电力现货市场边际电价预测方法、系统、设备及存储介质

摘要

本发明属于电力现货市场电价预测领域，公开了一种电力现货市场边际电价预测方法、系统、设备及存储介质，包括获取电力现货市场预测日的负荷影响参数，根据负荷影响参数，得到预测日的电力负荷预测曲线；获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。通过电力负荷预测曲线和模拟报价曲线，来获得预测日各时间节点边际电价的预测结果，有效的提升了预测结果的准确性，降低预测结果与实际结果的偏差。

说明书

技术领域

本发明属于电力现货市场电价预测领域，涉及一种电力现货市场边际电价预测方法、系统、设备及存储介质。

背景技术

电力市场化是全球电力系统的大趋势，国内电力市场改革也在逐步有序向前推进，电价是这个市场的核心，电价的波动影响到各种资源在电力市场中的流动和分配，有着强大的经济杠杆作用，因此，在电力市场环境下，准确的电价预测对于市场中各个参与者而言都具有非常重要的意义。电价预测即在充分考虑市场供求关系，市场参与者实施市场力大小，电力成本以及电力市场体制结构、社会经济形势等电价影响因素的情况下，通过利用数学工具对相关历史数据进行分析和研究，探索电价与其影响因素之间的内在联系及电价本身发展变化规律，在满足一定精度和速度的情况下，对未来电力市场中的电力交易价格进行预测。预测的对象可以是系统的统一出清价、各个地区出清价、各节点出清价。目前，电力现货边际电价不仅成为联系用户(用电方)、市场监管者(电力监管委员会)、发电商(发电企业)的经济纽带，而且是关系到用电方、发电方经济利益的重要因子，所以，电力市场的各个参与者都很关心系统边际电价的发展变化趋势，市场边际电价预测对于市场中的各个参与者也就显得格外的重要。对整个电力系统来讲，边际电价预测通过引导用户用电行为，调整用电量和用电时间从而减小系统峰谷差，提高系统负荷率、降低系统运行费用、保证系统运行稳定性，在一定程度上解决某些特定时段容量短缺而某些时段又大量剩余的问题。边际电价的预测为促使市场健康、稳定、有序的竞争、发展以及各种电价政策的制定提供了科学依据，随着电力市场化的不断深人，边际电价预测的重要性将愈来愈突显，预测结果越准确，就越能使电力公司等市场参与者在竞争且多变的环境下，做出更加明智的商业决策。

在边际电价预测方面，现阶段进行电价预测主要是借鉴其他商品价格预测和电力负荷预测的基本思想，根据实际情况并结合电价预测的特点，选择适合的预测技术，对电价做出分析预测。目前可用于电价预测的方法主要可以归结为四类：基于时序分析的预测方法，如时间序列分析、均生函数等；基于因子分析的预测方法，如线性回归方法、人工神经网络方法、模糊聚类与综合评判方法等；基于计量经济学的预测方法，如三时点模型、霍尔特-温特斯方程及马尔柯夫经济预测理论等；基于组合思想的预测方法，即融合前几种预测思想，进行综合预测。其中，用时间序列方法预测电力负荷的基本思想是：收集大量准确地历史数据，根据未来与过去时间序列所具有的相似性，通过历史负荷数据揭示其随时间变化的规律，采用简单有效的算法，建立科学的模型，进行大量的检验从而不断完善模型，最终得到最佳的预测结果。描述时间序列数据的变化规律和行为，模型中是允许包含趋势变动、季节变动和随机波动等综合因素影响的。基于因子分析的线性回归方法的预测方法的主要思想是：通过已有的历史资料，对模型进行参数估计和检验后，如果确认回归模型有实用价值，那么就可以用它进行预测了。但是线性回归分析方法有2个难点，一是回归变量的选取，应选主要因素，忽略次要因素；二是变量因素的量化。人工神经网络(ANN)技术以其对大量非结构性、非精确性规律具有自适应、信息记忆、自主学习、知识推理和优化计算的特点，被广泛地用来进行受众多复杂因素影响的变量的预测(如电力系统负荷预测)。人工神经网络方法中，应用最多的是带隐层的前馈型人工神经网络，此网络能实现从输入到输出的复杂非线性映射关系。因此，可将影响电力负荷较大，进而影响实时边际电价较大的几种因素作为输入，如气温、风速、各时段负荷、峰谷负荷、湿度及前一日电价等，利用BP算法对网络进行训练，然后进行电价预测。采用计量经济学领域的数学模型来进行次日96点实时边际电价的分析预测，对于提高独立发电企业的市场竞争力是有现实意义的。比较典型的是边际电价预测的三时点模型，进行电价预测最容易获取的资料就是边际电价的历史值，边际电价的历史值中隐含了供电量、用电量等信息，电价引导各时段供电量及用电量增减变化。因此，基于理论平均值-宏观市场价格关系以及供给-价格关系和需求-价格关系可以建立描述供电量、用电量和电价关系的数学模型进行边际电价预测，从而实现了从供给、需求及电价关系的角度出发进行电价预测的目的，而又避开了复杂的需求预测。

