CN110910159A - 电力报价方法和终端设备 - Google Patents
电力报价方法和终端设备 Download PDFInfo
- Publication number
- CN110910159A CN110910159A CN201910955172.7A CN201910955172A CN110910159A CN 110910159 A CN110910159 A CN 110910159A CN 201910955172 A CN201910955172 A CN 201910955172A CN 110910159 A CN110910159 A CN 110910159A
- Authority
- CN
- China
- Prior art keywords
- sample data
- quotation
- label
- electric power
- expected
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004519 manufacturing process Methods 0.000 claims abstract description 11
- 230000005611 electricity Effects 0.000 claims description 85
- 238000012545 processing Methods 0.000 claims description 61
- 230000008569 process Effects 0.000 claims description 25
- 238000012546 transfer Methods 0.000 claims description 20
- 230000010354 integration Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000005553 drilling Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010248 power generation Methods 0.000 description 27
- 230000006870 function Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000007726 management method Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 239000000446 fuel Substances 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 241000122205 Chamaeleonidae Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000004931 aggregating effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000010079 rubber tapping Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- 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
Abstract
本发明公开了一种电力报价方法和终端设备,方法包括:获取样本数据集,所述样本数据集中的样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;基于所述样本数据集中的样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。由此可见,本发明通过基于历史时间段内的样本数据及其对应的电力期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的电力期望报价。
Description
技术领域
本发明涉及终端领域,尤其涉及一种电力报价方法和终端设备。
背景技术
电力报价是指发电企业通过考虑自己的发电成本、利润、市场竞争力等影响因素,向电网企业或电力用户报出的电力价格。
目前的电力报价方案一般是发电企业的工作人员根据自身经验进行电力报价,然而由于受工作人员自身经验水平的限制,会存在报价效率低的问题。
因此,亟需一种更有效的电力报价方案。
发明内容
本发明实施例的目的是提供一种电力报价方法和终端设备,能够更有效地进行电力报价。
第一方面,提供了一种电力报价的方法,该方法包括:
获取样本数据集,所述样本数据集中的样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;
获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;
