CN110826777A - 风电竞价场内交易数据分析方法、装置、设备及介质 - Google Patents

风电竞价场内交易数据分析方法、装置、设备及介质 Download PDF

Info

Publication number
CN110826777A
CN110826777A CN201911014039.8A CN201911014039A CN110826777A CN 110826777 A CN110826777 A CN 110826777A CN 201911014039 A CN201911014039 A CN 201911014039A CN 110826777 A CN110826777 A CN 110826777A
Authority
CN
China
Prior art keywords
vector
historical
market
data
maximum
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201911014039.8A
Other languages
English (en)
Inventor
郭映军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huaneng Dali Wind Power Co Ltd
Original Assignee
Huaneng Dali Wind Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huaneng Dali Wind Power Co Ltd filed Critical Huaneng Dali Wind Power Co Ltd
Priority to CN201911014039.8A priority Critical patent/CN110826777A/zh
Publication of CN110826777A publication Critical patent/CN110826777A/zh
Priority to PCT/CN2020/117295 priority patent/WO2021077977A1/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0206—Price or cost determination based on market factors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
    • Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Accounting & Taxation (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提出了一种风电竞价场内交易数据分析方法、装置、设备及介质。包括：获取市场的历史原始数据，根据市场的历史原始数据建立向量；建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。本发明通过获取市场历史原始数据，通过建立相似日法中的极大极小差值算法来预测需要的数据，在得到需要的数据之后，通过搭建神经网络算法，对预测的数据进行计算，得到预测电价，为竞价决策做辅助。