以上这些预测方法，虽然在一定程度上可以实现某一时间段的边际电价预测，但是其预测结果的准确性往往和实际有着较大的出入。比如，以纯粹的时间序列分析法为例，该方法是历史数据基于时间序列的特征相似性，对外来预测时间内的电价数据，取历史数据中时间相似性最高的数据进行拟合生成预测数据，但是由于边际电价形成过程的复杂性，该方法对边际电价形成过程中的某些核心影响因素不能全面拟合，特别是各发电企业的报价决策过程，造成的该方法的稳定性较差，容易出现较大偏差。此外，基于因子分析的预测方法，如基于自适应滤波的电力市场报价预测方法，该方法通过选取预测区域电力市场之前一段时间的出清电价数据，计算出一天中每一个交易时刻k的出清电价均值，将其与时刻t进行拟合，拟合出状态转移矩阵；并估计观测噪声的协方差，将估计出的观测噪声的协方差代入电力市场出清电价预测模型，但是在实际获取系统的精确观测噪声十分困难，不易获得精确预测模型。而直接基于神经网络的边际电价预测方法，需要基于庞大的隶属数据，且由于发电企业报价过程具有博弈的特点，较难获得精确训练模型，导致预测结果准确性不高。

发明内容

本发明的目的在于克服上述现有技术中，现有边际电价预测方法的预测结果准确性不高的缺点，提供一种电力现货市场边际电价预测方法、系统、设备及存储介质。

为达到上述目的，本发明采用以下技术方案予以实现：

本发明第一方面，一种电力现货市场边际电价预测方法，包括以下步骤：

获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线；

获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；

根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

本发明电力现货市场边际电价预测方法进一步的改进在于：

所述根据负荷影响参数得到预测日的电力负荷预测曲线的具体方法为：根据负荷影响参数，通过电力负荷预测模型得到预测日的电力负荷预测曲线；其中，电力负荷预测模型采用如下方式建立：

获取电力现货市场预测日的历史最佳相似日；构建基于深度神经网络的初始电力负荷预测模型，并以历史最佳相似日的负荷数据和负荷影响参数作为样本，训练并测试初始电力负荷预测模型，得到电力负荷预测模型。

所述获取电力现货市场预测日的历史最佳相似日的具体方法为：

获取电力现货市场预测日的负荷影响参数与电力现货市场各历史日的负荷影响参数之间的曼哈顿距离；将曼哈顿距离最短的历史日作为电力现货市场预测日的历史最佳相似日。

所述根据报价影响参数得到预测日各发电企业的模拟报价曲线的具体方法为：根据报价影响参数，通过电力现货市场内各发电企业的深度强化学习报价决策模型，得到预测日各发电企业的模拟报价曲线；其中，各发电企业的深度强化学习报价决策模型通过如下方式构建：

基于深度强化学习算法构建各发电企业的初始深度强化学习报价决策模型；通过各发电企业的历史数据，以报价偏差最小为目标，根据预设的初始深度强化学习报价决策模型的回报函数，训练各发电企业的初始深度强化学习报价决策模型，得到各发电企业的深度强化学习报价决策模型。

所述深度强化学习算法为：深度确定性策略梯度算法。

所述初始深度强化学习报价决策模型的回报函数基于演示推理学习获得。

所述根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果的具体方法为：

根据预测日各发电企业的模拟报价曲线，得到预测日各时间节点各电厂的报价数据，报价数据包括若干报价组，各报价组包括电量及电价；根据预测日的电力负荷预测曲线，得到预测日各时间节点的电力负荷；针对预测日各时间节点，均按照电价由低到高的顺序叠加各电厂的电量，至不小于各时间节点的电力负荷，将各时间节点最后叠加电量的报价组中的电价，作为各时间节点边际电价的预测结果。