基于所述样本数据集中的样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
第二方面,提供了一种终端设备,该终端设备包括:
第一获取模块,用于获取样本数据,所述样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;
第二获取模块,用于获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;
训练模块,用于基于所述样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
第三方面,提供了一种终端设备,所述终端设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的方法的步骤。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的方法的步骤。
在本发明实施例中,通过基于历史时间段内的样本数据及其对应的电力期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的电力期望报价。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本发明的一部分,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明的一个实施例提供的一种电力报价方法的流程示意图;
图2是本发明的一个实施例提供的一种终端设备的结构示意图;
图3是本发明的另一个实施例提供的一种终端设备的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图对本发明的各个实施例进行详细说明:
图1是本发明的一个实施例提供的一种电力报价方法的流程示意图,参见图1,该方法具体可以包括如下步骤:
步骤102:获取样本数据集,所述样本数据集中的样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系。
其中,预设历史时间段可以是某一个月、某一周或者某一天等;电力交易价格可以是电力的买卖双方(发电企业和电网企业,或者发电企业和电力用户)之间实际达成交易的价格,电力交易价格又可以称为电力成交价;电力生产成本可以包括人力成本和发电燃料成本(发电形式为火力发电)等;电力市场的电力供需关系可以包括发电企业的发电量(如日电量)、社会的用电量(如日用电量)、国内生产总值(Gross Domestic Product,GDP)和居民消费价格指数(Consumer Price Index,CPI)、水文气象数据和流域的水位数据(发电形式为水力发电);所述影响因素可以是从发电企业的生产经营分析系统、管理信息系统(Management Information System,MIS)、实时信息系统、数字化煤场管理系统(发电形式为火力发电)、企业资源计划(Enterprise Resource Planning,ERP)和供应商关系管理(Supplier Relationship Management,SRM)等应用信息系统中抽取的结构化和非结构化数据,以及发电企业人工填报的月度经营计划和完成数据等;电力交易价格以及电力交易价格的各影响因素可以称为样本数据的特征集中的不同特征,不同样本数据的特征集中的特征的类型和数量相同。
需要说明的是,在步骤102之后,方法还包括数据集成处理步骤,该步骤的一种实现方式可以为:
步骤S1:对所述样本数据集中的样本数据进行数据集成处理;
步骤S2:基于数据仓库中预建立的数据仓库层次结构规范,将经过所述数据集成处理的样本数据加载至所述数据仓库中。
其中,所述数据集成处理包括抽取处理、清洗处理和转换处理中的至少一种;数据仓库(Data Warehouse,DW),是为企业所有级别的决策制定过程,提供所有类型数据支持的战略集合;数据仓库层次结构规范可以包括数据仓库层次结构规范(数据仓库的基本分层结构、各层物理表前缀、数据库对象命名规范)、实施流程规范、数据库安全管理规范(用户组管理、用户权限设定、用户密码管理、用户资源管理和数据库监控等)。
进一步地,数据集成处理步骤具体可以示例为:
利用数据仓库技术(Extract transform load,ETL),首先,从多个应用信息系统中抽取分散的样本数据;其次,对抽取的样本数据进行清洗处理:过滤掉不完整的样本数据(如缺失电力用户的地址信息)、错误的样本数据(如日期格式不正确或日期越界)以及重复的数据等;再其次,对经过清洗处理的样本数据进行转换处理:对不同应用信息系统的相同类型的样本数据进行统一、将样本数据按照数据仓库的粒度进行聚合等;最后,按照数据仓库层次结构规范,将经过转换处理的样本数据加载至数据仓库中。
基于此,通过在基于样本数据训练报价模型之前,对样本数据进行数据集成处理,并将经过数据集成处理的样本数据加载至数据仓库中,能够使得分散、零乱、标准不统一的样本数据得到很好的整合。
进一步地,在数据集成处理步骤之后,方法还包括联机分析处理步骤,该步骤的一种实现方式可以为:
对所述数据仓库中的样本数据进行联机分析处理,所述联机分析处理包括钻取处理、切片处理、切块处理和旋转处理中的至少一种。
其中,联机分析处理(Online Analytical Processing,OLAP)用于使分析人员能够迅速、一致、交互地从各个方面观察信息;钻取处理有向下钻取(Drill Down)和向上钻取(Drill up)处理,向下钻取是使用户在多层数据中展现渐增的细节层次,获得更多的细节性数据,向上钻取以渐增概括方式汇总数据;切片处理和切块处理是在多维样本数据的维上做投影操作,切片处理可以是在多维样本上选定一个二维子集的操作,切块处理可以是在多维样本上选定一个三维子集的操作;旋转处理可以是维的位置的互换。
不难理解的是,假设样本数据包括江苏、浙江和上海分别在2018年第一季度至第四季度的发电燃料成本、社会用电量和居民消费价格指数,则联机分析处理具体可以示例为:
首先,可以对样本数据进行向下钻取处理:分析江苏、浙江和上海在2018年第二季度4、5、6月每个月的发电燃料成本、社会用电量和居民消费价格指数;其次,可以对样本数据进行向上钻取处理:汇总来分析江浙沪地区在2018年第一季度至第四季度的总发电燃料成本、总社会用电量和平均居民消费价格指数;再其次,可以对样本数据进行切片处理:分析江苏、浙江和上海在2018年第一季度至第四季度的发电燃料成本;另外,可以对样本数据进行切块处理:分析江苏、浙江和上海在2018年第一季度至第二季度的发电燃料成本、社会用电量和居民消费价格指数;最后,可以通过旋转实现时间维度、地域维度和影响因素维度的转换。
基于此,通过在基于样本数据训练报价模型之前,对数据仓库中的样本数据进行联机分析处理,能够迅速、一致、交互地从多个维度分析样本数据,以达到深入理解样本数据的目的。
进一步地,在联机分析处理步骤之后,方法还包括聚类和降维处理步骤,该步骤的一种实现方式可以为:
对经过所述联机分析处理的样本数据进行聚类处理,得到多个样本数据子集,并对所述多个样本数据子集中的样本数据进行降维处理;
其中,同一样本数据子集中的样本数据所属类别相同,不同样本数据子集中的样本数据所属类别不同;聚类处理是指将相似的样本数据分为一类;聚类处理的计算方法主要包括划分方法(代表算法为K均值聚类(KMeans)算法)、层次方法(代表算法为多阶段聚类(CHAMELEON)算法)和基于密度的方法(代表算法为基于密度的噪声应用空间聚类(DBSCAN,Density-Based Spatial Clustering of Applications with Noise)算法)等;降维处理(代表方法为主成分分析法)是指将高维的样本数据转换为低维的样本数据的操作,主成分分析是设法将样本数据中众多具有一定相关性的特征,重新组合成一组新的互相无关的综合特征来代替原来的特征。
基于此,通过在基于样本数据训练报价模型之前,利用机器学习算法(非监督学习)对样本数据进行聚类处理,能够更有效且准确地对样本数据进行分类,并且通过对样本数据进行降维,保留样本数据中与电力期望报价相关性高的特征,从而能够更准确地基于降维后的样本数据训练报价模型、并提高报价模型的泛化能力。
步骤104:获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价。
其中,电力期望报价可以是发电企业通过综合考虑样本数据中的预设历史时间段的电力交易价格、电力生产成本以及电力市场的电力供需关系,确定出的电力价格;电力价格可以是每度(千瓦时)电的价格,也可以是每兆瓦时电的价格。
需要说明的是,假设样本数据集中包括第一样本数据、第二样本数据和第三样本数据,则步骤104具体可以示例为:
示例1、首先,终端设备确定发电企业的工作人员为第一样本数据标注的第一标签,并将所述第一标签确定为所述第一样本数据对应的标签;其次,终端设备确定发电企业的工作人员为第二样本数据标注的第二标签,并将所述第二标签确定为所述第二样本数据对应的标签;最后,终端设备确定发电企业的工作人员为第三样本数据标注的第三标签,并将所述第三标签确定为所述第三样本数据对应的标签。
示例2、假设预设历史时间段为2018年5月;
终端设备提取2018年5月企业电力的历史交易记录,所述历史交易记录中至少包括电力期望报价和实际成交的电力交易价格;终端设备将所述电力期望价格确定为2018年5月的样本数据对应的标签。
需要说明的是,假设聚类和降维处理步骤中所述多个样本数据子集包括第一样本数据子集和第二样本数据子集,则步骤104的一种实现方式可以为:
步骤S1:获取所述第一样本数据子集对应的第一标签,并将所述第一标签确定为所述第一样本数据子集中各样本数据对应的标签;
步骤S2:获取所述第二样本数据子集对应的第二标签,并将所述第二标签确定为所述第二样本数据子集中各样本数据对应的标签。
基于此,通过为每个样本数据子集添加标签,从而实现批量为每个样本数据子集中的样本数据添加标签的作用,从而能够提高样本数据获取其对应的标签的速度。
步骤106:基于所述样本数据集中的样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
