本申請涉及人工智能，尤其涉及一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法及預(yù)測方法。

背景技術(shù)：

1、在電力市場環(huán)境下，對電價預(yù)測問題的研究有著十分重要的現(xiàn)實意義。有效的電價預(yù)測可以向市場主體發(fā)出電力系統(tǒng)調(diào)節(jié)信號，有效調(diào)節(jié)電力系統(tǒng)平衡，建立電力系統(tǒng)的穩(wěn)定和可持續(xù)發(fā)展，其對發(fā)電側(cè)、需求側(cè)、投資者以及市場監(jiān)管機構(gòu)等各方都具有重要的影響。

2、現(xiàn)在常用的電價預(yù)測方法主要分為統(tǒng)計學(xué)方法、機器學(xué)習(xí)方法和深度學(xué)習(xí)方法。傳統(tǒng)機器學(xué)習(xí)方法需要依賴專家經(jīng)驗手動提取顯式的特征，特征選取的好壞直接影響數(shù)據(jù)表示的質(zhì)量，從而影響后續(xù)任務(wù)的性能。而通過深度學(xué)習(xí)可以自動學(xué)習(xí)特征表示，深度學(xué)習(xí)模型通過多層次的神經(jīng)網(wǎng)絡(luò)，可以從原始數(shù)據(jù)中學(xué)習(xí)到更加高級和抽象的隱式特征，自動提取有用的特征，從而避免了復(fù)雜的特征工程。而現(xiàn)有的深度學(xué)習(xí)方法在預(yù)測的準(zhǔn)確性和魯棒性上有待提高。對比學(xué)習(xí)是一種深度學(xué)習(xí)中廣泛使用的自監(jiān)督學(xué)習(xí)策略，在計算機視覺和自然語言處理中表現(xiàn)出強大的學(xué)習(xí)能力。但這些方法無法直接運用到電價預(yù)測這類時間序列任務(wù)上。

技術(shù)實現(xiàn)思路

1、本申請旨在至少在一定程度上解決相關(guān)技術(shù)中的技術(shù)問題之一。

2、為此，本申請的第一個目的在于提出一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法，以提升電價預(yù)測的準(zhǔn)確性和魯棒性。

3、本申請的第二個目的在于提出一種電力現(xiàn)貨市場日前電價預(yù)測方法。

4、本申請的第三個目的在于提出一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練裝置。

5、本申請的第四個目的在于提出一種電力現(xiàn)貨市場日前電價預(yù)測裝置。

6、本申請的第五個目的在于提出一種電子設(shè)備。

7、本申請的第六個目的在于提出一種計算機可讀存儲介質(zhì)。

8、本申請的第七個目的在于提出一種計算機程序產(chǎn)品。

9、為達上述目的，本申請第一方面實施例提出了一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法，包括：

10、獲取訓(xùn)練集數(shù)據(jù)，所述訓(xùn)練集數(shù)據(jù)包括多種影響日前電價的特征時序數(shù)據(jù)；

11、對所述訓(xùn)練集數(shù)據(jù)進行聚類處理，得到多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)；

12、從所述多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)中獲取多個時間序列樣本，并基于所述多個時間序列樣本訓(xùn)練預(yù)設(shè)模型，得到日前電價預(yù)測模型；其中，所述預(yù)設(shè)模型包括雙注意力對比學(xué)習(xí)框架和回歸模型，所述預(yù)設(shè)模型的損失函數(shù)包括對比學(xué)習(xí)損失函數(shù)和回歸損失函數(shù)。

13、為達上述目的，本申請第二方面實施例提出了一種電力現(xiàn)貨市場日前電價預(yù)測方法，其特征在于，包括：

14、獲取電力現(xiàn)貨市場日前電價預(yù)測所需的當(dāng)前數(shù)據(jù)；

15、將所述當(dāng)前數(shù)據(jù)輸入日前電價預(yù)測模型，得到電力現(xiàn)貨市場日前電價預(yù)測值；其中，所述日前電價預(yù)測模型為通過第一方面所述的電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法得到的。

16、為達上述目的，本申請第三方面實施例提出了一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練裝置，包括：

17、數(shù)據(jù)獲取模塊，用于獲取訓(xùn)練集數(shù)據(jù)，所述訓(xùn)練集數(shù)據(jù)包括多種影響日前電價的特征時序數(shù)據(jù)；

18、聚類處理模塊，用于對所述訓(xùn)練集數(shù)據(jù)進行聚類處理，得到多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)；

19、模型訓(xùn)練模塊，用于從所述多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)中獲取多個時間序列樣本，并基于所述多個時間序列樣本訓(xùn)練預(yù)設(shè)模型，得到日前電價預(yù)測模型；其中，所述預(yù)設(shè)模型包括雙注意力對比學(xué)習(xí)框架和回歸模型，所述預(yù)設(shè)模型的損失函數(shù)包括對比學(xué)習(xí)損失函數(shù)和回歸損失函數(shù)。

20、為達上述目的，本申請第四方面實施例提出了一種電力現(xiàn)貨市場日前電價預(yù)測裝置，包括：

21、特征獲取模塊，用于獲取電力現(xiàn)貨市場日前電價預(yù)測所需的當(dāng)前數(shù)據(jù)；

22、電價預(yù)測模塊，用于將所述當(dāng)前數(shù)據(jù)輸入日前電價預(yù)測模型，得到電力現(xiàn)貨市場日前電價預(yù)測值；其中，所述日前電價預(yù)測模型為通過第一方面所述的電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法得到的。

