CN111222925B - 能源到岸价格计算的方法及装置 - Google Patents

Abstract

本申请公开了一种能源到岸价格计算的方法及装置，本申请的方法包括根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。本申请解决现有的能源到岸价的确定方式存在的缺陷。

Description

能源到岸价格计算的方法及装置

技术领域

本申请涉及数据处理技术领域，具体而言，涉及一种能源到岸价格计算的方法及装置。

背景技术

现有市场中能源到岸价以供应方和需求方短期（一到三月）合约确定，锁定一段时间内价格，如果价格波动较大，供需双方需承担波动成本。比如：合约规定三月内采购价6100/吨，当前到岸价5800/吨，则供应方富裕300元/吨利润，第二月到岸价涨至6500/吨，则供应方需补贴400元/吨。且行业内并没有统一价格，更多是约定俗成的合同价格，最终导致成交价尝尝背离能源的实际的价格曲线。从上述分析可以看到，目前的能源到岸价的设定方式存在以下缺陷：1.缺乏实时性，背离市场实际价格；2.供需双方需承担价格波动成本，造成企业运营成本增加。以上这些缺陷都是由于现有的能源到岸价确定的方式准确性低造成的。

发明内容

本申请的主要目的在于提供一种能源到岸价格计算的方法及装置，以解决现有的能源到岸价确定的方式准确性低的问题。

为了实现上述目的，根据本申请的第一方面，提供了一种能源到岸价格计算的方法。

根据本申请的能源到岸价格计算的方法包括：

根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；

获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；

根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。

可选的，所述根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型包括：

采集预设历史时段、预设距离范围内的液源历史数据，所述预设距离范围为超出后会导致综合利润下降的出货范围；

对液源历史数据进行特征值和目标值的提取；

基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

可选的，所述基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型还包括：

搭建7层的深度神经网络；

采用多轮交叉验证的方式进行模型训练。

可选的，液源历史数据分为训练集和测试集，所述方法还包括：

交叉验证后根据测试集进行模型的测试；

所述基于特征值和目标值采用DNN进行模型训练包括：

基于训练集的特征值和目标值采用DNN进行模型训练。

可选的，所述根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价包括：

根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算该采购地当日的能源到岸价。

可选的，在根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价之后，所述方法还包括：

根据采购地当日的能源到岸价以及当日液源地数据对能源到岸价计算模型进行更新，以根据更新后的能源到岸价计算模型对未来的能源到岸价进行计算。

为了实现上述目的，根据本申请的第二方面，提供了一种能源到岸价格计算的装置。

根据本申请的能源到岸价格计算的装置包括：

搭建单元，用于根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；

第一计算单元，用于获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；

第二计算单元，用于根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。

可选的，所述搭建单元，包括：

采集模块，用于采集预设历史时段、预设距离范围内的液源历史数据，所述预设距离范围为超出后会导致综合利润下降的出货范围；

提取模块，用于对液源历史数据进行特征值和目标值的提取；

训练模块，用于基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

可选的，所述训练模块，还用于

搭建7层的深度神经网络；

采用多轮交叉验证的方式进行模型训练。

可选的，液源历史数据分为训练集和测试集，所述装置还包括：

测试单元，用于交叉验证后根据测试集进行模型的测试；

所述训练模块，用于：

基于训练集的特征值和目标值采用DNN进行模型训练。

可选的，所述第二计算单元用于：

根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算该采购地当日的能源到岸价。

可选的，所述装置还包括：

更新单元，用于在根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价之后，根据采购地当日的能源到岸价以及当日液源地数据对能源到岸价计算模型进行更新，以根据更新后的能源到岸价计算模型对未来的能源到岸价进行计算。

为了实现上述目的，根据本申请的第三方面，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存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的能源到岸价格计算的方法。

