基于深度波形嵌入与分段检索的电力现货市场价格预测方法及系统与流程

本发明涉及电价预测，更具体地说，它涉及基于深度波形嵌入与分段检索的电力现货市场价格预测方法及系统。

背景技术：

1、电力现货市场电价具有强非线性、高波动性、多时间尺度耦合等复杂特征。水电资源富集地区的市场价格受来水丰枯、新能源出力波动、负荷峰谷变化等多重因素驱动，呈现出显著的日内多峰多谷形态和季节性状态切换特征。准确的日前电价预测对于市场主体的交易决策、风险管理以及电网的安全经济运行具有重要意义。

2、现有电力现货市场价格预测方法主要采用三类技术路线：传统统计与机器学习方法将全天96个时点作为整体输入，丢失了日内不同时段的差异化特征，且完全依赖端到端映射，无法显式利用历史相似价格模式进行迁移；基于聚类检索的相似日预测方法采用静态全局特征进行聚类匹配，无法捕捉日内局部时段的精细相似性，且输入特征相似的历史日可能因市场参与者报价策略差异导致电价曲线形态完全不同；端到端深度学习方法需要大量标注数据，在数据稀缺场景下泛化能力差，且嵌入表示学习与检索应用相互独立，嵌入空间的几何结构不受检索任务约束。

3、然而，上述三类方法的共同瓶颈在于均未建立特征嵌入、价格模式与检索一致性之间的协同优化机制，嵌入空间的学习目标与检索预测的实际需求之间存在结构性错位，即特征相似性与价格模式相似性之间的语义鸿沟问题。具体而言，传统方法在检索历史相似片段时，依据的是输入特征空间的统计相似性，而非价格曲线形态的真实相似性，导致检索到的所谓相似片段在实际价格演化规律上与目标差异显著。同时，现有方法将全天时点作为整体进行处理，忽视了日内不同时段各自独特的驱动机制和演化规律，难以有效捕捉早间爬坡、午间过渡、晚间高峰等不同阶段的差异化特征。此外，现有方法中的检索过程与预测过程相互独立，检索结果的质量无法反馈到预测策略的调整中，缺乏自适应调节机制。因此，研究设计一种能够克服上述缺陷的基于深度波形嵌入与分段检索的电力现货市场价格预测方法及系统是目前急需解决的问题。

技术实现思路

1、为解决现有技术中的不足，本发明的目的是提供基于深度波形嵌入与分段检索的电力现货市场价格预测方法及系统，通过重叠时段分段、价格感知嵌入的三元协同学习以及检索预测闭环一致性机制，使嵌入空间的几何结构直接受价格模式相似性的显式约束，从根本上消除特征相似性与价格模式相似性之间的错位，实现高精度的电力现货市场价格预测。

2、本发明的上述技术目的是通过以下技术方案得以实现的：

3、第一方面，提供了基于深度波形嵌入与分段检索的电力现货市场价格预测方法，包括以下步骤：

4、获取电力现货市场的历史数据，所述历史数据包括多变量时间序列特征和市场状态特征；

5、按照电力市场运行规律将全天时点划分为多个具有物理意义且存在重叠的时段，并为各时段赋予类型标签；

6、构建波形嵌入模型，所述波形嵌入模型以所述多变量时间序列特征和所述市场状态特征为输入，通过多任务联合优化进行训练，所述多任务联合优化至少包括：以尾部加权均方误差监督电价预测任务，并以波形度量损失监督嵌入表示学习任务，所述波形度量损失用于约束嵌入空间中样本间的距离与对应电价曲线形态距离的一致性；

