CN114943565A - 基于智能算法的电力现货价格预测方法及装置 - Google Patents

基于智能算法的电力现货价格预测方法及装置 Download PDF

Info

Publication number
CN114943565A
CN114943565A CN202210665000.8A CN202210665000A CN114943565A CN 114943565 A CN114943565 A CN 114943565A CN 202210665000 A CN202210665000 A CN 202210665000A CN 114943565 A CN114943565 A CN 114943565A
Authority
CN
China
Prior art keywords
data
price
historical
target
time period
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
CN202210665000.8A
Other languages
English (en)
Inventor
孙金龙
王东
张永伟
刘海龙
李贵
韩磊
张增
赵记
程骐
杜栋
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.)
Guohua Bayannaoer Urat Zhongqi Wind Power Co ltd
Shanghai Envision Innovation Intelligent Technology Co Ltd
Original Assignee
Guohua Bayannaoer Urat Zhongqi Wind Power Co ltd
Shanghai Envision Innovation Intelligent 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 Guohua Bayannaoer Urat Zhongqi Wind Power Co ltd, Shanghai Envision Innovation Intelligent Technology Co Ltd filed Critical Guohua Bayannaoer Urat Zhongqi Wind Power Co ltd
Priority to CN202210665000.8A priority Critical patent/CN114943565A/zh
Publication of CN114943565A publication Critical patent/CN114943565A/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
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0201—Market modelling; Market analysis; Collecting market data
    • G06Q30/0203—Market surveys; Market polls
    • 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy 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
    • 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

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Development Economics (AREA)
  • Accounting & Taxation (AREA)
  • Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Theoretical Computer Science (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了一种基于智能算法的电力现货价格预测方法及装置，涉及能源预测技术领域。该方法包括：获取历史资源兑换数据和影响因素数据；对历史资源兑换数据和影响因素数据进行分析，得到数据影响分析结果；结合数据影响分析结果对历史资源兑换数据进行分析，得到目标能源在预测时间段内的预测出清价格；基于目标收益函数和预测出清价格，确定目标能源在预测时间段内的交易策略。通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量，使得预测交易策略的准确度较高，提高了能源的利用率，减少了由于准确度较低的交易策略产生的能源浪费。

Description

基于智能算法的电力现货价格预测方法及装置
技术领域
本申请实施例涉及能源预测技术领域，特别涉及一种基于智能算法的电力现货价格预测方法及装置。
背景技术
电力现货价格是指电力现货市场的出清价格曲线，形式通常为一天96点或24点曲线，反映每个时刻的电力成交价格。其中，电力现货市场包括日前市场、日内市场和实时市场，市场参与者可以在交易日前对电力现货价格进行预测。
相关技术中，主要是通过回归模型、神经网络预测、时间序列、小波分析预测及灰色预测等单一或组合算法对电力现货价格进行预测，从而确定报价报量策略。
