CN111753097B - 基于深度学习的电力现货交易出清的数据分析方法及装置 - Google Patents

基于深度学习的电力现货交易出清的数据分析方法及装置 Download PDF

Info

Publication number
CN111753097B
CN111753097B CN202010571603.2A CN202010571603A CN111753097B CN 111753097 B CN111753097 B CN 111753097B CN 202010571603 A CN202010571603 A CN 202010571603A CN 111753097 B CN111753097 B CN 111753097B
Authority
CN
China
Prior art keywords
data
power
processing
resource map
clearing
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.)
Active
Application number
CN202010571603.2A
Other languages
English (en)
Other versions
CN111753097A (zh
Inventor
向婕
雍正
吕建驰
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.)
Sprixin Technology Co ltd
Original Assignee
Sprixin Technology 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 Sprixin Technology Co ltd filed Critical Sprixin Technology Co ltd
Priority to CN202010571603.2A priority Critical patent/CN111753097B/zh
Publication of CN111753097A publication Critical patent/CN111753097A/zh
Application granted granted Critical
Publication of CN111753097B publication Critical patent/CN111753097B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
    • 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

本发明提供一种基于深度学习的电力现货交易出清的数据分析方法，包括：获取气象资源的资源图谱数据；数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理；通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；对出清数据分析模型进行训练。本发明考虑数据天气预报的分层结构，提取多层数值天气预报数据，组成多通道数据，输入到卷积神经网络，全连接层加入时序信息，综合考虑时空特征，使得时空特征更好的结合，同时更易于处理。