7、利用训练完成的所述波形嵌入模型对所述历史数据进行编码，构建历史片段索引库，并对待预测日中的各时段分别进行相似度检索，得到各时段的候选片段；

8、利用所述波形嵌入模型对所述待预测日进行直接预测，生成直接预测结果，并将所述候选片段与所述直接预测结果进行融合，输出全天价格预测曲线。

9、进一步的，所述按照电力市场运行规律将全天时点划分为多个具有物理意义且存在重叠的时段，并为各时段赋予类型标签，包括：

10、基于负荷预测曲线、新能源出力预测特征和水电机组出力预测特征，识别影响电价形态的关键位置；

11、根据所述关键位置将全天时点划分为固定数量的时段，相邻时段共享部分连续时点，各时段覆盖全天运行周期；

12、为各时段赋予类型标签，所述类型标签用于检索过程中的时段类型约束。

13、进一步的，所述波形度量损失的计算具体为：

14、对于批次内的任意两个样本，分别计算其嵌入向量之间的第一余弦距离以及对应真实电价曲线之间的第二余弦距离；

15、以所述第一余弦距离与所述第二余弦距离之间的误差作为所述波形度量损失，并通过最小化所述误差约束所述第一余弦距离与所述第二余弦距离保持一致。

16、进一步的，所述多任务联合优化还包括对比学习损失；

17、所述对比学习损失用于约束同类型时段的嵌入向量在空间中相互靠近，不同类型时段的嵌入向量相互远离。

18、进一步的，所述波形嵌入模型采用wavenet网络骨架；

19、所述wavenet网络通过扩张因果卷积层对输入特征进行时序建模，经门控激活单元进行非线性变换，通过残差连接和跳跃连接传递梯度与特征，再经注意力池化输出嵌入向量，所述嵌入向量通过回归头输出预测电价曲线；

20、其中，所述多变量时间序列特征作为局部时序特征输入，所述市场状态特征通过全连接层编码为市场状态向量后与所述局部时序特征进行特征融合。

21、进一步的，所述对待预测日中的各时段分别进行相似度检索，包括：

22、从所述历史片段索引库中筛选与所述时段类型标签一致的历史片段；

23、计算所述时段与所述历史片段在嵌入空间距离、特征空间距离及市场状态距离上的加权和，引入时段类型惩罚项、星期奖励因子和日期衰减权重，综合得到各所述历史片段的相似度得分。

24、进一步的，所述相似度检索还包括价格水平先验重排序：

25、获取段回归模型对各时段的直接预测水平，计算所述直接预测水平与历史片段价格水平的偏离度；

26、根据所述偏离度对所述历史片段进行重新排序，优先选择价格水平偏离较小的历史片段作为候选片段。

27、进一步的，所述相似度检索还包括日间一致性选择：

28、综合待预测日与历史候选日之间的日类型一致性、距离质量、新制度标识、综合净负荷曲线形状相似度及节假日标识，计算综合匹配得分；

29、选择得分最高的一致日作为基准日，并提取所述一致日对应时段的历史片段作为候选片段。

30、进一步的，所述将所述候选片段与所述直接预测结果进行融合，包括：

31、计算各候选片段检索结果的相似度，将相似度归一化后作为权重，对候选片段的价格进行加权平均，当候选片段数量小于预设阈值时采用所述直接预测结果补足权重，生成各时段的检索价格曲线；

32、当直接预测的电价与所述检索价格曲线的偏差超过预设偏差阈值时，触发峰值救援向直接预测方向修正；

33、同时根据当前市场格局调整高峰与低谷时段的权重映射，实施紧张放大或盈余压低操作，并利用价格映射器根据市场状态对所述检索价格曲线进行修正。

34、第二方面，提供了基于深度波形嵌入与分段检索的电力现货市场价格预测系统，包括：

35、数据获取模块，用于获取电力现货市场的历史数据，所述历史数据包括多变量时间序列特征和市场状态特征；

36、时段划分模块，用于按照电力市场运行规律将全天时点划分为多个具有物理意义且存在重叠的时段，并为各时段赋予类型标签；

37、模型构建模块，用于构建波形嵌入模型，所述波形嵌入模型以所述多变量时间序列特征和所述市场状态特征为输入，通过多任务联合优化进行训练，所述多任务联合优化至少包括：以尾部加权均方误差监督电价预测任务，并以波形度量损失监督嵌入表示学习任务，所述波形度量损失用于约束嵌入空间中样本间的距离与对应电价曲线形态距离的一致性；