然而，当市场的供需情况未出现明显变化，但主体竞价策略发生改变时，相关技术中的算法需要用较长时间才能适应这种变化；且其用于电力现货市场的价格预测精度及算法稳定性都较差。
发明内容
本申请实施例提供了一种基于智能算法的电力现货价格预测方法及装置，提高了价格预测和交易策略预测的准确度及算法稳定性，所述技术方案如下：
一方面，提供了一种基于智能算法的电力现货价格预测方法，所述方法包括：
获取历史资源兑换数据和影响因素数据，所述历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，所述影响因素数据用于指示影响所述目标能源在预测时间段内的出清价格的因素；
对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，所述数据影响分析结果用于指示所述影响因素数据对预测时间段内的出清价格的影响分析结果；
结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格；
基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，所述交易策略包括交易数量和资源兑换数量，所述目标收益函数用于指示在所述预测时间段内的收益目标。
另一方面，提供了一种基于智能算法的电力现货价格预测装置，所述装置包括：
获取模块，用于获取历史资源兑换数据和影响因素数据，所述历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，所述影响因素数据用于指示影响所述目标能源在预测时间段内的出清价格的因素；
分析模块，用于对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，所述数据影响分析结果用于指示所述影响因素数据对预测时间段内的出清价格的影响分析结果；
所述分析模块，还用于结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格；
确定模块，用于基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，所述交易策略包括交易数量和资源兑换数量，所述目标收益函数用于指示在所述预测时间段内的收益目标。
另一方面，提供了一种计算机设备，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现本申请实施例中任一所述的基于智能算法的电力现货价格预测方法。
另一方面，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中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现本申请实施例任一所述的基于智能算法的电力现货价格预测方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行本申请实施例中任一所述的基于智能算法的电力现货价格预测方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，其中，同时考虑了历史数据和出清价格影响因素，则得到的预测出清价格的准确度更高；以及根据获取预测出清价格和目标收益函数，确定目标能源的交易策略，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量，使得预测结果更加市场规律，且交易策略的准确度较高，提高了能源的利用率，减少了由于准确度较低的交易策略产生的能源浪费。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例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申请的一些实施例，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是本申请一个示例性实施例提供的出清价格曲线的示意图；
图2是本申请一个示例性实施例提供的实施环境示意图；
图3是本申请一个示例性实施例提供的基于智能算法的电力现货价格预测方法的流程图；
图4是本申请另一个示例性实施例提供的基于智能算法的电力现货价格预测方法的流程图；
图5是本申请一个示例性实施例提供的基于智能算法的电力现货价格预测的训练方法的流程图；
图6是本申请一个示例性实施例提供的基于智能算法的电力现货价格预测方法的网络架构示意图；
图7是本申请一个示例性实施例提供的基于智能算法的电力现货价格预测装置的结构框图；
图8是本申请另一个示例性实施例提供的基于智能算法的电力现货价格预测装置的结构框图；
图9是本申请一个示例性实施例提供的服务器的结构框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述，显然，所描述的实施例是本申请一部分实施例，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，都属于本申请保护的范围。
本申请中术语“第一”、“第二”等字样用于对作用和功能基本相同的相同项或相似项进行区分，应理解，“第一”、“第二”之间不具有逻辑或时序上的依赖关系，也不对数量和执行顺序进行限定。
随着国内电力市场进入全新阶段，发电侧的电力现货交易市场逐渐开放，其中，发电侧主要分为火电、水电及新能源三种类型。发电侧交易市场按时间划分主要分为中长期市场和现货市场。