本发明第二方面，一种电力现货市场边际电价预测系统，包括：

电力负荷预测模块，用于获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线；

报价预测模块，用于获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；以及

边际电价预测模块，用于根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

本发明第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述电力现货市场边际电价预测方法的步骤。

本发明第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述电力现货市场边际电价预测方法的步骤。

与现有技术相比，本发明具有以下有益效果：

本发明电力现货市场边际电价预测方法，通过获取电力现货市场预测日的负荷影响参数及报价影响参数，进而根据测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。相比于直接基于边际电价历史数据的神经网络预测模型，本方法中，电力负荷预测的准确度和稳定性要高很多，得到的电力负荷预测曲线与实际电力负荷曲线偏差小，整个算法的结构稳定，通过更为准确的电力负荷预测曲线和各发电企业的模拟报价曲线，基于实际边际电价形成过程，来获得预测日各时间节点边际电价的预测结果，有效的提升了预测结果的准确性，降低预测结果与实际结果的偏差。同时，在获得了准确的边际电价预测结果后，能够帮助电力调度部门更好的评估未来电价变化趋势，做好决策部署，使得电力价格保持稳定，使发电端和用电端达到利益均衡，使社会收益最大化。

附图说明

图1为本发明实施例的电力现货市场边际电价预测方法流程图；

图2为本发明实施例的电力负荷预测模型原理图；

图3为本发明实施例的深度强化学习报价决策模型原理图；

图4为本发明实施例的电力现货市场边际电价预测系统结构框图。

具体实施方式

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

首先，针对本发明实施例中的部分技术术语进行如下解释。

边际电价：指在现货电能交易中，按照报价从低到高的顺序逐一成交电力，使成交的电力满足负荷需求的最后一个电能供应者的报价称为系统的“边际电价”。报价高于边际电价的发电机组的电力不能成交，竞价失败；报价低于边际电价的发电机组不按报价与电力市场结算现货电量，而按系统的边际电价结算。

电力负荷：电能用户的用电设备在某一时刻向电力系统取用的电功率的总和。

深度强化学习：将深度学习的感知能力和强化学习的决策能力相结合，可以直接根据输入的数据进行控制，是一种更接近人类思维方式的人工智能方法。

下面结合附图对本发明做进一步详细描述：

参见图1，本发明一实施例中，提供一种电力现货市场边际电价预测方法，通过历史负荷数据和发电厂历史报价数据，预测预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，根据预测的电力负荷预测曲线和各发电企业的模拟报价曲线，基于实际边际电价形成过程来生成预测结果，极大的提升了预测结果的准确性。具体的，该电力现货市场边际电价预测方法包括以下步骤：

S1：获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线。

具体的，负荷影响参数一般包括：日期类型(正常日、国庆、春节等)、星期类型、日天气类型(晴、阴等)、日最高温度、日平均温度、日最低温度、日降雨量、湿度以及风速等，通过分析对负荷有影响的各个参数，确定电力现货市场预测日的负荷影响参数，将所有负荷影响参数组合，得到预测日的负荷影响特征向量。将预测日的负荷影响特征向量输入电力负荷预测模型，通过电力负荷预测模型进行处理，输出预测日的电力负荷预测曲线。

其中，根据负荷影响参数得到预测日的电力负荷预测曲线的具体方法为：根据负荷影响参数，通过电力负荷预测模型得到预测日的电力负荷预测曲线；其中，电力负荷预测模型采用如下方式建立：

S101：获取电力现货市场预测日的历史最佳相似日。

具体的，获取电力现货市场预测日的负荷影响参数与电力现货市场各历史日的负荷影响参数之间的曼哈顿距离；将曼哈顿距离最短的历史日作为电力现货市场预测日的历史最佳相似日。

首先，对于时间序列负荷数据{x

x

其中，x

则所有样本的负荷影响参数矩阵为：

然后对负荷影响参数进行如下归一化处理。

计算负荷影响参数的均值

然后，基于均值和标准差对负荷影响参数按下式进行变换：

并通过平移变换将负荷影响参数归一化到[0,1]范围内：

其中，x′

将电力现货市场预测日的负荷影响参数及各历史日的负荷影响参数均按照上述的方法进行归一化处理，然后通过下式计算负荷影响参数曼哈顿距离：

其中，r

基于预测日的负荷影响参数及各历史日的负荷影响参数的曼哈顿距离建立特征相似性矩阵，获得相似关系矩阵R：

基于总体相似度通过有序排列获得最佳相似日，具体的，基于相似性关系矩阵，寻找历史日中负荷影响参数与预测日的负荷影响参数最相似的历史日，即历史日中负荷影响参数与预测日的负荷影响参数之间的曼哈顿距离最短的历史日，获得历史最佳相似日。