38、片段检索模块，用于利用训练完成的所述波形嵌入模型对所述历史数据进行编码，构建历史片段索引库，并对待预测日中的各时段分别进行相似度检索，得到各时段的候选片段；

39、融合预测模块，用于利用所述波形嵌入模型对所述待预测日进行直接预测，生成直接预测结果，并将所述候选片段与所述直接预测结果进行融合，输出全天价格预测曲线。

40、与现有技术相比，本发明具有以下有益效果：

41、1、本发明提供的基于深度波形嵌入与分段检索的电力现货市场价格预测方法，通过将全天时点划分为具有物理意义且存在重叠的时段，构建以尾部加权均方误差和波形度量损失联合优化的波形嵌入模型，并利用该模型同时执行历史片段检索与直接预测，再将两者融合输出全天价格预测曲线。本发明从根本上解决了现有技术中特征相似性与价格模式相似性之间的语义鸿沟问题。具体而言，动态重叠时段分段使模型能够聚焦于各时段内部的价格演化规律，避免了全天整体建模对局部特征的淹没；波形度量损失强制嵌入空间中的样本距离与真实电价曲线形态距离保持一致，使得检索到的历史片段不仅在输入特征上相似，更在价格曲线形态上高度匹配；直接预测与检索结果的融合机制则充分利用了模型的内生预测能力与历史经验的外生迁移能力。实验结果表明，该完整方案的平均绝对误差降至23.17，平均绝对百分比误差降至18.78%，相较于传统端到端基线模型，平均绝对误差降低76.0%，显著提升了电力现货市场价格预测的精度与可靠性。

42、2、本发明通过基于负荷预测曲线、新能源出力预测特征和水电机组出力预测特征识别关键位置，将全天时点划分为固定数量的重叠时段并赋予类型标签，同时采用wavenet网络骨架构建波形嵌入模型，通过尾部加权均方误差、对比学习损失与波形度量损失的三元协同优化进行训练。本发明实现了价格感知嵌入空间的精确构建。具体而言，重叠时段分段使相邻时段共享部分连续时点，有效缓解了边界效应，保证了价格演化过程的连续性；时段类型标签直接参与监督对比学习的正负样本构造，使同类型时段的嵌入向量在空间中相互靠近、不同类型时段相互远离，形成了具有价格模式判别力的簇结构；波形度量损失通过约束嵌入向量余弦距离与真实电价曲线余弦距离保持一致，确保了嵌入距离具有可解释的价格形态意义；尾部加权均方误差则强制模型将优化注意力集中于高价格区间，增强了尖峰预测能力。实验表明，完整三元协同损失相较于仅使用波形度量损失与回归损失的组合，平均绝对百分比误差绝对值降低18.08个百分点，相对降幅达42.6%，验证了该技术方案在嵌入空间质量与预测精度上的显著提升。

43、3、本发明通过在相似度检索中引入多维度距离加权融合、时段类型惩罚、星期奖励、日期衰减等约束，并进一步执行价格水平先验重排序、日间一致性选择以及动态融合闭环、峰值救援、特征感知水平修正和价格映射器修正。该技术方案构建了检索质量反馈驱动的自适应融合与多级修正机制，实现了检索与预测的深度协同。具体而言，价格水平先验重排序将检索到的片段价格水平与目标对齐，有效解决了谷值区域百分比误差放大的问题；日间一致性选择确保各时段候选来自同一历史日，避免了跨时段拼接导致的曲线跳变；动态融合闭环根据候选片段距离的变异系数自动调节检索结果与直接预测的融合权重，在检索置信度高时充分发挥高质量检索优势，在检索置信度低时自动降级到直接预测，抑制不可靠检索的干扰；峰值救援机制在直接模型预测显著高于检索曲线时向直接预测方向修正，有效捕捉检索遗漏的极端高价场景。实验结果表明，完整检索策略相较于仅使用嵌入检索加多模态距离融合的配置，平均绝对误差降低26.4%，平均绝对百分比误差降低20.0个百分点，充分验证了该技术方案在尖峰捕捉能力、市场状态切换适应性和预测鲁棒性方面的显著优势。