融合多模型的电力现货价格预测与市场风险识别方法与流程
本发明属于电力价格预测与风险识别,具体涉及融合多模型的电力现货价格预测与市场风险识别方法。
背景技术:
1、随着新型电力系统的加快构建,电力现货市场作为资源配置的枢纽,其价格波动特征愈发复杂。近年来,随着风电、光伏等新能源大规模接入,电力供应的随机性与负荷侧的需求波动叠加,导致现货价格呈现出强非线性、高频突变及显著的非平稳性。准确预测电力现货价格不仅是电网企业优化调度、发电侧主体竞价的核心需求,也是监管机构评估市场风险、保障电力供需平衡的重要技术支撑。
2、价格预测与风险识别的最终价值在于指导电力设备的实际运行控制,储能设备需要依据未来电价在低谷时段充电、高峰时段放电以实现经济运行,电网调度需要依据价格波动趋势与风险状态安排运行方式。因此,如何将价格预测与风险识别结果闭环转化为电力设备的控制指令,并在极端价格波动场景下保障设备控制的安全性与经济性,已成为新型电力系统运行控制中的重要问题。
3、在复杂电力市场环境下,价格预测面临着多维挑战。现货价格不仅受制于基础负荷规律,还极易受到极端天气、燃料成本突变及主干网输电阻塞等外部因素的扰动。现有预测方法主要分为传统统计分析模型和基于深度学习的数据驱动模型。其中,arima等统计模型虽具备良好的可解释性,但在捕捉非线性特征时表现乏力。以lstm、transformer为代表的深度学习模型凭借强大的特征提取能力,在电力价格预测领域应用广泛。然而,现有技术在处理电力市场极值波动时,仍存在难以兼顾宏观趋势捕捉与微观尖峰风险预警的技术瓶颈。针对上述问题,研究人员提出了多种改进方法:
4、cn117474574a公开了一种基于深度学习的lstm-gru电力市场日前电价预测方法,通过建立加权灰色关联法筛选相似日,将历史日前省调负荷、新能源出力、联络线等多维数据作为输入,结合长短期记忆模型与门控单元模型对日前96时点电价进行预测。cn115375359a提出一种电力市场现货价格预警方法,通过建立向量自回归模型,以平均负荷数据和煤炭价格数据为内生变量,根据历史现货价格波动率绘制概率累计图并设置多级预设风险阈值,实现对轻度、中度及高度价格波动风险的分级预警。cn117592615a提出一种基于iceemdan模态分解与bagging集成学习的电力负荷预测方法,将原始负荷序列分解为多个不同时间尺度的imf子序列,并对每个子序列构建多个lstm-tcn基础模型进行集成预测,最终叠加各子序列预测值得到综合预测结果。可以看出,上述改进方法均聚焦于价格或负荷的预测环节本身,其输出止步于预测数值或预警信息,均未涉及预测与识别结果向电力设备控制指令的转化。
5、然而,现有多数技术仍存在一些局限性:1)缺乏频域特征的物理意义解耦与分量化建模。多数深度学习方法直接对原始时域信号进行端到端训练,未对价格信号的不同频率分量进行物理意义划分与独立特征提取,无法区分基准供需趋势、周期性波动与突发异常扰动对应的频域特征,导致模型对极端尖峰电价的预测敏感度不足。2)确定性建模难以应对极端风险。现有的点预测模型往往倾向于对历史均值的平滑处理,无法精准刻画市场在极端波动下的概率分布特征,导致市场风险识别能力不足。3)特征融合缺乏风险自适应约束。传统多模型融合往往采用简单的加权或拼接,缺乏根据实时市场风险等级动态调节特征权重的主动感知机制,难以满足高波动下的风险预警需求。4)预测识别结果与电力设备控制相互割裂。现有方法止步于输出价格预测数值或风险预警信息,未将预测与识别结果转化为对储能设备等电力设备的自动控制指令,设备运行控制与价格预测、风险识别相互脱节;且设备控制策略缺乏针对极端价格波动的风险约束机制,易引发价格剧烈波动时段的设备误动作与过度损耗。
6、因此,如何将电力现货价格预测与市场风险识别结果闭环应用于电力设备的优化控制,并在极端价格波动下对设备控制策略施加风险约束,是本领域亟待解决的技术问题。
技术实现思路
1、根据以上现有技术中的不足,本发明的目的在于提供融合多模型的电力现货价格预测与市场风险识别方法,利用功率谱频域解耦分离电价多尺度时序特征,融合风险自适应注意力机制,可实现电力现货价格极端波动的精准预测与市场风险实时识别,并将预测与识别结果闭环转化为储能设备的充放电控制指令。
2、为达到以上目的,本发明提供了融合多模型的电力现货价格预测与市场风险识别方法,包括以下步骤:
3、s1、采集原始电力现货价格历史时间序列,进行标准化处理后,利用滑动时间窗截取得到局部时域标准化价格序列,并构建带有偏置修正因子的离散自相关函数估计模型计算修正自相关函数估计值;
