【技術實現步驟摘要】
本申請涉及電力市場交易的強化學習模型應用，具體涉及一種基于多模型融合的電力市場電力參數輔助決策方法及裝置。
技術介紹
1、目前根據電力現貨市場交易規則，一般新能源發電企業參與電力現貨交易時，需按照市場規則要求進行日前申報。即市場參與者在日前(一般為運行日的前一天)向電力交易機構或調度機構申報其在運行日的發用電計劃、報價等信息，其為市場參與者提供了一個提前規劃和參與市場競爭的機會，有助于提高電力市場的申報效率和資源配置的合理性。
2、目前，多數新能源發電企業的日前申報方式主要有三種：第一種是直接使用風功率預測系統的原始功率預測數據作為市場申報方案；第二種是使用人工方式對原始功率預測數據進行調整，形成市場申報方案；第三種是借助軟件系統，生成市場申報方案。但是，第一種方式完全依賴原始功率預測數據，未綜合考慮中長期合約情況、市場供需情況、市場考核規則等各種因素，并且基于功率預測結果偏差較大，其申報方案考慮因素不全面，缺乏對數據的深度分析與挖掘，導致生成的市場申報方案全面性不足；第二種方式，雖然對原始功率預測數據進行了一定調整，但調整操作過度依賴個人的能力和經驗，并沒有明確的量化處理中間過程，實際產生的市場申報方案中部分因素帶有人為隨機性，且效率低下。第三種方式，雖借助了信息化手段，但該方式是基于歷史交易數據，采用統計分析方法進行價格趨勢分析，并對短期功率預測數據與實發功率數據進行誤差分析，將誤差結果作為短期功率調整的依據，來生成市場申報方案，此種方式僅采用常規的數理統計方法，邏輯簡單，未充分考慮數據的關聯，缺乏對全量數據的深
技術實現思路
1、為克服上述現有技術的不足，本申請提供了一種基于多模型融合的電力市場電力參數輔助決策方法及裝置，具體采用如下技術方案：
2、一種基于多模型融合的電力市場電力參數輔助決策方法，其包括如下步驟：
3、步驟一：分別獲取第d天中第t采集時刻所對應的電力市場的樣本數據，匯總為樣本數據集，并對樣本數據集進行預處理；所述樣本數據集至少包括日前價格、實時價格、市場日前出清價格、市場實時出清價格、出清電量數據、短期功率數據、調整比例數據以及環境參數；其中d＝1，2，...，d，d為天數上限；
4、步驟二：分析樣本數據集中已有的調整比例數據獲得調整比例范圍；
5、步驟三：基于樣本數據集計算電力市場的日前價格與實時價格的差值，并通過熱編碼方式將日前價格與實時價格的差值處理為原始特征數據集，隨后對所述原始特征數據集進行窗口滑動處理擴充獲得擴充特征數據集；
6、步驟四：利用擴充特征數據集對神經網絡分類模型進行訓練，并基于訓練完成的神經網絡分類模型預測獲得目標日的特征數據；
7、步驟五：以特征數據與調整比例為損失函數分別建立多個用于獲得最佳調整比例的機器學習算法模型，且分別對不同機器學習算法模型進行訓練和驗證，選擇調整比例與特征數據方向一致時采集時刻數量最多的模型作為對應機器學習算法模型的最優模型；所述機器學習算法模型至少包括長短期神經網絡算法、時間序列學習算法、強化學習算法；
8、步驟六：將目標日所采集的數據輸入不同機器學習算法模型的最優模型得到目標日的多個調整比例；
9、步驟七：將所獲得目標日的多個調整比例與目標日的特征數據進行同向判斷，選擇最終的調整比例。
10、可選的：所述步驟一中獲取電力市場的樣本數據時，以天為單位并將每天劃分為若干等間隔的采集時刻，每個采集時刻分別獲取對應時刻的樣本數據。
11、可選的：所述步驟一中采用數據歸一化方法對樣本數據集進行預處理：
12、首先分別獲取樣本數據集中不同樣本數據的最大值和最小值，并將樣本數據按照同一天的不同時刻進行歸類以獲得第d天的樣本單元；
13、基于對應樣本數據的最大值與最小值獲得第t采集時刻所對應的樣本數據差；
14、基于第d天的樣本單元獲取第d天中第t采集時刻的樣本數據，并根據第d天中第t采集時刻的樣本數據和第t采集時刻所對應的樣本數據差獲得第d天中第t采集時刻所對應的歸一化后的樣本數據。
15、可選的：所述步驟二中分析樣本數據集中已有的調整比例數據獲得調整比例范圍的步驟包括：
16、將樣本數據集中第d天第t采集時刻對應的出清電量數據轉換為電力系統出力數據；
17、計算第d天第t采集時刻對應的電力系統出力數據與短期功率數據的調整比例；
18、利用統計學方法對樣本數據集進行統計得到調整比例的最大值和最小值，并將調整比例的最大值和最小值作為調整比例范圍；
19、通過概率密度曲線函數計算歷史天數中對應各采集時刻的調整比例概率分布。
20、可選的：所述步驟三中通過熱編碼方式將日前價格與實時價格的差值處理為特征數據的步驟包括：
21、分別獲取第d天第t采集時刻對應的日前價格與實時價格；
22、計算獲得第d天第t采集時刻對應的日前價格與實時價格的差值；