Description

基于深度学习的电力现货交易出清的数据分析方法及装置
技术领域
本发明属于电力领域，特别是涉及到一种基于深度学习的电力现货交易出清的数据分析方法及装置。
背景技术
随着电力机制的不断深化，电力现货市场作为市场化电力电量平衡机制的补充部分，用于实现电力电量平衡、电网安全管理和资源优化配置。而电力现货出清，意味着电力电量的供求均衡；目前电力新能源在电力系统的占比不断提高，但是由于电力新能源(如风电、光伏等)的波动性和随机性，出现了风电、光伏发电送出和消纳困难，客观原因主要体现在电源、电网和负荷，电源分布不合理，电网通道不协调，负荷峰谷差加大，这些客观因素在电力现货市场同样存在。因此，在电力现货中需要分析未来的可能出清情况，为交易决策提供数据支撑，否则很难真正保证供求均衡，现有技术中对未来出清情况的预判存在如下问题：
(1)对区域资源水平分析不足，不能整体考虑资源水平相对关系；
(2)没有将区域资源情况与现货市场信息紧密结合起来对未来出清进行预判；
(3)可提供用于电力现货交易的信息较少，缺少未来出清情况的不确定性信息。
因此，如何为电力现货交易的出清分析提供技术支撑，是新能源发电企业亟需解决的难题。
发明内容
本发明提出一种基于深度学习的电力现货交易出清的数据分析方法及装置，能够为实现准确的对电力现货交易出清的数据分析、为实现交易策略的完善和电力电量的供求均衡提供必要的数据支撑。
为达到上述目的，本发明的技术方案是这样实现的：
一种基于深度学习的电力现货交易出清的数据分析方法，包括：
(1)获取气象资源的分层多通道的资源图谱数据；
(2)数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；
(3)通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；
(4)对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据即可得到预测的出清情况。
进一步的，步骤(1)中所述获取资源图谱数据的方法包括：
(101)获取数值天气预报的数据；
(102)对数据进行降尺度处理，
(103)提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。
进一步的，步骤(2)的具体步骤包括：
(201)将资源图谱数据映射到同一特定区间，或者具备相同的数据分布；
(202)采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。
进一步的，步骤(3)的具体步骤包括：
(301)叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；
(302)在全连接层接收市场数据，与资源特征组合成新的特征，建立出清数据分析模型。
进一步的，步骤(4)中，使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。
本发明的另一方面，还提出了一种基于深度学习的电力现货交易出清的数据分析装置，包括：
气象资源模块，用于获取气象资源的分层多通道的资源图谱数据；
数据预处理模块，用于将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；
特征处理与建模模块，用于通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；
预测模块，用于对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。
进一步的，所述气象资源模块包括：
获取单元，用于获取数值天气预报的数据；
处理单元，用于对数据进行降尺度处理，
插值单元，用于提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。
进一步的，所述数据预处理模块包括：
映射单元，用于将资源图谱数据映射到同一特定区，或者具备相同的数据分布；
分层处理单元，用于采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。
进一步的，所述特征处理与建模模块包括：
卷积神经网络单元，用于叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；在全连接层接收市场数据，与资源特征组合成新的特征，建立出清数据分析模型。
进一步的，所述预测模块使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。
与现有技术相比，本发明具有如下的有益效果：
(1)本发明考虑数据天气预报的分层结构，提取多层数值天气预报数据，组成多通道数据，输入到卷积神经网络，全连接层加入时序信息(市场交易信息，来源于市场发布的信息，包括负荷结果、火电发电空间数据和新能源发电空间数据)，综合考虑时空特征(资源图谱数据)，使得时空特征更好的结合，同时更易于处理；
(2)本发明对每个通道的数据分别进行归一化处理消除量纲，然后再次进行标准化处理，得到同趋化后的数据，充分利用不同性质的数据对目标的影响，既能考虑不同数据的性质，又能考虑数据本身的特性；
(3)本发明为实现准确的对电力现货交易出清的数据分析以及为实现交易策略的完善和电力电量的供求均衡提供必要的数据支撑。
附图说明
图1是本发明实施例中的系统结构示意图；
图2是本发明实施例的气象资源的资源图谱的示意图；
图3是本发明实施例的卷积神经网络的整体结构示意图；
图4是本发明实施例的卷积神经网络的网络模块结构示意图；
图5是本发明实施例的卷积神经网络的整体网络结构示意图；
图6是本发明实施例的出清数据分析图。
具体实施方式
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
为使本发明专利的目的、特征更明显易懂，下面结合附图对本发明专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本发明专利实施例的目的。
如图1所示，本发明包括气象资源模块、数据预处理模块、特征处理与建模模块、预测模块，其中：
1)气象资源模块
本发明的气象资源由数值天气预报获取到，数值天气预报是选用大气运动基本方程组，在给定初始条件和边界条件下，采用数值计算方法来求解大气运动的基本方程组，由已知初始时刻的大气运动状态来预报未来的大气运动状态。
本发明采用欧洲中期天气预报中心(ECMWF)的数值模型模式输出的数据，平面分辨率为0.5°×0.5°，时间分辨率为3h。对该数据进行降尺度处理，得到时间分辨率为15分钟，空间分辨率接近1km的数据。ECMWF模式数据属于多个要素的数据，本发明从中提取并合成出辐照度、风速、风向、温度、湿度和压力数据，将数据进行组合形成分层的多通道数据，即将辐照度、风速、风向、温度、湿度和压力组成一个大的矩阵，矩阵的每层(或者说每个通道)存放的为一个气象要素，然后进行插值处理。
插值算法的效果是影响气象资源效果的重要因素，目前国内外插值算法很多，本发明采用多时次样条插值算法,分别对每层中每个点的数值天气预报的数据进行插值计算，形成更高分辨率的资源图谱,对每一个点计算过程如下：
假设a,b为资源图谱上某个相邻时刻的数据
[a＝x0＜x1＜x2＜···＜xn＝b]
样条函数S(x)在每个子区间[xi,xi+1](i＝0,1,···,n-1)，x为单调递增，在区间[a,b]上是连续且可导。
样条函数S(x)在每个区间[xi,xi+1]上，可以写作
Si(x)＝aix3+bix2+cix+di,i＝0,1,···,n-1
其中ai,bi,ci,di为待定参数。
在区间[a,b]上的S(x)是二阶导数连续，因此在点xi(i＝1,2,···,n-1)处满足连续性条件：
一般情况下，在区间[a,b]的两端各有一个边界条件，常见的边界条件为自由边界、固定边界、周期边界和非扭结边界，本发明中应用非扭结边界条件：
由此可以将待定参数求解出来，得到样条函数S(x)。
在资源图谱插值时首先使用上述方法将数据插值到1h分辨率，然后根据1h分辨率数据使用同样的方法插值到15分辨率。
通过上述步骤可以得到某个区域的资源图谱，如图2所示。
2)数据预处理模块
(a)实际出清情况的获取
风电、光伏在电力系统的占比不断提高，同时，出现了风电、光伏发电送出和消纳困难，客观原因主要体现在电源、电网和负荷。电源分布不合理，电网通道不协调，负荷峰谷差加大，这些客观因素在电力现货市场同样存在。因此，在电力现货中需要分析未来的可能出清情况，为交易决策提供数据支撑。本发明中将出清情况划分为完全出清和部分出清两种情况，数据的来源通过可用发电功率计算得到。
可用发电功率指考虑场内设备故障、缺陷或检修等原因引起受阻后能够发出的功率。出清情况通过下式计算：
其中，P可为可用发电功率，P实为实际发电功率；所述可用发电功率与实际发电功率数据从电场的数据中获取到。
(b)输入数据预处理
对于资源图谱数据，通过同趋化处理和无量纲化处理将其映射到同一区间，或者具备相同的数据分布，使模型可以对输入进行更好的后续分析。数据同趋化可以解决不同性质的数据问题，对不同性质的指标直接加总不能正确反映不同因素对目标的影响，需要考虑改变数据的性质，使所有指标对目标的作用同趋化，再加总才能得出正确的结果。数据无量纲化主要解决数据的可比性，经过标准化处理对原始数据进行无量钢化处理，使各指标都处于同一个数量级别上，进而对其进行综合分析。
常见的处理方法有min-max标准化，log函数转换，atan函数转换和z-score标准化等。z-score标准化受离群数据影响小，且不依赖于数据的边界值。
min-max标准化如下：
其中x为原始数据，max(x)为数据的最大值，min(x)为数据的最小值。
z-score标准化数据标准化如下：
其中x为原始数据，u为数据的均值，σ为数据的方差。
由于本发明所采用的数据每层数据性质不一样，所以本发明采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。
3)特征处理与建模模块
本发明采用深度学习中经典的端到端的架构，卷积神经网络通过叠加卷积层和池化层对图像进行操作，提取出数值天气预报的特征。由于在电力现货交易中，出清不但受资源分布的影响，同时跟市场相关信息关系较大，为此本发明提出一种双输入模型模型，卷积层接收数值天气预报的数据，进行特征提取，在全连接接收市场数据，这里所述的市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据，来源于电力交易系统发布的数据，与资源特征组合成新的特征(跟卷积运算提取的特征拼接在一起形成新的特征)，进行后续的市场出清分析，整体结构如图3所示。
本发明的卷积神经网络采用串联的结构，提高模型的表达能力。模型采用模块分组的形式，以模块为基础，重复提取不同数量的特征。
模块的基本构成为先对输入的资源图像数据进行3×3的卷积，输出为n/4个通道；然后连接一个2×2的卷积，输出为n/4个通道；对图像进行两次特征变换，最后加入一个1×1的卷积，提高网络的表达能力，同时组合不同通道的信息，输出为n个通道。其中n为滤波器的个数，主结构设置，网络模块结构如图4所示。
本发明的卷积神经网络中的池化层可以合成图像区域内某一个特征，而且可以有效的减少过拟合现象的发现，在主体网络结构中引入池化层。dropout层使隐层神经元随机失活，防止模型过拟合，同时可以提高模型的泛化能力。由于样本数据存在分布不均匀现象，本发明采用加权交叉熵作为目标的损失函数
其中wi为样本的权值，yi为真实值即实际的出清情况，为预测值即预测的出清情况；
整体网络结构如图5所示。
4)预测模块
预测模块使用tensorflow框架，对搭建的模型进行训练，得到最终的识别模型。以资源数据和市场信息数据作为网络的输入，以出清情况数据作为目标，采用梯度下降算法对模型进行训练，得到模型的参数。在业务应用时，输入次日的资源数据和市场信息即可得到预测的出清情况。
采用本发明对如图6所示的数据进行分析，其中红色框里的数据为正常全部出清数据，框外的数据为未完全出清的数据，最终识别准确率为93.3％。
以上所述仅为本发明的较佳实施例而已，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 (8)

