(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210924182.6 (22)申请日 2022.08.03 (71)申请人 国能日新科技股份有限公司 地址 100089 北京市海淀区西三 旗建材城 内1幢二层2 27号 (72)发明人 向婕　韩敬涛　钟崇光　 (74)专利代理 机构 天津合正知识产权代理有限 公司 12229 专利代理师 李成运 (51)Int.Cl. G06Q 30/02(2012.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 50/06(2012.01) (54)发明名称 基于迁移学习的电力交易价格预测方法及 系统 (57)摘要 本发明提出一种基于迁移学习的电力交易 价格预测方法及系统， 将场站或地区的历史数据 代入到深度学习网络， 进行训练得到初始模型； 对于历史数据缺失的场站或者地区， 迁移其他场 站或地区的历史数据作为训练集； 当每次得到本 场站或地区的近期数据时， 使用所述历史数据和 近期数据训练GAN网络； 将训练GAN网络生成的数 据代入初始模型， 只训练全连接层； 将预测数据 输入所述模 型， 得到预测的日前节 点电价和实时 节点电价。 本发 明对于缺少历史数据的场站或地 区可以快速建立精度较高的节点电价预测模型。 权利要求书1页 说明书4页 附图2页 CN 114997936 A 2022.09.02 CN 114997936 A 1.一种基于 迁移学习的电力交易 价格预测方法， 其特 征在于， 包括： S1、 将本场站或地区的历史数据代入到深度学习网络， 以历史数据中的真实日前节点 电价和真实实时节 点电价作为目标值， 其他数据作为特征值， 进 行训练得到初始模型； 对于 历史数据缺失的本场站或者地区， 迁移其他场站或地区的历史数据作为训练集； 所述历史 数据为历史电力交易数据； S2、 将初始模型划分为全连接层和其他层； 当每次得到本场站或地区的近期数据时， 使 用所述历史数据和近期数据训练GA N网络； 将训练GA N网络生成的数据和近期数据 代入初始 模型， 将其他层锁定， 只训练全连接层， 形成新全连接层， 并保存模型； 所述近期数据为近期 实际的电力交易数据； S3、 将预测数据输入所述模型， 得到预测的日前节点电价和实时节点电价； 所述预测数 据包括每日对 未来1‑2天全省负荷、 新能源 出力、 非市场化机组出力、 全省风速、 全省辐 照度 的预测值。 2.根据权利要求1所述的基于迁移学习的电力交易价格预测方法， 其特征在于， 所述历 史数据、 近期数据、 预测数据， 在使用前进行 数据清洗， 检查数据是否有缺失、 异常值。 3.根据权利要求1所述的基于迁移学习的电力交易价格预测方法， 其特征在于， 所述深 度学习网络包括卷积神经网络、 t ransformer、 循环神经网络其中之一。 4.根据权利要求1所述的基于迁移学习的电力交易价格预测方法， 其特征在于， 步骤S2 中所述新全连接层替换成经典机器学习算法模型， 包括支持向量机、 随机森林、 梯度提升树 其中之一。 5.一种基于 迁移学习的电力交易 价格预测系统， 其特 征在于， 包括： 初始模型模块： 将本场站或地区的历史数据代入到深度学习 网络， 以历史数据中的真 实日前节点电价和真实实时节点电价作为 目标值， 其他数据作为特征值， 进行训练得到初 始模型； 对于历史数据缺失的本场站或者地区， 迁移其他场站或地区的历史数据作为训练 集； 所述历史数据为历史电力交易数据； 模型模块： 将初始模型划分为全连接层和其他层； 当每次得到本场站或地区的近期数 据时， 使用所述历史数据和 近期数据训练GAN网络； 将训练GAN网络生成的数据代入初始模 型， 将其他层锁定， 只训练全连接层， 形成新全连接层， 并保存模型； 所述近期数据为近期实 际的电力交易数据； 预测模块： 将预测数据输入所述模型， 得到预测的日前节点电价和实时节点电价； 所述 预测数据包括每日对 未来1‑2天全省负荷、 新能源出力、 非市场化机组出力、 全省风速、 全省 辐照度的预测值。 