其中,目标时刻可以是当前时刻或者未来某一时刻。
步骤106具体可以示例为:
示例1、假设所述电力交易价格包括:富余电量交易价格,则所述标签用于表征所述样本数据对应的富余电量期望报价,则步骤106具体可以为:
基于富余电量交易价格、富余电量交易价格对应的影响因素和对应的富余电量期望报价,利用逻辑回归算法,训练报价模型,以预测目标时刻的富余电量期望报价。
其中,富余电量交易价格可以是富余电量对应的电力交易价格;富余电量期望报价可以是富余电量对应的电力期望报价;富余电量是指发电企业发出的能够满足当地电力的保障的电量(实际总用电量)以外的,富余的一部分需要消纳的电量,为促进富余电量的消纳,富余电量对应的电力期望报价一般低于实际总用电量对应的电力期望报价。
基于此,通过基于历史时间段内的样本数据及其对应的富余电量期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的富余电量期望报价。
示例2、假设所述电力交易价格包括:偏差电量调整交易价格,则所述标签用于表征所述样本数据对应的偏差电量调整期望报价,则步骤106具体可以为:
基于偏差电量调整交易价格、偏差电量调整交易价格对应的影响因素和对应的偏差电量调整期望报价,训练报价模型,以预测目标时刻的偏差电量调整期望报价。
其中,偏差电量调整是对实际用电量和交易电量的偏差电量进行单独结算,实际总用电量大于总交易电量,偏差电量为正偏差电量;实际总用电量小于总交易电量,偏差电量为负偏差电量;偏差电量调整交易价格可以是所单独结算的偏差电量对应的电力交易价格;偏差电量调整期望报价可以是所单独结算的偏差电量对应的电力期望报价;交易电量是指发电企业和电网企业,或者发电企业和电力用户签订的电力交易合同中所规定的合同电量。
基于此,通过基于历史时间段内的样本数据及其对应的偏差电量调整期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的偏差电量调整期望报价。
示例3、假设所述电力交易价格包括:直购电交易价格,则所述标签用于表征所述样本数据对应的直购电期望报价,则步骤106具体可以为:
基于直购电交易价格、直购电交易价格对应的影响因素和对应的直购电期望报价,训练报价模型,以预测目标时刻的直购电期望报价。
其中,直购电交易价格可以是直购电对应的电力交易价格;直购电期望报价可以是直购电对应的电力期望报价;直购电是指发电企业和终端购电大用户之间通过直接交易的形式协定购电量和购电价格,然后委托电网企业将协议电量由发电企业输配终端购电大用户,并另支付电网企业所承担的输配服务。
基于此,通过基于历史时间段内的样本数据及其对应的直购电期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的直购电期望报价。
示例4、假设所述电力交易价格包括:合同电量转让交易价格,则所述标签用于表征所述样本数据对应的合同电量转让期望报价,则步骤106具体可以为:
基于合同电量转让交易价格、合同电量转让交易价格对应的影响因素和对应的合同电量转让期望报价,训练报价模型,以预测目标时刻的合同电量转让期望报价。
其中,合同电量转让是对市场主体已经签订的交易合同的转让,主要是向具有同类功能的市场主体的合同权利义务概况转让;发电企业之间以及电力用户之间可以签订电量互保协议,一方因特殊原因无法履行合同电量时,经电力调度机构安全校核通过后,由另一方代发(代用)部分或全部电量,在事后补充转让交易合同,并报电力交易机构;合同电量转让交易价格可以是所转让的合同电量对应的电力交易价格;合同电量转让期望报价可以是所转让的合同电量对应的电力期望报价。
基于此,通过基于历史时间段内的样本数据及其对应的合同电量转让期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的合同电量转让期望报价。
可见,本实施例通过基于历史时间段内的样本数据及其对应的电力期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的电力期望报价。
图2是本发明的一个实施例提供的一种终端设备的结构示意图,参见图2,该终端设备具体可以包括第一获取模块202、第二获取模块204和训练模块206,其中:
第一获取模块202,用于获取样本数据,所述样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;
第二获取模块204,用于获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;
训练模块206,用于基于所述样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
可选的,终端设备还包括:
数据集成处理模块,用于对所述样本数据集中的样本数据进行数据集成处理;
加载模块,用于基于数据仓库中预建立的数据仓库层次结构规范,将经过所述数据集成处理的样本数据加载至所述数据仓库中;
其中,所述数据集成处理包括抽取处理、清洗处理和转换处理中的至少一种。
可选的,终端设备还包括:
联机分析处理模块,用于对所述数据仓库中的样本数据进行联机分析处理,所述联机分析处理包括钻取处理、切片处理、切块处理和旋转处理中的至少一种。
可选的,终端设备还包括:
聚类和降维处理模块,用于对经过所述联机分析处理的样本数据进行聚类处理,得到多个样本数据子集,并对所述多个样本数据子集中的样本数据进行降维处理;
其中,同一样本数据子集中的样本数据所属类别相同,不同样本数据子集中的样本数据所属类别不同。
可选的,所述多个样本数据子集包括第一样本数据子集和第二样本数据子集,第二获取模块,包括:
第一标签获取子模块,用于获取所述第一样本数据子集对应的第一标签,并将所述第一标签确定为所述第一样本数据子集中各样本数据对应的标签;
第二标签获取子模块,用于获取所述第二样本数据子集对应的第二标签,并将所述第二标签确定为所述第二样本数据子集中各样本数据对应的标签。
可选的,所述电力交易价格包括:富余电量交易价格,则所述标签用于表征所述样本数据对应的富余电量期望报价,训练模块,包括:
第一训练子模块,用于基于所述样本数据和对应的富余电量期望报价,训练报价模型,以预测目标时刻的富余电量期望报价。
可选的,所述电力交易价格包括:偏差电量调整交易价格,则所述标签用于表征所述样本数据对应的偏差电量调整期望报价,训练模块,包括:
第二训练子模块,用于基于所述样本数据和对应的偏差电量调整期望报价,训练报价模型,以预测目标时刻的偏差电量调整期望报价。
可选的,所述电力交易价格包括:直购电交易价格,则所述标签用于表征所述样本数据对应的直购电期望报价,训练模块,包括:
第三训练子模块,用于基于所述样本数据和对应的直购电期望报价,训练报价模型,以预测目标时刻的直购电期望报价。
可选的,所述电力交易价格包括:合同电量转让交易价格,则所述标签用于表征所述样本数据对应的合同电量转让期望报价,训练模块,包括:
第四训练子模块,用于基于所述样本数据和对应的合同电量转让期望报价,训练报价模型,以预测目标时刻的合同电量转让期望报价。
可见,本实施例通过基于历史时间段内的样本数据及其对应的电力期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的电力期望报价。
本发明实施例提供的装置能够实现图1的方法实施例中装置实现的各个过程,为避免重复,这里不再赘述。而且,应当注意的是,在本发明的装置的各个部件中,根据其要实现的功能而对其中的部件进行了逻辑划分,但是,本发明不受限于此,可以根据需要对各个部件进行重新划分或者组合。
图3为实现本发明各个实施例的一种移动终端的硬件结构示意图,
该移动终端400包括但不限于:射频单元401、网络模块402、音频输出单元403、输入单元404、传感器405、显示单元406、用户输入单元407、接口单元408、存储器409、处理器410、以及电源411等部件。本领域技术人员可以理解,图3中示出的移动终端结构并不构成对移动终端的限定,移动终端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。在本发明实施例中,移动终端包括但不限于手机、平板电脑、笔记本电脑、掌上电脑、车载终端、可穿戴设备、以及计步器等。
其中,射频单元401,用于获取样本数据集,所述样本数据集中的样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系。
射频单元401,还用于获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价。
处理器410,用于基于所述样本数据集中的样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
通过基于历史时间段内的样本数据及其对应的电力期望报价,训练报价模型,从而能够在向训练完成的报价模型输入目标时刻的样本数据时,使得报价模型更加有效且准确地预测出目标时刻的电力期望报价。
应理解的是,本发明实施例中,射频单元401可用于收发信息或通话过程中,信号的接收和发送,具体的,将来自基站的下行数据接收后,给处理器410处理;另外,将上行的数据发送给基站。通常,射频单元401包括但不限于天线、至少一个放大器、收发信机、耦合器、低噪声放大器、双工器等。此外,射频单元401还可以通过无线通信系统与网络和其他设备通信。
移动终端通过网络模块402为用户提供了无线的宽带互联网访问,如帮助用户收发电子邮件、浏览网页和访问流式媒体等。
音频输出单元403可以将射频单元401或网络模块402接收的或者在存储器409中存储的音频数据转换成音频信号并且输出为声音。而且,音频输出单元403还可以提供与移动终端400执行的特定功能相关的音频输出(例如,呼叫信号接收声音、消息接收声音等等)。音频输出单元403包括扬声器、蜂鸣器以及受话器等。