S102：构建基于深度神经网络的初始电力负荷预测模型，并以历史最佳相似日的负荷数据和负荷影响参数作为样本，训练并测试初始电力负荷预测模型，得到电力负荷预测模型。

具体的，参见图2，示出了基于深度神经网络模型的基本框架，图中t-1,t,t+1为时间序列，U,V,W为权重，X为输入，O为输出,x

然后，将测试集中测试样本的负荷影响参数输入训练后的初始电力负荷预测模型，得到测试样本的预测负荷数据，当测试样本的预测负荷数据与实际的负荷数据的偏差小于设定阈值时测试合格，比如偏差小于10％，得到电力负荷预测模型；否则，重新分配训练集和测试集，再次进行训练。

通过收集大量准确的历史数据，根据未来与过去时间序列所具有的相似性，通过历史数据揭示其随时间变化的规律，采用简单有效的算法，建立科学的模型，进行大量的检验从而不断完善模型，最终得到最佳的预测结果。描述时间序列数据的变化规律和行为，模型中是允许包含趋势变动、季节变动和随机波动等综合影响因素的，因此，预测结果更为接近实际情况。

S2：获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线。

具体的，报价影响参数一般包括：电厂本身的发电成本(包括固定成本与变动成本)、电网当时的电力电量平衡信息以及电力市场的最高、最低限价(一般根据政府的核定的标杆价为基准上下浮动一定范围)等，通过分析对各发电企业报价有影响的参数，确定电力现货市场预测日的报价影响参数，将所有报价影响参数组合，得到预测日的报价影响特征向量。将预测日的报价影响特征向量输入电力现货市场内各发电企业的深度强化学习报价决策模型，通过各发电企业的深度强化学习报价决策模型进行处理，输出预测日各发电企业的模拟报价曲线。

其中，根据报价影响参数得到预测日各发电企业的模拟报价曲线的具体方法为：根据报价影响参数，通过电力现货市场内各发电企业的深度强化学习报价决策模型，得到预测日各发电企业的模拟报价曲线；其中，电力现货市场内各发电企业的深度强化学习报价决策模型采用如下方式建立：基于深度强化学习算法构建各发电企业的初始深度强化学习报价决策模型；通过各发电企业的历史数据，以报价偏差最小为目标，训练各发电企业的初始深度强化学习报价决策模型，得到各发电企业的深度强化学习报价决策模型。

具体的，参见图3，将电力现货市场中的各发电企业分别建模为agent(智能体)，agent的整个报价决策过程基于深度强化学习算法建模，并利用产生的数据修改自身的动作策略，再与环境交互，产生新的数据，并利用新的数据进一步改善自身的行为，经过数次迭代学习后，直至最终地学到完成相应任务的最优动作(最优策略)。

agent将策略参数化表示为下式所示随机策略梯度函数，计算出关于动作的策略函数梯度，不断调整动作，靠近最优策略：

其中，π

进而，为了减小模拟报价策略与实际电厂报价策略的偏差，采用深度强化学习方法应用各电厂历史报价数据作为各agent训练数据，以报价偏差最小为目标，根据预设的初始深度强化学习报价决策模型的回报函数，训练各发电企业的初始深度强化学习报价决策模型。其中，各初始深度强化学习报价决策模型的状态转移概率矩阵P根据各发电厂实际历史报价数据，基于统计学原理获得，并在之后的预测学习中，不断通过实际报价数据进行调整修正。同时，将采集到的样本先放入样本池，然后从样本池中随机选出一条样本用于对初始深度强化学习报价决策模型的训练。

其中，状态转移概率矩阵P是基于强化学习原理，生成各发电厂未来预测报价，就是在不同时间序列下，基于电力现货市场负荷需求，生成不同报价策略的转移条件，通过统计历史样本数据，获取不同负荷需求下，不同报价的选择概率。