23、分別將第d天第t采集時刻對應的日前價格與實時價格的差值與閾值0進行對比，判斷對應的價差方向：當日前價格與實時價格的差值小于0時，判斷價差方向為-1；當日前價格與實時價格的差值等于0時，判斷價差方向為0；當日前價格與實時價格的差值大于0時，判斷價差方向為1；
24、將所得到的價差方向匯總獲得特征數據。
25、可選的：所述步驟三中對所述原始特征數據集進行窗口滑動處理擴充獲得擴充特征數據集的步驟包括：
26、設定時間窗口的窗口寬度w和滑動步長δw，并將原始特征數據集的特征數據按照時間先后順序依次排列獲得排列后的原始特征數據集；
27、將排列后的原始特征數據集的起始位置按照時間窗口的窗口寬度w依次后移一個滑動步長δw，并將時間窗口位置的特征數據置為0，以獲得新的特征數據。
28、可選的：所述步驟四中利用擴充特征數據集對神經網絡分類模型進行訓練的步驟包括：
29、首先將擴充特征數據集按天進行分類獲得不同特征單元；
30、其次采用基于密度的聚類算法對擴充特征數據集的不同特征單元進行聚類，選擇出與目標日相似的聚類中心所在的特征單元；其中判斷與目標日相似時，采用如下方法：
31、
32、其中xdi為目標日的特征數據集；xd為第d天的特征數據集；dist(xdi,xd)為歐氏距離計算函數；x'di,t為目標日第t采集時刻歸一化后的特征數據；x'd,t為第d天第t采集時刻歸一化后的特征數據；t為采集時刻總數量；
33、通過對目標日的特征數據與不同特征單元的歐氏距離排序，并選擇滿足預設距離的特征單元所對應的特征數據作為訓練數據；
34、最后以所獲得的訓練數據訓練預設的神經網絡分類模型獲得訓練后的神經網絡分本文檔來自技高網...
【技術保護點】
1.一種基于多模型融合的電力市場電力參數輔助決策方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟一中獲取電力市場的樣本數據時，以天為單位并將每天劃分為若干等間隔的采集時刻，每個采集時刻分別獲取對應時刻的樣本數據。
3.根據權利要求2所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟一中采用數據歸一化方法對樣本數據集進行預處理：
4.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟二中分析樣本數據集中已有的調整比例數據獲得調整比例范圍的步驟包括：
5.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟三中通過熱編碼方式將日前價格與實時價格的差值處理為特征數據的步驟包括：
6.根據權利要求5所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟三中對所述原始特征數據集進行窗口滑動處理擴充獲得擴充特征數據集的步驟包括：
7.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟四中利用擴充特
8.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟五中選擇調整比例與特征數據方向一致時采集時刻數量最多的模型作為對應機器學習算法模型的最優模型的步驟包括：
9.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟七中對所獲得目標日的多個調整比例與目標日的特征數據進行同向判斷，選擇最終的調整比例的步驟包括：
10.一種基于多模型融合的電力市場電力參數輔助決策裝置，其特征在于，所述裝置包括：
...【技術特征摘要】
1.一種基于多模型融合的電力市場電力參數輔助決策方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟一中獲取電力市場的樣本數據時，以天為單位并將每天劃分為若干等間隔的采集時刻，每個采集時刻分別獲取對應時刻的樣本數據。
3.根據權利要求2所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟一中采用數據歸一化方法對樣本數據集進行預處理：
4.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟二中分析樣本數據集中已有的調整比例數據獲得調整比例范圍的步驟包括：
5.根據權利要求1所述的電力市場電力參數輔助決策方法，其特征在于，所述步驟三中通過熱編碼方式將日前價格與實時價格的差值處理為特征數據的步驟包括：
6.根據權利...
【專利技術屬性】
技術研發人員：周云，陳好，李超英，鄭瑞錦，林宏宇，李晴，
申請(專利權)人：中能智新科技產業發展有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。