4、s2、引入凯泽窗函数对修正自相关函数估计值序列进行加权平滑,根据维纳-辛钦定理进行离散时间傅里叶变换,求得动态功率谱密度向量,将全频谱切分为低频基准谱、中频周期谱与高频突变谱,经逆傅里叶变换重构为低频基准分量、中频周期分量与高频突变分量;
5、s3、基于动态功率谱密度向量,从能量占比、谱信息熵与归一化频谱尖峰曲率三个维度构建多维市场风险识别指数mri,并根据mri识别各时段对应的市场风险程度;
6、s4、将低频基准分量、中频周期分量、高频突变分量与局部时域标准化价格序列拼接,输入一维膨胀因果卷积网络提取顶层特征;经变分自编码器将顶层特征映射至潜在隐空间,通过拟合高斯分布均值与方差并引入重参数化技巧,得到潜在状态向量;
7、s5、将潜在状态向量注入位置编码后生成查询、键、值矩阵,输入风险自适应多头自注意力解码器,同时将mri转化为注意力动态缩放因子,在极端市场风险时段动态调整注意力权重分布的聚焦程度,拼接各注意力头输出并经前馈神经网络映射得到未来时段的标准化电力现货价格预测值,经逆标准化得到未来电力现货价格预测值;
8、s6、采用融合huber鲁棒回归损失与kl散度约束的联合目标函数,对s1~s5构成的预测模型进行端到端训练,利用训练后的预测模型输出最终的未来电力现货价格预测值,并输出各时段的市场风险识别结果;
9、s7、根据未来电力现货价格预测值与各时段的市场风险识别结果,生成储能设备的充放电控制指令并下发至储能设备执行。
10、作为本发明的优选方案,所述的s1中,得到局部时域标准化价格序列的过程为:
11、定义采集到的原始电力现货价格历史时间序列为,表示时段n的原始电力现货价格,其余同理,为全部历史样本总时段数量,上标t表示转置;
12、构建基于历史统计特性的标准化数学模型:
13、;
14、式中,表示时段n的标准化电力现货价格;表示截至时段n的历史观测价格序列的算术平均值;表示截至时段n的历史观测价格序列的标准差;
15、引入长度为l、滑动步长为1的滑动时间窗,以第t个时段为窗口末端,从连续序列中截取得到局部时域标准化价格序列:
16、;
17、式中,表示时段t截取得到的长度为l的局部时域标准化价格序列;表示时段的标准化电力现货价格,其余同理。
18、作为本发明的优选方案,所述的s1中,带有偏置修正因子的离散自相关函数估计模型表示为:
19、;
20、式中,表示时段t的滑动时间窗内,离散时间滞后步长为m时的修正自相关函数估计值;表示滞后长度;表示滞后个时段后的标准化电力现货价格;表示当前时间窗内局部时域标准化价格序列的局域算术平均值。
21、作为本发明的优选方案,所述的s2中,得到低频基准分量、中频周期分量与高频突变分量的过程为:
22、引入凯泽窗函数对序列进行加权平滑,凯泽窗函数表示为:
23、;
24、式中,表示长度为2m-1的凯泽窗函数在离散时间滞后步长m处的权重系数;m-1表示最大截断滞后长度,非负滞后项共m个;表示凯泽窗的形状参数;表示第一类零阶修正贝塞尔函数;
25、根据维纳-辛钦定理,将加窗平滑后的序列进行离散时间傅里叶变换,求得当前时段局部时域标准化价格序列的动态功率谱密度:
26、;
27、式中,表示时段t时,局部时域标准化价格序列在离散频率点处的功率谱密度,将当前窗口全部离散频率点对应的按频率顺序排列,得到时段t对应的动态功率谱密度向量;j表示虚数单位;表示第k个离散频率点;
28、设定低频切分阈值和高频切分阈值,将切分为低频基准谱、中频周期谱与高频突变谱:
29、;
30、式中,表示奈奎斯特频率;
31、结合相位谱恢复技术,对切分后的动态功率谱密度进行频段筛选,通过频域分量叠加逆映射回时域,生成三个时域特征分量序列:
32、;
33、式中,、、分别表示时段t时重构得到的低频基准分量、中频周期分量、高频突变分量在第z个离散采样点处的取值;z表示重构序列中的离散采样点编号,1≤z≤l;、、分别表示低频、中频、高频频率集合;表示对应的频域幅值;表示原始局部时域标准化价格序列在处对应的相位信息。
34、作为本发明的优选方案,的计算方式为:
35、;
36、式中,表示相邻离散频率点之间的步长间距。
37、作为本发明的优选方案,所述的s3中,mri的计算方式为:
38、;
39、式中,表示时段t的多维市场风险识别指数;、、分别表示时段t的高频突变能量占比指标、谱信息熵指标和归一化频谱尖峰曲率指标;、、分别表示、、的权重系数;
40、表示为:
41、;
42、式中,表示离散频率点的最大索引值;
43、表示为:
44、;
45、式中,表示归一化功率谱密度;表示时段t时对应的功率谱密度,表示第i个离散频率点;表示数值稳定常数;
46、表示为:
47、;
