一种基于气象态势分析的电价预测方法与流程

本发明涉及电价预测领域，尤其涉及一种基于气象态势分析的电价预测方法。

背景技术：

1、新能源发电企业面临的市场环境日趋复杂。电力市场通常采用“中长期合约+实时现货”的双轨制交易模式，其中实时市场价格与中长期合约价格之间的差值被称为“市场溢价”。当实时电价高于合约电价时（正溢价），新能源发电企业倾向于多发电以获取超额收益；反之（负溢价），企业可能选择限电或储能。

2、准确预测未来时段内的溢价发电量——即在正溢价区间内实际可获得的超额收益对应的发电量——对于发电企业的报价策略、电网的调度安排以及市场运营机构的风险管理均具有重要价值。

3、然而，现有技术存在以下突出问题：第一，传统发电量预测方法未考虑溢价的分区非线性响应特征。新能源发电量对市场溢价的响应并非线性均匀的：在低溢价区间，发电量几乎不随溢价变化；在中溢价区间，存在一定的滞后响应；在高溢价区间，发电量对溢价的敏感性急剧上升。现有方法通常采用全局回归模型，无法刻画这种分区异质性。第二，不同地理位置的新能源场站（节点）由于气象条件、电网约束和市场接入点的不同，其对同一溢价的响应程度存在显著差异，即存在“时空异质性”。现有方法未能有效建立节点间溢价敏感度的传播与耦合机制。第三，现有方法在分区区间边界附近存在预测值跳变问题，导致输出结果不连续、不光滑，严重影响工程实用性。

4、因此，亟需一种能够解决上述问题、不依赖静态权重、具备分区自适应能力和空间传播能力的电网溢价发电量预测方法。

技术实现思路

1、本发明的目的在于提供一种基于气象态势分析的电价预测方法，解决了现有技术中指出的上述技术问题。

2、本发明提供了一种基于气象态势分析的电价预测方法，包括如下操作步骤：

3、s10：获取目标电网中按照节点序列组织的各新能源场站历史发电量数据、历史气象数据与历史市场溢价数据，并将预测时段按照分区区间划分为溢价非响应区、溢价过渡区与溢价高敏区；

4、s20：对所述节点序列上的多源历史数据执行时空联合预处理，包括针对不同分区区间构建差异化回看窗口，并生成以节点-分区为索引的标准化时序特征张量；

5、s30：构建分区自适应图时序预测模型作为初始模型，该模型包含：用于提取节点内时序特征的并行门控循环单元层、用于捕获节点间空间依赖的动态图卷积层、以及根据分区区间不同而独立设置的多个回归头；

6、s40：利用所述标准化时序特征张量对所述初始模型进行分区对抗训练，其中不同分区区间之间通过梯度反转层相互竞争，使模型学习到跨分区不变的溢价发电量共性表征与分区特有的敏感表征，得到训练后的溢价发电量预测模型；

7、s50：将未来时段的节点气象预报数据与节点市场溢价数据输入所述训练后的溢价发电量预测模型，由模型根据预测时刻所属的分区区间自动选择对应的回归头，输出各节点在各分区区间内的溢价发电量预测值，并按照分区区间边界进行拼接得到全电网预测结果。

8、优选的，作为一种可实施方案；所述s10中的“节点序列-分区区间”解耦逻辑由以下步骤实现：

9、将电网中每个新能源场站定义为一个节点，并按地理位置与电网拓扑连接关系形成有序节点序列；

10、针对溢价发电量对市场溢价的响应非线性特征，将溢价幅值域划分为三个连续的分区区间：溢价非响应区、溢价过渡区、溢价高敏区；

11、引入时空异质溢价敏感度，用于描述不同节点在不同分区区间内单位溢价变化所引发的发电量变化程度，该时空异质溢价敏感度的具体量化方式由后续步骤中的向量化公式给出；

