，现有基础模型或大模型预测方案虽然具备较强的时间序列建模能力，但若缺少与电价形成机理紧密相关的动态数值协变量支持，往往仍难以稳定刻画电力现货价格中的结构性波动、突发偏移以及时段性演化特征。尤其对于日前电价和实时电价这类受外生变量强驱动的场景，仅依赖通用时序建模能力通常难以充分提升预测稳定性和业务适配性。

4、因此，如何提供基于timesfm与相似日增强的电力现货分时段电价预测方法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timesfm与相似日增强的电力现货分时段电价预测方法，本发明通过业务日重对齐、历史特征解释权重计算、聚合相似日价格曲线与时滞相似日价格曲线构建，并结合timesfm时间序列模型对目标日进行分时段预测和结果拼接，实现对日前电价和实时电价的完整预测，具备相似日筛选针对性强、目标日真实电价依赖低、分时段价格特征刻画充分和预测精度高的优点。

2、根据本发明实施例的基于timesfm与相似日增强的电力现货分时段电价预测方法，包括如下步骤：

3、业务日重对齐模块，获取历史电价、历史外生特征和目标日外生特征，将时间索引回拨一个采样步长，生成统一业务日序列；

4、历史样本模块，依据统一业务日序列筛选完整历史日，形成历史日电价张量、历史日外生特征张量和目标日外生特征矩阵；

5、解释权重模块，计算各历史日中外生特征曲线与日电价曲线的相关度并归一化，生成历史日特征解释权重；

6、双通道相似日模块，在预测基准日前的历史日中，计算目标日与各历史日的逐特征相似度，并按对应特征解释权重聚合得到历史日相似度，选取相似度最高的预设数量历史日并对日电价加权形成聚合相似日价格曲线，同时对目标日前预设数量连续历史日电价按时间距离衰减加权形成时滞相似日价格曲线；

7、分时段预测模块，按预设边界划分目标日，将目标日外生特征、聚合相似日价格曲线和时滞相似日价格曲线按时段对齐形成动态数值协变量，并与历史电价上下文共同输入timesfm，得到各时段电价预测序列；

8、结果拼接模块，按目标日时间顺序拼接各时段电价预测序列，生成完整电力现货价格预测序列。

9、可选的，所述业务日重对齐模块包括：

10、获取历史电价、历史外生特征和目标日外生特征对应的时间戳，按照相同采样频率建立原始时间索引，并将相邻两个采样时刻之间的时间间隔确定为采样步长；

11、基于采样步长对原始时间索引中的各采样时刻执行回拨处理，得到与各原始采样时刻一一对应的重对齐时刻，其中，，表示第个原始采样时刻，表示第个重对齐时刻，表示采样步长；

12、提取各重对齐时刻对应的自然日期，将自然日期配置为对应采样数据的业务日标识；

13、基于各重对齐时刻在对应业务日中的时间位置生成日内步序，并按照采样步长对同一业务日内的重对齐时刻连续排序；

14、依据业务日标识和日内步序，将历史电价、历史外生特征和目标日外生特征分别与对应重对齐时刻建立索引映射，并按照业务日标识进行分组、按照日内步序进行组内排序；

15、将完成分组和排序后的重对齐时刻、业务日标识、日内步序及对应的历史电价、历史外生特征和目标日外生特征按时间顺序关联，生成统一业务日序列。

16、可选的，所述历史样本模块包括：

17、接收统一业务日序列，按照业务日标识对历史电价和历史外生特征进行分组，并依据采样频率确定每一业务日对应的预设日内步数；

18、针对各历史业务日，分别统计采样点数量和日内步序去重数量，并检测历史电价及参与预测的历史外生特征是否存在缺失值，保留采样点数量等于、日内步序去重数量等于且对应历史电价和历史外生特征均完整的历史业务日，形成完整历史日集合；

19、针对完整历史日集合中的每一历史日，按照日内步序排列对应采样数据，将各日内步序对应的历史电价依次组合为历史日电价向量，将同一日内步序下的各历史外生特征按照固定特征顺序排列并组合为历史日外生特征矩阵；

20、按照业务日时间顺序对各历史日电价向量和各历史日外生特征矩阵分别进行堆叠，形成：，其中为历史日电价张量，为历史日外生特征张量，为完整历史日数量，为外生特征数量；

