一种基于多通道异构特征稀疏门控与时序建模的电价预测方法、系统、设备及介质与流程
本发明涉及电力市场价格预测,特别是一种基于多通道异构特征稀疏门控与时序建模的电价预测方法、系统、设备及介质。
背景技术:
1、随着电力市场化改革的持续深化,日前电价、实时电价等市场价格信号已成为发电计划制定、负荷响应及购售电交易等核心环节的关键指引。电价预测的准确性直接决定市场主体的报价策略优化、风险防控效果及电力资源的合理配置效率,因此,提升电力市场电价预测精度,已成为当前电力市场分析领域的核心研究方向。
2、目前,电力市场电价预测方法主要分为统计模型、机器学习模型及深度学习模型三类,但现有方法均存在明显技术局限,制约了预测性能的进一步提升:统计模型依赖线性平稳假设,难以有效刻画电价序列固有的非线性、尖峰性及时变特征;机器学习模型虽具备一定非线性建模能力,但在高维时序输入处理、多源特征耦合关系挖掘及长时间依赖结构建模方面仍存在不足;深度学习方法在电价预测中的应用逐步普及,但在多源异构信息的高效利用及特征的精准表达上仍有较大改进空间。
3、电价预测需综合利用历史电价、负荷信息、新能源出力数据及气象环境参数等多源异构特征,现有技术普遍采用直接拼接各类特征后输入统一模型训练的方式,易导致异构特征语义混淆,使得模型无法有效区分各类特征在预测过程中的作用权重,进而影响特征表达的准确性。同时,现有方法在特征选择环节多依赖人工经验或粗粒度注意力机制,难以实现逐特征的细粒度建模,高维输入中的冗余特征与噪声特征不仅增加模型训练复杂度,还会削弱关键特征对电价预测结果的贡献度。
技术实现思路
1、鉴于现有技术存在的问题,本发明人提出了本发明。
2、因此,本发明所要解决的问题在于如何解决避免异构特征直接拼接导致的语义混淆;在抑制冗余噪声特征的同时保留各通道有效信息的问题。
3、为解决上述技术问题,本发明提供如下技术方案:
4、第一方面,本发明实施例提供了一种基于多通道异构特征稀疏门控与时序建模的电价预测方法,其包括,获取电力市场多源异构特征数据,按特征语义类别构建分通道特征解耦输入结构;
5、在各通道中对输入特征分配可学习门控参数,通过引入门控下限约束计算各特征的差异化门控权重,并对各通道输入特征逐元素加权,得到各通道门控后的特征表示;
6、将各通道门控后的特征表示按时间步排列为时序输入,经跨时步依赖建模提取各通道高层时序特征表示;
7、对各通道高层时序特征表示设置可学习通道权重参数并归一化后进行加权融合,输出电价预测结果。
8、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:所述分通道特征解耦输入结构包括电价通道、负荷通道及外生辅助通道;
9、电价通道接收历史电价时序特征,负荷通道接收电网负荷相关特征,外生辅助通道接收除历史电价与负荷之外的外生辅助特征;
10、三通道分别独立完成特征加权筛选与时序建模后,再执行跨通道加权融合。
11、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:所述各特征的差异化门控权重的计算步骤包括,将各通道每个输入特征对应的可学习门控参数经非线性激活函数映射,得到基础门控系数;
12、在所述基础门控系数上施加预设门控下限,使每个特征的门控权重落在所述预设门控下限至1的区间内;
13、将各通道输入特征向量与对应门控权重向量执行逐元素相乘,得到门控后的通道特征表示。
14、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:所述跨时步依赖建模的步骤包括,将各通道门控后的特征表示按时间步排列为时序矩阵,并叠加位置编码;
15、对加入位置编码的时序矩阵分别经查询、键、值三组线性投影后,执行缩放点积注意力计算,得到各时间步的跨步加权关联特征;
16、对所述跨步加权关联特征依次经残差连接、层归一化及前馈网络变换,得到通道输出序列;
17、对通道输出序列执行平均池化,得到各通道的高层时序特征表示。
