CN110826803A - 一种电力现货市场的电价预测方法及装置 - Google Patents

一种电力现货市场的电价预测方法及装置 Download PDF

Info

Publication number
CN110826803A
CN110826803A CN201911075375.3A CN201911075375A CN110826803A CN 110826803 A CN110826803 A CN 110826803A CN 201911075375 A CN201911075375 A CN 201911075375A CN 110826803 A CN110826803 A CN 110826803A
Authority
CN
China
Prior art keywords
electricity price
prediction
data sequence
price data
subsequences
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911075375.3A
Other languages
English (en)
Inventor
卢恩
王宣定
梁志远
王宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Electric Power Trading Center LLC
Original Assignee
Guangdong Electric Power Trading Center LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong Electric Power Trading Center LLC filed Critical Guangdong Electric Power Trading Center LLC
Priority to CN201911075375.3A priority Critical patent/CN110826803A/zh
Publication of CN110826803A publication Critical patent/CN110826803A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Finance (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Accounting & Taxation (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Data Mining & Analysis (AREA)
  • Operations Research (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例提供一种电力现货市场的电价预测方法、装置、终端设备以及存储介质，所述方法包括：获取一定时间范围内的历史电价数据，形成历史电价数据序列；对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；将所述不同频率的子序列分成训练集和预测集；利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。本发明实施例能够提高电力现货市场下电价预测的精度。

