本發(fā)明屬于電力系統(tǒng)，涉及一種基于tst與lightgbm融合模型的電價預(yù)測方法及相關(guān)設(shè)備。
背景技術(shù)：
1、隨著電力市場自由化的不斷推進(jìn)，電價預(yù)測已逐漸成為電力系統(tǒng)運(yùn)行、能源交易以及風(fēng)險管理的核心技術(shù)。準(zhǔn)確的電價預(yù)測不僅有助于發(fā)電企業(yè)進(jìn)行發(fā)電計劃的優(yōu)化，還能夠為用戶提供科學(xué)的用電策略，并為市場參與者提供有力的競價決策依據(jù)。然而，電力市場價格的波動受多種復(fù)雜因素的影響，包括供需關(guān)系、可再生能源的波動性、氣象條件（如溫度和風(fēng)速）、經(jīng)濟(jì)指標(biāo)（如工業(yè)用電量）以及政策因素等。
2、傳統(tǒng)的電價預(yù)測方法主要依賴統(tǒng)計學(xué)模型和經(jīng)典的機(jī)器學(xué)習(xí)算法。例如，自回歸積分滑動平均模型（arima）常用于捕捉電價的短期時序特征，但這些模型難以有效處理非線性關(guān)系以及多變量之間的耦合影響。支持向量機(jī)（svm）和隨機(jī)森林（random?forest）等機(jī)器學(xué)習(xí)方法通過引入氣象等外部變量來提升預(yù)測性能，然而，這些方法在處理長期時間依賴時卻存在一定的局限性。近年來，深度學(xué)習(xí)技術(shù)如長短期記憶網(wǎng)絡(luò)（lstm）和門控循環(huán)單元（gru）憑借其特殊的記憶單元設(shè)計，能夠較好地建模時序數(shù)據(jù)的依賴性，但在面臨電價序列的突發(fā)變化（例如由于極端天氣引發(fā)的波動）時，往往會出現(xiàn)滯后預(yù)測的問題。與此同時，transformer模型通過其自注意力機(jī)制，在捕捉長時間依賴性方面展現(xiàn)了強(qiáng)大的能力，但該模型的計算復(fù)雜度較高，并且在處理多變量特征融合時靈活性不足。
3、現(xiàn)有技術(shù)的主要挑戰(zhàn)在于如何更有效地利用特征，尤其是如何整合時間序列的長期依賴性與多變量特征（如氣象、經(jīng)濟(jì)指標(biāo)）之間的非線性關(guān)聯(lián)，避免信息的碎片化。電價數(shù)據(jù)中往往存在一些異常波動，例如由于市場突發(fā)事件導(dǎo)致的劇烈變化，但現(xiàn)有的一些方法通常僅通過簡單的剔除或均值填充來處理這些異常數(shù)據(jù)，這不僅破壞了時序數(shù)據(jù)的連續(xù)性，也影響了模型的魯棒性。
4、此外，現(xiàn)有的預(yù)測方法往往依賴單一的模型（如時序模型或樹模型），這種局限性使得它們難以兼顧時序數(shù)據(jù)的全局依賴關(guān)系以及復(fù)雜特征的交互作用，進(jìn)而影響了預(yù)測的精度。且現(xiàn)有的融合方法大多采用固定權(quán)重來結(jié)合不同模型的輸出，無法根據(jù)數(shù)據(jù)分布的變化進(jìn)行自適應(yīng)調(diào)整，這在一定程度上限制了模型的泛化能力。
技術(shù)實(shí)現(xiàn)思路
1、為了解決現(xiàn)有技術(shù)中的問題，本發(fā)明提供了一種基于tst與lightgbm融合模型的電價預(yù)測方法及相關(guān)設(shè)備，實(shí)現(xiàn)電價的精準(zhǔn)預(yù)測。
2、為達(dá)到上述目的，本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn)：
3、第一方面，本發(fā)明提供了一種基于tst與lightgbm融合模型的電價預(yù)測方法，包括以下步驟：
4、對電力市場歷史數(shù)據(jù)進(jìn)行清洗和特征構(gòu)造，形成包含時間序列特征和多變量特征的數(shù)據(jù)集；
5、基于tst模型對數(shù)據(jù)集中為時間序列特征的數(shù)據(jù)進(jìn)行特征提取，獲得表征長期依賴關(guān)系的時序特征向量；
