一种基于机器学习的虚拟电厂交易管理方法及系统与流程

本发明涉及虚拟电厂，具体涉及一种基于机器学习的虚拟电厂交易管理方法及系统。

背景技术：

1、虚拟电厂是一种通过先进信息通信技术和软件系统，实现dg、储能系统、可控负荷、电动汽车等der的聚合和协调优化，以作为一个特殊电厂参与电力市场和电网运行的电源协调管理系统。虚拟电厂概念的核心可以总结为“通信”和“聚合”。虚拟电厂的关键技术主要包括协调控制技术、智能计量技术以及信息通信技术。

2、目前为了推动虚拟电厂运营商的积极性、增加新能源消纳水平、形成稳定的虚拟电厂与电网协调互动能力，对虚拟电厂进行分级交易，极大地优化了虚拟电厂之间的资源配置。因此，虚拟电厂的交易管理能够保障虚拟电厂交易的稳定进行。

3、现有技术在对虚拟电厂进行交易管理时，通常采用对交易数据的异常监测和异常预警，避免异常交易的产生，但是，在异常监测时缺乏统一的判断标准或流程，导致异常监测的效果可靠性不强，而且还缺乏对异常数据统一的修正流程，使得在修正异常数据前虚拟电厂的交易出现长时间停滞，降低虚拟电厂的交易稳定性。

技术实现思路

1、本发明的目的在于提供一种基于机器学习的虚拟电厂交易管理方法，以解决现有技术中在异常监测时缺乏统一的判断标准或流程，导致异常监测的效果可靠性不强，而且还缺乏对异常数据统一的修正流程，使得在修正异常数据前虚拟电厂的交易出现长时间停滞，降低虚拟电厂的交易稳定性的技术问题。

2、为解决上述技术问题，本发明具体提供下述技术方案：

3、一种基于机器学习的虚拟电厂交易管理方法，包括以下步骤：监测位于交易时刻处用于虚拟电厂与多个交易市场进行结算的交易数据，得到交易时刻处的交易数据的测量值；

4、筛选出等于真实值的多个所述交易数据的测量值得到交易数据的真实值，由交易数据的真实值依时序排列组成第一样本序列，通过lstm网络基于所述第一样本序列进行交易数据真实值的时序规律学习，得到测算出交易时刻处交易数据的预测值的交易预测模型；

5、对所述第一样本序列中交易数据的真实值进行缺陷处理得到交易数据的异常值，由交易数据的异常值依时序排列形成第二样本序列，通过cnn网络基于所述第一样本序列、所述第二样本序列和交易预测模型输出的交易数据的预测值，进行交易数据的真实值预测学习，得到根据交易数据的异常值和预测值测算出交易数据的真实值的交易修正模型；

6、通过交易预测模型对交易数据的测量值进行异常判断及预警，并通过交易修正模型对交易数据的异常值进行修正。

7、作为本发明的一种优选方案，所述交易市场包括：电能量市场、天然气市场、碳交易市场、调峰市场。

8、作为本发明的一种优选方案，电能量市场的交易数据包括电能量市场的可聚合资源规模、总负荷规模、电出清价格；

9、调峰市场的交易数据包括调峰市场的调峰需求产生的调峰申报量、电出清价格；

10、碳交易市场的交易数据包括碳交易市场的碳交易量、碳出清价格；

11、天然气市场包括的交易数据包括天然气市场的天然气交易量、天然气出清价格。

12、作为本发明的一种优选方案，所述交易预测模型的构建方法包括：

13、将第一样本序列中前置交易时刻处交易数据的真实值作为lstm网络的输入项，将第一样本序列中后置交易时刻处交易数据的真实值作为lstm网络的输出项；

14、通过lstm网络对lstm网络的输入项和lstm网络的输出项进行训练，得到所述交易预测模型；

15、所述交易预测模型为：

16、datan_k=lstm({data1_r,data2_r,…, datan-1_r })；

17、式中，datan_k为第n个交易时刻处的交易数据的预测值，data1_r,data2_r, datan-1_r分别为第1，2，n-1个交易时刻处交易数据的真实值，lstm为lstm网络；

18、其中，交易预测模型的损失函数：

19、l= ||datan_r-datan_k||2；

20、式中，l为损失函数值， ||datan_r-datan_k||2为datan_r和datan_k间的l2范数式，datan_r为第n个交易时刻处的交易数据的真实值，datan_k为第n个交易时刻处的交易数据的预测值。

21、作为本发明的一种优选方案，对所述第一样本序列中交易数据的真实值进行缺陷处理得到交易数据的异常值的方法包括：

22、将第一样本序列中各个交易数据的真实值进行部分数据的修改，并将修改后的交易数据的真实值作为交易数据的异常值。

23、作为本发明的一种优选方案，所述交易修正模型的构建方法包括：

24、通过cnn网络基于所述第一样本序列、所述第二样本序列和交易预测模型输出的交易数据的预测值，进行交易数据的真实值预测学习，得到根据交易数据的异常值和预测值测算出交易数据的真实值的交易修正模型；