18、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:所述对各通道高层时序特征表示设置可学习通道权重参数并归一化后进行加权融合的步骤包括,将通道权重参数向量经softmax函数归一化,得到各通道对应的归一化融合权重;
19、以所述归一化融合权重对各通道高层时序特征表示执行加权求和,得到融合特征表示;
20、将所述融合特征表示经全连接层映射,输出目标时间段内各时间步的电价预测值,并对预测值执行逆标准化处理,得到最终电价预测序列。
21、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:还包括,获取电力市场多源异构历史特征数据,按特征语义类别构建分通道特征解耦输入结构,并对目标电价序列执行标准化处理;
22、在各通道中对输入特征分配可学习门控参数,引入门控下限约束计算带下限保护的差异化门控权重,并对各通道输入特征逐元素加权,得到各通道门控后的特征表示;
23、将各通道门控后的特征表示按时间步排列为时序输入,经跨时步依赖建模提取各通道高层时序特征表示,再经可学习权重融合后输出标准化空间的电价预测值;
24、以所述预测值与标准化目标电价之差构建预测损失项,以各通道所有特征门控权重与对应门控下限之差的绝对值之和乘以稀疏正则化系数构建门控稀疏约束损失项,两项相加构成联合损失函数;
25、基于所述联合损失函数对各通道门控参数、时序建模参数、通道融合权重及输出层参数执行梯度反向传播与迭代更新,至模型收敛后完成训练。
26、作为本发明所述一种基于多通道异构特征稀疏门控与时序建模的电价预测方法的一种优选方案,其中:在所述迭代更新过程中,预测损失项驱动预测输出逼近标准化目标电价序列;
27、门控稀疏约束损失项使各通道中冗余特征对应的门控权重向预设门控下限收缩,重要特征的门控权重保持在门控下限之上,两者在同一训练过程中对模型参数协同施加梯度约束。
28、第二方面,本发明实施例提供了一种基于多通道异构特征稀疏门控与时序建模的电价预测系统,其包括,数据构建模块,用于获取电力市场多源异构特征数据,并按特征语义类别构建分通道特征解耦输入结构;
29、特征筛选模块,用于在各通道中对输入特征分配可学习门控参数,通过引入门控下限约束计算各特征的差异化门控权重,并对各通道输入特征逐元素加权,得到各通道门控后的特征表示;
30、时序建模模块,用于将各通道筛选后的特征序列进行跨时步序列依赖建模,提取各通道的高层时序特征表示;
31、通道融合预测模块,用于对各通道时序特征表示进行可学习权重融合,并输出目标时间段的电价预测结果。
32、第三方面,本发明实施例提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于多通道异构特征稀疏门控与时序建模的电价预测方法的步骤。
33、第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序,其中:所述计算机程序指令被处理器执行时实现如本发明第一方面所述的基于多通道异构特征稀疏门控与时序建模的电价预测方法的步骤。
34、本发明有益效果为:本发明通过按特征语义类别构建分通道特征解耦输入结构,将历史电价、负荷相关特征及外生辅助信息分别置于独立通道进行建模,从输入端消除异构特征直接拼接所引发的语义混淆问题,使各类特征的物理语义得以独立且完整地保留,在各通道内,通过引入带门控下限约束的可学习差异化门控权重对每个输入特征单独加权,冗余噪声特征的门控权重因稀疏约束损失项的驱动向预设下限收缩,而重要特征的信息通路因下限保护始终维持在可用水平,在时序建模阶段,基于自注意力的跨时步依赖建模结构通过查询、键、值三组投影与缩放点积注意力计算,捕捉电价序列中峰谷时段之间的动态耦合关系,克服传统统计模型无法刻画非线性时变特征的局限,最终经可学习通道融合权重对三通道时序特征加权聚合,综合多源信息生成目标日各时间步的电价预测序列,在模型训练阶段联合损失函数使特征筛选精度与预测性能协同优化,整体方案在提升多源异构场景下电价预测精度的同时,门控权重分布亦可反映各特征对预测结果的相对贡献。
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