Description

风电竞价场内交易数据分析方法、装置、设备及介质
技术领域
本发明涉及风电竞价技术领域，尤其涉及一种风电竞价场内交易数据分析方法、装置、设备及介质。
背景技术
近年来，全球环境问题与能源问题日益突出，可再生能源在国内外受到广泛的关注并迅速发展，随着风电技术的成熟和成本的下降，为了实现市场优化资源配置，风电商需要参与到市场竞价中，竞价决策因此而来，竞价决策是指通过市场运营机构(或电力交易中心)组织交易的卖方或买方参与市场投标，以竞争方式确定交易量以及其价格的过程。
但是，现有的竞价场内交易数据的展示方式过于简单，仅仅只通过图表、曲线以及柱状图来展示当月的数据，同时，也没有对历史数据进行分析和预测，所以，如何对历史数据进行分析，对量价进行预测，为竞价决策做出辅助成为了一个亟待解决的问题。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
有鉴于此，本发明提出了一种风电竞价场内交易数据分析方法、装置、设备及介质，旨在解决现有技术无法对历史数据进行分析，对量价进行预测，为竞价决策做出辅助的技术问题。
本发明的技术方案是这样实现的：
一方面，本发明提供了一种风电竞价场内交易数据分析方法，所述风电竞价场内交易数据分析方法包括以下步骤：
S1，获取市场的历史原始数据，根据市场的历史原始数据建立向量；
S2，建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
S3，建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
在以上技术方案的基础上，优选的，步骤S1中，市场的历史原始数据包括竞价双方的历史报价、历史成交价格、历史结算价格。
在以上技术方案的基础上，优选的，步骤S1中，获取市场的历史原始数据，根据市场的历史原始数据建立向量，还包括以下步骤，根据市场的历史原始数据建立向量：
Y＝[vmax,vmin,paver,haver]；
其中，Y表示根据市场的历史原始数据建立的向量，vmax代表历史报价的最大值，vmin代表历史报价的最小值，paver代表历史成交价格的平均值，haver代表历史结算价格的平均值。
在以上技术方案的基础上，优选的，步骤S2中，建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，还包括以下步骤，建立极大极小差值法，根据极大极小差值法对该向量进行归一化，获取归化后的向量。
在以上技术方案的基础上，优选的，还包括以下步骤，归一化公式为：
xi(j)＝[yi(j)-m(j)]/[M(j)-m(j)]；
其中，xi(j)为归化后的第j个分量，yi(j)为归化前的分量，m(j)为样本中第j个分量的最小值，M(j)为样本中第j个分量的最大值。
在以上技术方案的基础上，优选的，步骤S3中，建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价，还包括以下步骤，神经网络算法为：
Figure BDA0002245103230000031
其中，f'(x)为预测电价，Opj为模式p节点j的实际输出值，f(x)为阈函数。
在以上技术方案的基础上，优选的，还包括以下步骤，阈函数f(x)为：
f(x)＝1/(1+e-x)；
其中，e-x为系统设定的修正值。
更进一步优选的，所述风电竞价场内交易数据分析装置包括：
获取模块，用于获取市场的历史原始数据，根据市场的历史原始数据建立向量；
第一计算模块，用于建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
第二计算模块，用于建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
第二方面，所述风电竞价场内交易数据分析方法还包括一种设备，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的风电竞价场内交易数据分析方法程序，所述风电竞价场内交易数据分析方法程序配置为实现如上文所述的风电竞价场内交易数据分析方法的步骤。
第三方面，所述风电竞价场内交易数据分析方法还包括一种介质，所述介质为计算机介质，所述计算机介质上存储有风电竞价场内交易数据分析方法程序，所述风电竞价场内交易数据分析方法程序被处理器执行时实现如上文所述的风电竞价场内交易数据分析方法的步骤。
本发明的一种风电竞价场内交易数据分析方法相对于现有技术具有以下有益效果：
(1)通过相似日法中的极大极小差值法对市场的历史原始数据进行计算，获取计算后的向量，将该向量作为对比标准，获取系统对市场数据的预测向量，将该预测向量与计算后的向量进行比较，确定满足需求的预测值，通过这种方式，可以自动且准确对预测值进行判断，提高了竞价效率；
(2)通过建立神经网络算法，通过神经网络对预测值进行计算，获取计算后的结果作为预测电价，通过这种方式可以快速对电价进行预测，提高了工作效率，同时也节省了资源。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例方案涉及的硬件运行环境的设备的结构示意图；
图2为本发明风电竞价场内交易数据分析方法第一实施例的流程示意图；
图3为本发明风电竞价场内交易数据分析方法第一实施例的功能模块示意图。
具体实施方式
下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，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方式，都属于本发明保护的范围。
如图1所示，该设备可以包括：处理器1001，例如中央处理器(Central ProcessingUnit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对设备的限定，在实际应用中设备可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及风电竞价场内交易数据分析方法程序。
