基于多模型融合的电力市场电力参数辅助决策方法及装置与流程

本技术涉及电力市场交易的强化学习模型应用，具体涉及一种基于多模型融合的电力市场电力参数辅助决策方法及装置。

背景技术：

1、目前根据电力现货市场交易规则，一般新能源发电企业参与电力现货交易时，需按照市场规则要求进行日前申报。即市场参与者在日前(一般为运行日的前一天)向电力交易机构或调度机构申报其在运行日的发用电计划、报价等信息，其为市场参与者提供了一个提前规划和参与市场竞争的机会，有助于提高电力市场的申报效率和资源配置的合理性。

2、目前，多数新能源发电企业的日前申报方式主要有三种：第一种是直接使用风功率预测系统的原始功率预测数据作为市场申报方案；第二种是使用人工方式对原始功率预测数据进行调整，形成市场申报方案；第三种是借助软件系统，生成市场申报方案。但是，第一种方式完全依赖原始功率预测数据，未综合考虑中长期合约情况、市场供需情况、市场考核规则等各种因素，并且基于功率预测结果偏差较大，其申报方案考虑因素不全面，缺乏对数据的深度分析与挖掘，导致生成的市场申报方案全面性不足；第二种方式，虽然对原始功率预测数据进行了一定调整，但调整操作过度依赖个人的能力和经验，并没有明确的量化处理中间过程，实际产生的市场申报方案中部分因素带有人为随机性，且效率低下。第三种方式，虽借助了信息化手段，但该方式是基于历史交易数据，采用统计分析方法进行价格趋势分析，并对短期功率预测数据与实发功率数据进行误差分析，将误差结果作为短期功率调整的依据，来生成市场申报方案，此种方式仅采用常规的数理统计方法，逻辑简单，未充分考虑数据的关联，缺乏对全量数据的深度分析与挖掘，导致生成的市场申报方案精度低，难以最大化地降低发电成本，提高发电效益，不利于提高电力市场的申报效率和结果准确性。

技术实现思路

1、为克服上述现有技术的不足，本技术提供了一种基于多模型融合的电力市场电力参数辅助决策方法及装置，具体采用如下技术方案：

2、一种基于多模型融合的电力市场电力参数辅助决策方法，其包括如下步骤：

3、步骤一：分别获取第d天中第t采集时刻所对应的电力市场的样本数据，汇总为样本数据集，并对样本数据集进行预处理；所述样本数据集至少包括日前价格、实时价格、市场日前出清价格、市场实时出清价格、出清电量数据、短期功率数据、调整比例数据以及环境参数；其中d＝1，2，...，d，d为天数上限；

4、步骤二：分析样本数据集中已有的调整比例数据获得调整比例范围；

5、步骤三：基于样本数据集计算电力市场的日前价格与实时价格的差值，并通过热编码方式将日前价格与实时价格的差值处理为原始特征数据集，随后对所述原始特征数据集进行窗口滑动处理扩充获得扩充特征数据集；

6、步骤四：利用扩充特征数据集对神经网络分类模型进行训练，并基于训练完成的神经网络分类模型预测获得目标日的特征数据；

7、步骤五：以特征数据与调整比例为损失函数分别建立多个用于获得最佳调整比例的机器学习算法模型，且分别对不同机器学习算法模型进行训练和验证，选择调整比例与特征数据方向一致时采集时刻数量最多的模型作为对应机器学习算法模型的最优模型；所述机器学习算法模型至少包括长短期神经网络算法、时间序列学习算法、强化学习算法；