23、為達上述目的，本申請第五方面實施例提出了一種電子設(shè)備，包括：處理器，以及與所述處理器通信連接的存儲器；所述存儲器存儲計算機執(zhí)行指令；所述處理器執(zhí)行所述存儲器存儲的計算機執(zhí)行指令，以實現(xiàn)第一方面所述的方法或者第二方面所述的方法。

24、為達上述目的，本申請第六方面實施例提出了一種計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)中存儲有計算機執(zhí)行指令，所述計算機執(zhí)行指令被處理器執(zhí)行時用于實現(xiàn)第一方面所述的方法或者第二方面所述的方法。

25、為達上述目的，本申請第七方面實施例提出了一種計算機程序產(chǎn)品，包括計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)第一方面所述的方法或者第二方面所述的方法。

26、本申請?zhí)峁┑碾娏ΜF(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法及預(yù)測方法，將對比學(xué)習(xí)思想應(yīng)用于電價預(yù)測領(lǐng)域，通過雙注意力對比學(xué)習(xí)框架的兩種不同的表征方法對時間序列進行表征學(xué)習(xí)，使模型能學(xué)習(xí)到潛在的特征表示，能夠更好地在特征空間上學(xué)習(xí)到不同樣本的區(qū)分性，避免過分關(guān)注重要性較低的特征，從而達到過濾無效信息的目的；然后結(jié)合回歸模型進行電價預(yù)測。通過聚類分析，用來將樣本區(qū)分為不同價格模式，以及通過聚類分析結(jié)果區(qū)分正負(fù)樣本；結(jié)合對比損失和回歸損失，對比損失用于鼓勵模型將相似的樣本映射到特征空間中的相近位置，而回歸損失函數(shù)用于最終的電價預(yù)測；通過本發(fā)明訓(xùn)練方法得到的模型進行電價預(yù)測，提升了電價預(yù)測的準(zhǔn)確性和魯棒性。利用對比學(xué)習(xí)思想，通過深度學(xué)習(xí)自動學(xué)習(xí)特征表示，減少了人工干預(yù)，降低了模型構(gòu)建的復(fù)雜性和成本，使得模型在特征學(xué)習(xí)上更加透明和可解釋。利用傅里葉變換提取樣本數(shù)據(jù)的周期性特征，確定對比學(xué)習(xí)的分片長度，進一步提高模型預(yù)測的準(zhǔn)確性。

27、本申請附加的方面和優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本申請的實踐了解到。

技術(shù)特征：

1.一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述從所述多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)中獲取多個時間序列樣本，并基于所述多個時間序列樣本訓(xùn)練預(yù)設(shè)模型，得到日前電價預(yù)測模型；包括：

3.根據(jù)權(quán)利要求1或2所述的方法，其特征在于，所述基于所述多個時間序列樣本訓(xùn)練所述雙注意力對比學(xué)習(xí)框架和回歸模型，得到日前電價預(yù)測模型；包括：

4.根據(jù)權(quán)利要求2所述的方法，其特征在于，所述通過傅里葉變換識別所述時間序列樣本的主導(dǎo)頻率，并基于所述主導(dǎo)頻率確定時序分片長度；包括：

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對比學(xué)習(xí)損失函數(shù)通過如下公式表示：

6.根據(jù)權(quán)利要求5所述的方法，其特征在于，所述正樣本對的損失和所述誤差形成的總體損失，通過如下公式表示：

7.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述多種影響日前電價的特征時序數(shù)據(jù)包括歷史電價數(shù)據(jù)、省調(diào)披露數(shù)據(jù)、歷史氣象數(shù)據(jù)和報價數(shù)據(jù)，所述獲取訓(xùn)練集數(shù)據(jù)，包括：

8.一種電力現(xiàn)貨市場日前電價預(yù)測方法，其特征在于，包括：

9.一種電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練裝置，其特征在于，包括：

10.一種電力現(xiàn)貨市場日前電價預(yù)測裝置，其特征在于，包括：

技術(shù)總結(jié)
本申請?zhí)岢鲆环N電力現(xiàn)貨市場日前電價預(yù)測模型的訓(xùn)練方法及預(yù)測方法，其中，訓(xùn)練方法包括：獲取訓(xùn)練集數(shù)據(jù)，訓(xùn)練集數(shù)據(jù)包括多種影響日前電價的特征時序數(shù)據(jù)；對訓(xùn)練集數(shù)據(jù)進行聚類處理，得到多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)；從多個電價模式對應(yīng)的訓(xùn)練集數(shù)據(jù)中獲取多個時間序列樣本，并基于多個時間序列樣本訓(xùn)練預(yù)設(shè)模型，得到日前電價預(yù)測模型；其中，預(yù)設(shè)模型包括雙注意力對比學(xué)習(xí)框架和回歸模型，預(yù)設(shè)模型的損失函數(shù)包括對比學(xué)習(xí)損失函數(shù)和回歸損失函數(shù)；以提升電價預(yù)測的準(zhǔn)確性和魯棒性。

技術(shù)研發(fā)人員：楊雪,鐘明,安娜,王春森,黃思皖,史鑒恒,王寶岳,張慧君,薛麗,孫可欣,爨迪雅
受保護的技術(shù)使用者：中國華能集團清潔能源技術(shù)研究院有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/8