在图1所示的设备中，网络接口1004主要用于建立设备与存储风电竞价场内交易数据分析方法系统中所需的所有数据的服务器的通信连接；用户接口1003主要用于与用户进行数据交互；本发明风电竞价场内交易数据分析方法设备中的处理器1001、存储器1005可以设置在风电竞价场内交易数据分析方法设备中，所述风电竞价场内交易数据分析方法设备通过处理器1001调用存储器1005中存储的风电竞价场内交易数据分析方法程序，并执行本发明实施提供的风电竞价场内交易数据分析方法。
结合图2，图2为本发明风电竞价场内交易数据分析方法第一实施例的流程示意图。
本实施例中，所述风电竞价场内交易数据分析方法包括以下步骤：
S10：获取市场的历史原始数据，根据市场的历史原始数据建立向量。
应当理解的是，系统会自动获取市场的一些历史原始数据，这些历史原始数据包括竞价双方的历史报价、历史成交价格、历史结算价格，然后会根据这些历史原始数据建立对应的向量，向量会涵盖所有的原始数据，通过这样的方式，将原始数据建立向量后，有利于后续的计算。
应当理解的是，建立的向量为：
Y＝[vmax,vmin,paver,haver]；
其中，Y表示根据市场的历史原始数据建立的向量，vmax代表历史报价的最大值，vmin代表历史报价的最小值，paver代表历史成交价格的平均值，haver代表历史结算价格的平均值。
S20：建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值。
应当理解的是，建立极大极小差值法，通过极大极小差值法对原始数据建立的向量进行归一化，用于后续进行相似度的判断。
应当理解的是，归一化是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。归一化公式为：
xi(j)＝[yi(j)-m(j)]/[M(j)-m(j)]；
其中，xi(j)为归化后的第j个分量，yi(j)为归化前的分量，m(j)为样本中第j个分量的最小值，M(j)为样本中第j个分量的最大值。
应当理解的是，对于本实施例中的向量，一共有4个分量，所以本实施例中的向量其规划后的第j向量可表示为：
xj＝[xj(1),xj(2),xj(3),xj(4)]。
应当理解的是，系统会获取对市场的预测数据，这些预测数据包括竞价双方的预测报价、预测成交价格以及预测结算价格，在获取数据之后，系统会将这些数据整理起来，同样建立一个预测向量，并通过相似度判别公式来判别预测向量与历史数据技术得到的向量的相似度，相似度越高，表示预测的数据越准确。
应当理解的是，相似度判别公式为：
Figure BDA0002245103230000061
其中，t表示预测日，i表示第i个样本，j表示向量中的第j个分量。
S30：建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
应当理解的是，建立神经网络算法，神经网络是一个并行和分布式的信息处理网络结构，它一般由许多个神经元组成，每个神经元只有一个输出，它可以连接到很多其他的神经元，每个神经元输入有很多个连接通道，每个连接通道对应于一个连接权系数。
应当理解的是，一个多层神经网络模型分为三层：输入层、输入层和中间层。设N为输入层单元数，L为中间层单元个数，M为输出层单元个数。中间层不与实际的输入输出想连接，故又称隐含层。
应当理解的是，本实施例中，通过构建神经网络算法对预测值进行计算的步骤为：
设模型为三层网络结构，输入层单元数为N个；隐含层单元数为L＞2N个；输出层单元数为M个。设Ep为模式p下全网络的误差函数，定义误差函数Ep为各节点希望输出值与实际输出值之差的平方和：
Figure BDA0002245103230000071
其中，tpj为模式p下节点j的希望输出值；Opj为模式p下节点j的实际输出值。
取S型函数作为阈函数(S的意义为修正系数)，则有：
f(x)＝1/(1+e-x)；
其中，e-x为系统设定的修正值。
对上述函数求导即可以得到预测电价的函数，采用三层神经网络建立每个报价时段的预测模型，既可以快速获取预测电价。
Figure BDA0002245103230000072
其中，Opj为模式p节点j的实际输出值。
需要说明的是，以上仅为举例说明，并不对本申请的技术方案构成任何限定。
通过上述描述不难发现，本实施例通过获取市场的历史原始数据，根据市场的历史原始数据建立向量；建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。本发明通过获取市场历史原始数据，通过建立相似日法中的极大极小差值算法来预测需要的数据，在得到需要的数据之后，通过搭建神经网络算法，对预测的数据进行计算，得到预测电价，为竞价决策做辅助。
此外，本发明实施例还提出一种风电竞价场内交易数据分析装置。如图3所示，该风电竞价场内交易数据分析装置包括：获取模块10、第一计算模块20、第二计算模块30。
获取模块10，用于获取市场的历史原始数据，根据市场的历史原始数据建立向量；
第一计算模块20，用于建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
第二计算模块30，用于建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
此外，需要说明的是，以上所描述的装置实施例仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的风电竞价场内交易数据分析方法，此处不再赘述。
此外，本发明实施例还提出一种介质，所述介质为计算机介质，所述计算机介质上存储有风电竞价场内交易数据分析方法程序，所述风电竞价场内交易数据分析方法程序被处理器执行时实现如下操作：
S1，获取市场的历史原始数据，根据市场的历史原始数据建立向量；
S2，建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
S3，建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