输入单元404用于接收音频或视频信号。输入单元404可以包括图形处理器(Graphics Processing Unit,GPU)4041和麦克风4042,图形处理器4041对在视频捕获模式或图像捕获模式中由图像捕获装置(如摄像头)获得的静态图片或视频的图像数据进行处理。处理后的图像帧可以显示在显示单元406上。经图形处理器4041处理后的图像帧可以存储在存储器409(或其它存储介质)中或者经由射频单元401或网络模块402进行发送。麦克风4042可以接收声音,并且能够将这样的声音处理为音频数据。处理后的音频数据可以在电话通话模式的情况下转换为可经由射频单元401发送到移动通信基站的格式输出。
移动终端400还包括至少一种传感器405,比如光传感器、运动传感器以及其他传感器。具体地,光传感器包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示面板4061的亮度,接近传感器可在移动终端400移动到耳边时,关闭显示面板4061和/或背光。作为运动传感器的一种,加速计传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;传感器405还可以包括指纹传感器、压力传感器、虹膜传感器、分子传感器、陀螺仪、气压计、湿度计、温度计、红外线传感器等,在此不再赘述。
显示单元406用于显示由用户输入的信息或提供给用户的信息。显示单元406可包括显示面板4061,可以采用液晶显示器(Liquid Crystal Display,LCD)、有机发光二极管(Organic Light-Emitting Diode,OLED)等形式来配置显示面板4061。
用户输入单元407可用于接收输入的数字或字符信息,以及产生与移动终端的用户设置以及功能控制有关的键信号输入。具体地,用户输入单元407包括触控面板4071以及其他输入设备4072。触控面板4071,也称为触摸屏,可收集用户在其上或附近的触摸操作(比如用户使用手指、触笔等任何适合的物体或附件在触控面板4071上或在触控面板4071附近的操作)。触控面板4071可包括触摸检测装置和触摸控制器两个部分。其中,触摸检测装置检测用户的触摸方位,并检测触摸操作带来的信号,将信号传送给触摸控制器;触摸控制器从触摸检测装置上接收触摸信息,并将它转换成触点坐标,再送给处理器410,接收处理器410发来的命令并加以执行。此外,可以采用电阻式、电容式、红外线以及表面声波等多种类型实现触控面板4071。除了触控面板4071,用户输入单元407还可以包括其他输入设备4072。具体地,其他输入设备4072可以包括但不限于物理键盘、功能键(比如音量控制按键、开关按键等)、轨迹球、鼠标、操作杆,在此不再赘述。
进一步的,触控面板4071可覆盖在显示面板4061上,当触控面板4071检测到在其上或附近的触摸操作后,传送给处理器410以确定触摸事件的类型,随后处理器410根据触摸事件的类型在显示面板4061上提供相应的视觉输出。虽然在图3中,触控面板4071与显示面板4061是作为两个独立的部件来实现移动终端的输入和输出功能,但是在某些实施例中,可以将触控面板4071与显示面板4061集成而实现移动终端的输入和输出功能,具体此处不做限定。
接口单元408为外部装置与移动终端400连接的接口。例如,外部装置可以包括有线或无线头戴式耳机端口、外部电源(或电池充电器)端口、有线或无线数据端口、存储卡端口、用于连接具有识别模块的装置的端口、音频输入/输出(I/O)端口、视频I/O端口、耳机端口等等。接口单元408可以用于接收来自外部装置的输入(例如,数据信息、电力等等)并且将接收到的输入传输到移动终端400内的一个或多个元件或者可以用于在移动终端400和外部装置之间传输数据。
存储器409可用于存储软件程序以及各种数据。存储器409可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器409可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
处理器410是移动终端的控制中心,利用各种接口和线路连接整个移动终端的各个部分,通过运行或执行存储在存储器409内的软件程序和/或模块,以及调用存储在存储器409内的数据,执行移动终端的各种功能和处理数据,从而对移动终端进行整体监控。处理器410可包括一个或多个处理单元;优选的,处理器410可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器410中。
移动终端400还可以包括给各个部件供电的电源411(比如电池),优选的,电源411可以通过电源管理系统与处理器410逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
另外,移动终端400包括一些未示出的功能模块,在此不再赘述。
优选的,本发明实施例还提供一种终端设备,包括处理器,存储器,存储在存储器上并可在所述处理器上运行的计算机程序,该计算机程序被处理器执行时实现上述电力报价方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该计算机程序被处理器执行时实现上述电力报价方法实施例的各个过程,且能达到相同的技术效果,为避免重复,这里不再赘述。其中,所述的计算机可读存储介质,如只读存储器(Read-Only Memory,简称ROM)、随机存取存储器(Random Access Memory,简称RAM)、磁碟或者光盘等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,均属于本发明的保护之内。