为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的能源到岸价格计算的方法。

在本申请实施例中，能源到岸价格计算的方法及装置中，首先，根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；然后，获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；最后，根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。可以看出，本申请中基于能源到岸价计算模型可以实时的计算得到液源地到采购地的能源到岸价，而且能源到岸价计算模型是根据实际的液源历史数据训练生成的，因此可以在一定程度上保证计算得到能源到岸价的准确性（与市场实际价格差距不大），另外，以此数据再进行能源采购价的确定更加的合理，可以降低供需双方需承担价格波动的成本，也可以进一步的规范能源市场。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1是根据本申请实施例提供的一种能源到岸价格计算的方法流程图；

图2是根据本申请实施例提供的另一种能源到岸价格计算的方法流程图；

图3是根据本申请实施例提供的一种能源到岸价格计算的方法的技术效果分析对应的示意图；

图4是根据本申请实施例提供的一种能源到岸价格计算的装置的组成框图；

图5是根据本申请实施例提供的另一种能源到岸价格计算的装置的组成框图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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例，都应当属于本申请保护的范围。

需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

根据本申请实施例，提供了一种能源到岸价格计算的方法，如图1所示，该方法包括如下的步骤：

S101. 根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型。

其中液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价。液源地的基本属性包括液源名称、地址、类型等基本信息。液源地是能源的供货方所在地，以液化天然气能源为例，液源类型可以为接收站、液厂；液源地址可以为液源的详细位置信息，省市，区县，罐大小，坐标等。液源历史数据中液源地的基本属性、能源的出厂价、出货量是液源供货地的数据，可以通过咨询公司获取；液源历史数据中的能源到达采购地的到岸价是采购地的数据，具体可以通过对应的价格公开平台获取到。本实施例中对于液源历史数据的获取渠道不作限制，上述渠道只是示例性的说明。

能源到岸价计算模型是基于大量的液源历史数据进行模型训练得到的。得到的能源到岸价计算模型是根据液源地的出厂价、地址、类型等供货方的特征，计算得到能源到达采购地的到岸价的模型。具体的本实施例中能源到岸价计算模型是基于深度神经网络（Deep Neural Network，DNN）训练得到的。本实施例中的能源可以为液化天然气LNG或其它类型的能源。

S102.获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价。

其中，当日液源地数据至少包括液源地的基本属性（液源名称、地址、类型等基本信息）、能源的出厂价、出货量。能源到岸价计算模型是可以根据液源地的出厂价、地址、类型等的特征，计算得到能源到达采购地的到岸价的模型，因此根据当日液源地的出厂价、地址、类型等供货地的特征，利用能源到岸价计算模型可以计算得到当日能源到达不同的采购地的能源到岸价。

S103.根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。

每个液源会对多个采购地进行供货，即每个采购地会向多个液源进行能源的采购。根据上述能源到岸价计算模型得到的能源到岸价，不同的液源地到同一采购地的能源到岸价可能是不同的，因此，采购方需要综合多个液源对应的能源到岸价计算得到采购地当日的能源到岸价。具体的本实施例是基于逻辑回归网络对多个液源对应的能源到岸价计算得到采购地当日的能源到岸价。假设，采购地为北京，北京对应的供货液源有38个，则基于上述能源到岸价计算模型可以分别计算得到38个能源到岸价，然后根据这38个能源到岸价基于逻辑回归网络计算得到北京当日的能源到岸价。

对根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算得到采购地当日的能源到岸价进行说明：

逻辑回归网络是根据样本数据训练得到的一个回归模型，输入为同一采购地对应的多个供货液源对应的多个能源到岸价、供货液源对应的气体质量、供货量参数，输出为能够代表采购地的能源到岸价一个综合值。因为在实际的应用中，通常一个采购地不会设置多个能源到岸价。样本数据为多个采购地对应的同一采购地对应的所有液源地到该采购地的能源到岸价、实际的采购地当日的能源到岸价、所有供货液源对应的气体质量、供货量。需要说明的是，回归模型的输入量还可以增加更多的参数，本实施例是选择了几种影响因素较大的参数，在实际的应用中可以根据实际的情况进行适应性的调整。