市场的历史原始数据包括竞价双方的历史报价、历史成交价格、历史结算价格。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
根据市场的历史原始数据建立向量：
Y＝[vmax,vmin,paver,haver]；
其中，Y表示根据市场的历史原始数据建立的向量，vmax代表历史报价的最大值，vmin代表历史报价的最小值，paver代表历史成交价格的平均值，haver代表历史结算价格的平均值。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
建立极大极小差值法，根据极大极小差值法对该向量进行归一化，获取归化后的向量。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
归一化公式为：
xi(j)＝[yi(j)-m(j)]/[M(j)-m(j)]；
其中，xi(j)为归化后的第j个分量，yi(j)为归化前的分量，m(j)为样本中第j个分量的最小值，M(j)为样本中第j个分量的最大值。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
神经网络算法为：
其中，f'(x)为预测电价，Opj为模式p节点j的实际输出值，f(x)为阈函数。
进一步地，所述风电竞价场内交易数据分析方法程序被处理器执行时还实现如下操作：
阈函数f(x)为：
f(x)＝1/(1+e-x)；
其中，e-x为系统设定的修正值。
以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种风电竞价场内交易数据分析方法，其特征在于：包括以下步骤；
S1，获取市场的历史原始数据，根据市场的历史原始数据建立向量；
S2，建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
S3，建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
2.如权利要求1所述的风电竞价场内交易数据分析方法，其特征在于：步骤S1中，市场的历史原始数据包括竞价双方的历史报价、历史成交价格、历史结算价格。
3.如权利要求2所述的风电竞价场内交易数据分析方法，其特征在于：步骤S1中，获取市场的历史原始数据，根据市场的历史原始数据建立向量，还包括以下步骤，根据市场的历史原始数据建立向量：
Y＝[vmax,vmin,paver,haver]；
其中，Y表示根据市场的历史原始数据建立的向量，vmax代表历史报价的最大值，vmin代表历史报价的最小值，paver代表历史成交价格的平均值，haver代表历史结算价格的平均值。
4.如权利要求3所述的风电竞价场内交易数据分析方法，其特征在于：步骤S2中，建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，还包括以下步骤，建立极大极小差值法，根据极大极小差值法对该向量进行归一化，获取归化后的向量。
5.如权利要求4所述的风电竞价场内交易数据分析方法，其特征在于：还包括以下步骤，归一化公式为：
xi(j)＝[yi(j)-m(j)]/[M(j)-m(j)]；
其中，xi(j)为归化后的第j个分量，yi(j)为归化前的分量，m(j)为样本中第j个分量的最小值，M(j)为样本中第j个分量的最大值。
6.如权利要求1所述的风电竞价场内交易数据分析方法，其特征在于：步骤S3中，建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价，还包括以下步骤，神经网络算法为：
其中，f'(x)为预测电价，Opj为模式p节点j的实际输出值，f(x)为阈函数。
7.如权利要求6所述的风电竞价场内交易数据分析方法，其特征在于：还包括以下步骤，阈函数f(x)为：
f(x)＝1/(1+e-x)；
其中，e-x为系统设定的修正值。
8.一种风电竞价场内交易数据分析装置，其特征在于，所述风电竞价场内交易数据分析装置包括：
获取模块，用于获取市场的历史原始数据，根据市场的历史原始数据建立向量；
第一计算模块，用于建立极大极小差值法，通过极大极小差值法对该历史原始数据进行计算，获取计算向量，获取市场的预测向量，将该预测向量与计算向量进行比较，当预测向量满足计算向量的范围时，将该预测向量作为预测值；
第二计算模块，用于建立神经网络算法，通过神经网络算法对预测值进行计算，获取计算的结果作为预测电价。
9.一种设备，其特征在于，所述设备包括：存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的风电竞价场内交易数据分析方法程序，所述风电竞价场内交易数据分析方法程序配置为实现如权利要求1至7任一项所述的风电竞价场内交易数据分析方法的步骤。
10.一种介质，其特征在于，所述介质为计算机介质，所述计算机介质上存储有风电竞价场内交易数据分析方法程序，所述风电竞价场内交易数据分析方法程序被处理器执行时实现如权利要求1至7任一项所述的风电竞价场内交易数据分析方法的步骤。
CN201911014039.8A 2019-10-23 2019-10-23 风电竞价场内交易数据分析方法、装置、设备及介质 Pending CN110826777A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201911014039.8A CN110826777A (zh) 2019-10-23 2019-10-23 风电竞价场内交易数据分析方法、装置、设备及介质
PCT/CN2020/117295 WO2021077977A1 (zh) 2019-10-23 2020-09-24 风电竞价场内交易数据分析方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911014039.8A CN110826777A (zh) 2019-10-23 2019-10-23 风电竞价场内交易数据分析方法、装置、设备及介质

