[发明专利]基于日前电价分级预测模型的发电系统控制方法及系统

权利要求书

1.一种基于日前电价分级预测模型的发电系统控制方法，其特征在于，包括以下步骤：

获取发电系统的特征数据,所述特征数据包括历史气象数据、新能源参与出清的发电量、预测日类型信息、预测日系统信息、预测日前一日的电价信息、预测日前两日的电价信息；

获取预先构建的机器学习模型和深度学习模型，分别对所述特征数据进行归一化预处理和相似日法预处理；

将归一化预处理后的训练样本数据输入至所述机器学习模型进行训练，获得训练完成的机器学习电价预测模型，并将相似日数据，以及预测日前一日的电价信息和负荷信息输入至所述深度学习模型进行训练，获得训练完成的深度学习电价预测模型；

获取预测日特征数据，并将所述预测日特征数据分别输入至所述机器学习电价预测模型和所述深度学习电价预测模型，获得两组预测日日前电价；

计算所述两组预测日日前电价与实际日前出清数据的差值，基于所述差值通过梯度提升决策树GBDT算法计算每个预测模型对应的融合权重；

根据所述融合权重构建融合模型，并根据所述融合模型构建分级预测模型，所述分级预测模型的第一层由所述机器学习电价预测模型和所述深度学习电价预测模型组成，所述分级预测模型的第二层由所述融合模型构成；

通过所述目标分级预测模型获取目标预测日日前电价，并根据所述目标预测日日前电价对所述发电系统的运行参数进行调节。

2.根据权利要求1所述的控制方法，其特征在于，对所述特征数据进行相似日法预处理，包括：

建立t+1时刻电价线性回归模型，基于所述t+1时刻电价线性回归模型确定并保存对t+1时刻电价的影响超过阈值的变量；

将所述线性回归模型回归系数作为权重，根据所述变量计算预测日t+1时刻与多个相似日相同时刻对应的变量的欧氏距离；

对每个所述相似日的欧式距离进行排序，根据排序结果选择预设数量个相似日，获取所述相似日数据。

3.根据权利要求2所述的控制方法，其特征在于，所述t+1时刻电价线性回归模型如以下公式所示：

P_t+1＝ω₀+ω₁L_t+ω₂P_t+ω₃L_t-1+ω₄P_t-1+ω₅T_t+1+ω₆F

其中，P_t-1是t-1时刻日前电价，L_t是t时刻直调负荷，P_t是t时刻日前电价，L_t-1是t-1时刻直调负荷，T_t+1是t+1时刻的温度，F是预测日节假日类型，ω₀是常量，ω₁至ω₆是不同的变量权重。

4.根据权利要求3所述的控制方法，其特征在于，通过以下公式计算所述欧氏距离：

其中，ΔL_t是预测日与相似日在t时刻直调负荷的差，ΔL_t-1是预测日与相似日t-1时刻直调负荷的差；ΔP_t是预测日与相似日在t时刻日前电价的差，ΔP_t-1是预测日与相似日在t-1时刻日前电价的差，ΔT_t+1是预测日与相似日在t+1时刻的温差，ΔF表示预测日与相似日间的节假日区别。

5.根据权利要求1所述的控制方法，其特征在于，所述将归一化预处理后的训练样本数据输入至所述机器学习模型进行训练，包括：

通过预设数量个分类回归树函数相加构成集成树模型以预测目标值；

构建机器学习的目标函数，通过最小化目标函数训练所述机器学习模型；

对所述机器学习模型输出的电价数据进行反归一化处理。