电力现货市场是指交易电力现货的电力市场。其中，本申请中的电力市场主要是指交易电能的市场，电力市场的交易主体为售电方(例如：发电厂)和购电方(例如：企业)。在中长期市场中，购电方与售电方签订多年、多月或者多日等合约，则售电方向购电方提供长期的较为稳定的发电。
在电力市场中，由于生产和消费是同时进行，且不能大量储存，所以全社会电能的供给和需求要保持实时平衡。然而通过中长期市场的交易，很难保证供给和需求的实时平衡，示意性的，若在8点时，通过中长期市场的交易，全社会购买的电量为80千瓦，但实际上全社会用电为90千瓦，那么其中产生的10千瓦差值即为需要在电力现货市场中交易的电能。
电力现货市场包括电力日前市场、电力日内市场和电力实时市场。电力日前市场是在电力现货市场中电量占比最高、也是最重要的组成部分。在电力日前市场中，售电方和发电方在交易日的前一天对交易日的电量和电价进行申报，在交易日当天进行交易，一般分为多个时段报量报价，每个时段为15分钟或者1个小时。
电力现货价格是指在电力现货市场中的实际成交价格，也即出清价格。电力日前市场中，在电力交易日前一天，电力交易中心根据售电方和发电方的报量报价，综合考虑电网实际运行时承载能力和供求关系平衡，得到出清价格，售电方和发电方最后会根据该出清价格进行交易。示意性的，请参考图1，其示出了某时段的出清价格的示意图，在电力现货市场中，会根据售电方报价从低到高，购电方报价从高到低进行匹配，其中，横坐标表示电量，也即，售电方所能够提供的电量，或者购电方所需要购入的电量，示意性的，曲线101为售电方a-e的报量和报价曲线，曲线102为购电方甲、购电方乙、购电方丙、购电方丁的报量和报价曲线，曲线101和曲线102的交点的横坐标A点的左侧：购电方价格>售电方价格，则可以成交；交点的横坐标A点的右侧：购电方价格<售电方价格，则无法成交。其中，B点为成交价格，可选地，该成交价格＝售电方d在A点的报价+(购电方丙在A点的报价-售电方d在A点的报价)/2。
从售电方的角度进行分析，若售电方每天的发电总负荷是固定的，由于在现货市场中每天每个时间段的价格波动较大，则如何分配一天中每个时段的发电负荷，对于售电方的总收益来说至关重要；售电方需要根据每个时段的电能的生产成本、电网运行数据、电力市场的最高、最低限价等信息，对每个时段的报量和报价综合进行考虑，得到竞价策略，使其在实际交易时获取的收益最大化。
相关技术中，主要是通过回归模型、神经网络预测、时间序列、小波分析预测及灰色预测等单一或组合算法对电力现货价格进行预测，从而确定报价报量策略。然而，当市场的供需情况未出现明显变化，但主体竞价策略发生改变时，相关技术中的算法需要用较长时间才能适应这种变化；且其用于电力现货市场的价格预测精度及算法稳定性都较差。本申请提供的基于智能算法的电力现货价格预测方法，首先，通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，其中，同时考虑了历史数据和出清价格影响因素；其次，根据获取预测出清价格和目标收益函数，确定目标能源的交易策略，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量。
图2是本申请一个示例性实施例提供的实施环境示意图，如图2所示，该实施环境中包括终端210、服务器220和通信网络230，其中，终端210和服务器220之间通过通信网络230连接，在一些可选的实施例中，通信网络230可以是有线网络，也可以是无线网络，本实施例对此不加以限定。
在一些可选的实施例中，终端210是智能手机、平板电脑、笔记本电脑、台式计算机、智能家电、智能车载终端、智能音箱、数码相机等，但并不局限于此。以终端210实现为智能手机为例进行说明，可选地，终端210中安装有目标应用程序，示意性地，该目标应用程序可以是传统应用程序，可以是云应用程序，可以实现为宿主应用程序中的小程序或应用模块，也可以是某个网页平台，本实施例对此不加以限定。可选地，该目标应用程序提供有出清价格和交易策略预测功能，示意性的，如图2所示，终端210可根据对象输入的历史资源兑换数据(例如：在电力现货市场中的历史出清价格)和影响因素数据(例如：气温、风速、检修情况等)，向对象反馈预测出清价格和交易策略，其中，交易策略中包括交易价格和交易数量。
在一些可选的实施例中，服务器220用于为终端210中安装的目标应用程序提供后台服务。可选地，服务器220中设置有价格预测网络和交易策略网络。示意性的，终端210将历史资源兑换数据和影响因素数据发送至服务器220，服务器220接收到该数据后，首先通过价格预测网络得到预测出清价格；其次，结合预测出清价格，通过交易策略网络得到交易策略，该交易策略可使得对象在预测出清价格的基础上，在预测时间段内获得最大收益；最后，服务器220将得到的预测出清价格和交易策略反馈至终端210，终端210接收到预测出清价格和交易策略，对其进行显示，预测出清价格和交易策略可以为对象在电力现货市场中的报量和报价提供参考。
在一些可选的实施例中，价格预测网络和交易策略网络也可以部署在终端210侧，由终端210在本地实现出清价格和交易策略预测的预测过程，无需借助服务器220，本实施例对此不加以限定。
值得注意的是，服务器220能够是独立的物理服务器，也能够是多个物理服务器构成的服务器集群或者分布式系统，还能够是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、CDN(Content Delivery Network，内容分发网络)以及大数据和人工智能平台等基础云计算服务的云服务器。可选地，服务器220还可以实现为区块链系统中的节点。