Publications (1)

Publication Number Publication Date
CN110826777A true CN110826777A (zh) 2020-02-21

Family

ID=69550320

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911014039.8A Pending CN110826777A (zh) 2019-10-23 2019-10-23 风电竞价场内交易数据分析方法、装置、设备及介质

Country Status (2)

Country Link
CN (1) CN110826777A (zh)
WO (1) WO2021077977A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021077977A1 (zh) * 2019-10-23 2021-04-29 华能大理风力发电有限公司 风电竞价场内交易数据分析方法、装置、设备及介质
CN113129109A (zh) * 2021-04-30 2021-07-16 深圳市点石成金科技有限公司 一种基于大数据的人工智能竞价算法及系统

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6562664B2 (ja) * 2015-03-13 2019-08-21 株式会社日立製作所 エネルギー制御システム
CN105117810A (zh) * 2015-09-24 2015-12-02 国网福建省电力有限公司泉州供电公司 一种阶梯电价机制下居民用电中期负载预测方法
CN106682934A (zh) * 2016-11-18 2017-05-17 云南电网有限责任公司电力科学研究院 一种购电竞价策略
CN109242532B (zh) * 2018-08-03 2022-04-26 广东工业大学 基于局域均值分解及优化rbf神经网络的短期电价预测方法
CN110135643A (zh) * 2019-05-17 2019-08-16 国网山东省电力公司莱芜供电公司 考虑钢铁期货价格和实时电价因素的短期日负荷预测方法
CN110826777A (zh) * 2019-10-23 2020-02-21 华能大理风力发电有限公司 风电竞价场内交易数据分析方法、装置、设备及介质

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021077977A1 (zh) * 2019-10-23 2021-04-29 华能大理风力发电有限公司 风电竞价场内交易数据分析方法、装置、设备及介质
CN113129109A (zh) * 2021-04-30 2021-07-16 深圳市点石成金科技有限公司 一种基于大数据的人工智能竞价算法及系统
CN113129109B (zh) * 2021-04-30 2024-01-26 深圳市点石成金科技有限公司 一种基于大数据的人工智能竞价算法及系统

Also Published As

Publication number Publication date
WO2021077977A1 (zh) 2021-04-29

Similar Documents

Publication Publication Date Title
Mohamed et al. Modelling project investment decisions under uncertainty using possibility theory
CN110070391A (zh) 数据处理方法、装置、计算机可读介质及电子设备
CN110634043B (zh) 供需匹配模型获得方法、供需匹配方法、平台和存储介质
CN110738405A (zh) 电力市场有效性的评估方法、装置及存储介质
CN110796513A (zh) 多任务学习方法、装置、电子设备及存储介质
CN112884359A (zh) 一种电力现货市场风险评估方法
CN111192133A (zh) 用户贷后风险模型生成方法、装置及电子设备
CN111506876B (zh) 一种数据预测分析方法、系统、设备及可读存储介质
WO2021077977A1 (zh) 风电竞价场内交易数据分析方法、装置、设备及介质
CN112966189A (zh) 一种基金产品推荐系统
CN111144721A (zh) 电网项目需求评价模型的构建方法、装置和计算设备
CN115330435A (zh) 一种碳排放权价格指标体系建立方法、装置、设备及介质
KR102360383B1 (ko) 공공조달시장의 입찰을 위한 빅데이터 기반 예정가격 확률분포 예측 서비스 제공 시스템
CN113361959A (zh) 一种银行业务集中运营成熟度的计算方法和装置
CN114118570A (zh) 业务数据预测方法及装置、电子设备和存储介质
CN110837962A (zh) 一种电力客户黏性计算方法
CN114970357A (zh) 节能效果评价方法、系统、装置及存储介质
CN112837161A (zh) 基于多任务学习和多指数协同注意力机制的股市预测方法
CA3171885A1 (en) Systems, computer-implemented methods and computer programs for capital management
CN110782369A (zh) 确定多能互补新能源发电系统运营风险的方法及评估系统
CN116542831B (zh) 招生数据的处理方法、装置、电子设备及存储介质
Yap et al. Deep learning neural network for the prediction of asian tiger stock markets
Li The prediction algorithm of credit risk of science and technology finance based on cloud computing
Malhotra et al. Benchmarking thrift and mortgage finance companies
JP7112772B2 (ja) 売却価格予測装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200221