6.根据权利要求5所述的基于迁移学习的电力交易价格预测系统， 其特征在于， 所述初 始模型模块、 模型模块、 预测模块中， 所述历史数据、 近期数据、 预测数据， 在使用前进行数 据清洗， 检查数据是否有缺失、 异常值。 7.根据权利要求5所述的基于迁移学习的电力交易价格预测系统， 其特征在于， 初始模 型模块中， 所述深度学习网络包括卷积神经网络、 t ransformer、 循环神经网络其中之一。 8.根据权利要求5所述的基于迁移学习的电力交易价格预测系统， 其特征在于， 模型模 块中所述新全连接层替换成经典机器学习算法模型， 包括支持向量机、 随机森林、 梯度提升 树其中之一。权　利　要　求　书 1/1 页 2 CN 114997936 A 2基于迁移 学习的电力交易价格预测方 法及系统 技术领域 [0001]本发明属于电力交易预测技术领域， 特别涉及到一种基于迁移学习的电力交易价 格预测方法及系统。 背景技术 [0002]当前电力市场建设稳步推进。 节点电价作为一种重要的价格机制， 在现货市场建 设过程中被频繁采用。 通过对日前和实时节点电价进行精准预测， 辅助电场人员合理修改 短期功率预测申报能够使新能源发电企业在电力现货交易中合理套利， 提高交易收益。 [0003]节点电价受到多种因素影响， 极难准确预测。 对节点电价影响因素众多， 诸如全省 资源情况、 新能源出力预测、 负荷联络线计划、 来水情况、 机组报价、 线路传输极限、 人为因 素等。 当前电力交易价格预测主要使用单一机器学习模型， 包括回归模型、 时间序列模型、 小波分析等方法， 或者针对不同数据区间使用不同机器学习模型分区间预测。 且各交易电 场数据割裂情况严重， 新场站数据样本量小， 不利于模型训练， 传统的基于数据驱动的智能 模型难以建立。 [0004]因此， 当前电力 交易价格预测方法对于训练集数据长度选取要求较高， 难以适宜 数据割裂情况严重或小样本数据的情况， 由于电力交易中影响节点电价因素较多， 有些数 据具有时效性， 有些数据具有周期性， 所以当前预测方法在选取训练数据时较难同时兼顾 时效性和周期性， 导 致模型对于突变情况反映较慢， 或者模型 过拟合导致泛化能力较弱。 发明内容 [0005]本发明提出一种基于迁移学习的电力交易价格预测方法及系统， 对于缺少历史数 据的场站或地区可以快速建立精度较高的节点电价预测模型。 [0006]为达到上述目的， 本发明的技 术方案是这样实现的： 一种基于 迁移学习的电力交易 价格预测方法， 包括： S1、 将本场站或地区的历史数据代入到深度学习网络， 以历史数据 中的真实日前 节点电价和真实实时节点电价作为目标值， 其他数据作为特征值， 进 行训练得到初始模型； 对于历史数据缺失的本场站或者地区， 迁移其他场站或地区的历史数据作为训练集； 本步 骤中所述的历史数据为历史电力交易数据， 包括全省负荷预测、 全省新能源出力预测、 全省 火电计划、 日前非市场化机组出力预测， 全省风速预测、 全省辐照度预测、 真实日前节点电 价、 真实实时节点电价； S2、 将初始模型划分为全连接层和其他层； 当每次得到本场站或地区的近期数据 时， 使用所述历史数据和 近期数据训练GAN网络； 将训练GAN网络生成的数据和 近期数据代 入初始模型， 将其他层锁定， 只训练全连接层， 形成新全连接层， 并保存模型； 本步骤中所述 近期数据为近期实际的电力交易数据， 包括全省负荷预测、 全省新能源出力预测、 全省火电 计划、 日前非市场化机组出力预测， 全省风速预测、 全省辐 照度预测、 真实日前节点电价、 真 实实时节点电价；说　明　书 1/4 页 3 CN 114997936 A 3