12、所述分区区间的划分边界采用动态分位数阈值确定，且该阈值随节点序列的统计特性自适应调整。

13、优选的，作为一种可实施方案；所述s20中的“针对不同分区区间构建差异化回看窗口”由以下步骤实现：

14、针对溢价非响应区内的样本，采用短时回看窗口以降低计算冗余；针对溢价过渡区内的样本，采用中时长回看窗口以捕捉溢价-发电量之间的滞后传导效应；

15、针对溢价高敏区内的样本，采用长时回看窗口并叠加高时间分辨率采样，以解析高频波动特征；

16、所述差异化回看窗口的长度取值由权利要求5中定义的时空异质溢价敏感度在对应节点-分区上的数值进行非线性映射确定，敏感度越高则回看窗口越长、采样密度越大。

17、参见图2，优选的，作为一种可实施方案；所述s30中“分区自适应图时序预测模型”的构建由以下步骤实现：

18、s31、动态图卷积层的邻接矩阵根据任意两个节点在同一分区区间内的时空异质溢价敏感度的相似程度进行动态更新，相似度越高则图卷积边权重越大；

19、s32、不同分区区间对应的多个回归头彼此独立，每个回归头仅负责预测本分区区间内的发电量，且每个回归头内部采用不同的激活函数：非响应区采用软饱和型激活函数，过渡区采用线性激活函数，高敏区采用指数型激活函数；

20、s33、模型训练过程中，利用时空异质溢价敏感度中的量化参数构建分区对抗损失函数，迫使特征提取器生成分区不变特征。

21、优选的，作为一种可实施方案；所述时空异质溢价敏感度由以下量化计算包括：

22、首先，对于节点序列中的每一个节点以及每一个分区区间，分别计算三个维度的量化因子：

23、第一维度因子用于：在该节点该分区区间所对应的全部历史时刻集合上，取发电量对市场溢价的偏导数与溢价响应延迟调制函数的乘积，再对该乘积在整个时刻集合上求算术平均值；其中，溢价响应延迟调制函数的值由实际测量得到的溢价冲击到达发电端的延迟时间决定，延迟越长则调制函数值越低；

24、第二维度因子用于：先遍历当前节点的所有拓扑邻接节点，对于每一个邻接节点，统计历史上发生的多个溢价波动事件，分别计算每个事件中该邻接节点的发电量变化幅度的平方和，以及对应事件中溢价变化幅度的平方和，将两者相除并加上极小正数防止除零，然后取所有邻接节点中该比值最大者的数值，最后再乘以该节点在该分区区间内的时空能量耗散系数；其中，时空能量耗散系数用于描述溢价能量在电网中从该节点向外传播时的衰减程度；

25、第三维度因子用于：提取模型在多个不同时间尺度下、多个不同特征提取层中的隐状态矩阵，同时构建与该节点、该分区区间对应的协同调制矩阵，将隐状态矩阵与协同调制矩阵按对应位置元素相乘，再计算相乘后矩阵所有元素的平方和，然后对不同时间尺度和不同特征提取层的结果求和，最后除以归一化因子；

26、最终，该节点在该分区区间上的时空异质溢价敏感度，等于第一维度因子与第二维度因子的乘积，再除以第三维度因子与平滑参数之和。

27、优选的，作为一种可实施方案；所述时空异质溢价敏感度由以下向量化公式量化：

28、对于节点序列中的第个节点，在第个分区区间上，定义敏感度向量，其中：

29、；

30、；

31、；

32、其中：为节点在时刻的发电量，为时刻的市场溢价；为节点落在分区区间内的时刻集合，为该集合的元素个数；为溢价响应延迟调制函数，为节点在时刻上溢价冲击到达发电端的实测延迟时间；存在拓扑邻接关系的节点集合；为节点在第个历史波动事件中的发电量变化幅度，为对应事件中的溢价变化幅度，为波动事件总数；为极小正数防止除零，为节点在分区区间内的时空能量耗散系数；为第个时间尺度下第个特征提取层的隐状态矩阵，为对应的分区－节点协同调制矩阵，为哈达玛积，为frobenius范数的平方，为归一化因子；

33、最终所述时空异质溢价敏感度，其中为平滑参数。

34、优选的，作为一种可实施方案；所述s10中还进一步包括：

35、从电网运行数据库中提取各新能源场站的历史出力曲线，并依据各场站并网点所处的电网拓扑层级对节点序列进行排序，排序方式按照电压等级从高到低或按照电气距离聚类结果排列；

36、所述分区区间的划分过程中，针对不同的季节类型和天气类型分别建立独立的溢价幅值域分位数统计模型，使得同一节点在不同季节或天气下归属的分区区间边界可动态迁移；

37、在完成节点序列排序和分区区间划分后，生成一个三维索引结构，用于后续步骤的数据组织与模型调用。

38、优选的，作为一种可实施方案；所述s20中还进一步包括：

39、在执行时空联合预处理之前，先对每个节点-分区组合进行独立的数据平稳性检验，对于非平稳序列执行逐阶差分变换直至通过平稳性检验，并记录差分阶数供预测结果还原时使用；