Claims (10)
1.一种电力报价方法,其特征在于,包括:
获取样本数据集,所述样本数据集中的样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;
获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;
基于所述样本数据集中的样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
2.根据权利要求1所述的方法,其特征在于,在所述基于所述样本数据集中的样本数据和对应的标签,训练报价模型之前,还包括:
对所述样本数据集中的样本数据进行数据集成处理;
基于数据仓库中预建立的数据仓库层次结构规范,将经过所述数据集成处理的样本数据加载至所述数据仓库中;
其中,所述数据集成处理包括抽取处理、清洗处理和转换处理中的至少一种。
3.根据权利要求2所述的方法,其特征在于,还包括:
对所述数据仓库中的样本数据进行联机分析处理,所述联机分析处理包括钻取处理、切片处理、切块处理和旋转处理中的至少一种。
4.根据权利要求3所述的方法,其特征在于,还包括:
对经过所述联机分析处理的样本数据进行聚类处理,得到多个样本数据子集,并对所述多个样本数据子集中的样本数据进行降维处理;
其中,同一样本数据子集中的样本数据所属类别相同,不同样本数据子集中的样本数据所属类别不同。
5.根据权利要求4所述的方法,其特征在于,所述多个样本数据子集包括第一样本数据子集和第二样本数据子集,所述获取所述样本数据对应的标签,包括:
获取所述第一样本数据子集对应的第一标签,并将所述第一标签确定为所述第一样本数据子集中各样本数据对应的标签;
获取所述第二样本数据子集对应的第二标签,并将所述第二标签确定为所述第二样本数据子集中各样本数据对应的标签。
6.根据权利要求1所述的方法,其特征在于,所述电力交易价格包括:富余电量交易价格,则所述标签用于表征所述样本数据对应的富余电量期望报价,所述基于所述样本数据和对应的标签,训练报价模型,包括:
基于所述样本数据和对应的富余电量期望报价,训练报价模型,以预测目标时刻的富余电量期望报价。
7.根据权利要求1所述的方法,其特征在于,所述电力交易价格包括:偏差电量调整交易价格,则所述标签用于表征所述样本数据对应的偏差电量调整期望报价,所述基于所述样本数据和对应的标签,训练报价模型,包括:
基于所述样本数据和对应的偏差电量调整期望报价,训练报价模型,以预测目标时刻的偏差电量调整期望报价。
8.根据权利要求1所述的方法,其特征在于,所述电力交易价格包括:直购电交易价格,则所述标签用于表征所述样本数据对应的直购电期望报价,所述基于所述样本数据和对应的标签,训练报价模型,包括:
基于所述样本数据和对应的直购电期望报价,训练报价模型,以预测目标时刻的直购电期望报价。
9.根据权利要求1所述的方法,其特征在于,所述电力交易价格包括:合同电量转让交易价格,则所述标签用于表征所述样本数据对应的合同电量转让期望报价,所述基于所述样本数据和对应的标签,训练报价模型,包括:
基于所述样本数据和对应的合同电量转让期望报价,训练报价模型,以预测目标时刻的合同电量转让期望报价。
10.一种终端设备,其特征在于,包括:
第一获取模块,用于获取样本数据,所述样本数据包括预设历史时间段内的电力交易价格和所述电力交易价格对应的影响因素,所述影响因素用于表征电力生产成本和电力市场的电力供需关系;
第二获取模块,用于获取所述样本数据对应的标签,所述标签用于表征所述样本数据对应的电力期望报价;
训练模块,用于基于所述样本数据和对应的标签,训练报价模型,以预测目标时刻的电力期望报价。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910955172.7A CN110910159A (zh) | 2019-10-09 | 2019-10-09 | 电力报价方法和终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910955172.7A CN110910159A (zh) | 2019-10-09 | 2019-10-09 | 电力报价方法和终端设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110910159A true CN110910159A (zh) | 2020-03-24 |
Family