从以上的描述中，可以看出，本申请实施例的能源到岸价格计算的方法中，首先，根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；然后，获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；最后，根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。可以看出，本申请中基于能源到岸价计算模型可以实时的计算得到液源地到采购地的能源到岸价，而且能源到岸价计算模型是根据实际的液源历史数据训练生成的，因此可以在一定程度上保证计算得到能源到岸价的准确性（与市场实际价格差距不大），另外，以此数据再进行能源采购价的确定更加的合理，可以降低供需双方需承担价格波动的成本，也可以进一步的规范能源市场。

作为上述实施例的进一步的补充，本实施例还提供了另一种能源到岸价格计算的方法，如图2所示，该方法包括如下的步骤：

S201.采集预设历史时段、预设距离范围内的液源历史数据。

预设距离范围为超出后会导致综合利润下降的出货范围。通过地图大数据搜索可以确定液源出货的经济范围，若确定的出货的经济范围为液源地500km范围内,则将预定距离范围为500km内，即采集液源历史数据时，只采集供货方与采购方的距离在500km内的数据。预设历史时段可以根据实际的需求自由设置，比如预设历史时段可以为前三年前、前五年等等。液源历史数据中包括液源地的出厂价、地址、类型、采购地的地址、名称、能源到达采购地的到岸价、利润空间等特征。

S202.对液源历史数据进行特征值和目标值的提取。

特征值和目标值是进行后续的模型训练时对应的特征值和目标值，模型的训练就是得到特征值与目标值之间的对应关系。

特征值包括：出厂价、价格浮动、运距里程、运费阶梯范围（不同里程数实行阶梯定价）、运费浮动、出货量等特征的值。在实际中，步骤S201得到的液源历史数据直接可以得到200多维的特征值，但是本实施例只选择模型影响较大的（权重大的）的特征值。比如可以为53维特征或者其他数量维特征。通常选择的特征越多，最终得到的能源到岸价计算模型的准确度越高，计算量也越大。目标值为能源到达采购地的到岸价。

S203.基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

具体的，本实施例中搭建7层的深度神经网络，7层神经网络的模型参数架构如表1中所示：除了最后一层是输出层之外，所有的都是隐含层，关于输入层，因为输入层没有参数，只是获取输入层数据的过程，因此在模型参数架构中没有显示，深度神经网络的输入层数据为步骤S202中提取的特征值。表1中Total params为模型训练过程中总的参数，Trainable params为可训练的参数。深度神经网络模型训练的过程就是使输出值（模型的预测值）不断的接近真实值（目标值）的过程，即减少预测值与目标值之间差值的过程。

表1

本实施例中深度神经网络的目标函数（即损失函数）为均方误差MSE，如下所示：

均方误差（MSE）度量的是预测值（每一次训练的输出值

）和实际观测值（目标值

）间差的平方的均值。它只考虑误差的平均大小，不考虑其方向。但由于经过平方，与真实值偏离较多的预测值会比偏离较少的预测值受到更为严重的惩罚。便于梯度下降求解参数。另外，本实施例中深度神经网络选择的对模型中的参数进行优化的优化器为Adam算法，优化器是用于在训练的过程中对模型中的参数进行调节的，在每轮训练后根据预测值（每一次训练的输出值）和实际观测值（目标值）间差的平方的均值基于Adam算法进行模型参数的调整，使预测值不断的接近目标值。

在实际应用中，深度神经网络模型的训练已经模块化了，只需要将训练样本输入、在进行精度层数等的设置之后就可以自动进行训练得到最终的模型。

另外，本实例中采用多轮交叉验证的方式进行模型训练。由前述液源历史数据得到的特征值和目标值组成的数据集分成训练集和测试集，本实施例中选择数据集中的9份作为训练集进行训练，1份作为测试集进行验证，验证后前反馈更新权重值，交叉验证后根据测试集进行模型的测试。在进行测试时，价格曲线相关度0.95以上为合格，相关度的大小为评价指标。在实际应用中0.95可以根据实际的精度需求进行适应性的调整。