1.一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，包括：
(1)获取气象资源的分层多通道的资源图谱数据；
(2)数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；出清情况划分为完全出清和部分出清两种情况，数据的来源通过可用发电功率计算得到；
可用发电功率指考虑场内设备故障、缺陷或检修原因引起受阻后能够发出的功率；出清情况通过下式计算：
其中，P可为可用发电功率，P实为实际发电功率；所述可用发电功率与实际发电功率数据从电场的数据中获取到；
(3)通过卷积神经网络对资源图谱数据进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；
具体步骤包括：
(301)叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；
(302)在全连接层接收市场数据，与数值天气预报的特征组合成新的特征，建立出清数据分析模型；
(4)对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。
2.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(1)中所述获取气象资源的分层多通道的资源图谱数据的方法包括：
(101)获取数值天气预报的数据；
(102)对数据进行降尺度处理，
(103)提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。
3.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(2)的具体步骤包括：
(201)将资源图谱数据映射到同一特定区间，或者具备相同的数据分布；
(202)采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。
4.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(4)中，使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。
5.一种基于深度学习的电力现货交易出清的数据分析装置，其特征在于，包括：
气象资源模块，用于获取气象资源的分层多通道的资源图谱数据；
数据预处理模块，用于将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；
出清情况划分为完全出清和部分出清两种情况，数据的来源通过可用发电功率计算得到；
可用发电功率指考虑场内设备故障、缺陷或检修原因引起受阻后能够发出的功率；出清情况通过下式计算：
其中，P可为可用发电功率，P实为实际发电功率；所述可用发电功率与实际发电功率数据从电场的数据中获取到；
特征处理与建模模块，用于通过卷积神经网络对资源图谱数据进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；包括卷积神经网络单元，用于叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；在全连接层接收市场数据，与数值天气预报的特征组合成新的特征，建立出清数据分析模型；
预测模块，用于对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。
6.根据权利要求5所述的一种基于深度学习的电力现货交易出清的数据分析装置，其特征在于，所述气象资源模块包括：
获取单元，用于获取数值天气预报的数据；
处理单元，用于对数据进行降尺度处理，
插值单元，用于提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。
7.根据权利要求5所述的一种基于深度学习的电力现货交易出清的数据分析装置，其特征在于，所述数据预处理模块包括：
映射单元，用于将资源图谱数据映射到同一特定区间，或者具备相同的数据分布；
分层处理单元，用于采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。
8.根据权利要求5所述的一种基于深度学习的电力现货交易出清的数据分析装置，其特征在于，所述预测模块使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。
CN202010571603.2A 2020-06-22 2020-06-22 基于深度学习的电力现货交易出清的数据分析方法及装置 Active CN111753097B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010571603.2A CN111753097B (zh) 2020-06-22 2020-06-22 基于深度学习的电力现货交易出清的数据分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010571603.2A CN111753097B (zh) 2020-06-22 2020-06-22 基于深度学习的电力现货交易出清的数据分析方法及装置