6、將數(shù)據(jù)集中為多變量特征的數(shù)據(jù)輸入lightgbm模型，獲得多變量特征向量；
7、將時序特征向量與多變量特征向量進(jìn)行動態(tài)加權(quán)融合，得到預(yù)測模型；采集電力市場實(shí)時數(shù)據(jù)，輸入預(yù)測模型中得到最終電價預(yù)測值。
8、優(yōu)選的，所述電力市場歷史數(shù)據(jù)包括歷史電價、時間與周期特征和外部影響因素；其中，所述外部影響因素包括氣象數(shù)據(jù)和經(jīng)濟(jì)指標(biāo)，所述氣象數(shù)據(jù)至少包含溫度、濕度及風(fēng)速，所述經(jīng)濟(jì)指標(biāo)至少包含電力供需指數(shù)及工業(yè)用電量。
9、優(yōu)選的，所述對電力市場歷史數(shù)據(jù)進(jìn)行清洗的具體方法為：采用孤立森林算法檢測歷史電價中的異常波動值，并用相鄰時段均值進(jìn)行插值替換；對時間與周期特征和外部影響因素進(jìn)行目標(biāo)編碼，生成與電價預(yù)測目標(biāo)關(guān)聯(lián)的嵌入表示。
10、優(yōu)選的，所述動態(tài)加權(quán)融合的方法為：選取電力市場歷史數(shù)據(jù)中部分?jǐn)?shù)據(jù)作為驗證集，基于驗證集計算預(yù)測模型的預(yù)測誤差；根據(jù)所述預(yù)測誤差調(diào)整時序特征向量與多變量特征向量的權(quán)重系數(shù)。
11、優(yōu)選的，還包括：根據(jù)最終電價預(yù)測值與未來實(shí)際電價值進(jìn)行比對，基于比對結(jié)果采用梯度下降法迭代優(yōu)化所述權(quán)重系數(shù)。
12、優(yōu)選的，所述基于tst模型對數(shù)據(jù)集中為時間序列特征的數(shù)據(jù)進(jìn)行特征提取，獲得表征長期依賴關(guān)系的時序特征向量的具體方法為：基于tst模型對輸入的時間序列特征的數(shù)據(jù)添加位置編碼以保留時序位置信息；通過多頭自注意力機(jī)制計算不同時間步之間的全局依賴關(guān)系；輸出包含長期依賴關(guān)系的時序特征向量。
13、優(yōu)選的，所述為多變量特征的數(shù)據(jù)在輸入lightgbm模型前，對為多變量特征的數(shù)據(jù)進(jìn)行特征選擇，根據(jù)特征重要性排序剔除重要性低于預(yù)設(shè)閾值的特征。
14、第二方面，本發(fā)明提供一種基于tst與lightgbm融合模型的電價預(yù)測系統(tǒng)，包括：
15、數(shù)據(jù)預(yù)處理模塊：用于對電力市場歷史數(shù)據(jù)進(jìn)行清洗和特征構(gòu)造，形成包含時間序列特征和多變量特征的數(shù)據(jù)集；
16、時序特征提取模塊：用于基于tst模型對數(shù)據(jù)集中為時間序列特征的數(shù)據(jù)進(jìn)行特征提取，獲得表征長期依賴關(guān)系的時序特征向量；
17、多變量特征提取模塊：用于將數(shù)據(jù)集中為多變量特征的數(shù)據(jù)輸入lightgbm模型，獲得多變量特征向量；
18、融合預(yù)測模塊：用于將時序特征向量與多變量特征向量進(jìn)行動態(tài)加權(quán)融合，得到預(yù)測模型；采集電力市場實(shí)時數(shù)據(jù)，輸入預(yù)測模型中得到最終電價預(yù)測值。
19、第三方面，本發(fā)明提供一種計算機(jī)設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)上述方法的步驟。
20、第四方面，本發(fā)明提供一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)上述方法的步驟。
21、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：
