本发明涉及电力市场交易领域，特别是一种基于相似日的中长期电力价格预测方法。
背景技术：
1、在电力市场中，有一种很重要的交易方式是中长期交易；它主要指的是符合准入条件的发电企业、售电企业、电力用户和独立的辅助服务提供商等市场交易主体，通过自主协商、集中竞价等市场化方式，开展的多年、年、季、月、周等日以上的电力交易。
2、目前自动化预测中长期价格的方法很少，因为长期天气数据可靠性不高，历史同期的数据又不能反映出电厂增加或用电情况的变化导致的电价变化，所以现在基本上都是依靠人为的先验判断来预测中长期的电价。
技术实现思路
1、本发明的目的在于，提供一种基于相似日的中长期电力价格预测方法。本发明具有能有效预测中长期价格、数据可靠性高且预测结果相对更精确的优点。
2、本发明的技术方案：一种基于相似日的中长期电力价格预测方法，包括如下步骤：
3、a、数据获取：获取至少包括长期的天气预测数据、历史上的负荷数据、新能源风电出力数据在内的原始数据；所述原始数据作为模型训练集的边界条件数据；
4、b、数据处理与样本选择：对获取的原始数据进行处理并根据需要选择对应的数据样本；
5、c、模型预测价格：利用构建的模型输入选择的数据样本进行价格预测。
6、前述的基于相似日的中长期电力价格预测方法中，步骤a所述的数据获取中，天气预测数据包括温度数据、风速数据和光照强度数据。
7、前述的基于相似日的中长期电力价格预测方法中，步骤b所述的数据处理与样本选择，具体内容如下：
8、b1、原始数据进行平均化处理：对获取的原始数据进行平均化处理，天气预测数据至少包括平均光照、平均温度和平均风速；
9、b2、数据样本选择：自动或人工根据相似日选择数据样本；每一条所述数据样本包括连续10天的平均数据。
10、前述的基于相似日的中长期电力价格预测方法中，步骤b2所述的自动选择样本数据，计算的是天气预测数据间的相似性，通过筛选出气候情况类似的数据作为数据样本，具体步骤为：
11、b3.1、先取出最近n天的样本集合n，再取出去年同期前后m天的样本集合m，整体的样本集为n和m的并集；
12、b3.2、选用天气预测数据作为判断相似的基准，对于每一条样本数据都具有一个预测天气向量[平均温度，平均风速，平均光照]，分别计算样本中预测天气向量和标的期预测天气向量之间的欧式距离；
13、b3.3、依据计算的结果，选出近期相近的几天n’和去年同期的样本中最相近的几天m’；
14、b3.4、在n’和m’中比较真实价格的最大值，若相差很大，则保留最近的n’作为最终的训练集t，同时认定去年数据为异常值；
15、若相差不大，则t为n’和m’的并集。
16、前述的基于相似日的中长期电力价格预测方法中，步骤b2所述的人工选择样本数据，基于人工经验进行相似度判断，具体步骤为：
17、b4.1、把参数设置成人工筛选样本；
18、b4.2、取出最近两个月以及历史同期前后一个月的数据，所述数据至少包括天气数据、风光功率、负荷和竞价空间；依赖nicegui框架把数据展示在前端；
19、b4.3、人工根据先验经验选择数据后，依赖nicegui框架把数据传回后端作为训练数据。
20、前述的基于相似日的中长期电力价格预测方法中，步骤c所述的模型预测价格，所述模型由多项式回归和xgboost构建而成；
21、多项式回归中，标的旬的日前平均价格是因变量y，负载率为自变量x，负载率＝竞价空间/开机容量，竞价空间＝负荷-新能源出力-外送。
22、前述的基于相似日的中长期电力价格预测方法中，所述模型预测价格的步骤如下：
23、c1、根据所选的数据样本拟合多项式回归的曲线；
24、c2、根据边界条件数据预测标的旬/月的边界条件，得到所需负载率；
25、c3、根据最近n天的真实负载率调整预测出的负载率；
26、c4、根据预测的边界条件预测标的旬/月价格；
27、c5、根据预测出的边界条件数据建立xgboost模型预测标的旬/月价格；
28、c6、融合多项式回归的预测价格和xgboost预测价格，得到最终的预测结果。
29、前述的基于相似日的中长期电力价格预测方法中，步骤c6的具体内容为，把多项式回归的预测价格和xgboost的预测价格当作训练数据重新训练一个线性模型，最后输出最终结果，步骤如下：
30、c6.1、根据样本的负载率和价格建立一个多项式回归，把预测出的边界条件代入得到一个价格预测a；
31、c6.2、根据样本的负载率和价格建立一个xgboost模型，把预测的边界条件代入得到一个价格预测b；
32、c6.3、融合的结果是a和b的平均，记为c；
33、c6.4、用原始的天气数据等特征直接建立一个xgboost模型，得到预测d；
34、c6.5、用c和d建立一个lasso回归，得到最终结果。
35、与现有技术相比，本发明具有如下有益效果：
36、1.结合多天与不同数据源的长期天气预测数据，使得数据可用性更高；
37、2.根据预测结果动态筛选训练样本，动态结合近期样本数据与历史同期样本数据，使得模型准确度提升；
38、3.与传统xgboost预测价格相比，通过融合多项式回归提升了模型对于数据外延部分的预测；与传统的多项式回归相比，本方法解决了模型容易过拟合和欠拟合的问题；
39、因此，本发明具有能有效预测中长期价格、数据可靠性高且预测结果相对更精确的优点。
1.一种基于相似日的中长期电力价格预测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于相似日的中长期电力价格预测方法，其特征在于：步骤a所述的数据获取中，天气预测数据包括温度数据、风速数据和光照强度数据。
3.根据权利要求1所述的一种基于相似日的中长期电力价格预测方法，其特征在于，步骤b所述的数据处理与样本选择，具体内容如下：
4.根据权利要求3所述的一种基于相似日的中长期电力价格预测方法，其特征在于，步骤b2所述的自动选择样本数据，计算的是天气预测数据间的相似性，通过筛选出气候情况类似的数据作为数据样本，具体步骤为：
5.根据权利要求3所述的一种基于相似日的中长期电力价格预测方法，步骤b2所述的人工选择样本数据，基于人工经验进行相似度判断，具体步骤为：
6.根据权利要求1所述的一种基于相似日的中长期电力价格预测方法，其特征在于，步骤c所述的模型预测价格，所述模型由多项式回归和xgboost构建而成；
7.根据权利要求6所述的一种基于相似日的中长期电力价格预测方法，其特征在于，所述模型预测价格的步骤如下：
8.根据权利要求7所述的一种基于相似日的中长期电力价格预测方法，其特征在于，步骤c6的具体内容为，把多项式回归的预测价格和xgboost的预测价格当作训练数据重新训练一个线性模型，最后输出最终结果，步骤如下：
