[发明专利]一种节点电价的预测方法及装置

说明书

本发明公开了一种节点电价的预测方法及装置，根据待预测电力系统的拓扑结构建立对应的图模型数据；获取拓扑结构中每个电力设备的历史特征值数据；以图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN‑GRU模型，确定每个电力设备的节点电价；本发明通过图卷积神经网络和门控循环神经网络构建GCN‑GRU模型，并通过GCN‑GRU模型对每个电力设备的节点电价进行预测，融合了电力设备的空间结构数据和时间序列数据，提升了节点电价的预测精度。

技术领域

本发明属于节点电价预测技术领域，尤其涉及一种节点电价的预测方法及装置。

背景技术

电价是电力市场的核心和杠杆，是电力市场中传递供求变化最敏感的信号，合理的电价机制可以优化社会资源的配置，促进电力成本的合理补偿和用户费用的合理分摊，进而促进电力行业的发展。节点实时电价有着实现全社会效益最优的丰富的经济学信息，电价随时间变化，反映的是负荷需求的不断变化；同时电价随节点位置变化，反映的是网损和传输拥挤的影响。采用节点电价法不仅可以得到计及输电阻塞的发电计划，而且求出的节点电价也为阻塞费用的分摊、网损成本的分摊提供了依据。

电力市场中电能的价格采用实时的节点电价，能够反映电能在系统中不同地理位置的母线在不同时刻的价值，反映电力资源的稀缺程度，为电力的生产者、消费者、投资者和管理者提供电价信号，提高电力资源的使用效率，优化电力资源的配置，促进电力市场稳定发展。因此，电能量市场中采用节点电价体制具有非常重要意义。

目前，在针对节点电价预测的研究中，伴随着大数据技术日渐成熟，数据分析挖掘预测方法成为主要研究方向，绝大多数的数据挖掘方法是机器学习和深度学习方法，但是这些方法中，很多都是针对系统中单独一个节点的节点电价进行预测，这样的做法仅仅考虑了节点电价时间维度上的特征，忽略了节点电价空间维度上的特征，进而会导致预测的节点电价准确度降低。

发明内容

本发明的目的是提供一种节点电价的预测方法及装置，以同时从时间维度和空间维度进行节点电价的预测，提升节点电价的预测精度。

本发明采用以下技术方案：一种节点电价的预测方法，包括以下步骤：

根据待预测电力系统的拓扑结构建立对应的图模型数据；

获取拓扑结构中每个电力设备的历史特征值数据；

以图模型数据和每个电力设备的历史特征值数据作为输入信息，基于GCN-GRU模型，确定每个电力设备的节点电价；其中，GCN-GRU模型包括输入层、时空处理层和输出层；时空处理层包括依次连接的图卷积神经网络和门控循环神经网络。

进一步地，GCN-GRU模型参数通过训练数据集训练得到；

训练GCN-GRU模型包括：

采用训练数据集优化GCN-GRU模型的模型参数；训练数据集包括每个电力设备的历史特征值数据、待预测电力系统的拓扑结构对应的图模型数据和每个电力设备节点电价。

进一步地，图卷积神经网络的层数为两层。

进一步地，根据待预测电力系统的拓扑结构建立对应的图模型数据包括：

以拓扑结构中的电力设备构建图模型数据中的节点；

以两个电力设备的输电线路作为构建图模型数据中的边。

进一步地，以图模型数据和每个电力设备的历史特征值数据作为输入信息包括：

以图模型数据中的邻接矩阵或拉普拉斯矩阵作为输入信息。

进一步地，时空处理层对输入数据处理包括：

依次采用两层图卷积神经网络对输入信息进行处理，得到每个电力设备的单一时刻的空间部分特征；