CN114202174A - 一种电价风险等级预警方法、装置及存储介质 - Google Patents
一种电价风险等级预警方法、装置及存储介质 Download PDFInfo
- Publication number
- CN114202174A CN114202174A CN202111405629.0A CN202111405629A CN114202174A CN 114202174 A CN114202174 A CN 114202174A CN 202111405629 A CN202111405629 A CN 202111405629A CN 114202174 A CN114202174 A CN 114202174A
- Authority
- CN
- China
- Prior art keywords
- data
- electricity price
- sample set
- price
- early warning
- 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
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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价风险等级预警方法、装置及存储介质。该方法通过根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;根据第三训练样本集对现货市场电价风险等级预警模进行训练;将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;本发明技术方案实现了对现货市场出清电价的风险等级的准确预测。
Description
技术领域
本发明涉及电价风险预警技术领域,尤其涉及一种电价风险等级预警方法、装置及存储介质。
背景技术
随着电力现货市场逐步推进,市场交易主体面临着诸多风险,其中价格波动风险是交易主体最关心的风险。电力现货市场价格主要受供需关系、燃料价格、和不同市场主体报价行为的影响。在电力现货市场环境下,评估现货市场出清电价的风险等级对市场主体制定交易策略、合理安排资源具有十分深远的意义。例如通过对现货市场的历史价格分布预测未来可能产生的损失,进而采取相应策略来及时规避价格波动带来市场主体大面积亏损等。因此,如何评估未来现货价格的风险等级,为现货市场交易主体提供观察风险、调整策略的工具是亟需解决的问题,本方法的目的是得到一种可以评估未来现货出清价格风险等级的预警模型,该模型为供需关系、燃料价格、报价基准和运营场景对价格风险等级的预警的映射关系。
目前,在险值法(Value at Risk,VaR)和条件风险价值法(Conditional Value atRisk,CVaR)由于重点关注概率分布的尾部,是重要的尾部风险度量指标,能给出价格剧烈波动下,某时期在给定概率水平下可能发生的最大损失和最大平均损失,因此是一种常用的量化电价风险方法。VaR和CVaR均可以通过多种方式计算。通过设置一个特定的风险阈值,可以重点关注超过阈值的风险发生概率,从而预先进行风险控制,增加了风险控制的效果。
在电力市场建设初期,历史供需数据和出清价格数据相较于成熟的电力市场往往较少,传统电价风险预测方法会由于历史数据少而造成大预测偏差。如何基于已有数据集合理扩充数据样本,并从不同现货市场出清价格主要影响因素如报价、供需比和燃料价格等方面最终得出现货市场面临的电价风险等级是本专利所要解决的问题。
发明内容
本发明提供一种电价风险等级预警方法、装置及存储介质,实现了对现货市场出清电价的风险等级的预测。
本发明一实施例提供一种电价风险等级预警方法,包括以下步骤:
根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;
根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;
根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型;
将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据;所述N为正整数。
进一步的,根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集,具体为:
将历史的报价水平数据、供需比数据和燃料价格数据进行随机组合得到A组交易数据;根据所述A组交易数据定义N个运营场景;所述N和A为正整数;
建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系;所述第一现货市场出清电价风险等级为A组交易数据对应的市场节点出清电价的风险等级;
根据所述A组交易数据的维度水平,将所述第一训练样本集的A组交易数据分别归类至所述N个运营场景中,得到第一训练样本集。
进一步的,根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,具体为:
提取所述第一训练样本集的每个运营场景的每组交易数据中的供需比数据和燃料价格数据,得到K对交易数据对,所述每组交易数据中的供需比数据和燃料价格数据为一对交易数据对;所述K为正整数;
根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述M为正整数;
提取所述第一训练样本集的K对交易数据对的K个报价水平数据,根据第二映射关系得到所述K个报价水平数据的K个报价基准数据;
