基于特征相关度的现货市场电价预测样本构建方法和装置与流程

本发明属于电力系统调度自动化，特别是涉及一种基于特征相关度的现货市场电价预测样本构建方法和装置。

背景技术：

1、随着电力市场建设不断深化，电力现货市场电价受供需关系、新能源出力波动以及网省间交互等多种因素影响。为预测未来电价曲线，现有技术通常从历史数据中筛选与待预测日运行态势相近的历史日，并将筛选出的相似日作为电价预测的样本数据。相似日筛选通常采用基于多维运行特征序列的距离度量方式，将历史日与待预测日的系统负荷预测、新能源出力、联络线受电负荷及竞价空间等特征进行比较，并根据距离大小确定相似日。

2、然而，不同现货市场运行特征与现货电价之间的相关程度存在差异。现有相似日筛选方法通常采用等权方式处理各类运行特征，低相关或无关特征同样参与距离计算，容易使其特征偏差掩盖与现货电价相关程度较高的特征，导致筛选得到的历史日与待预测日的实际电价变化特征不匹配，降低用于现货市场电价预测的样本数据质量。

技术实现思路

1、本发明目的在于提供一种基于特征相关度的现货市场电价预测样本构建方法和装置，以解决现有技术采用等权方式处理不同现货市场运行特征，导致低相关特征干扰相似日筛选结果的问题。

2、为实现上述目的，采用如下方案：

3、本发明第一方面，提供了一种基于特征相关度的现货市场电价预测样本构建方法，包括：

4、获取历史样本库以及待预测日的运行特征数据，其中，所述历史样本库包括多个历史日分别按时段形成的多类现货市场运行特征数据和现货电价数据，所述待预测日的运行特征数据包括按时段形成的所述多类现货市场运行特征数据；

5、根据所述历史样本库中的多类现货市场运行特征数据和现货电价数据，确定各类现货市场运行特征与现货电价之间的相关程度，将各类现货市场运行特征对应的相关程度与相关度阈值进行比较，得到关键特征集，并根据所述关键特征集中各关键特征对应的相关程度，确定各关键特征对应的非负相关度权重；

6、针对所述历史样本库中的每一历史日，根据所述历史日与所述待预测日的同类关键特征在各对应时段的特征值差异，确定所述历史日对应的各类关键特征的全时段特征距离；

7、根据各关键特征对应的非负相关度权重，对所述历史日对应的各类关键特征的全时段特征距离进行加权融合，得到所述待预测日与所述历史日之间的特征相关度加权距离；

8、根据所述待预测日与所述历史样本库中各历史日之间的特征相关度加权距离以及距离阈值，从所述历史样本库中筛选得到相似日集合，并根据所述相似日集合中各相似日对应的现货市场运行特征数据和现货电价数据，构建所述待预测日的电价预测样本集。

9、上述方案根据各类现货市场运行特征与现货电价之间的相关程度筛选关键特征，并根据各关键特征对应的相关程度确定非负相关度权重，使与现货电价相关程度较高的关键特征在历史日匹配中发挥较大作用，降低低相关特征对相似日筛选结果的干扰，从而提高用于现货市场电价预测的样本数据质量。

10、进一步地，所述多类现货市场运行特征包括系统负荷预测、风电预测、光伏预测、联络线受电负荷、非市场化机组总出力和竞价空间；

11、所述方法还包括：在确定各类现货市场运行特征与现货电价之间的相关程度以及确定各类关键特征的全时段特征距离之前，对所述历史样本库和所述待预测日中的各类现货市场运行特征值进行归一化处理，得到归一化运行特征值；

12、所述根据所述历史样本库中的多类现货市场运行特征数据和现货电价数据，确定各类现货市场运行特征与现货电价之间的相关程度，包括：

13、针对每类现货市场运行特征，采用皮尔逊相关分析，对所述历史样本库中该类现货市场运行特征的归一化运行特征值与现货电价值进行相关性计算，得到该类现货市场运行特征与现货电价之间的相关程度。

14、上述进一步方案通过选取能够反映电力现货市场供需状态的多类运行特征，并对不同量纲和数值范围的运行特征值进行归一化处理，为后续全时段特征距离的确定提供统一的数据基础；同时采用皮尔逊相关分析确定各类运行特征与现货电价之间的相关程度，为关键特征筛选和非负相关度权重的确定提供依据。

15、进一步地，所述将各类现货市场运行特征对应的相关程度与相关度阈值进行比较，得到关键特征集，并根据所述关键特征集中各关键特征对应的相关程度，确定各关键特征对应的非负相关度权重，包括：

16、将对应的相关程度的绝对值小于所述相关度阈值的现货市场运行特征剔除，并将其余现货市场运行特征确定为关键特征，得到所述关键特征集；

17、对各关键特征对应的相关程度分别取绝对值，并根据各绝对值确定相应关键特征的非负相关度权重。

18、上述进一步方案通过相关度阈值剔除与现货电价相关程度较低的运行特征，并根据保留的各关键特征对应的相关程度绝对值确定非负相关度权重，使各关键特征的权重能够反映相应关键特征与现货电价之间的相关强度，并避免相关方向不同导致权重正负抵消。