8、步骤六：将目标日所采集的数据输入不同机器学习算法模型的最优模型得到目标日的多个调整比例；

9、步骤七：将所获得目标日的多个调整比例与目标日的特征数据进行同向判断，选择最终的调整比例。

10、可选的：所述步骤一中获取电力市场的样本数据时，以天为单位并将每天划分为若干等间隔的采集时刻，每个采集时刻分别获取对应时刻的样本数据。

11、可选的：所述步骤一中采用数据归一化方法对样本数据集进行预处理：

12、首先分别获取样本数据集中不同样本数据的最大值和最小值，并将样本数据按照同一天的不同时刻进行归类以获得第d天的样本单元；

13、基于对应样本数据的最大值与最小值获得第t采集时刻所对应的样本数据差；

14、基于第d天的样本单元获取第d天中第t采集时刻的样本数据，并根据第d天中第t采集时刻的样本数据和第t采集时刻所对应的样本数据差获得第d天中第t采集时刻所对应的归一化后的样本数据。

15、可选的：所述步骤二中分析样本数据集中已有的调整比例数据获得调整比例范围的步骤包括：

16、将样本数据集中第d天第t采集时刻对应的出清电量数据转换为电力系统出力数据；

17、计算第d天第t采集时刻对应的电力系统出力数据与短期功率数据的调整比例；

18、利用统计学方法对样本数据集进行统计得到调整比例的最大值和最小值，并将调整比例的最大值和最小值作为调整比例范围；

19、通过概率密度曲线函数计算历史天数中对应各采集时刻的调整比例概率分布。

20、可选的：所述步骤三中通过热编码方式将日前价格与实时价格的差值处理为特征数据的步骤包括：

21、分别获取第d天第t采集时刻对应的日前价格与实时价格；

22、计算获得第d天第t采集时刻对应的日前价格与实时价格的差值；

23、分别将第d天第t采集时刻对应的日前价格与实时价格的差值与阈值0进行对比，判断对应的价差方向：当日前价格与实时价格的差值小于0时，判断价差方向为-1；当日前价格与实时价格的差值等于0时，判断价差方向为0；当日前价格与实时价格的差值大于0时，判断价差方向为1；

24、将所得到的价差方向汇总获得特征数据。

25、可选的：所述步骤三中对所述原始特征数据集进行窗口滑动处理扩充获得扩充特征数据集的步骤包括：

26、设定时间窗口的窗口宽度w和滑动步长δw，并将原始特征数据集的特征数据按照时间先后顺序依次排列获得排列后的原始特征数据集；

27、将排列后的原始特征数据集的起始位置按照时间窗口的窗口宽度w依次后移一个滑动步长δw，并将时间窗口位置的特征数据置为0，以获得新的特征数据。

28、可选的：所述步骤四中利用扩充特征数据集对神经网络分类模型进行训练的步骤包括：

29、首先将扩充特征数据集按天进行分类获得不同特征单元；

30、其次采用基于密度的聚类算法对扩充特征数据集的不同特征单元进行聚类，选择出与目标日相似的聚类中心所在的特征单元；其中判断与目标日相似时，采用如下方法：

31、

32、其中xdi为目标日的特征数据集；xd为第d天的特征数据集；dist(xdi,xd)为欧氏距离计算函数；x'di,t为目标日第t采集时刻归一化后的特征数据；x'd,t为第d天第t采集时刻归一化后的特征数据；t为采集时刻总数量；

33、通过对目标日的特征数据与不同特征单元的欧氏距离排序，并选择满足预设距离的特征单元所对应的特征数据作为训练数据；

34、最后以所获得的训练数据训练预设的神经网络分类模型获得训练后的神经网络分类模型。

35、可选的：所述步骤五中选择调整比例与特征数据方向一致时采集时刻数量最多的模型作为对应机器学习算法模型的最优模型的步骤包括：

36、首先基于扩充特征数据集选取训练集，并以训练集分别对不同机器学习算法模型训练至预设次数，且每次训练完成保存对应训练后的机器学习算法模型；

37、针对同一类型的机器学习算法模型，将预设的验证集分别输入不同训练次数所保存的机器学习算法模型，分别获得输出的调整比例及调整方向；其中调整比例与调整方向的关系为：

