基于卷积神经网络的电力市场电价预测

李英超

(国网山东省电力公司菏泽供电公司，山东 菏泽 274000)

电是一种商品，只有确定了电的价格，才能确定电力市场价格变化趋势。电力市场具有计划性、竞争性及开放性等特点。电力市场是动态变化的，它使用经济和法律手段，坚持自愿、公平、互利原则，协调运行发电、供电与用电之间的关系[1-3]。电力市场在对成员实行管理时，使用经济手段，其根本目的是把竞争机制引入电力系统[4]。供电商若想获得最大利润，就需要准确预测未来的电力清算价格，再制定有效的投标策略。

神经网络学习能力较强，具有逼近任何连续函数的优点，在电价预测中得到广泛的应用，但是神经网络学习速度慢，极易陷入局部最小点[5-6]。一些学者探索用其他方法改进神经网络，如鲁娅楠等[7]进行了基于粒子群算法的BP神经网络电价预测研究，结果证明其收敛速度快、预测精度高；蔡秀雯等[8]利用自组织模糊神经网络的负载预测模型，对阶梯电价机制下居民用电中期负载进行了预测研究，提高了电网公司的经济效益。然而这些方法在学习速度或优化能力方面尚存在一些不足。

卷积神经网络能够准确提取连续和非连续数据间特征向量，然后把这些特征向量重新排列作为输入数据，为预测结果提供技术支持[9-11]。为了提高电价预测精度，本文首先归一化处理电力市场历史负荷与电价，避免出现神经元过于饱和的情况，使用隶属函数对温度因素进行模糊化处理，将处理后的负荷、电价、温度以及预测时段供求指数作为卷积神经网络的输入量，结合卷积神经网络非线性拟合能力，提取电力时差电价深层特征实现电价预测模型训练，用获得的预测模型预测电力市场电价。通过实例分析，该预测方法预测出的电价与实际电价最为接近，预测精度高，适合用于电力市场电价的预测。

1 卷积神经网络的电力市场电价预测

1.1 卷积神经网络

1.1.1神经元

作为人工神经网络的核心单元，神经元是一种多输入单元，具体结构如图1所示。ai和vij分别为输入信号与神经元连接输入信号的权重值，dj与bj分别为神经元内部状态和神经元输出。神经元输入与输出的对应关系为：

图1 神经元结构

(1)

式中：e(·)为激励函数，本文中激励函数选取纠正函数。

1.1.2卷积神经网络

池化层、卷积层、全连接层等共同组成了卷积神经网络。通常情况下有多个池化层与卷积层，在卷积层中，神经元具有局部连接特性，若要得到神经元输入值，则需要设置偏置值和连接权值，这个过程是一个卷积过程，因此称为卷积神经网络。

1.2 卷积神经网络电价预测模型

1.2.1归一化处理

对历史负荷数据与电价进行归一化处理是为了提高卷积神经网络的预测精度以及学习速度，避免出现神经元过于饱和的情况。先归一化处理待训练的负荷数据以及电价数据，保证负荷数据和电价数据区间为(-1,1)，使用以下公式归一化处理某一时刻数据，归一化后的电价值y为：

(2)

式中：x为当日电价；xmax和xmin分别为电价的最大值和最小值。

1.2.2温度数据模糊化处理

由于不同的温度会对电价预测精度产生不同程度的影响，导致电价预测产生误差。为了提高电价预测精度，降低电价预测中温度产生的干扰，依照经验，将原始温度w分为低温W低(0 ℃～11 ℃)、中温W中(11 ℃～21 ℃)、高温W高(21 ℃～40 ℃)3段，将3段温度分别代入小型、中型、大型的梯形隶属度函数，则有：

(3)

(4)

(5)

将相关温度数据代入式(3)～式(5)，得到不同温度状态的隶属度{W低1，W低2，W低3} ，{W中1，W中2，W中3} ，{W高1，W高2，W高3}，根据隶属度最大原则，有W低=max{W低1，W低2，W低3}，W中=max{W中1，W中2，W中3} ，W高=max{W高1，W高2，W高3}，据此能够分别得到不同温度情况下的隶属模糊集。