Description

一种电力现货市场的电价预测方法及装置
技术领域
本发明涉及电力技术领域，尤其涉及一种电力现货市场的电价预测方法、装置、终端设备及存储介质。
背景技术
电力现货市场能充分反映出边际发电成本和电力供需，从而更好地凸显电力价格信号。然而现有的电价预测方法主要包括回归模型、神经网络预测、时间序列、小波分析预测及灰色预测等单一或组合算法，其用于电力现货市场的价格预测精度及算法稳定性都较差。
南方(以广东起步)电力现货市场即将进入试运行，这是全国首个投入试运行的电力现货市场，迫切需要提出一种预测算法稳定性和预测精度均适用于电力现货市场的价格预测方法。
发明内容
本发明的目的在提供一种适用于电力现货市场的电价预测方法、装置终端设备及存储介质，能够提高电力现货市场的电价预测的精确度。
为了解决上述技术问题，本发明实施例提供一种电力现货市场的电价预测方法，包括：
获取一定时间范围内的历史电价数据，形成历史电价数据序列；
对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；，
将所述不同频率的子序列分成训练集和预测集；
利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；
对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。
进一步地，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；
根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。
进一步地，所述设定的尺度为3、4、5、6或7尺度。
进一步地，所述利用训练集训练CNN模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练CNN模型。
本发明实施例还提供一种电力现货市场的电价预测装置，包括：
获取模块，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列；
归一化模块，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列；
小波分解模块，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列；，
分类模块，用于将所述不同频率的子序列分成训练集和预测集；
训练模块，用于利用所述训练集训练CNN模型；
电价预测模块，用于将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；
小波重构模块，用于对所述预测数据进行小波重构，得到重构的预测数据；
反归一化模块，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。
进一步地，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；
根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。
进一步地，所述设定的尺度为3、4、5、6或7尺度。
进一步地，所述利用训练集训练CNN模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练CNN模型。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述的电力现货市场的电价预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的电力现货市场的电价预测方法。
本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。
此外，还通过依靠CNN(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。
附图说明
图1为本发明实施例提供的电力现货市场的电价预测方法的流程图；
图2为3尺度的小波分解的示意图；
图3为典型7层卷积神经网络结构示意图；
图4为PJM市场2000年08-09月电价预测MAPE图；
图5为本发明实施例提供的电力现货市场的电价预测装置结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明实施例提供一种电力现货市场的电价预测方法，包括：
S100、获取一定时间范围内的历史电价数据，形成历史电价数据序列。
S101、对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列。
其中，所述对所述历史电价数据序列进行归一化，具体的，将所述历史电价数据归一化到0～1之间。
所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
可以采用3尺度、4尺度、5尺度、6尺度或7尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号An和若干个高频的细节信号Dn；
根据所述一个低频的近似信号An和所述若干个高频的细节信号Dn划分不同频率的子序列。
所述3尺度的小波分解的示意图如图2所示，
其中，P(n)＝A3(n)+D3(n)+D2(n)+D1(n)。
S102、将所述不同频率的子序列分成训练集和预测集。
S103、利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据。
其中，在利用训练集训练CNN模型之前，还需要构建CNN模型。CNN(卷积神经网络)模型是一种深度学习模型，采用的是有监督的学习机制，这使得它能适应大部分的问题，尤其是在对局部特征进行挖掘和对全局训练特征进行提取方面有强大的优越性。它是从输入到输出的一种映射，不需要精确的表达式，只需要有对应的输入与输出就可以映射出对应关系。开始训练前对参数采用的是随机初始化的方法，保证要尽量小以免进入饱和状态，同时随机赋值也是为了使网络具备学习能力，与其他深度学习算法相比，卷积神经网络不需要复杂的数据预处理过程，性能更高。其结构如图3所示。
在CNN模型构建后，利用训练集中的样本数据，并采用误差反向传输算法分别训练对应的CNN模型。
在所述CNN模型训练好后，利用预测集中的电价数据作为输入数据，将其输入到经过训练后的CNN模型中获得预测电价。
S104、对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。
在本发明实施例中，所述对预测数据进行小波重构，具体的，将步骤S2所述不同频率的子序列重构成在小波分解前的序列数据。
其中，3尺度的子序列数据，重构后的序列数据采用的表达式如下：
P(n)＝A3(n)+D3(n)+D2(n)+D1(n)
在通过小波重构获得小波分解前的序列数据后，将步骤S4所述的预测数据进行反归一化处理，得到起实际电价预测序列。
由于历史电价数据序列中含有较强的非线性特征，具体表现为序列波形中的尖峰或者剧烈振荡，而这些特征是影响预测精度的重要原因。
本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。
此外，还通过依靠CNN(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。
为了验证本发明实施例的效果，本发明实施例本取PJM市场的2000年06月-07月作为输入数据样本，对8月和9月电价数据进行滚动预测。
请参阅图4，图4为PJM市场2000年08-09月电价预测的MAPE图。从图4可以看出本方法的MAPE曲线更接近于0曲线，且本发明实施例、支持向量机(SVM)、BP神经网络方法(BPNN)、小波变换与深度置信网络(WT+DBN)及小波分解与支持向量机组合法(WD+SVM)预测方法分别得到的平均绝对百分比误差(MAPE)的均值为0.0505、0.2201、0.1708、0.0789、0.0865及0.05685，可见，本电价预测方法MAPE的均值最小，即验证了本发明实施例提供的一种电力现货市场的电价预测方法能够提高电力现货市场的电价预测的精确度。
本发明实施例还提供一种电力现货市场的电价预测装置，包括：
获取模块1，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列。