48、式中,、分别表示时段t时、对应的功率谱密度,、分别表示第k+1、k-1个离散频率点;表示时段t对应功率谱密度的全局峰值;表示相邻离散频率点之间的步长间距。
49、作为本发明的优选方案,s3中,根据多维市场风险识别指数mri识别各时段对应的市场风险程度的方式为:将与预设风险阈值进行比较,当大于预设风险阈值时,将时段t识别为极端市场风险时段,否则将时段t识别为常规市场风险时段。
50、作为本发明的优选方案,所述的s4中,得到潜在状态向量的过程为:
51、将时段t时重构得到的低频基准分量、中频周期分量、高频突变分量与局部时域标准化价格序列拼接为输入矩阵,输入至一维膨胀因果卷积网络1d-tcn中;
52、定义时段t时1d-tcn的第0层输入为拼接后的特征序列,对于1d-tcn的第l层,其输出隐藏状态为:
53、;
54、式中,表示时段t时第l层的输出隐藏状态;表示非线性激活函数;表示第l层、卷积核内第s个位置对应的卷积权重;表示时段t-d·s时第l-1层的输出隐藏状态,d是膨胀因子;表示第l层的偏置项;k表示卷积核尺寸,s表示卷积核位置索引;
55、对于1d-tcn的顶层,其时段t的输出隐藏状态即为顶层特征,基于变分自编码器,将映射为潜在隐空间的多元高斯分布的均值与对数方差:
56、;
57、式中,、分别表示时段t的多元高斯分布均值与方差向量;、、、为全连接层映射参数;
58、引入重参数化技巧进行连续潜在向量采样:
59、;
60、式中,表示时段t时价格确定性演化规律与随机性边界的潜在状态向量;表示哈达玛乘积;表示标准正态分布随机噪声。
61、作为本发明的优选方案,所述的s5中,对注入位置编码后生成查询矩阵、键矩阵和值矩阵,输入风险自适应多头自注意力解码器,利用构建注意力动态缩放因子:
62、;
63、式中,表示时段t的注意力动态缩放因子;、分别表示控制风险放大上限与敏感度的超参数;表示softmax激活函数;表示第h个注意力头的输出矩阵;表示键向量的维度;
64、拼接所有注意力头输出,通过前馈神经网络映射得到未来时段的标准化电力现货价格预测值,经逆标准化得到未来电力现货价格预测值。
65、作为本发明的优选方案,所述的s6中,包含huber鲁棒回归损失与kl散度的联合目标函数表示为:
66、;
67、式中,表示时段的标准化电力现货价格预测值,表示预测步长;表示时段的标准化电力现货价格真实值;表示鲁棒回归损失;表示kullback-leibler散度;、表示权重平衡系数;表示预测网络的可学习参数集;表示l2范数;表示训练样本对应的总时段数。
68、本发明所具有的有益效果是:
69、本发明基于维纳-辛钦定理对标准化电价序列做频域分解,通过凯泽窗平滑修正自相关函数后得到动态功率谱密度向量,按固定频率阈值划分低频基准谱、中频周期谱、高频突变谱并重构三类时域分量;同时从能量占比、谱信息熵、归一化频谱尖峰曲率三维度构建多维市场风险识别指数mri,实现电价周期规律、长期基准、短时突变特征解耦,还可量化市场波动风险等级,能够精准识别极端市场风险时段,解决传统方法无法区分多尺度电价波动、难以量化市场异动风险的缺陷。
70、本发明将分解得到的三类频域重构分量与原始标准化电价序列拼接,输入一维膨胀因果卷积网络(1d-tcn)提取多尺度时序依赖,借助膨胀卷积指数级扩大时序感受野,充分捕捉电价长短期演化规律;再通过变分自编码器将tcn顶层特征映射至潜在隐空间,利用重参数化得到兼具确定性趋势与随机波动特征的潜在状态向量,相比单一卷积或循环网络,表征能力更强、梯度消失风险更低。
71、本发明设计风险自适应多头自注意力解码器,引入由mri构建的注意力动态缩放因子,在极端市场风险时段动态调整注意力权重分布聚焦程度,使预测模型在极端时段聚焦关键特征;预测模型输出标准化电力现货价格预测值后,经逆标准化还原至原始电价量纲,得到最终的未来电力现货价格预测值,实现风险感知与价格预测一体化,大幅提升电价尖峰、剧烈波动场景下的预测精度。
72、本发明将未来电力现货价格预测值与市场风险识别结果闭环应用于储能设备的充放电控制,按预测电价分位数确定充放电阈值生成充放电计划,在极端市场风险时段对充放电功率进行折减并预留备用容量,再经荷电状态、额定功率与爬坡率物理约束校验后下发至储能设备执行,使储能设备在电价低谷充电、电价高峰放电,在价格剧烈波动时段自动降低动作幅度,实现削峰填谷、平抑电网功率波动、规避极端价格下设备误动作与损耗的技术效果,形成从价格预测、风险识别到设备控制的技术闭环。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com