21、从统一业务日序列中提取目标日外生特征，按照与历史日外生特征矩阵相同的特征顺序和日内步序排列，形成目标日外生特征矩阵，并输出历史日电价张量、历史日外生特征张量和目标日外生特征矩阵。

22、可选的，所述解释权重模块包括：

23、接收历史日电价张量和历史日外生特征张量，按照完整历史日索引，从历史日电价张量中逐日提取历史日电价向量，并从历史日外生特征张量中提取与对应历史日匹配的历史日外生特征矩阵；

24、针对每一历史业务日，按照外生特征索引从历史日外生特征矩阵中提取对应外生特征的日内曲线，并将该日内曲线与同一历史业务日的历史日电价向量按照相同日内步序进行对应；

25、采用皮尔逊相关系数计算各外生特征日内曲线与对应历史日电价向量之间的相关度，得到特征－电价相关度：

26、；

27、其中，表示历史业务日中第个外生特征与历史日电价的相关度，表示皮尔逊相关系数计算，表示历史业务日中第个外生特征的日内曲线，表示历史业务日的历史日电价向量；

28、对同一历史业务日内各特征－电价相关度取绝对值，并沿外生特征维度执行softmax归一化，得到各外生特征对应的历史日特征解释权重：

29、；

30、其中，表示历史业务日中第个外生特征对应的历史日特征解释权重；

31、按照历史业务日索引和外生特征索引排列各历史日特征解释权重，形成与各历史业务日逐一对应的特征解释权重集合，并将特征解释权重集合输出。

32、可选的，所述双通道相似日模块包括：

33、接收目标日外生特征矩阵、历史日外生特征张量、历史日电价张量和历史日特征解释权重集合，以预测基准日前一日作为历史边界，从完整历史日集合中筛选严格早于该历史边界的历史业务日，按照业务日时间顺序建立候选历史日集合；

34、针对候选历史日集合中的每一历史业务日，按照与目标日外生特征矩阵一致的外生特征索引和日内步序，分别提取候选历史日外生特征曲线和目标日外生特征曲线，并逐特征计算二者的皮尔逊相关度：

35、；

36、其中，和分别表示目标日与候选历史日的第个外生特征日内曲线；

37、从历史日特征解释权重集合中读取候选历史日对应各外生特征的解释权重，对各逐特征相关度取绝对值后分别与对应解释权重相乘，再沿外生特征维度求和，得到候选历史日对应的聚合相似度；

38、按照聚合相似度从高至低排列候选历史日，选取前个候选历史日，读取对应历史日电价向量，并将各候选历史日的聚合相似度归一化为日电价融合权重，按照日电价融合权重对前个历史日电价向量逐日内步序进行加权求和，形成与目标日日内步序长度一致的聚合相似日价格曲线；

39、从历史日电价张量中提取目标日前最近个历史业务日的日电价向量，按照距离目标日由近至远的顺序确定时间间隔序号，并依据时间间隔序号和时间衰减系数生成指数衰减权重，对各指数衰减权重归一化后，对最近个历史日电价向量逐日内步序进行加权求和，形成时滞相似日价格曲线；

40、将聚合相似日价格曲线与时滞相似日价格曲线分别按照目标日的日内步序排列，形成两条与目标日外生特征矩阵时间维度一致的价格增强序列。

41、可选的，所述分时段预测模块包括：

42、接收历史日电价张量、目标日外生特征矩阵、聚合相似日价格曲线和时滞相似日价格曲线，依据目标日的日内步序确定完整预测区间，并按照预设时段边界将完整预测区间划分为多个首尾连续且互不重叠的预测时段，为各预测时段分别记录起始日内步序、终止日内步序和对应预测步数；

43、针对历史样本中的各完整历史日，预先生成对应的历史聚合相似日价格曲线和历史时滞相似日价格曲线，并按照统一业务日序列中的日内步序展开，形成历史双通道价格增强序列；

44、针对任一预测时段，依据该预测时段的起始日内步序和终止日内步序，从历史电价序列中逐历史业务日截取处于相同日内步序范围的历史电价片段，并按照历史业务日的时间先后顺序排列各历史电价片段，将排列后的历史电价片段构造成当前预测时段对应的历史电价上下文窗口；