25、将第二样本序列中交易数据的异常值和交易预测模型输出的交易数据的预测值作为cnn网络的输入项，将第一样本序列中交易数据的真实值作为cnn网络的输出项；

26、利用cnn网络对cnn网络的输入项和cnn网络的输出项进行训练，得到所述交易修正模型；

27、所述交易修正模型为：

28、datan_r=cnn(datan_e, datan_k)；

29、式中，datan_r为第n个交易时刻处的交易数据的真实值，datan_e为第n个交易时刻处的交易数据的异常值，datan_k为第n个交易时刻处的交易数据的预测值，cnn为cnn网络；

30、其中，交易修正模型的损失函数为：

31、l=max(||datan_r-datan_k||2-|| datan_r -datan_e||2+b,0)；

32、式中，l为损失函数值，max为取最大运算符，||datan_r-datan_k||2为datan_r和datan_k间的l2范数式，||datan_r-datan_e||2为datan_r和datan_e间的l2范数式，b为大于0的常数，|| datan_r -datan_e||2≥||datan_r-datan_k||2+b。

33、作为本发明的一种优选方案，通过交易预测模型对交易数据的测量值进行异常判断及预警的方法包括：

34、通过交易预测模型得到当前交易时刻处的交易数据的预测值；

35、将当前交易时刻的交易数据的预测值与当前时刻的交易数据的测量值进行一致性比较，其中，

36、若当前交易时刻处交易数据的预测值与测量值不一致，则当前交易时刻的交易数据处于异常状态，进行异常预警，并将当前交易时刻处的测量值作为当前交易时刻处交易数据的异常值；

37、若当前交易时刻处交易数据的预测值与测量值一致，则当前交易时刻的交易数据处于正常状态。

38、作为本发明的一种优选方案，通过交易修正模型对交易数据的异常值进行修正的方法包括：

39、将当前交易时刻处交易数据的异常值和当前交易时刻处的交易数据的预测值输入至交易修正模型，由交易修正模型得到当前交易时刻处的交易数据的真实值。

40、作为本发明的一种优选方案，本发明提供了一种基于机器学习的虚拟电厂交易管理系统，应用于所述的一种基于机器学习的虚拟电厂交易管理方法，系统包括：

41、数据采集单元，用于监测位于交易时刻处用于虚拟电厂与多个交易市场进行结算的交易数据，得到交易时刻处的交易数据的测量值；

42、数据处理单元，用于筛选出等于真实值的多个所述交易数据的测量值得到交易数据的真实值，由交易数据的真实值依时序排列组成第一样本序列，通过lstm网络基于所述第一样本序列进行交易数据真实值的时序规律学习，得到测算出交易时刻处交易数据的预测值的交易预测模型；

43、对所述第一样本序列中交易数据的真实值进行缺陷处理得到交易数据的异常值，由交易数据的异常值依时序排列形成第二样本序列，通过cnn网络基于所述第一样本序列、所述第二样本序列和交易预测模型输出的交易数据的预测值，进行交易数据的真实值预测学习，得到根据交易数据的异常值和预测值测算出交易数据的真实值的交易修正模型；

44、异常管理单元，用于通过交易预测模型对交易数据的测量值进行异常判断及预警，并通过交易修正模型对交易数据的异常值进行修正。

45、作为本发明的一种优选方案，异常管理单元的异常判断、预警以及异常值修正方法包括：

46、通过交易预测模型对交易数据的测量值进行异常判断及预警的方法包括：

47、通过交易预测模型得到当前交易时刻处的交易数据的预测值；

48、将当前交易时刻的交易数据的预测值与当前时刻的交易数据的测量值进行一致性比较，其中，

49、若当前交易时刻处交易数据的预测值与测量值不一致，则当前交易时刻的交易数据处于异常状态，进行异常预警，并将当前交易时刻处的测量值作为当前交易时刻处交易数据的异常值；

50、若当前交易时刻处交易数据的预测值与测量值一致，则当前交易时刻的交易数据处于正常状态；

51、将当前交易时刻处交易数据的异常值和当前交易时刻处的交易数据的预测值输入至交易修正模型，由交易修正模型得到当前交易时刻处的交易数据的真实值。本发明利用机器学习算法在异常监测时构建统一的判断模型，增强异常监测的效果可靠性，并进一步利用机器学习算法构建对异常数据统一的修正模型，避免在修正异常数据前虚拟电厂的交易出现长时间停滞，增强虚拟电厂交易管理的自动化程度，提升虚拟电厂的交易稳定性。

52、本发明与现有技术相比较具有如下有益效果：

53、本发明利用机器学习算法在异常监测时构建统一的判断模型，增强异常监测的效果可靠性，并进一步利用机器学习算法构建对异常数据统一的修正模型，避免在修正异常数据前虚拟电厂的交易出现长时间停滞，增强虚拟电厂交易管理的自动化程度，提升虚拟电厂的交易稳定性。