根据所述K个报价基准数据和M对模拟数据对之间的第三映射关系,生成M个报价水平数据,关联所述M对模拟数据对和M个报价水平数据得到M组交易数据;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,得到第二训练样本集;所述第二现货市场出清电价风险等级为M组交易数据对应的现货市场节点出清电价的风险等级。
进一步的,根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对,具体为:
根据多种生成低差异序列的方式对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述多种生成低差异序列的方式包括Van der Corput、Halton、Hammersley、Sobol和Rank-1 lattice。
进一步的,建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系,具体为:
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价,将所述第一日前市场节点电价输入至风险分类器,得到所述第一日前市场节点电价对应的第一现货市场出清电价风险等级;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,具体为:
将所述M组交易数据输入至日前安全约束经济调度模型得到第二日前市场节点电价,将所述第二日前市场节点电价输入至所述风险分类器,得到所述第二日前市场节点电价对应的第二现货市场出清电价风险等级。
进一步的,所述报价水平数据为所有机组的加权平均报价;所述燃料价格数据包括燃煤机组价格和燃气机组价格。
进一步地,根据所述A组交易数据定义N个运营场景时,所述供需比数据为统调负荷预测数据;
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价时,所述供需比数据为母线负荷预测数据。
进一步地,所述现货市场出清价格风险等级包括一级预警、二级预警、三级预警、四级预警和无风险;
所述一级预警为极端高价风险,所述极端高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二;
所述二级预警为高价风险,所述高价风险对应的现货市场出清价格为历史价格排序表中的前百分之十;
所述三级预警为一般高价风险,所述一般高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二十;
所述四级预警为异常低价风险,所述异常低价风险对应的现货市场出清价格为历史价格排序表中的最后百分之五。
本发明另一实施例提供了一种电价风险等级预警装置,包括训练集构建模块、训练集扩展模块、模型训练模块和风险等级预测模块;
所述训练集构建模块用于根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;
所述训练集扩展模块用于根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;
所述模型训练模块用于根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型。
本发明又一实施例提供一种可读存储介质,所述可读存储介质包括存储的计算机程序,所述计算机程序执行时,控制所述可读存储介质所在的设备执行本发明任意一项方法项实施例所述的基于容器云和服务网格的流量路由方法。
本发明的实施例,具有如下有益效果:
本发明提供了一种电价风险等级预警方法、装置及存储介质,该方法通过根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;再根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;可见,本发明构建了科学的训练样本集,并对训练样本集进行了科学的扩充,使得训练样本的数据丰富度得到极大的提升,进而使得根据第三训练样本集对现货市场电价风险等级预警模进行训练时,可以提高模型的预测精度,即所述现货市场电价风险等级预警模可以根据输入的预测样本集对现货市场出清电价的风险等级的准确预测。
附图说明
图1是本发明一实施例提供的电价风险等级预警方法的流程示意图;
图2是本发明一实施例提供的电价风险等级预警装置的结构示意图。
具体实施方式
下面将结合本发明中的附图,对本发明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做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。
如图1所示,本发明一实施例提供的一种电价风险等级预警方法,包括:
步骤S101:根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据。
作为其中一种实施例,将历史的报价水平数据、供需比数据和燃料价格数据进行随机组合得到A组交易数据;根据所述A组交易数据定义N个运营场景;所述N和A为正整数;
建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系;所述第一现货市场出清电价风险等级为A组交易数据对应的市场节点出清电价的风险等级;
根据所述A组交易数据的维度水平,将所述第一训练样本集的A组交易数据分别归类至所述N个运营场景中,得到第一训练样本集。
作为其中一种实施例,建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系,具体为:
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价,将所述第一日前市场节点电价输入至风险分类器,得到所述第一日前市场节点电价对应的第一现货市场出清电价风险等级;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,具体为:
将所述M组交易数据输入至日前安全约束经济调度模型得到第二日前市场节点电价,将所述第二日前市场节点电价输入至所述风险分类器,得到所述第二日前市场节点电价对应的第二现货市场出清电价风险等级。
优选地,所述报价水平数据为所有机组的加权平均报价;所述燃料价格数据包括燃煤机组价格和燃气机组价格。
优选地,根据所述A组交易数据定义N个运营场景时,所述供需比数据为统调负荷预测数据;
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价时,所述供需比数据为母线负荷预测数据。
步骤S102:根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集。
作为其中一种实施例,提取所述第一训练样本集的每个运营场景的每组交易数据中的供需比数据和燃料价格数据,得到K对交易数据对,所述每组交易数据中的供需比数据和燃料价格数据为一对交易数据对;所述K为正整数;
根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述M为正整数;优选地,根据多种生成低差异序列的方式对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述多种生成低差异序列的方式包括Van derCorput、Halton、Hammersley、Sobol和Rank-1 lattice。
提取所述第一训练样本集的K对交易数据对的K个报价水平数据,根据第二映射关系得到所述K个报价水平数据的K个报价基准数据;所述第二映射关系为预设的函数关系;
根据所述K个报价基准数据和M对模拟数据对之间的第三映射关系,生成M个报价水平数据,关联所述M对模拟数据对和M个报价水平数据得到M组交易数据;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,得到第二训练样本集;所述第二现货市场出清电价风险等级为M组交易数据对应的现货市场节点出清电价的风险等级。
步骤S103:根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型。
步骤S104:将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据;所述N为正整数。
作为其中一种实施例,所述现货市场出清价格风险等级包括一级预警、二级预警、三级预警、四级预警和无风险;
所述一级预警为极端高价风险,所述极端高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二;
所述二级预警为高价风险,所述高价风险对应的现货市场出清价格为历史价格排序表中的前百分之十;
所述三级预警为一般高价风险,所述一般高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二十;
所述四级预警为异常低价风险,所述异常低价风险对应的现货市场出清价格为历史价格排序表中的最后百分之五。
作为其中一种详细的实施例,步骤A101:将历史的a1维供需比数据、a2维燃料价格数据、a3维报价水平数据进行随机组合得到A组交易数据;根据所述A组交易数据定义N个运营场景;所述N和A为正整数;所述供需比数据为统调负荷预测数据;
所述燃料价格数据包括燃煤机组价格和燃气机组价格;所述燃煤机组价格根据中国沿海电煤采购价格指数(CECI沿海指数)进行确定;所述燃气机组价格为电力市场所在地区的天然气基准门站价格;
步骤A201:将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价,将所述第一日前市场节点电价输入至风险分类器,得到所述第一日前市场节点电价对应的第一现货市场出清电价风险等级;y个第一日前市场节点电价对应y个市场主体的出清电价,即得到了y个市场主体的出清电价和第一现货市场出清电价风险等级之间的映射关系。
步骤A301:将所述A组交易数据按照相应的维度水平归类至不同的N个运营场景中,所述每个运营场景有K对交易数据对,所述每组交易数据中的供需比数据和燃料价格数据为一对交易数据对;
步骤A401:提取每个运营场景中的K对交易数据对,根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述M为正整数;优选地,根据多种生成低差异序列的方式对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;使用低差异序列生成的模拟数据对,相比伪随机数有更高的收敛效率;所述多种生成低差异序列的方式包括Van der Corput、Halton、Hammersley、Sobol和Rank-1 lattice;
作为其中一种生成低差异序列的方式为:
为了得到模拟后的M对模拟数据对,需要产生Mi个2维的随机变量,首先选取2个质数作为基数,产生基数b1和b2(例如b=10就是用十进制数表示),对于任意一个正整数Mi,使用唯一的基数bj的非负次幂的线性组合表示:
例如:Mi=15,设基底b1为二进制(b1=2),用二进制表示Mi,即Mi=15=1111(2),此时Mi=1×23+1×22+1×21+1×20,将降幂反转为升幂Mi=1×20+1×21+1×22+1×23,对应就分别是1、1、1、1,对应(bj)k就表示二进制基底的幂(即(bj)k中的k分别为0,1,2,3。就为0.1111;将得到的二进制数转化为十进制,转化公式为:
其中,xij为想要生成的随机变量;
例如:(0.1111)2=(1×2-1+1×2-2+1×2-3+1×2-4)10=0.9375。
提取所述第一训练样本集的K对交易数据对的K个报价水平数据,以所述K个报价水平数据为自变量,每个所述报价水平数据对应一个运营场景;根据第二映射关系得到所述K个报价水平数据的K个报价基准数据;所述第二映射关系为预设的函数关系;优选地,计算每个场景中多个报价水平数据的均值,将所述均值作为当前场景的报价基准数据;
将所述K个报价基准数据结合M对模拟数据对,并根据第三映射关系(例如,以报价水平数据为均值、以设定的参数为方差,通过正态分布生成报价水平数据)对应生成M个报价水平数据,组合得到M组交易数据,分别代表M次市场交易;
使用历史的报价水平数据映射报价基准数据,可以反映市场主体的主观报价意愿,使在预测的过程中能够综合考虑市场客观因素和市场主体主观意愿,从而提高了预测结果的可靠度。
步骤A501:将所述M组交易数据输入至日前安全约束经济调度模型得到第二日前市场节点电价,将所述第二日前市场节点电价输入至所述风险分类器,得到所述第二日前市场节点电价对应的第二现货市场出清电价风险等级。p个第二日前市场节点电价对应p个市场主体的出清电价,即得到了p个市场主体的出清电价和第二现货市场出清电价风险等级之间的映射关系。
步骤A601:建立每个运营场景的多组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,得到第二训练样本集;所述第二现货市场出清电价风险等级为M组交易数据对应的现货市场节点出清电价的风险等级。
将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集。
步骤A701:根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型。
步骤A7011:将报价水平数据、供需比数据和燃料价格数据通过Matlab自带归一化函数premnmx、postmnmx和tramnmx进行归一化预处理做为神经网络输入变量,归一化到[-1,1]之间。将处理后的报价水平数据、供需比数据和燃料价格数据作为输入向量P,将现货市场出清价格风险等级作为目标向量T;
步骤A7012:根据函数newff()建立BP神经网络,函数newff()的调用格式为:
net=newff(PR,[S1…Si],{TF1TF2…TFi},BTF,PF) (3);
其中,PR为二维矩阵,表示R维输入矢量中每维输入的最小值与最大值之间的范围。神经网络有i层,Si表示第i层神经元数目。TFi表示第i层神经元采用转移函数。BTF为网络训练函数,即学习算法,缺省为trainlm。PF为训练误差函数,缺省MSE(均方误差)。
模型网络的隐层结点的转移函数全部采用Sigmoid函数(即S型函数)。当网络的最后一层采用曲线函数时,输出被限制在一个很小的范围内,如果采用线性函数则输出可为任意值。由于本模型输出层为单一的平均价格,为了在输出层得到具体数值,输出神经元转移函数为线性函数——purelin函数。本研究中神经网络采用批处理模式,批处理模式由train函数触发,训练输出与实际输出的总误差采用缺省MSE的方式进行计算。
步骤A7013:Matlab提供的初始化函数及调用格式为:
net=init(net) (4);
其中,参数net为newff所建立的网络,变量net为初始化后的网络。对于前馈网络通常有initwb和initnw,initwb函数根据每一层自己的初始化参数初始化权重和阈值,初始化权重通常设为rands,它使权重在[-1.1]到之间随机取值,这种方式经常用在转换函数是线性函数时。initwb通常用于转换函数是曲线函数,它根据Nguyen和Widrow方法为每一层产生初始化权重和阈值,使得每层神经元的活动区域能大致平坦的分布在输入空间。初始化在调用网络建立newff函数时根据缺省的参数自动完成,可以不必再单独调用init函数,只有当要重新初始化权重和阈值或者进行自定义的初始化时才需要调用。
步骤A7014:建立网络并初始化后就调用train函数对网络进行训练,根据(5)式对网络进行训练:
net=train(net,P,T) (5);
其中,P和T分别为训练样本矩阵和目标输出矩阵,net为由newff函数生成的待训练网络。在设置了训练参数后,train函数会根据netff函数中确定的训练函数来训练网络。
步骤A7015:利用仿真函数可以对训练好的网络用检验样本进行检验,函数的调用格式为:
a=sim(net,p) (6);
其中,net为训练好的网络对象,p为输入向量或矩阵,a为网络输出。如果p为向量,则为单点仿真,p为矩阵,则为多点仿真。本实施例中,在训练误差达到要求后,输入检验样本,根据检验输出与实际输出的误差,判断网络的泛化性能,以便取舍。
步骤A801:将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据。
本发明实施例的有益效果:
在电力市场建设初期,历史供需数据和出清价格数据相较于成熟的电力市场往往较少,相比于VaR评估的其他方法如历史模拟法、分析法和蒙特卡洛法来说,本发明实施例弥补了以上方法存在的诸多不足:如历史模拟法存在样本量过少不适合模拟的不足、分析法的价格水平分布不是正态分布,不满足分析前提的不足、蒙特卡洛法使用的是随机数序列精度不足等。本发明实施例使用拟蒙特卡洛法产生包含多个历史数据样本的集合,减轻了由于现货出清电价预测样本数量过少导致的模型训练过拟合和欠拟合的问题。同时,真实数据样本的增加将有助于提升现货市场电价风险等级模型训练拟合优度和预测精度。
此外,本发明实施例解决了即使供需比、燃料价格等影响报价行为的影响因素一致,不同市场情绪下的报价水平也不完全相同的情况,将报价基准加在影响市场主体具体报价的因素中。通过计算不同场景下的报价基准作为运营场景下的主观因素的考量,并结合运营场景定义的“供需比-燃料”生成报价水平,最后根据报价水平生成模型中所有市场主体的报价用于市场出清,使现货市场模拟的出清价格更为精准,提高了现货市场出清价格风险评估的准确度。
最后,本发明实施例训练了用于现货市场电价风险等级预测的神经网络,市场主体只要通过当下的场景,输入相应的变量即可得到现货市场出清电价的风险等级。现货市场出清电价的风险等级常见的计算方法为直接计算VaR,然后再根据计算出的数值结果分析风险等级,计算和过程均较为复杂。而本发明实施例通过训练好的神经网络可以直接得出根据预先设置好的风险等级结果,极大的减轻了计算和评估风险的负担。
如图2所示,本发明另一实施例提供了电价风险等级预警装置,包括训练集构建模块、训练集扩展模块、模型训练模块和风险等级预测模块;
所述训练集构建模块用于根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;
所述训练集扩展模块用于根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;
所述模型训练模块用于根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型;
所述风险等级预测模块用于将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据;所述N为正整数。
在上述发明项实施例的基础上,本发明对应提供了可读存储介质项实施例;
本发明另一实施例提供了一种可读存储介质,所述可读存储介质包括存储的计算机程序,所述计算机程序执行时,控制所述可读存储介质所在的设备执行如本发明任意一项方法项实施例所述的电价风险等级预警方法。
示例性的,所述计算机程序可以被分割成一个或多个模块,所述一个或者多个模块被存储在所述存储器中,并由所述处理器执行,以完成本发明。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括,但不仅限于,处理器、存储器。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述终端设备的控制中心,利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述终端设备的各种功能。所述存储器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,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、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。
其中,所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质(即上述可读存储介质)中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
需说明的是,以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。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。另外,本发明提供的装置实施例附图中,模块之间的连接关系表示它们之间具有通信连接,具体可以实现为一条或多条通信总线或信号线。
本领域普通技术人员在不付出创造性劳动的情况下,即可以理解并实施。以上所述是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。本领域普通技术人员可以理解实现上述实施例中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random Access Memory,RAM)等。
Claims (10)
1.一种电价风险等级预警方法,其特征在于,包括以下步骤:
根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;
根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;
根据第三训练样本集对现货市场电价风险等级预警模型进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型;
将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据;所述N为正整数。
2.根据权利要求1所述的电价风险等级预警方法,其特征在于,根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集,具体为:
将历史的报价水平数据、供需比数据和燃料价格数据进行随机组合得到A组交易数据;根据所述A组交易数据定义N个运营场景;所述N和A为正整数;
