CN119539452A 一种基于时间序列深度学习的电力参数预测方法 （中能智新科技产业发展有限公司）

一种基于时间序列深度学习的电力参数预本发明提供了一种基于时间序列深度学习期时刻特征训练神经网络初始模型获得电力参用统计学分别获得最大概率数值区间和数值均值，有助于电力市场参与者更好地制定交易策2基于所述单位时长和所述目标市场获取所述预设时段的历史披采用特征选择工程，根据所述历史电力参数值集和所述历史气象数据象数据集和历史电力参数值集预测所述目标市场上所述目标时段的未述历史日期时刻特征集和所述历史电力参数值集训练所述神经网络初始模型获得电力参获取所述目标时段的披露数据集、日期时刻特征集和关键所述日期时刻特征集获得所述目标时段的电力参数预测获取电力参数值的单位数值区间；基于所述单位数值区间和所述历史电力参数值集，根据所述最大概率数值区间和所述数值均值修正所述电力参数预测值集获得电力参于所述单位时长和所述目标市场获取所述预设时段的历史披对所述标准披露数据集分别进行缺失值和异常值处理获得所述历史披露数于所述单位时长和所述目标市场获取所述预设时段的历史气对所述初始气象数据集分别进行缺失值和异常值处理获得中间气象数3述第一时长与所述第二时长中时长短者不小于所述10.根据权利要求1所述的基于时间序列深度学习的电力参数预测方法，其特征在于：根据所述最大概率数值区间和所述数值均值修正所述电力参数预测值集获得电力参数修;45史气象数据集和历史电力参数值集预测所述目标市场上所述目标时集和所述日期时刻特征集获得所述目标时段的电力参数预测根据所述最大概率数值区间和所述数值均值修正所述电力参数预测值集获得电对所述初始气象数据集分别进行缺失值和异常值处理获得中间气象数[0014]在其中一些实施例中，所述神经网络初始模型的核心组件为LSTM、GRU或6;图7为本发明算例中第一目标日电力参数预测值、电力参数修正值与电力参数真图8为本发明算例中中第二目标日电力参数预测值、电力参数修正值与电力参数7基于单位时长和目标市场获取预设时段的历史披露数据对初始气象数据集分别进行缺失值和异常值处理获得中间气象数第一时长与第二时长中时长短者不小于单位时长，将第一时长作为单位时长时，8为解决各数据在不同数值之间的跳跃问题，采用正弦和余弦函数对其进行转换，;;;弦特征，d_cos为每月具体日期余弦特征，d_sin为星期正弦特征，d_cos为星期余弦特;9刻特征集和历史电力参数值集训练神经网络数等超参数。通过验证集不断评估神经网络初始模型性能，计算均方误差（MSE并根据;按照每100元/MWh进行分段，获得同一单位时长每个单位数值区间内的历史电力参数值数;式中，Rseg:为第t个单位时长内历史电力参数值在第i个单位数值区间j为第t个单位时长内在第i个单位数值区间内的历史电力参数值的序号，m为第t个单位根据最大概率数值区间seg,"计算数值均值price_mean"：K为第t个单位时长内在最大概率数值区间seg,"内的历史电力参数值的总数量；根据最大概率数值区间和数值均值修正电力参数预测值集获得电力参数修正值;对目标市场的初始气象数据进行采集，以天为单元以每1个小时为单位进行采集每周期内进行20种参数组合训练，通过验证集验证筛选均方误差最小的模型最为最优模范围的限制，本领域的普通技术人员对本发明的技术方案进行的简单修改或者等同替换，