经过训练和测试后，最终得到由特征值到目标值的计算模型，即能源到岸价计算模型。

S204.获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价。

获取当日液源地数据，对当日液源地数据按照上述步骤进行特征值的提取，将提取的特征值输入到能源到岸价计算模型，计算得到液源地到不同的采购地的当日能源到岸价。

S205.根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算该采购地当日的能源到岸价。

对于采购地的当日能源到岸价，能够根据不同的液源到该采购地对应的当日能源到岸价通过逻辑回归网络计算得到。

S206.根据采购地当日的能源到岸价以及当日液源地数据对能源到岸价计算模型进行更新。

能源到岸价计算模型是一个实时更新，不断强化学习的模型。每次有新的数据产生后，会对模型进行微调，具体的是根据新的数据将模型中的某一层的权重进行调整，本实施例中具体是冻结网络前六层，更新第七层输出层更新权重。

给出具体的示例进行说明：当日可以根据能源到岸价计算模型得到当日的到岸价，当日的到岸价就是产生的新数据，然后根据新的数据对能源到岸价计算模型进行调整更新，明日就根据调整更新后的能源到岸价计算模型计算明日的到岸价，同理，明日产生的新数据又可以对能源到岸价计算模型进行再次调整更新，以计算后日的到岸价。

为了说明本实施例的技术效果，本实施例以具体某地公交公司的2018-01-01 至2019-12-20的LNG价格为例进行说明，如图3所示，其中有两条曲线a和b，a是该地的LNG市场实时价格，b是根据上述实施例的方法计算出的每日的LNG到岸价，可以看出两条曲线的拟合度很高，数据显示两条曲线的拟合度达到了0.95，因此可以说明根据上述实施例中的能源到岸价格计算的模型可信度是较高的。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

根据本申请实施例，还提供了一种用于实施上述图1至图2所述方法的能源到岸价格计算的装置，如图4所示，该装置包括：

搭建单元31，用于根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；

第一计算单元32，用于获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；

第二计算单元33，用于根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。

从以上的描述中，可以看出，本申请实施例的能源到岸价格计算的装置中，首先，根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价；然后，获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量；最后，根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价。可以看出，本申请中基于能源到岸价计算模型可以实时的计算得到液源地到采购地的能源到岸价，而且能源到岸价计算模型是根据实际的液源历史数据训练生成的，因此可以在一定程度上保证计算得到能源到岸价的准确性（与市场实际价格差距不大），另外，以此数据再进行能源采购价的确定更加的合理，可以降低供需双方需承担价格波动的成本，也可以进一步的规范能源市场。

进一步的，如图5所示，所述搭建单元31，包括：

采集模块311，用于采集预设历史时段、预设距离范围内的液源历史数据，所述预设距离范围为超出后会导致综合利润下降的出货范围；

提取模块312，用于对液源历史数据进行特征值和目标值的提取；

训练模块313，用于基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

进一步的，如图5所示，所述训练模块313，还用于

搭建7层的深度神经网络；

采用多轮交叉验证的方式进行模型训练。

进一步的，液源历史数据分为训练集和测试集，如图5所示，所述装置还包括：

测试单元34，用于交叉验证后根据测试集进行模型的测试；

所述训练模块313，用于：

基于训练集的特征值和目标值采用DNN进行模型训练。

进一步的，所述第二计算单元33用于：

根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算该采购地当日的能源到岸价。

进一步的，如图5所示，所述装置还包括：

更新单元35，用于在根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价之后，根据采购地当日的能源到岸价以及当日液源地数据对能源到岸价计算模型进行更新，以根据更新后的能源到岸价计算模型对未来的能源到岸价进行计算。

具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。

根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的能源到岸价格计算的方法。

根据本申请实施例，还提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的能源到岸价格计算的方法。

显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。

以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种能源到岸价格计算的方法，其特征在于，所述方法包括：

根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价，所述能源到岸价计算模型是根据供货方的特征计算得到采购地的到岸价的模型；

获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量，其中，所述能源到岸价计算模型是根据实际的液源历史数据训练生成的模型；

