[发明专利]基于深度学习的中长期基数分解电量预测方法及系统

说明书

本发明提供了基于深度学习的中长期基数分解电量预测方法及系统，涉及深度学习技术领域，训练过程包括获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果；实现了中长期基数分解电量的高精度预测，辅助发电企业场站端操盘人员判断市场形势、合理申报预测功率。

技术领域

本发明涉及深度学习技术领域，具体涉及基于深度学习的中长期基数分解电量预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着电力市场化改革的不断深入，特别是电力现货市场改革建设加速，传统发电机组电力电量计划形成模式正在发生着根本性改变。部分地区中长期基数分解电量(简称基数电量)由于“以用定发”，因此在不同时点申报交易电量差不多的情况下，分配到的基数电量也会存在巨大差异，具有较大的不确定性。由于基数电量作为电费收益的一部分且影响现货结算收益，在基数电量难以确定的情况下，操盘员难以有效制定合理的交易策略，最终影响风电场交易收益。由于日前市场无法获取基数电量对应的用电计划，因此发电侧的基数电量预测具有较大的难度，传统的预测方法难以有效解决。

发明内容

本发明为了解决上述问题，提出了基于深度学习的中长期基数分解电量预测方法及系统，采用深度学习方法实现中长期基数分解电量的高精度预测，建立中长期基数分解电量的预测模型，以获取有较高精度的基数分解电量预测结果。

根据一些实施例，本发明采用如下技术方案：

基于深度学习的中长期基数分解电量预测方法，训练步骤包括：

获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；

将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；

构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。

进一步的，影响指标包括申报交易电量、新能源出力预测、水电出力预测、地区统调负荷预测、重要线路可用容量、燃料价格波动。

进一步的，所述预处理的步骤包括数据拼接、数据缺失值处理、数据异常值处理、指标数据归一化、数据排列以及时间序列特定格式化处理。

进一步的，对预处理的数据按照需求进行划分为训练集、验证集以及测试集。

进一步的，神经网络模型包括输入层、输出层和隐藏层。

进一步的，所述隐藏层包括以relu函数为激活函数的全连接层，同时选取BatchNormalization和Dropout项组合防止模型提早出现过拟合。

根据另一些实施例，本发明采用如下技术方案：

基于深度学习的中长期基数分解电量预测系统，包括：

数据采集模块，用于获取历史交易数据，采集影响基数分解电量的指标的历史时序数据，并进行预处理；

数据处理模块，用于将指标历史时序数据整合成历史特征指标和历史基数分解电量相映射的时间序列；

模型预测模块，用于构建深度神经网络模型，将特征指标样本与对应的基数分解电量样本序列输入至深度神经网络模型中，并采用自适应动量的随机优化方法自动更新网络神经元参数，最终输出预测结果。

根据另一些实施例，本发明采用如下技术方案：