19、进一步地，所述根据所述历史日与所述待预测日的同类关键特征在各对应时段的特征值差异，确定所述历史日对应的各类关键特征的全时段特征距离，包括：

20、针对每类关键特征，计算所述历史日与所述待预测日在各对应时段的特征值之间的欧氏距离，得到所述历史日对应的该类关键特征的全时段特征距离；

21、所述根据各关键特征对应的非负相关度权重，对所述历史日对应的各类关键特征的全时段特征距离进行加权融合，包括：

22、按照各关键特征对应的非负相关度权重，对所述历史日对应的各类关键特征的全时段特征距离进行加权求和，得到所述待预测日与所述历史日之间的特征相关度加权距离；

23、所述根据所述待预测日与所述历史样本库中各历史日之间的特征相关度加权距离以及距离阈值，从所述历史样本库中筛选得到相似日集合，包括：

24、按照所述特征相关度加权距离由小到大的顺序，对所述历史样本库中的各历史日进行排列；

25、将对应的特征相关度加权距离小于所述距离阈值的历史日确定为相似日，并根据确定的各相似日形成所述相似日集合。

26、上述进一步方案采用欧氏距离表征历史日与待预测日在同类关键特征上的全时段差异，并按照各关键特征对应的非负相关度权重对各类全时段特征距离进行加权求和，使所得特征相关度加权距离能够同时反映各类关键特征的全时段差异及其与现货电价之间的相关性差异；通过距离排序和距离阈值筛选，可以形成与待预测日运行状态匹配程度较高的相似日集合。

27、本发明第二方面，提供了一种基于特征相关度的现货市场电价预测样本构建装置，包括：

28、数据获取模块，用于获取历史样本库以及待预测日的运行特征数据，其中，所述历史样本库包括多个历史日分别按时段形成的多类现货市场运行特征数据和现货电价数据，所述待预测日的运行特征数据包括按时段形成的所述多类现货市场运行特征数据；

29、特征处理模块，用于根据所述历史样本库中的多类现货市场运行特征数据和现货电价数据，确定各类现货市场运行特征与现货电价之间的相关程度，将各类现货市场运行特征对应的相关程度与相关度阈值进行比较，得到关键特征集，并根据所述关键特征集中各关键特征对应的相关程度，确定各关键特征对应的非负相关度权重；

30、特征距离确定模块，用于针对所述历史样本库中的每一历史日，根据所述历史日与所述待预测日的同类关键特征在各对应时段的特征值差异，确定所述历史日对应的各类关键特征的全时段特征距离；

31、加权融合模块，用于根据各关键特征对应的非负相关度权重，对所述历史日对应的各类关键特征的全时段特征距离进行加权融合，得到所述待预测日与所述历史日之间的特征相关度加权距离；

32、样本构建模块，用于根据所述待预测日与所述历史样本库中各历史日之间的特征相关度加权距离以及距离阈值，从所述历史样本库中筛选得到相似日集合，并根据所述相似日集合中各相似日对应的现货市场运行特征数据和现货电价数据，构建所述待预测日的电价预测样本集。

33、上述装置通过特征处理模块筛选关键特征并确定非负相关度权重，通过特征距离确定模块和加权融合模块得到各历史日对应的特征相关度加权距离，再由样本构建模块根据距离阈值形成相似日集合，能够降低低相关特征对相似日筛选结果的干扰，提高电价预测样本的适配性。

34、进一步地，所述多类现货市场运行特征包括系统负荷预测、风电预测、光伏预测、联络线受电负荷、非市场化机组总出力和竞价空间；

35、所述特征处理模块还用于：

36、在确定各类现货市场运行特征与现货电价之间的相关程度以及所述特征距离确定模块确定各类关键特征的全时段特征距离之前，对所述历史样本库和所述待预测日中的各类现货市场运行特征值进行归一化处理，得到归一化运行特征值；

37、所述特征处理模块具体用于针对每类现货市场运行特征，采用皮尔逊相关分析，对所述历史样本库中该类现货市场运行特征的归一化运行特征值与现货电价值进行相关性计算，得到该类现货市场运行特征与现货电价之间的相关程度。

38、上述进一步方案通过特征处理模块对不同量纲和数值范围的运行特征值进行归一化处理，并采用皮尔逊相关分析确定各类运行特征与现货电价之间的相关程度，为关键特征筛选、权重确定及全时段特征距离计算提供统一的数据基础。

39、进一步地，所述特征处理模块具体用于：

40、将对应的相关程度的绝对值小于所述相关度阈值的现货市场运行特征剔除，并将其余现货市场运行特征确定为关键特征，得到所述关键特征集；

41、对各关键特征对应的相关程度分别取绝对值，并根据各绝对值确定相应关键特征的非负相关度权重。

42、上述进一步方案通过特征处理模块剔除与现货电价相关程度较低的运行特征，并根据各关键特征对应的相关程度绝对值确定非负相关度权重，使后续距离融合能够体现各关键特征与现货电价之间的相关强度差异。

43、进一步地，所述特征距离确定模块具体用于针对每类关键特征，计算所述历史日与所述待预测日在各对应时段的特征值之间的欧氏距离，得到所述历史日对应的该类关键特征的全时段特征距离；

44、所述加权融合模块具体用于按照各关键特征对应的非负相关度权重，对所述历史日对应的各类关键特征的全时段特征距离进行加权求和，得到所述待预测日与所述历史日之间的特征相关度加权距离；

45、所述样本构建模块具体用于按照所述特征相关度加权距离由小到大的顺序，对所述历史样本库中的各历史日进行排列，将对应的特征相关度加权距离小于所述距离阈值的历史日确定为相似日，并根据确定的各相似日形成所述相似日集合。

46、上述进一步方案通过特征距离确定模块计算各类关键特征对应的欧氏距离，通过加权融合模块按照非负相关度权重进行加权求和，并通过样本构建模块进行距离排序和阈值筛选，使形成的相似日集合能够兼顾各类关键特征的全时段差异及其与现货电价之间的相关性差异。

47、本发明第三方面，提供了一种电子设备，包括处理器和存储器，所述处理器用于执行存储器中存储的计算机程序以实现基于特征相关度的现货市场电价预测样本构建方法。

48、本发明第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有至少一个指令，所述至少一个指令被处理器执行时实现基于特征相关度的现货市场电价预测样本构建方法。