45、依据当前预测时段的日内步序范围，从历史外生特征、历史聚合相似日价格曲线和历史时滞相似日价格曲线中分别提取与历史电价上下文窗口时间位置对应的数据，并按照时间索引将历史外生特征、历史聚合相似日价格和历史时滞相似日价格逐点对齐，构成与历史电价上下文窗口对应的历史协变量序列；

46、依据相同的起始日内步序和终止日内步序，从目标日外生特征矩阵、聚合相似日价格曲线和时滞相似日价格曲线中分别截取当前预测时段对应的数据，并按照与历史协变量序列一致的特征顺序排列目标日外生特征、聚合相似日价格和时滞相似日价格，其中，聚合相似日价格和时滞相似日价格分别占用独立的数值协变量通道，形成当前预测时段对应的目标协变量序列；

47、按照历史协变量序列与目标协变量序列采用相同特征通道和相同日内步序组织规则，将历史协变量序列配置于历史电价上下文窗口对应的上下文区间，将目标协变量序列配置于当前预测时段对应的预测区间，并将时间周期特征和时间间隔特征分别按照对应时间索引写入上下文区间和预测区间，形成覆盖历史上下文与目标预测时段的连续协变量输入序列；

48、将历史电价上下文窗口作为timesfm的目标序列上下文，将连续协变量输入序列通过timesfm的xreg协变量输入方式与目标序列上下文共同输入，按照当前预测时段对应的预测步数执行推理，并提取timesfm在该预测步数范围内输出的预测值，按照当前预测时段的日内步序排列形成当前时段电价预测序列；

49、按照各预测时段在目标日中的时间先后顺序，分别重复历史电价上下文窗口截取、历史协变量序列构建、目标协变量序列构建和timesfm推理过程，使各预测时段分别形成对应的电价预测序列，并将全部时段电价预测序列输出。

50、可选的，所述结果拼接模块包括：

51、接收各时段电价预测序列，以及各时段对应的起始日内步序、终止日内步序和预测步数，按照起始日内步序由小至大的顺序对各时段电价预测序列进行排序，建立各时段电价预测序列与目标日日内步序区间之间的对应关系；

52、针对排序后的任一时段电价预测序列，按照该时段的起始日内步序至终止日内步序逐点读取电价预测值，并将各电价预测值依次写入目标日对应的日内步序位置，使同一时段内各电价预测值的排列顺序与该时段的日内步序排列顺序一致；

53、完成当前时段电价预测值写入后，以当前时段的终止日内步序作为边界，读取下一时段的起始日内步序，并将下一时段的首个电价预测值配置于对应起始日内步序位置，按照各时段在目标日内的时间先后关系依次完成全部时段电价预测序列的连续拼接；

54、在全部时段拼接完成后，按照目标日首个日内步序至末个日内步序依次读取各位置对应的电价预测值，形成与目标日完整日内步序一一对应的目标日电价预测序列；

55、依据统一业务日序列中目标日对应的时间索引，将目标日电价预测序列中的各电价预测值与对应时间位置建立关联，并按照原业务日时间顺序排列，生成完整电力现货价格预测序列。

56、本发明的有益效果是：

57、本发明通过构建聚合相似日价格曲线和时滞相似日价格曲线两个相互独立的价格增强通道，其中，聚合相似日价格曲线由与目标日外生特征形态相匹配的历史日电价融合形成，时滞相似日价格曲线由目标日前近期历史日电价按照时间距离衰减加权形成，并将两类价格增强序列与目标日外生特征共同作为数值协变量输入时间序列预测模型，使模型能够同时利用历史结构相似信息和近期价格变化信息，在不使用目标日真实电价的条件下完成目标日电价预测。

58、本发明通过按照预设边界将完整目标日划分为多个连续预测时段，针对各时段分别构建历史电价上下文窗口，并将目标日外生特征、聚合相似日价格曲线、时滞相似日价格曲线以及对应时间特征按照相同时间位置组织为协变量输入时间序列预测模型，得到各时段电价预测序列，再依据目标日时间顺序进行拼接，从而避免采用单一整日模型统一处理不同时段价格形成规律的方式，使凌晨、平段、峰段及其他连续时段能够分别利用与其时间位置相对应的历史数据和增强特征进行预测，最终形成完整的目标日电力现货价格预测序列。