建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系;所述第一现货市场出清电价风险等级为A组交易数据对应的市场节点出清电价的风险等级;
根据所述A组交易数据的维度水平,将所述第一训练样本集的A组交易数据分别归类至所述N个运营场景中,得到第一训练样本集。
3.根据权利要求1所述的电价风险等级预警方法,其特征在于,根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,具体为:
提取所述第一训练样本集的每个运营场景的每组交易数据中的供需比数据和燃料价格数据,得到K对交易数据对,所述每组交易数据中的供需比数据和燃料价格数据为一对交易数据对;所述K为正整数;
根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述M为正整数;
提取所述第一训练样本集的K对交易数据对的K个报价水平数据,根据第二映射关系得到所述K个报价水平数据的K个报价基准数据;
根据所述K个报价基准数据和M对模拟数据对之间的第三映射关系,生成M个报价水平数据,关联所述M对模拟数据对和M个报价水平数据得到M组交易数据;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,得到第二训练样本集;所述第二现货市场出清电价风险等级为M组交易数据对应的现货市场节点出清电价的风险等级。
4.根据权利要求1所述的电价风险等级预警方法,其特征在于,根据所述拟蒙特卡洛法对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对,具体为:
根据多种生成低差异序列的方式对所述K对交易数据对的联合分布进行模拟,得到M对模拟数据对;所述多种生成低差异序列的方式包括Van der Corput、Halton、Hammersley、Sobol和Rank-1lattice。
5.根据权利要求4所述的电价风险等级预警方法,其特征在于,建立所述A组交易数据与第一现货市场出清电价风险等级之间的第一映射关系,具体为:
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价,将所述第一日前市场节点电价输入至风险分类器,得到所述第一日前市场节点电价对应的第一现货市场出清电价风险等级;
建立所述M组交易数据与第二现货市场出清电价风险等级之间的第四映射关系,具体为:
将所述M组交易数据输入至日前安全约束经济调度模型得到第二日前市场节点电价,将所述第二日前市场节点电价输入至所述风险分类器,得到所述第二日前市场节点电价对应的第二现货市场出清电价风险等级。
6.根据权利要求1所述的电价风险等级预警方法,其特征在于,所述报价水平数据为所有机组的加权平均报价;所述燃料价格数据包括燃煤机组价格和燃气机组价格。
7.根据权利要求1所述的电价风险等级预警方法,其特征在于,根据所述A组交易数据定义N个运营场景时,所述供需比数据为统调负荷预测数据;
将所述A组交易数据输入至日前安全约束经济调度模型得到第一日前市场节点电价时,所述供需比数据为母线负荷预测数据。
8.根据权利要求1所述的电价风险等级预警方法,其特征在于,所述现货市场出清价格风险等级包括一级预警、二级预警、三级预警、四级预警和无风险;
所述一级预警为极端高价风险,所述极端高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二;
所述二级预警为高价风险,所述高价风险对应的现货市场出清价格为历史价格排序表中的前百分之十;
所述三级预警为一般高价风险,所述一般高价风险对应的现货市场出清价格为历史价格排序表中的前百分之二十;
所述四级预警为异常低价风险,所述异常低价风险对应的现货市场出清价格为历史价格排序表中的最后百分之五。
9.一种电价风险等级预警装置,其特征在于,包括训练集构建模块、训练集扩展模块、模型训练模块和风险等级预测模块;
所述训练集构建模块用于根据历史的交易数据、所述交易数据和第一现货市场出清电价风险等级之间的第一映射关系构建第一训练样本集;每组所述交易数据包括报价水平数据、供需比数据和燃料价格数据;
所述训练集扩展模块用于根据拟蒙特卡洛法,对所述第一训练样本集进行模拟得到第二训练样本集,将所述第一训练样本集和第二训练样本集进行合并得到第三训练样本集;
所述模型训练模块用于根据第三训练样本集对现货市场电价风险等级预警模进行训练,所述现货市场电价风险等级预警模型为BP神经网络模型;
所述风险等级预测模块用于将预测样本集输入至所述现货市场电价风险等级预警模型,得到现货市场出清价格风险等级;所述预测样本集包括N个运营场景,所述每个运营场景包括多组交易数据,每组所述交易数据包括当前的报价水平数据、供需比数据和燃料价格数据;所述N为正整数。
10.一种可读存储介质,其特征在于,所述可读存储介质包括存储的计算机程序,所述计算机程序执行时,控制所述可读存储介质所在的设备执行如权利要求1至8中任意一项所述的电价风险等级预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405629.0A CN114202174A (zh) | 2021-11-24 | 2021-11-24 | 一种电价风险等级预警方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111405629.0A CN114202174A (zh) | 2021-11-24 | 2021-11-24 | 一种电价风险等级预警方法、装置及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114202174A true CN114202174A (zh) | 2022-03-18 |