38、

39、随后分别判断每次训练的机器学习算法模型所输出的调整方向与验证集中特征数据方向是否一致：

40、

41、其中rd,t为第d天第t采集时刻的调整比例；r_diffd,t为第d天第t采集时刻的调整方向；rp_diffd,t表示第d天第t采集时刻的调整方向与特征数据方向是否一致；price_diffd,t表示第d天第t采集时刻特征数据方向；

42、最后分别统计每次训练的机器学习算法模型输出的调整方向与验证集中特征数据方向一致时的采集时刻数量，选择对应采集时刻数量最多的模型作为对应机器学习算法模型的最优模型。

43、可选的：所述步骤七中对所获得目标日的多个调整比例与目标日的特征数据进行同向判断，选择最终的调整比例的步骤包括：

44、基于不同机器学习算法模型的最优模型分别获得目标日的调整比例与调整方向，其中调整比例与调整方向的关系为：

45、

46、统计在同一采集时刻下不同机器学习算法模型在不同调整方向的数量：

47、

48、其中ri,t为第i种机器学习算法模型输出的第t采集时刻的调整比例；r_diffi,t为第i种机器学习算法模型输出第t采集时刻的调整方向；i为不同机器学习算法模型的数量；rnpost为第t采集时刻处于正方向的数量；rnnegt为第t采集时刻处于负方向的数量；rnorigt为第t采集时刻不调整的数量；

49、选择当前采集时刻下数量最多的调整方向，并与目标日中同一采集时刻的特征数据方向进行对比：若当前采集时刻下所选择出的调整方向与目标日的特征数据方向一致，则计算当前采集时刻下选择出的调整方向所对应的调整比例均值，以作为最终调整比例；若当前采集时刻下所选择出的调整方向与目标日的特征数据方向不一致，则当前采集时刻下不调整。

50、进一步的，本技术还公开一种基于多模型融合的电力市场电力参数辅助决策装置，所述装置包括：

51、样本数据获取模块，用于分别获取第d天中第t采集时刻所对应的电力市场的样本数据，汇总为样本数据集，并对样本数据集进行预处理；所述样本数据集至少包括日前价格、实时价格、市场日前出清价格、市场实时出清价格、出清电量数据、短期功率数据、调整比例数据以及环境参数；其中d＝1，2，...，d，d为天数上限；

52、调整范围确定模块，用于分析样本数据集中已有的调整比例数据获得调整比例范围；

53、特征数据扩充模块，用于基于样本数据集计算电力市场的日前价格与实时价格的差值，并通过热编码方式将日前价格与实时价格的差值处理为原始特征数据集，随后对所述原始特征数据集进行窗口滑动处理扩充获得扩充特征数据集；

54、目标特征预测模块，用于利用扩充特征数据集对神经网络分类模型进行训练，并基于训练完成的神经网络分类模型预测获得目标日的特征数据；

55、最优模型筛选模块，用于以特征数据与调整比例为损失函数分别建立多个用于获得最佳调整比例的机器学习算法模型，且分别对不同机器学习算法模型进行训练和验证，选择调整比例与特征数据方向一致时采集时刻数量最多的模型作为对应机器学习算法模型的最优模型；所述机器学习算法模型至少包括长短期神经网络算法、时间序列学习算法、强化学习算法；

56、调整比例输出模块，用于将目标日所采集的数据输入不同机器学习算法模型的最优模型得到目标日的多个调整比例；

57、调整比例确定模块，用于将所获得目标日的多个调整比例与目标日的特征数据进行同向判断，选择最终的调整比例。

58、有益效果

59、本技术的技术方案获得了下列有益效果：

60、本技术的电力市场电力参数辅助决策方法通过采用人工智能技术将多种机器学习模型按照一定的规则进行融合，从而寻求不同申报策略-发电效益间的内在联系，可进行多元、多时段电力交易决策优化，灵活应对复杂多变市场环境，将日前申报问题进行量化处理，排除人为因素影响，且更深入挖掘数据的关联，进而所构建的日前申报辅助决策模型可确定最佳运行策略，以提高电力市场的申报效率和结果准确性。