Publications (2)

Publication Number Publication Date
CN111753097A CN111753097A (zh) 2020-10-09
CN111753097B true CN111753097B (zh) 2023-11-14

Family

ID=72675839

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010571603.2A Active CN111753097B (zh) 2020-06-22 2020-06-22 基于深度学习的电力现货交易出清的数据分析方法及装置

Country Status (1)

Country Link
CN (1) CN111753097B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112580901A (zh) * 2021-02-23 2021-03-30 国能日新科技股份有限公司 基于市场供需和区域气象预测的日前交易策略方法及系统

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008143653A2 (en) * 2006-12-11 2008-11-27 V2Green, Inc. Transaction management in a power aggregation system for distributed electric resources
WO2012101656A2 (en) * 2011-01-27 2012-08-02 Indian Institute Of Technology, Bombay A system and method for electricity price forecasting
CN104182803A (zh) * 2014-08-13 2014-12-03 东北电力大学 风电数据预处理方法及风电功率预测方法和系统
CN106253356A (zh) * 2016-07-28 2016-12-21 华北电力大学（保定） 基于储能电量价值评估的交直流混合微网实时经济调度法
CN107563586A (zh) * 2017-07-19 2018-01-09 北京微肯佛莱科技有限公司 一种基于梯级水电站耦合关系的日前市场出清机制系统
CN108808742A (zh) * 2018-07-05 2018-11-13 华中科技大学 考虑主动配电网接入面向输电阻塞的风险调度方法及系统
CN108921322A (zh) * 2018-05-25 2018-11-30 广东电网有限责任公司电力调度控制中心 一种基于实时电价的超短期节点负荷预测方法及系统
CN109523075A (zh) * 2018-11-14 2019-03-26 上海交通大学 基于区块链智能合约的充电站充电权优化配置系统
CN110224399A (zh) * 2019-06-12 2019-09-10 广东电网有限责任公司 基于风电场的电力现货市场出清方法、装置及存储介质
CN110266031A (zh) * 2019-07-03 2019-09-20 北京国能驭新科技有限公司 发电侧储能并网充放电量控制方法、装置、服务器及存储介质
CN110991693A (zh) * 2019-10-28 2020-04-10 重庆大学 一种考虑购电成本不确定性的负荷价-量曲线聚合系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030182250A1 (en) * 2002-03-19 2003-09-25 Mohammad Shihidehpour Technique for forecasting market pricing of electricity
JP5779014B2 (ja) * 2011-06-27 2015-09-16 株式会社東芝 電力需給制御装置、電力管理装置及び電力需給制御方法
US20160321750A1 (en) * 2015-04-30 2016-11-03 Fujitsu Limited Commodity price forecasting
US11586880B2 (en) * 2018-08-28 2023-02-21 Beijing Jingdong Shangke Information Technology Co., Ltd. System and method for multi-horizon time series forecasting with dynamic temporal context learning