本实施例中，基于深度确定性策略梯度算法(DDPG)生成各电厂的初始深度强化学习报价决策模型，具体的，首先，基于深度确定性策略梯度算法中的Q-Learning算法进行初始深度强化学习报价决策模型的构建，并通过卷积神经网络模拟深度确定初始深度强化学习报价决策模型中Q网络的Q值，通过Q-Learning算法为初始深度强化学习报价决策模型提供Q网络初始目标值，使其进行更新，更新的依据为时序差分公式，并根据更新后的Q值得到新的策略。

其中，Q-Learning算法是强化学习算法中value-based的算法，Q即为Q(s,a)就是在某一时刻的s状态下(s∈S)，采取动作a(a∈A)动作能够获得收益的期望，环境会根据agent的动作反馈相应的回报reward r，所以Q-Learning算法的主要思想就是将State与Action构建成一张Q-table来存储Q值，然后根据Q值来选取能够获得最大的收益的动作。

基于训练的报价策略，依据报价周期的相似日参数、确定各时段报价方案。报价策略模型基于历史相似日聚类数据生成了不同相似日报价策略模型，在制定未来电厂报价策略时需根据预测日期的相似日模型进行预测，提高了预测精度。

优选的，为了提高通过agent模拟各发电厂报价数据的准确性，初始深度强化学习报价决策模型的回报函数基于演示推理学习获得：

其中，R(s

优选的，得到的各发电企业的深度强化学习报价决策模型，在后期的预测中不断通过实际电力现货市场中各发电企业的实际报价信息不断调整各发电企业的深度强化学习报价决策模型，使各发电企业的深度强化学习报价决策模型的报价结果与实际发电企业的报价偏差最小。

S3：根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

具体的，根据预测日各发电企业的模拟报价曲线，得到预测日各时间节点各电厂的报价数据，报价数据包括若干报价组，各报价组包括电量及电价；根据预测日的电力负荷预测曲线，得到预测日各时间节点的电力负荷；针对预测日各时间节点，均按照电价由低到高的顺序叠加各电厂的电量，至不小于各时间节点的电力负荷，将各时间节点最后叠加电量的报价组中的电价，作为各时间节点边际电价的预测结果。

本实施例中，基于如前所述的预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。具体过程为基于预测日的电力负荷预测曲线生成预测日各时间节点的电力负荷，基于预测日各发电企业的模拟报价曲线，对预测日各时间节点各发电厂的报价数据由低到高排列，报价数据包括若干报价组，各报价组包括电量及电价，排列时按照电价由低到高排列。先假定预测时间节点的电力负荷为Q，各发电厂报价电量和电价依据电价由低到高排列依次为：

(q

其中，q

如果：

且：

则，v

综上所述，本发明电力现货市场边际电价预测方法，相比于传统的边际电价预测方案，本发明方法通过预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，基于实际边际电价形成过程来生成预测数据，相比于直接基于边际电价历史数据的神经网络预测模型，电力负荷预测模型的准确度和稳定性要高很多。通过对不同发电企业的基于深度强化学习的建模，能够更加准确的反应出不同发电企业的报价特点和决策过程，更大程度的模拟的真实报价决策的博弈过程。基于以上方法获得的电力负荷预测曲线和各发电企业的模拟报价曲线，基于实际边际电机形成原理生成边际电机预测数据，算法稳定性好，得到的预测结果的准确性更高，并且具有在线学习的特点，能够随着不断通过新的数据的修正，预测结果的准确性也会随之提高。获得了准确的预测边际电价后，能够帮助电力调度部门更好的评估未来电价变化趋势，做好决策部署，使得电力价格保持稳定，使发电端和用电端达到利益均衡，使社会收益最大化。

下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未纰漏的细节，请参照本发明方法实施例。

参见图4，本发明再一个实施例中，提供了一种电力现货市场边际电价预测系统，能够用于实现上述的电力现货市场边际电价预测方法，具体的，该电力现货市场边际电价预测系统包括电力负荷预测模块、报价预测模块以及边际电价预测模块。

电力负荷预测模块用于获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线；报价预测模块用于获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；边际电价预测模块用于根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于电力现货市场边际电价预测方法的操作，包括以下步骤：获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线；获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。

可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关电力现货市场边际电价预测方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：获取电力现货市场预测日的负荷影响参数，根据负荷影响参数得到预测日的电力负荷预测曲线；获取电力现货市场预测日的报价影响参数，根据报价影响参数得到预测日各发电企业的模拟报价曲线；根据预测日的电力负荷预测曲线和预测日各发电企业的模拟报价曲线，得到预测日各时间节点边际电价的预测结果。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。