本发明涉及电力现货市场，具体涉及基于esn深度学习的出清电价的预测方法、装置及存储介质。
背景技术：
1、随着电力市场远期协议、发电权交易、辅助服务等交易品种和交易类别的出现，完善了价格发现机制，为市场参与者充分利用市场信息，优化经济行为决策，提供了诸如套期保值、风险互换等多种风险规避工具，在这种背景下，升级日前市场出清价格的方法，具备更加实际的决策意义。
2、由于电力市场出清价格的决定机制涉及的因素复杂，本身就具有较大的不确定性，随着近年来越来越多的可再生能源的接入，其出力不确定性高、资源分布缺乏规律性等特点加剧了对于电力市场出清价格的预测难度。
3、对于电力市场出清价格的预测，传统的方法路径主要是通过日内负荷需求预测、用户行为预测等方面入手，通过假定的供需函数施加均衡约束来实现的，这种技术路径的主要问题在于系统设定复杂、市场参与者的行为刻画比较脱离实际、可操作性低，是一种通过间接规律挖掘出清价格规律的研究范式。另一种技术路径则直接运用计量统计手段，将市场出清价格历史数据的时间序列或面板数据作为研究对象，通过统计手段发掘其内在规律，从而实现市场出清价格预测。近年随着人工智能等前沿技术的进步以及大数据时代数据获取或处理的能力大幅提升，越来越多的以机器学习为代表的智能预测方法取代了传统的通过统计计量预测手段。
4、人工神经网络(artificial neural network，ann)，就是这些新型预测方法中的代表性技术。神经网络是一种运算模型，由大量的节点(或称神经元)之间相互联接构成。每个节点代表一种特定的输出函数，称为激励函数(activation function)。每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。ann已经大量应用于电力领域中，如需求响应优化、基线预测等。
5、但是，经典的人工神经网络rnn(循环神经网络)，其递归神经网络的训练通过权值直接优化来实现，存在收敛速度慢，易陷入局部最优，难以优化的问题，因此在电力领域运用rnn，为维持系统的鲁棒性，必须要解决rnn中梯度消失和梯度爆炸的问题。
技术实现思路
1、有鉴于此，本发明的目的在于提供基于esn深度学习的出清电价的预测方法、装置及存储介质，以解决现有技术中，经典的人工神经网络rnn(循环神经网络)，其递归神经网络的训练通过权值直接优化来实现，存在收敛速度慢，易陷入局部最优，难以优化的问题。
2、根据本发明实施例的第一方面，提供基于esn深度学习的出清电价的预测方法，所述方法包括：
3、获取电力市场历史数据中相邻两日的分时出清电价和相应的出清电量的时间序列；
4、对所述时间序列进行相关性检验以及预处理，得到输入向量；
5、搭建esn深度学习预测模型架构，设置所述esn深度学习预测模型架构中的储备池的回声参数；
6、将所述输入向量输入到所述esn深度学习预测模型架构中，所述esn深度学习预测模型架构根据各个储备池的权重矩阵输出各个储备池的状态变量；
7、根据各个储备池输出的状态变量以及输出权重赋值矩阵得到输出向量；
8、判断所述输出向量是否满足预设的评价指标，若满足，则将输出向量作为预测值，若不满足，则更新所述输出权重赋值矩阵，根据所述输入向量再次得到输出向量，直到所述输出向量满足预设的评价指标，得到目标esn深度学习预测模型；
9、将待预测的日内出清数据输入到所述目标esn深度学习预测模型中，得到出清电价以及出清电量的预测值。
10、优选地，
11、所述对所述时间序列进行相关性检验包括：
12、对所述时间序列进行acf检验，判断所述时间序列是否为白噪声；
13、若是，则重新在所述电力市场历史数据中获取时间序列；
14、若不是，则通过相互信息法判断所述时间序列中出清电价与对应的出清电量之间的相关性是否显著，若不显著，则重新在所述电力市场历史数据中获取时间序列。
15、优选地，
16、所述对所述时间序列进行预处理包括：
