[发明专利]基于全网负荷率的分段式日前电力额度预测方法及设备

说明书

本发明提出一种基于全网负荷率的分段式日前电力额度预测方法及设备，该方法经过数据分析发现全网负荷率与日前电价之间存在较强的相关性，建立全网负荷率算法模型，通过全网负荷率数据特征预测日前电价只需要7‑30天的历史数据，从而大大降低了对历史数据集的需求；本发明使用基于全网负荷率特征的分段式预测算法，在采用强解释性的全网负荷率特征的前提下，考虑到日前电价的分时差异，细粒度的刻画了不同时刻全网负荷率与分时电价的分布规律，通过本发明，可以提高日前电价在高价段和低价段的预测准确率，并且可以避免非线性回归所带来的预测结果出现整体偏差的问题。

技术领域

本发明涉及风电管理技术领域，尤其涉及一种基于全网负荷率的分段式日前电力额度预测方法、装置、设备、存储介质。

背景技术

研究发现，反映市场供需关系的全网负荷预测数据、新能源负荷预测数据、装机容量数据、必开必停机组容量数据等日前披露数据对日前电价趋势都有不同程度的影响，目前通用的模型训练方法是将日前披露数据直接作为输入特征，并基于通用训练方法生成的模型预测日前价格，该模式容易出现明显的预测误差，尤其是实时电价整体预测趋势上的误差。因此，需要基于披露数据构建解释性更强的数据特征作为模型训练的输入特征。本发明结合业务规则构建了强解释性的全网负荷率特征，提高了日前电价预测准确率。

另外，由于日前电价有高价段、平价段和低价段的特点，现有技术对电价数据主要进行整体性地分析但并未对此电价特点进行详细的处理分析，导致现有技术在日前电价出现高价段和低价段的情况下预测准确率偏低。因此，考虑到日前电价的分时差异，进一步将全网负荷率特征进行分段式处理，更加详细的刻画了不同全网负荷率情境下日前电价的分布趋势，能够进一步有效地提高日前电价的预测准确率。

目前针对日前电价预测使用较为广泛的是基于深度学习神经网络算法的预测技术。该技术通过构建神经网络模型对大量的历史数据进行自主学习，并将学习到的数据特征作为重要边界参数进行模型保存，最后使用预测日的相关数据并调用学习到的模型对日前电价进行预测。

目前针对日前电价的预测技术基本都属于基于ANN神经网络算法模型和非线性回归算法模型的范畴。基于ANN神经网络算法模型的缺点是该模型需要以大量的数据作为支撑，但是数据基数过大时又会出现过多算法无法排除在外的干扰数据特征，这将增加处理数据的时间成本，并且该算法模型在电价波峰和波谷时段的预测效果差；另外，非线性回归算法模型需要建立高次函数模型，但是因为高次函数模型本省存在的泛化能力差的属性，导致日前电价的预测容易出现整体平缓或者整体波动的问题，进而造成日前电价预测准确率偏低的结果。

发明内容

本发明提供一种基于全网负荷率的分段式日前电力额度预测方法、装置、设备、存储介质，旨在提高日前电价在高价段和低价段的预测准确率，并且可以避免非线性回归所带来的预测结果出现整体偏差的问题。

为此，本发明的第一个目的在于提出一种基于全网负荷率的分段式日前电力额度预测方法，包括：

构建分段式日前电力额度预测模型；其中，分段式日前电力额度预测模型包括全网负荷率计算模块，全网负荷率分段模块和电力额度预测模块；

获取全网发电设备的历史披露数据，通过全网负荷率计算模块和全网负荷率分段模块对全网发电设备的历史披露数据进行数据预处理，得到全网负荷率分段结果，将全网负荷率分段结果输入电力额度预测模块进行训练，至输出结果的日前电力额度数据与实际的日前电力额度数据一致为止；

实时获取全网发电设备的预测数据，输入训练好的分段式日前电力额度预测模型，输出结果即为日前电力额度预测结果。

其中，全网负荷率计算模块基于指定时刻的全网负荷预测值、新能源出力预测值、所有参与现货的火电机组总容量大小、火电必开机组总容量、火电必停机组总容量及最小技术出力比例，计算对应时刻的全网负荷率；公式表示为：