归一化模块2，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列。
小波分解模块3，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列。
其中，所述对所述历史电价数据序列进行归一化，具体的，将所述历史电价数据归一化到0～1之间。
所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
可以采用3尺度、4尺度、5尺度、6尺度或7尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；
根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。
所述3尺度的小波分解的示意图如图2所示，
其中，P(n)＝A3(n)+D3(n)+D2(n)+D1(n)。
分类模块4，用于将所述不同频率的子序列分成训练集和预测集。
电价预测模块5，用于将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据。
其中，在利用训练集训练CNN模型之前，还需要构建CNN模型。CNN(卷积神经网络)模型是一种深度学习模型，采用的是有监督的学习机制，这使得它能适应大部分的问题，尤其是在对局部特征进行挖掘和对全局训练特征进行提取方面有强大的优越性。它是从输入到输出的一种映射，不需要精确的表达式，只需要有对应的输入与输出就可以映射出对应关系。开始训练前对参数采用的是随机初始化的方法，保证要尽量小以免进入饱和状态，同时随机赋值也是为了使网络具备学习能力，与其他深度学习算法相比，卷积神经网络不需要复杂的数据预处理过程，性能更高。其结构如图3所示。
在CNN模型构建后，利用训练集中的样本数据，并采用误差反向传输算法分别训练对应的CNN模型。
在所述CNN模型训练好后，利用预测集中的电价数据作为输入数据，将其输入到经过训练后的CNN模型中获得预测电价。
小波重构模块6，用于对所述预测数据进行小波重构，得到重构的预测数据；
反归一化模块7，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。
在本发明实施例中，所述对预测数据进行小波重构，具体的，将通过小波重构模块分解得到的不同频率的子序列重构成在小波分解前的序列数据。
其中，3尺度的子序列数据，重构后的序列数据采用的表达式如下：
P(n)＝A3(n)+D3(n)+D2(n)+D1(n)
在通过小波重构获得小波分解前的序列数据后，将电价预测模块5获得的预测数据进行反归一化处理，得到起实际电价预测序列。
由于历史电价数据序列中含有较强的非线性特征，具体表现为序列波形中的尖峰或者剧烈振荡，而这些特征是影响预测精度的重要原因。
本发明实施例通过将历史电价数据序列分解成不同频率的子序列，使得每一个子序列的信号相对于历史电价数据序列而言其特征将更容易被提取，因而使得电价预测的精确度更高。
此外，还通过依靠CNN(卷积神经网络)容差和容差能力强的特点，减小了历史价格数据序列的不确定性，同时还降低了历史价格数据序列的负面特性对预测精度的干扰，从而能够提高预测电价的精确度。
为了验证本发明实施例的效果，本发明实施例本取PJM市场的2000年06月-07月作为输入数据样本，对8月和9月电价数据进行滚动预测。
请参阅图4，图4为PJM市场2000年08-09月的MAPE图。从图4可以看出本方法的MAPE曲线更接近于0曲线，且本发明实施例、支持向量机(SVM)、BP神经网络方法(BPNN)、小波变换与深度置信网络(WT+DBN)及小波分解与支持向量机组合法(WD+SVM)预测方法分别得到的平均绝对百分比误差(MAPE)的均值为0.0505、0.2201、0.1708、0.0789、0.0865及0.05685，可见，本电价预测方法MAPE的均值最小，即验证了本发明实施例提供的一种电力现货市场的电价预测装置能够提高电力现货市场的电价预测的精确度。
本发明实施例还提供一种终端设备，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现上述所述的电力现货市场的电价预测方法。
本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述所述的电力现货市场的电价预测方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种电力现货市场的电价预测方法，其特征在于，包括：
获取一定时间范围内的历史电价数据，形成历史电价数据序列；
对所述历史电价数据序列进行归一化，并采用设定的尺度对归一化后的历史电价数据序列进行小波分解，分解成不同频率的子序列；
将所述不同频率的子序列分成训练集和预测集；
利用所述训练集训练CNN模型，并将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；
对所述预测数据进行小波重构和反归一化处理，输出实际电价预测序列。
2.根据权利要求1所述的电力现货市场的电价预测方法，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；
根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。
3.根据权利要求1或2所述的电力现货市场的电价预测方法，其特征在于，所述设定的尺度为3、4、5、6或7尺度。
4.根据权利要求3所述的电力现货市场的电价预测方法，其特征在于，所述利用训练集训练CNN模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练CNN模型。
5.一种电力现货市场的电价预测装置，其特征在于，包括：
获取模块，用于获取一定时间范围内的历史电价数据，并形成历史电价数据序列；
归一化模块，用于对所述历史电价数据序列进行归一化，获得归一化的历史电价数据序列；
小波分解模块，用于采用设定的尺度对归一化的历史电价数据序列进行小波分解，分解成不同频率的子序列；，
分类模块，用于将所述不同频率的子序列分成训练集和预测集；
训练模块，用于利用所述训练集训练CNN模型；
电价预测模块，用于将所述预测集传输到训练后的CNN模型中进行电价预测，得到预测数据；
小波重构模块，用于对所述预测数据进行小波重构，得到重构的预测数据；
反归一化模块，用于对所述重构的预测数据进行反归一化处理，输出实际电价预测序列。
6.根据权利要求5所述电力现货市场的电价预测装置，其特征在于，所述采用设定的尺度对归一化后的历史电价数据序列进行小波分解，解成不同频率的子序列，具体的，
采用设定的尺度对所述归一化后的历史电价数据序列进行小波分解，分解成一个低频的近似信号和若干个高频的细节信号；
根据所述一个低频的近似信号和所述若干个高频的细节信号划分不同频率的子序列。
7.根据权利要求5或6所述的电力现货市场的电价预测方法，其特征在于，所述设定的尺度为3、4、5、6或7尺度。
8.根据权利要求7所述的电力现货市场的电价预测方法，其特征在于，所述利用训练集训练CNN模型，具体的，利用训练集中的样本数据，采用误差反向传输算法训练CNN模型。
9.一种终端设备，其特征在于，包括处理器、存储器以及存储在所述存储器中且被配置为由所述处理器执行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1-4任一项所述的电力现货市场的电价预测方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-4任一项所述的电力现货市场的电价预测方法。
CN201911075375.3A 2019-11-06 2019-11-06 一种电力现货市场的电价预测方法及装置 Pending CN110826803A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911075375.3A CN110826803A (zh) 2019-11-06 2019-11-06 一种电力现货市场的电价预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911075375.3A CN110826803A (zh) 2019-11-06 2019-11-06 一种电力现货市场的电价预测方法及装置

