[发明专利]一种基于注意力机制和Seq2Seq模型的短期电价预测方法

说明书

本发明属于电力市场预测技术领域，具体为一种基于注意力机制和Seq2Seq模型的短期电价预测方法，包括步骤1：相关性分析，计算数据集中的相关序列与预测电价之间的MIC，选取MIC大的备选序列作为模型输入，并对输入数据进行标准化处理；步骤2：模型构建与训练，独立构建并初始化各基于注意力机制的Seq2Seq点预测模型，设置网络超参数；步骤3：模型预测实现，使用训练好的预测模型在测试样本集上进行预测，得到测试集下的预测结果。将输出值反标准化，作为最终短期电价的预测结果，其结构合理，能够实现高精确度的短期电价预测，同时提高模型泛化能力，使模型能够适应不同的应用场景。

技术领域

本发明涉及电力市场预测技术领域，具体为一种基于注意力机制和Seq2Seq模型的短期电价预测方法。

背景技术

电力的市场化是全球电力行业的普遍趋势。电力市场化对于打破能源垄断、提高能源利用率、和电力系统的高效安全运营都有重要作用。在电力市场化背景下，用户的购电价格将由国家统一规定的稳定价格转变为由市场交易价格、输配电价格以及政府性基金共同决定的波动价格。市场电价将发挥着调解供需的作用，引导着电力市场的资源流动。同时，电价也成为关系到市场参与者经济利益重要因子。如果能够实现精准的电价预测，就能够在激烈的市场竞争中处于有利地位，从而获得更多的经济利益。而随着高比例可再生能源的接入，电力系统的复杂性和不确定性大幅增加，如何提高电力系统稳定性，决定电力系统控制策略和制定系统电价成为难点。因此，对电价预测的研究已经成为电力市场各方参与者关注的焦点。目前电价预测方法主要有物理方法、统计方法和基于机器学习的方法。

近年来，机器学习算法发展迅速。机器学习方法对于高波动性和非线性的电价预测有很大潜力，具有很好的泛化能力，能提取电价数据的历史特征，预测精度高，成为短期电价预测的重要研究方向。

前电价预测方法主要有物理方法、统计方法和基于机器学习的方法。物理方法需要大量的数据信息，如线路的传输能力、电力负荷和市场参与者的情况等等，不适用于一般日前短期电价预测。统计方法对历史电价进行分析，得到电价的发展变化趋势，但统计方法多是基于线性建模，对非线性关系的模拟能力有限，预测精度很难提升至很高水平，同时大多数情况下输入仅包含电价历史数据，对数据的特征提取能力有限。

机器学习方法可以分为浅层学习和深度学习。浅层学习包括BP神经网络、支持向量机和人工神经网络等，已成功应用于许多预测项目。但浅层结构算法的计算单元有限，复杂函数的表示能力有限，容易出现过拟合和梯度消失问题。相比之下，深度学习方法在高波动性和非线性预测项目中具有显著优势。目前的短期电价预测方法仍无法满足如今大规模、高复杂性、高不确定性的电力系统的电价预测需求，不能满足市场参与者对未来电价信息的要求。同时预测模型在不同场景下的预测精确度可能有很大差别，模型预测准确性和泛化能力还有待进一步研究优。

为此，我们提出一种新型的基于注意力机制和Seq2Seq模型的短期电价预测方法。

发明内容

本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于现有技术中存在的问题，提出了本发明。

因此，本发明的目的是提供一种基于注意力机制和Seq2Seq模型的短期电价预测方法，能够实现高精确度的短期电价预测，同时提高模型泛化能力，使模型能够适应不同的应用场景。

为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：

一种基于注意力机制和Seq2Seq模型的短期电价预测方法，其包括如下步骤：

步骤1：相关性分析