1.2.3确定输入量

考量多方因素后，才能确认后一日电力市场清算电价，具体需要考虑的因素包括归一化处理的电力市场历史负荷和电价、预测时段供求指数以及经模糊化处理的温度，设日期为r，时段为t，电价为j，负荷为f，供求指数为s。电力市场历史清算电价与系统负荷包括：预测时间段日期前一周相同时间段电价与系统负荷分别为j(r-7,t)和f(r-7,t);预测时间段日期前一天相同时间段电价与系统负荷分别为j(r-1,t)和f(r-1,t)；预测时间段之前一个时间段的电价与系统负荷分别为j(r,t)和f(r,t)。预测时间段供求指数为s=P/D，其中P与D分别为系统实际负荷与系统容量。

1.2.4卷积神经网络电价预测模型设计

卷积神经网络不需要建立模型，与其他神经网络一样，由深度学习模型直接完成从原始输入到期望输出的映射，与传统神经网络最大的区别是卷积神经网络使用的是池化层与卷积层，卷积层中的卷积核可以局部共享同层中的参数，从而使模型中的参数数量减少。卷积核能够实现特征提取，并采用卷积算子实现卷积操作，运算过程如下：

bconv=Q*C+l

(6)

式中：bconv和Q分别为卷积核与卷积层的权值；C为卷积系数；l为卷积层的偏差；*表示卷积运算。

非线性映射连接卷积层转变为激励层，选取ReLu函数作为卷积神经网络的激活函数，卷积神经网络的激活函数f(c)为：

(7)

式中：c为输入向量。

池化层要对输入特征进行下采样操作，使用池化函数计算统计特征，选用最大池化方式进行计算，设i×z为池化窗口的大小，池化层输出bpool的计算公式为：

(8)

式中：max(c)为最大池化值；m，n为输出区域的长和宽上的位置；N+为正整数。

卷积神经网络交替设置池化层与卷积层后，最终的预测输出使用全连接层实现，在计算前，需要先拉伸转换池化层的输出，使其成为一维向量形式才能完成全连接层计算，转换后的输出为bc，全连接层具体计算过程如下：

(9)

至此实现了电价预测的全部设计。

2 电力市场电价预测的应用实例分析

仿真计算机配置：处理器为Intelxeon E5，硬盘容量和内存分别为256 GB和64 GB。训练数据选取上海市某区2019年1月1日—20日之间的真实数据(http://www.shanghaipower.com/)。使用4种统计学误差指标检测电价预测效果，具体为：

(10)

(11)

均方根相对误差=

(12)

式中：G为预测样本数；jtrag,n为实际电价；jsimu,n为预测电价。

表1为分别采用粒子群电价预测方法、自组织映射电价预测方法和本文方法获得的每2 h记录的电价预测值与实际值的每日平均绝对预测误差。由表1可以看出，采用本文方法获得的电价平均绝对预测误差值较小，表示预测值与实际电价十分接近，粒子群电价预测方法的误差值次之，自组织映射电价预测方法的误差值最大。由此可知，采用本文方法预测获得的电力市场电价较准确。

表1 本文方法与对比方法获得的平均绝对预测误差

为进一步验证预测效果，采用3种方法对2019年1月22日—31日的电价进行预测，并统计3种方法的电价预测结果的平均相对误差和均方根相对误差，结果如图2、图3所示。从图2、图3可知，本文方法的误差值均低于对比方法，获得的电价预测结果更为准确，预测效果更好。

图2 平均相对误差结果

图3 均方根相对误差结果

从预测时间和预测效率着手深入分析3种预测方法的性能，所得结果如图4、图5所示。由图4、图5可以看出，本文方法在保证检测误差尽可能小的情况下，还保证了检测的快速性和高效率，最短预测时间不到2 s，且预测效率平均在95%以上，有效证明了本文方法的优越性。

图4 预测时间对比

图5 预测效率对比

3 结束语

本文将供求关系、历史负荷等电价影响因素作为输入量输入到卷积神经网络中，通过卷积神经网络构建预测模型，获得电力市场电价预测值。通过实验分析可知，与粒子群电价预测方法和自组织映射电价预测方法相比，使用本文方法预测电力市场电价，绝对误差与相对误差均最低，提高了电价预测精准度，本文方法在电力市场电价预测分析中具有十分广阔的应用前景。