Publications (1)

Publication Number Publication Date
CN110826803A true CN110826803A (zh) 2020-02-21

Family

ID=69552842

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911075375.3A Pending CN110826803A (zh) 2019-11-06 2019-11-06 一种电力现货市场的电价预测方法及装置

Country Status (1)

Country Link
CN (1) CN110826803A (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401620A (zh) * 2020-03-10 2020-07-10 北京泓慧国际能源技术发展有限公司 一种现货电价预测方法及装置
CN111738555A (zh) * 2020-07-08 2020-10-02 国网河北省电力有限公司石家庄市藁城区供电分公司 一种基于现货电价的农网规划方法
CN111951121A (zh) * 2020-07-20 2020-11-17 广东电力交易中心有限责任公司 电力现货市场报价模式分类方法、装置及存储介质
CN112100913A (zh) * 2020-09-08 2020-12-18 中国电力科学研究院有限公司 一种数据驱动的出清电价边界模拟方法、***及存储介质
CN112308335A (zh) * 2020-11-12 2021-02-02 南方电网能源发展研究院有限责任公司 一种基于xgboost算法的短期电价预测方法及装置
CN112669065A (zh) * 2020-12-24 2021-04-16 润联软件***(深圳)有限公司 一种快消品需求预测方法、装置、计算机设备及存储介质
CN113095604A (zh) * 2021-06-09 2021-07-09 平安科技（深圳）有限公司 产品数据的融合方法、装置、设备及存储介质
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN108537359A (zh) * 2018-02-28 2018-09-14 北京信息科技大学 基于小波分析和bp神经网络的光伏发电功率预测
CN109711609A (zh) * 2018-12-15 2019-05-03 福州大学 基于小波变换和极限学习机的光伏电站输出功率预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103729687A (zh) * 2013-12-18 2014-04-16 国网山西省电力公司晋中供电公司 基于小波变换和神经网络的电价预测方法
CN108537359A (zh) * 2018-02-28 2018-09-14 北京信息科技大学 基于小波分析和bp神经网络的光伏发电功率预测
CN109711609A (zh) * 2018-12-15 2019-05-03 福州大学 基于小波变换和极限学习机的光伏电站输出功率预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
易海燕: "基于小波分解和卷积神经网络的光伏发电功率预测方法", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401620A (zh) * 2020-03-10 2020-07-10 北京泓慧国际能源技术发展有限公司 一种现货电价预测方法及装置
CN111738555A (zh) * 2020-07-08 2020-10-02 国网河北省电力有限公司石家庄市藁城区供电分公司 一种基于现货电价的农网规划方法
CN111951121A (zh) * 2020-07-20 2020-11-17 广东电力交易中心有限责任公司 电力现货市场报价模式分类方法、装置及存储介质
CN112100913A (zh) * 2020-09-08 2020-12-18 中国电力科学研究院有限公司 一种数据驱动的出清电价边界模拟方法、***及存储介质
CN112308335A (zh) * 2020-11-12 2021-02-02 南方电网能源发展研究院有限责任公司 一种基于xgboost算法的短期电价预测方法及装置
CN112669065A (zh) * 2020-12-24 2021-04-16 润联软件***(深圳)有限公司 一种快消品需求预测方法、装置、计算机设备及存储介质
CN112669065B (zh) * 2020-12-24 2022-05-03 润联软件***(深圳)有限公司 一种快消品需求预测方法、装置、计算机设备及存储介质
CN113095604A (zh) * 2021-06-09 2021-07-09 平安科技（深圳）有限公司 产品数据的融合方法、装置、设备及存储介质
CN117635245A (zh) * 2023-11-30 2024-03-01 广东电力交易中心有限责任公司 基于多层次频域分解和ibmh优化delm的电价预测方法和***