17、若所述时间序列中出清电价与对应的出清电量之间的相关性显著，则分别对所述出清电价以及对应的出清电量进行归一化处理，得到所述输入向量。
18、优选地，
19、所述搭建esn深度学习预测模型架构包括：
20、所述esn深度学习预测模型架构包括输入层、储备池以及输出层；所述储备池包括多个，每个储备池的输出均参与所述输出层的输出；
21、设置代表连接输入层与储备池的输入权重赋值矩阵、各个储备池中连接本时刻与前一时刻的权重赋值矩阵以及连接所述储备池与输出层的输出权重赋值矩阵。
22、优选地，
23、所述设置所述esn深度学习预测模型架构中的储备池的回声参数包括：
24、根据每个储备池的权重赋值矩阵的最大特征值获取每个储备池的谱半径；
25、根据每个储备池有h个分量时的储备池归一化频率，以及每个分量的分量大小获取每个储备池的谱中心度；
26、根据每个储备池的谱中心度获取每个储备池的谱散度。
27、优选地，还包括：
28、设置谱半径影响参数，根据所述谱半径影响参数设置每个储备池的所述谱半径、谱中心度以及谱散度的约束条件。
29、根据本发明实施例的第二方面，提供基于esn深度学习的出清电价的预测装置，所述装置包括：
30、数据获取模块：用于获取电力市场历史数据中相邻两日的分时出清电价和相应的出清电量的时间序列；
31、输入向量获取模块：用于对所述时间序列进行相关性检验以及预处理，得到输入向量；
32、模型搭建模块：用于搭建esn深度学习预测模型架构，设置所述esn深度学习预测模型架构中的储备池的回声参数；
33、输入模块：用于将所述输入向量输入到所述esn深度学习预测模型架构中，所述esn深度学习预测模型架构根据各个储备池的权重矩阵输出各个储备池的状态变量；
34、输出模块：用于根据各个储备池输出的状态变量以及输出权重赋值矩阵得到输出向量；
35、迭代更新模块：用于判断所述输出向量是否满足预设的评价指标，若满足，则将输出向量作为预测值，若不满足，则更新所述输出权重赋值矩阵，根据所述输入向量再次得到输出向量，直到所述输出向量满足预设的评价指标，得到目标esn深度学习预测模型；
36、预测模块：用于将待预测的日内出清数据输入到所述目标esn深度学习预测模型中，得到出清电价以及出清电量的预测值。
37、根据本发明实施例的第三方面，提供一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现所述的一种可再生能源出力的预测方法中的各个步骤。
38、本发明的实施例提供的技术方案可以包括以下有益效果：
39、本技术基于esn回声状态网络深度学习框架建立电力市场出清价格日前预测模型，通过设置模型中储备池的回声参数发挥esn优良的“回声”特性，规避了传统rnn神经网络存在的收敛速度慢，容易导致次优解和缺乏明确终止条件的缺陷，具有训练时间短和预测精度高的优点，同时充分挖掘日内出清信息的历史数据，通过相关性检测证明日内出清价格和出清电量时间序列具有显著相关性，同时作为模型输入变量，预设评价指标确定输入与输出序列最优的滞后差值，实现同时预测出清电价和出清电量，具有更强的功能性。
40、应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明。
1.基于esn深度学习的出清电价的预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，
3.根据权利要求2所述的方法，其特征在于，
4.根据权利要求1所述的方法，其特征在于，
5.根据权利要求4所述的方法，其特征在于，
6.根据权利要求5所述的方法，其特征在于，还包括：
7.基于esn深度学习的出清电价的预测装置，其特征在于，所述装置包括：
8.一种存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序被主控器执行时，实现如权利要求1-6任一项所述的基于esn深度学习的出清电价的预测方法中的各个步骤。