22、通過tst模型精準(zhǔn)捕捉電價序列中跨時段的全局依賴關(guān)系；通過lightgbm模型精準(zhǔn)捕捉外部變量與電價的復(fù)雜交互作用；通過tst模型與lightgbm模型的協(xié)同作用，在電價預(yù)測中實(shí)現(xiàn)了時序長期依賴性與多變量外部影響的精準(zhǔn)耦合，顯著提升了預(yù)測精度與場景適應(yīng)性；其次，通過動態(tài)加權(quán)的方式實(shí)現(xiàn)對不同情境下的電價預(yù)測做出更加準(zhǔn)確的調(diào)整，進(jìn)一步優(yōu)化預(yù)測模型的泛化能力和魯棒性，適應(yīng)不同電力市場的需求波動和外部變化。
1.一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，所述電力市場歷史數(shù)據(jù)包括歷史電價、時間與周期特征和外部影響因素；其中，所述外部影響因素包括氣象數(shù)據(jù)和經(jīng)濟(jì)指標(biāo)，所述氣象數(shù)據(jù)至少包含溫度、濕度及風(fēng)速，所述經(jīng)濟(jì)指標(biāo)至少包含電力供需指數(shù)及工業(yè)用電量。
3.根據(jù)權(quán)利要求2所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，所述對電力市場歷史數(shù)據(jù)進(jìn)行清洗的具體方法為：采用孤立森林算法檢測歷史電價中的異常波動值，并用相鄰時段均值進(jìn)行插值替換；對時間與周期特征和外部影響因素進(jìn)行目標(biāo)編碼，生成與電價預(yù)測目標(biāo)關(guān)聯(lián)的嵌入表示。
4.根據(jù)權(quán)利要求1所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，所述動態(tài)加權(quán)融合的方法為：選取電力市場歷史數(shù)據(jù)中部分?jǐn)?shù)據(jù)作為驗證集，基于驗證集計算預(yù)測模型的預(yù)測誤差；根據(jù)所述預(yù)測誤差調(diào)整時序特征向量與多變量特征向量的權(quán)重系數(shù)。
5.根據(jù)權(quán)利要求4所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，還包括：根據(jù)最終電價預(yù)測值與未來實(shí)際電價值進(jìn)行比對，基于比對結(jié)果采用梯度下降法迭代優(yōu)化所述權(quán)重系數(shù)。
6.根據(jù)權(quán)利要求1所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，所述基于tst模型對數(shù)據(jù)集中為時間序列特征的數(shù)據(jù)進(jìn)行特征提取，獲得表征長期依賴關(guān)系的時序特征向量的具體方法為：基于tst模型對輸入的時間序列特征的數(shù)據(jù)添加位置編碼以保留時序位置信息；通過多頭自注意力機(jī)制計算不同時間步之間的全局依賴關(guān)系；輸出包含長期依賴關(guān)系的時序特征向量。
7.根據(jù)權(quán)利要求1所述的一種基于tst與lightgbm融合模型的電價預(yù)測方法，其特征在于，所述為多變量特征的數(shù)據(jù)在輸入lightgbm模型前，對為多變量特征的數(shù)據(jù)進(jìn)行特征選擇，根據(jù)特征重要性排序剔除重要性低于預(yù)設(shè)閾值的特征。
8.一種基于tst與lightgbm融合模型的電價預(yù)測系統(tǒng)，其特征在于，包括：
9.一種計算機(jī)設(shè)備，包括存儲器、處理器以及存儲在所述存儲器中并可在所述處理器上運(yùn)行的計算機(jī)程序，其特征在于，所述處理器執(zhí)行所述計算機(jī)程序時實(shí)現(xiàn)如權(quán)利要求1-7任一項所述方法的步驟。
10.一種計算機(jī)可讀存儲介質(zhì)，所述計算機(jī)可讀存儲介質(zhì)存儲有計算機(jī)程序，其特征在于，所述計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-7任一項所述方法的步驟。