根据同一采购地对应的所有液源地到该采购地的能源到岸价通过逻辑回归网络计算该采购地当日的能源到岸价，其中，所述逻辑回归网络的输入为同一采购地对应的多个供货液源对应的多个能源到岸价、供货液源对应的气体质量、供货量参数，所述逻辑回归网络的输出为能够代表采购地的能源到岸价一个综合值，其中，当日根据能源到岸价计算模型得到当日到岸价，当日到岸价作为新数据，根据所述新数据对所述能源到岸价计算模型进行调整更新，明日根据调整更新后的能源到岸价计算模型计算明日到岸价。

2.根据权利要求1所述的能源到岸价格计算的方法，其特征在于，所述根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型包括：

采集预设历史时段、预设距离范围内的液源历史数据，所述预设距离范围为超出后会导致综合利润下降的出货范围；

对液源历史数据进行特征值和目标值的提取；

基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

3.根据权利要求2所述的能源到岸价格计算的方法，其特征在于，所述基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型还包括：

搭建7层的深度神经网络；

采用多轮交叉验证的方式进行模型训练。

4.根据权利要求3所述的能源到岸价格计算的方法，其特征在于，液源历史数据分为训练集和测试集，所述方法还包括：

交叉验证后根据测试集进行模型的测试；

所述基于特征值和目标值采用DNN进行模型训练包括：

基于训练集的特征值和目标值采用DNN进行模型训练。

5.根据权利要求1所述的能源到岸价格计算的方法，其特征在于，所述根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价包括：

根据同一采购地对应的所有液源地到该采购地的能源到岸价基于逻辑回归网络计算该采购地当日的能源到岸价。

6.根据权利要求5所述的能源到岸价格计算的方法，其特征在于，在根据同一采购地对应的所有液源地到该采购地的能源到岸价计算该采购地当日的能源到岸价之后，所述方法还包括：

根据采购地当日的能源到岸价以及当日液源地数据对能源到岸价计算模型进行更新，以根据更新后的能源到岸价计算模型对未来的能源到岸价进行计算。

7.一种能源到岸价格计算的装置，其特征在于，所述装置包括：

搭建单元，用于根据能源的液源历史数据基于深度神经网络DNN搭建能源到岸价计算模型，所述液源历史数据至少包括液源地的基本属性、能源的出厂价、出货量、能源到达采购地的到岸价，所述能源到岸价计算模型是根据供货方的特征计算得到采购地的到岸价的模型；

第一计算单元，用于获取当日液源地数据，基于能源到岸价计算模型计算液源地到不同的采购地的能源到岸价，所述当日液源地数据至少包括液源地的基本属性、能源的出厂价、出货量，其中，所述能源到岸价计算模型是根据实际的液源历史数据训练生成的模型；

第二计算单元，用于根据同一采购地对应的所有液源地到该采购地的能源到岸价通过逻辑回归网络计算该采购地当日的能源到岸价，其中，所述逻辑回归网络的输入为同一采购地对应的多个供货液源对应的多个能源到岸价、供货液源对应的气体质量、供货量参数，所述逻辑回归网络的输出为能够代表采购地的能源到岸价一个综合值，其中，当日根据能源到岸价计算模型得到当日到岸价，当日到岸价作为新数据，根据所述新数据对所述能源到岸价计算模型进行调整更新，明日根据调整更新后的能源到岸价计算模型计算明日到岸价。

8.根据权利要求7所述的能源到岸价格计算的装置，其特征在于，所述搭建单元，包括：

采集模块，用于采集预设历史时段、预设距离范围内的液源历史数据，所述预设距离范围为超出后会导致综合利润下降的出货范围；

提取模块，用于对液源历史数据进行特征值和目标值的提取；

训练模块，用于基于特征值和目标值采用DNN进行模型训练，得到能源到岸价计算模型。

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1-6任意一项所述的能源到岸价格计算的方法。

10.一种电子设备，其特征在于，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1-6任意一项所述的能源到岸价格计算的方法。

Images