ID=69815113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910955172.7A Pending CN110910159A (zh) | 2019-10-09 | 2019-10-09 | 电力报价方法和终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110910159A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951121A (zh) * | 2020-07-20 | 2020-11-17 | 广东电力交易中心有限责任公司 | 电力现货市场报价模式分类方法、装置及存储介质 |
CN112215612A (zh) * | 2020-09-28 | 2021-01-12 | 国网甘肃省电力公司电力科学研究院 | 基于区块链的光伏消纳优化方法及系统 |
CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
-
2019
- 2019-10-09 CN CN201910955172.7A patent/CN110910159A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111951121A (zh) * | 2020-07-20 | 2020-11-17 | 广东电力交易中心有限责任公司 | 电力现货市场报价模式分类方法、装置及存储介质 |
CN112215612A (zh) * | 2020-09-28 | 2021-01-12 | 国网甘肃省电力公司电力科学研究院 | 基于区块链的光伏消纳优化方法及系统 |
CN112215612B (zh) * | 2020-09-28 | 2022-05-31 | 国网甘肃省电力公司电力科学研究院 | 基于区块链的光伏消纳优化方法及系统 |
CN116433277A (zh) * | 2023-06-13 | 2023-07-14 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
CN116433277B (zh) * | 2023-06-13 | 2023-09-19 | 国网浙江省电力有限公司 | 基于新型电力系统的电价传导处理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10948526B2 (en) | Non-parametric statistical behavioral identification ecosystem for electricity fraud detection | |
Trappey et al. | Consumer driven product technology function deployment using social media and patent mining | |
CN110910159A (zh) | 电力报价方法和终端设备 | |
CN104495545B (zh) | 基于动态二维码的电梯维保电子监管系统及方法 | |
CN107545404B (zh) | 账单提醒方法及装置 | |
CN107563845A (zh) | 一种在线加工委托系统及方法 | |
CN108280115A (zh) | 识别用户关系的方法及装置 | |
CN110503409B (zh) | 信息处理的方法以及相关装置 | |
CN101903902A (zh) | 交易卡服务 | |
CN106651277A (zh) | 一种基于区域物流信息的网络传输系统及数据分析方法 | |
CN104301199A (zh) | 一种信息处理方法、装置及系统 | |
CN115345464A (zh) | 业务订单的派单方法、装置、计算机设备及存储介质 | |
CN115271931A (zh) | 一种信用卡产品的推荐方法、装置、电子设备和介质 | |
CN110223615B (zh) | 一种广告展示控制方法、装置、介质及广告推送服务器 | |
CN207571788U (zh) | 一种高校科研管理信息共享系统 | |
CN112257756A (zh) | 模型训练数据的选取方法及装置 | |
CN112365281A (zh) | 电力客户服务需求分析方法及装置 | |
CN112085378A (zh) | 资源分配方法、装置、计算机设备及存储介质 | |
CN115438812A (zh) | 输电设备全生命管理方法、装置、计算机设备和存储介质 | |
CN108520456A (zh) | 一种装饰构件采购方法及装饰构件采购平台 | |
CN201600795U (zh) | 一种保险从业人员远程培训和发证的系统 | |
CN107481047A (zh) | 基于云计算的销售管理系统 | |
CN107862010A (zh) | 一种获取物联网应用系统信息的方法、装置及移动终端 | |
CN113760550A (zh) | 资源分配方法和资源分配装置 | |
CN112288406A (zh) | 一种基于科技信息众创平台的服务对象检索方法 |
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: 20200324 |