40、所述差异化回看窗口的具体构造方式为：对于溢价非响应区，回看窗口长度固定为4个时间步；对于溢价过渡区，回看窗口长度通过分析偏自相关函数首次截尾的位置自适应确定为8~16个时间步；对于溢价高敏区，回看窗口长度覆盖至少一个完整的溢价波动周期，该周期长度由对溢价序列进行希尔伯特-黄变换后提取的主振荡模式周期确定；

41、生成标准化时序特征张量时，在节点维度、分区维度与时序维度之外，额外增加一个事件标记维度，用于标注该样本是否属于溢价突变事件、气象极端事件或电网拓扑变化事件的邻域时间窗口。

42、优选的，作为一种可实施方案；所述s40中还进一步包括：

43、分区对抗训练过程中，设置一个分区判别器，该判别器接收特征提取器输出的隐层向量，并尝试判断该向量来自哪一个分区区间；

44、梯度反转层连接在特征提取器与分区判别器之间，在反向传播时将判别器的梯度取反后回传至特征提取器，使得特征提取器学习到无法被判别器准确区分分区的共性特征；

45、对抗训练的损失函数由三部分构成：主任务预测损失、分区判别器分类损失、以及分区区间边界的平滑约束损失，三者之间采用动态平衡系数进行协调，该动态平衡系数根据当前训练阶段各个损失值的下降速率自适应调整；

46、训练完成后，移除分区判别器与梯度反转层，仅保留特征提取器与多个回归头用于实际预测。

47、优选的，作为一种可实施方案；所述s50中还进一步包括：

48、对未来时段内的每个预测时刻，首先根据该时刻的预测溢价数值判断其所归属的分区区间，若落入某一分区区间内部则激活对应的单个回归头，若落入边界软化区则同时激活相邻两个回归头并进行融合输出；

49、输出各节点的预测值后，执行一个后处理校验步骤：计算同一分区区间内所有节点预测值的离散系数，若离散系数超过预设阈值，则触发基于节点序列的空间平滑校正，该校正采用节点序列上的中值滤波与局部离群值替换操作，且不使用任何预先固定的加权系数；

50、最终的全电网预测结果以三维结构输出：第一维度为节点序列，第二维度为分区区间，第三维度为时间，同时额外提供一份边界软化区内预测结果的不确定性区间估计，该估计通过对相邻回归头输出的差异度进行缩放计算得到。

51、本发明另一方面，还提供了一种存储介质，所述存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述一种基于气象态势分析的电价预测方法的步骤。

52、与现有技术相比，本发明实施例至少存在如下方面的技术优势：

53、分析本发明提供的上述一种基于气象态势分析的电价预测方法可知，在具体应用时，执行如下操作；s10：获取目标电网中按照节点序列组织的各新能源场站历史发电量数据、历史气象数据与历史市场溢价数据，并将预测时段按照分区区间划分为溢价非响应区、溢价过渡区与溢价高敏区；s20：对所述节点序列上的多源历史数据执行时空联合预处理，包括针对不同分区区间构建差异化回看窗口，并生成以节点-分区为索引的标准化时序特征张量；s30：构建分区自适应图时序预测模型作为初始模型，该模型包含：用于提取节点内时序特征的并行门控循环单元层、用于捕获节点间空间依赖的动态图卷积层、以及根据分区区间不同而独立设置的多个回归头；s40：利用所述标准化时序特征张量对所述初始模型进行分区对抗训练，其中不同分区区间之间通过梯度反转层相互竞争，使模型学习到跨分区不变的溢价发电量共性表征与分区特有的敏感表征，得到训练后的溢价发电量预测模型；s50：将未来时段的节点气象预报数据与节点市场溢价数据输入所述训练后的溢价发电量预测模型，由模型根据预测时刻所属的分区区间自动选择对应的回归头，输出各节点在各分区区间内的溢价发电量预测值，并按照分区区间边界进行拼接得到全电网预测结果。

54、本发明提供的上述一种基于气象态势分析的电价预测方法通过将溢价幅值域划分为非响应区、过渡区、高敏区，并针对不同分区构建差异化回看窗口、激活函数和回归头，能够精确刻画溢价发电量的非线性分区响应特征，显著提高预测精度。本发明全程不采用人工预设的权重参数，所有调节量均由数据驱动（互相关峰值、敏感度相似度、梯度反转对抗等）自适应生成，具有更强的泛化能力和物理可解释性。通过分区对抗训练中的梯度反转机制，迫使模型学习分区不变共性特征，有效防止模型对训练数据分区特性的过拟合，提升了跨时段、跨季节的预测稳定性。