Similar Documents

Publication Publication Date Title
CN110826803A (zh) 一种电力现货市场的电价预测方法及装置
CN110926782B (zh) 断路器故障类型判断方法、装置、电子设备及存储介质
Lin et al. Elimination of end effects in empirical mode decomposition by mirror image coupled with support vector regression
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111382906B (zh) 一种电力负荷预测方法、***、设备和计算机可读存储介质
CN113657661A (zh) 一种企业碳排放预测方法、装置、计算机设备和存储介质
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN112257928A (zh) 一种基于cnn和分位数回归的短期电力负荷概率预测方法
CN113284001B (zh) 用电量预测方法、装置、计算机设备和存储介质
CN116822374A (zh) 一种风速多步预测方法、装置、计算机设备和存储介质
Liu et al. A novel dual-attention optimization model for points classification of power quality disturbances
CN117054803A (zh) 一种含分布式光伏配电网接地故障辨识方法及***
Li et al. Short-term wind power prediction based on modal reconstruction and CNN-BiLSTM
Fu et al. PQEventCog: Classification of power quality disturbances based on optimized S-transform and CNNs with noisy labeled datasets
CN115796231B (zh) 一种时态分析的超短期风速预测方法
Wang et al. An Automatic Identification Framework for Complex Power Quality Disturbances Based on Ensemble CNN
Chen et al. Chaotic wind speed series forecasting based on wavelet packet decomposition and support vector regression
Xu et al. NWP feature selection and GCN-based ultra-short-term wind farm cluster power forecasting method
CN115358314A (zh) 风电功率预测模型的训练和功率预测的方法、装置和设备
CN112668770B (zh) 一种基于信息与波形总体相似度的电力负荷预测方法
Liu et al. Enhancing short-term wind power forecasting accuracy for reliable and safe integration into power systems: A gray relational analysis and optimized support vector regression machine approach
Ban et al. The univariate model for long-term wind speed forecasting based on wavelet soft threshold denoising and improved Autoformer
CN114740815A (zh) 基于神经网络的客车故障诊断方法、装置和电子设备
CN113033094A (zh) 一种海浪高度预测方法
CN112183848A (zh) 基于dwt-svqr集成的电力负荷概率预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221

RJ01 Rejection of invention patent application after publication