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008143653A2 (en) * 2006-12-11 2008-11-27 V2Green, Inc. Transaction management in a power aggregation system for distributed electric resources
WO2012101656A2 (en) * 2011-01-27 2012-08-02 Indian Institute Of Technology, Bombay A system and method for electricity price forecasting
CN104182803A (zh) * 2014-08-13 2014-12-03 东北电力大学 风电数据预处理方法及风电功率预测方法和系统
CN106253356A (zh) * 2016-07-28 2016-12-21 华北电力大学（保定） 基于储能电量价值评估的交直流混合微网实时经济调度法
CN107563586A (zh) * 2017-07-19 2018-01-09 北京微肯佛莱科技有限公司 一种基于梯级水电站耦合关系的日前市场出清机制系统
CN108921322A (zh) * 2018-05-25 2018-11-30 广东电网有限责任公司电力调度控制中心 一种基于实时电价的超短期节点负荷预测方法及系统
CN108808742A (zh) * 2018-07-05 2018-11-13 华中科技大学 考虑主动配电网接入面向输电阻塞的风险调度方法及系统
CN109523075A (zh) * 2018-11-14 2019-03-26 上海交通大学 基于区块链智能合约的充电站充电权优化配置系统
CN110224399A (zh) * 2019-06-12 2019-09-10 广东电网有限责任公司 基于风电场的电力现货市场出清方法、装置及存储介质
CN110266031A (zh) * 2019-07-03 2019-09-20 北京国能驭新科技有限公司 发电侧储能并网充放电量控制方法、装置、服务器及存储介质
CN110991693A (zh) * 2019-10-28 2020-04-10 重庆大学 一种考虑购电成本不确定性的负荷价-量曲线聚合系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Electricity price forecast based on stacked autoencoder in spot market environment;Ya Zou;《2019 9th International Conference on Power and Energy Systems (ICPES)》;1-6 *
新南威尔士州日前市场出清电价预测研究;黄晗;《中国优秀硕士学位论文全文数据库 工程科技》;C042-146 *

Also Published As

Publication number Publication date
CN111753097A (zh) 2020-10-09

Similar Documents

Publication Publication Date Title
Raza et al. An ensemble framework for day-ahead forecast of PV output power in smart grids
Tian et al. Multi-step short-term wind speed prediction based on integrated multi-model fusion
Ke et al. Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN104573879A (zh) 基于最优相似日集的光伏电站出力预测方法
CN111429027A (zh) 一种基于大数据的地区输电网运行多维度分析方法
Kolhe et al. GA-ANN for short-term wind energy prediction
CN109886232A (zh) 一种基于神经网络的电网图像识别系统
Moayyed et al. A Cyber-Secure generalized supermodel for wind power forecasting based on deep federated learning and image processing
CN114169445A (zh) 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统
Ren et al. Quad-kernel deep convolutional neural network for intra-hour photovoltaic power forecasting
Tan et al. A multi-task learning method for multi-energy load forecasting based on synthesis correlation analysis and load participation factor
CN111753097B (zh) 基于深度学习的电力现货交易出清的数据分析方法及装置
CN115828755A (zh) 微网群参与电网服务的评估方法、装置及可读存储介质
CN115065078A (zh) 微网环境下储能容量配置方法及系统
Liang et al. Status evaluation method for arrays in large-scale photovoltaic power stations based on extreme learning machine and k-means
Zhang et al. Prediction interval estimation and deterministic forecasting model using ground-based sky image
Wei et al. CloudpredNet: An Ultra-Short-Term Movement Prediction Model for Ground-Based Cloud Image
Zhang et al. Short-term wind speed forecasting based on adaptive secondary decomposition and robust temporal convolutional network
Cheng et al. Evaluating the spatial correlations of multi-area load forecasting errors
CN115603446A (zh) 基于卷积神经网络和云边协同作用的配电台区运行监测系统
Zhang et al. Prediction of direct normal irradiance based on ensemble deep learning models
Al-Ja’afreh et al. An enhanced CNN-LSTM based multi-stage framework for PV and load short-term forecasting: DSO scenarios
CN112529326A (zh) 一种应用配电网全业务大数据的人工智能预测模型构方法
Zhang et al. Medium—And Long-Term Load Forecasting Method for Group Objects Based on the Image Representation Learning

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
GR01 Patent grant
GR01 Patent grant