Family
ID=80648772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111405629.0A Pending CN114202174A (zh) | 2021-11-24 | 2021-11-24 | 一种电价风险等级预警方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114202174A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034832A (zh) * | 2022-07-05 | 2022-09-09 | 广东电网有限责任公司 | 一种天然气和电力的协调调度方法、装置及系统 |
CN116629913A (zh) * | 2023-07-24 | 2023-08-22 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
-
2021
- 2021-11-24 CN CN202111405629.0A patent/CN114202174A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115034832A (zh) * | 2022-07-05 | 2022-09-09 | 广东电网有限责任公司 | 一种天然气和电力的协调调度方法、装置及系统 |
CN116629913A (zh) * | 2023-07-24 | 2023-08-22 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
CN116629913B (zh) * | 2023-07-24 | 2023-10-03 | 山东青上化工有限公司 | 一种复合肥料生产过程数据提取系统及处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159835B (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN107330573B (zh) | 一种光伏系统关键设备的状态评估方法及装置 | |
Jiang et al. | Day‐ahead renewable scenario forecasts based on generative adversarial networks | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN115986728A (zh) | 一种计及不确定性因素的电网态势预测方法与终端 | |
Zolotova et al. | Short-term forecasting of prices for the Russian wholesale electricity market based on neural networks | |
Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
CN115185804A (zh) | 服务器性能预测方法、系统、终端及存储介质 | |
Boukas et al. | Intra-day bidding strategies for storage devices using deep reinforcement learning | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
Coronas et al. | MONTE-CARLO probabilistic valuation of concentrated solar power systems in Spain under the 2014 retroactive regulatory framework | |
CN109993374B (zh) | 货物量预测方法及装置 | |
CN116911994A (zh) | 对外贸易风险预警系统 | |
CN112039111A (zh) | 一种新能源微电网参与电网调峰能力的方法及系统 | |
CN116502894A (zh) | 光伏台区停电风险评估方法、装置、电子设备及存储介质 | |
CN113627655B (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115409317A (zh) | 基于特征选择和机器学习的台区线损检测方法及装置 | |
CN114784795A (zh) | 风电功率预测方法、装置、电子设备及存储介质 | |
CN115187134A (zh) | 基于网格的配电网规划方法、装置及终端设备 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
Cano-Martínez et al. | Dynamic energy prices for residential users based on Deep Learning prediction models of consumption and renewable generation | |
CN114066068A (zh) | 一种短期电力负荷预测方法、装置、设备和存储介质 |
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 |