CN119515453A 基于人工智能的电力现货市场价格预测方法及系统 （北京如实智慧电力科技有限公司）

基于人工智能的电力现货市场价格预测方本发明提供一种基于人工智能的电力现货术领域，包括基于历史交易数据和外部关联数用图注意力网络构建双向反馈神经网络提取市算法生成分层预警信号构建动态市场行为特征2获取电力现货市场的历史交易数据和外部关联数据，基于所根据所述市场特征融合序列构建基于图注意力网络的双向反馈神将所述优化特征图谱输入预测模型组，所述预测模型组包括多据构建价格影响因子动态权重评估模型，通过深度强化学习优化的自适应模糊推理系统，将所述历史交易数据中的实际负荷数据除以最大负荷容量数据计算得到负荷率数据；将所述历史交易数据中的当前时刻价格减去上一时刻价格后除以上一时刻价格计算得到将所述负荷率模糊变量、所述价格变化率模糊变量和所述温度模糊变量作为输入变将所述负荷率模糊变量、所述价格变化率模糊变量和所述温度模将所述模糊规则库输出的预测价格与实际价格的误差值，以及所所述状态向量通过所述深度强化学习模型输出所基于所述动作向量更新所述模糊规则库中每条模糊规则的模糊规3基于正交小波基函数通过正交镜像变换关系构建初始低频滤波器将输入数据序列作为零尺度系数序列，对所述零尺度系数序列分根据期望输出序列与实际输出序列的差值计算当前误差，将所述将各个尺度下的能量值除以所有尺度能量值的总和，计算各尺度的构建具有残差连接的多层图注意力正向预测通道，每构建对抗性反向验证通道，将所述正向预测特征矩阵输入判别器基于动态学习率，根据特征表示的收敛状态自适应调4基于市场交易特征中的交易量变化率和价格变化率，构建第基于所述训练样本集中的价格波动特征，构建微观基础分类器和微将所述第一层级基本预警特征、买卖价差和成交频率通过特征基于交易数据构建交易网络拓扑图，计算交易网络中节点连接度和节点路径中介度，将所述网络结构特征与所述第一层级预警概率向量通过特征拼接，形成结构特征矩将所述第二层级基本预警特征与所述网络结构特征通过特征融将市场交易特征、所述第一层级预警概率向量和所述第二层级预警将所述第三层级基本预警特征、所述第一层级预警概率向量和述风险累积特征矩阵输入风险累积分类器和风险扩散分类器，获取第三层级预警概率向将所述第一层级预警概率向量、所述第二层级预警概率向量和将优化特征图谱输入由长短期记忆网络、变换器网络和动态图神经网于所述特征相关性矩阵生成特征注意力权重，将所述特征注意力权重与各特征进行加权，5将当前的市场状态向量输入循环神经网络结构的特征融合控制器对所述动态融合特征设置不同长度的时间窗口，在不同时间窗口内进行时序池化操将所述市场熵值输入指数函数，映射得到价格约束松弛因子，将所价格变化率约束阈值；构建包含时序平滑约束项和供需平衡约束项的智能出清约束模型，获取当前的市场状态特征，输入所述误差补偿模型，通过蒙特卡洛8.基于人工智能的电力现货市场价格预测系统，用于实现前述权利要求1_7中任一项第一单元，用于获取电力现货市场的历史交易数据和外部第二单元，用于根据所述市场特征融合序列构建基6第三单元，用于将所述优化特征图谱输入预测模型组，所述其中，所述处理器被配置为调用所述存储器存储的指令，以执行程序指令被处理器执行时实现权利要求1至7中任意7[0003]然而现有技术主要存在以下不足，大多数预测方法仅关反向验证通道生成特征修正参数；基于所述市场交易特征构建多层级价格波动预警模块，8基于贝叶斯深度学习的误差补偿模型，通过概率分布函数计算历史预测误差的分布特征，基于所述历史交易数据和所述外部关联数据构建价格影响因子动态权重评估模将所述历史交易数据中的实际负荷数据除以最大负荷容量数据计算得到负荷率每条模糊规则的模糊规则权重对应的变化量组合构建奖励函数，构建深度强化学习模型，基于所述状态向量通过所述深度强化学习模型输9输入数据序列进行乘积运算生成误差梯度向量；将所述误差梯度向量乘以预设的步长因主体的长短期时序依赖关系，通过所述空间注意力分支建模交易主体之间的动态关联模基于动态学习率，根据特征表示的收敛状态自适应调整特征修正参数的更新步基于所述训练样本集中的价格波动特征，构建微观基础分类器和微观辅助分类述时变邻接矩阵与所述数值矩阵的乘积运算得到基于贝叶斯深度学习的误差补偿模型，通过概率分布函数计算历史预测误差的分布特征，到价格约束范围的上限阈值和下限阈值；将所述市场流动性指标与预设的调节系数相乘，[0020]图1为本发明实施例基于人工智能的电力现货市场价格预测方法的流程示意图，S101.获取电力现货市场的历史交易数据和外部关联数据，基于所述历史交易数[0021]S102.根据所述市场特征融合序列构建基于图注意力网络的双向反馈神经网络，[0025]S103.将所述优化特征图谱输入预测模通过这些约束条件的校正得到更符合实际的预将所述历史交易数据中的实际负荷数据除以最大负荷容量数据计算得到负荷率每条模糊规则的模糊规则权重对应的变化量组合构建奖励函数，构建深度强化学习模型，基于所述状态向量通过所述深度强化学习模型输荷容量为1000MW，则负荷率为0.8。再将当前时刻价格减去上一时刻价格后除以上一时刻励函数可以设置为预测价格与实际价格的误差的负数加上模糊规则权重变化量的平方和成下一尺度的尺度系数序列和小波系数序列；输入数据序列进行乘积运算生成误差梯度向量；将所述误差梯度向量乘以预设的步长因[0040]在一种具体实施方式中，首先，选择一个紧支对称的母小波函数。例如，选择与输入数据序列进行乘积运算生成误差梯度向量。将误差梯度向量乘以预设的步长因子（例如，步长因子设置为0.1对初始低频滤波器系数和初始高频滤波器系数进行迭代更将第一尺度、第二尺度和第三尺度的能量占比按照顺序排列，形成特征波动序列，例如过所述双向反馈神经网络的反向验证通道生成特征修主体的长短期时序依赖关系，通过所述空间注意力分支建模交易主体之间的动态关联模基于动态学习率，根据特征表示的收敛状态自适应调整特征修正参数的更新步经过归一化处理后，这些数据将转换为更小的数值范[0058]在一种可选的实施方式中，基于所述市场交易特征构建多层级价格波动预警模基于所述训练样本集中的价格波动特征，构建微观基础分类器和微观辅助分类[0065]所述节点连接度具体是指节点连接度是指一个节点在网络中直接连接的其他节[0066]所述节点路径中介度具体是指某一节点在网络中作为其他节点对之间最短路径分类器采用XGBoost模型结构，重点关注价格的跳跃性变化特征；波动增强分类器采用述时变邻接矩阵与所述数值矩阵的乘积运算得到小时电力消耗数据的特征图谱，长短期记忆网络可以学习到每天用电高峰和低谷的模式。[0083]在一种可选的实施方式中，根据智能出清规则对所述初始预测结果进行约束校到价格约束范围的上限阈值和下限阈值；将所述市场流动性指标与预设的调节系数相乘，价格为120，超出价格约束范围，则通过交替方向乘子法