需要说明的是，本申请所涉及的信息(包括但不限于用户设备信息、用户个人信息等)、数据(包括但不限于用于分析的数据、存储的数据、展示的数据等)以及信号，均为经用户授权或者经过各方充分授权的，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。例如，本申请中涉及到的历史兑换资源数据和影响因素数据都是在充分授权的情况下获取的。
结合上述介绍和实施环境，对本申请实施例提供的基于智能算法的电力现货价格预测方法进行说明，图3是本申请实施例提供的一种基于智能算法的电力现货价格预测方法的流程图，以该方法应用于终端或者服务器中为例进行说明，如图3所示，该方法包括：
步骤301，获取历史资源兑换数据和影响因素数据。
历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，影响因素数据用于指示影响目标能源在预测时间段内的出清价格的因素。
可选地，历史时间段可以是以当前时刻为基准的预设历史时间段，预测时间段可以是以当前时刻为基准的预设未来时间段。示意性的，历史时间段为当前时刻之前一日的时间段，未来时间段为当前时刻之后一日的时间段。
可选地，本实施例中，目标能源包括电力市场中的电能，其中，电能包括水电、火电、新能源发电(风电、核电、太阳能、地热能等)中的至少一种，本申请实施例对此不加以限定。
可选地，历史资源兑换数据是指在历史时间段内电力市场中电能的历史出清电价，可选地，历史时间段包括多个子时间段，示意性的，以15分钟为单位切分历史时间段，得到多个子时间段，则历史资源兑换数据中包括每个子时间段分别对应的出清价格。
其中，历史出清电价为在电力市场中的历史成交电价，其中，历史成交电价实现为时间-价格曲线的形式，示意性的，历史时间段为1天，则该曲线可以是96点曲线(也即，每15分钟对应一个成交电价)，还可以是24点曲线(也即，每60分钟对应一个成交电价)。
可选地，历史出清电价包括历史中长期电价、历史日前电价、历史日内电价、历史实时电价中的至少一种，本申请实施例对此不加以限定。其中，中长期电价是指在电力中长期市场上的电能成交价格，其中，电力中长期市场主要是用于提供中长期电力的市场，如：售电方根据市场约定持续向供电方提供3个月电能；日前电价是指在电力日前市场上的电能成交价格，其中，电力日前市场是指购电方提前一日进行电能需求提出，售电方提前一日进行电能供给提出的市场，根据一日供需关系完成该一日的电能供求合作；日内电价是指在电力日内市场上的电能成交价格，其中，电力日内市场是指购电方提前预设时长(小于一日时长)进行电能需求提出，售电方提前预设时长(小于一日时长)进行电能供给提出的市场，日内市场是在日前市场关闭后进行交易；实时电价是指在电力实时市场上的电能成交价格，其中，电力实时市场是指在电能实际运行前(也即，交付前)由售电方提供电量供给信号的市场。
可选地，影响因素数据包括气象数据、电网运行数据、电力负荷数据等中的至少一种，本申请实施例对此不加以限定。其中，气象数据主要是指在预测时间段之前，售电方和购电方所在区域的气温、湿度、风速、辐射等；电网运行数据是指电力设备的检修情况和整体限电情况等；电力负荷数据包括供电负荷(也即，供电量)和发电负荷(也即，发电量)。
步骤302，对历史资源兑换数据和影响因素数据进行分析，得到数据影响分析结果。
数据影响分析结果用于指示影响因素数据对预测时间段内的出清价格的影响分析结果。
其中，预测时间段即为需要进行出清价格预测的时间段，例如：在电力日前市场，要提前1天进行竞价，则在6月8日就要预测6月9日的出清价格，则预测时间段为6月9日中的24个小时。
可选地，对历史资源兑换数据分析，得到目标历史资源兑换数据，其中，目标历史资源兑换数据是单独对历史资源兑换数据进行分析后，总结得到的结果；以及对影响因素数据进行分析，得到目标影响因素数据，其中，目标影响因素数据是单独对影响因素数据进行分析后，总结得到的结果；则数据影响分析结果即为目标历史资源兑换数据和目标影响因素数据。
或者，在一些实施例中，对历史资源兑换数据和影响因素数据进行整合分析，如：通过影响因素数据对历史资源兑换数据进行分析，或者，通过历史资源兑换数据对影响因素数据进行分析，得到数据影响分析结果。示意性的，根据影响因素数据对历史资源兑换数据进行分析，从而实现对历史资源兑换数据的过滤。
示意性的，对历史5年内的电力市场的中长期成交价格曲线、日前价格曲线、日内价格曲线和实时价格曲线进行分析，得到目标历史电价数据。对气象数据进行分析，提取气象数据中与新能源发电相关的特征表示；对电网运行的文本数据进行分析，确定其中与电力设备的检修情况和整体限电情况相关的文本；对电力负荷数据进行分析，提取其中与发电量和用电量相关的特征表示。
步骤303，结合数据影响分析结果对历史资源兑换数据进行分析，得到目标能源在预测时间段内的预测出清价格。
在一些可选的实施例中，构建多个数据影响分析结果和历史资源兑换数据的数据对；在每个数据对中，对数据影响分析结果中各数据与历史资源兑换数据的相关性进行分析，得到相关性分析结果；基于该相关性分析结果，得到目标能源在预测时间段内的预测出清价格。
需要说明的是，上述数据对中数据影响分析结果和历史资源兑换数据对应的时间段是一致的，例如：2022年2月5日18:00-18:16的日前出清电价和2022年2月5日18:00-18:16的电力数据影响分析结果。
示意性的，相关性分析可以是对气象数据和历史出清价格的相关性进行分析，若判断气象数据对历史出清价格的影响程度较其他数据对历史出清价格的影响程度强，则增加该时间段气象数据的相关性系数。
可选地，上述基于该相关性分析结果，得到目标能源在预测时间段内的预测出清价格，还包括：
基于预测时间段的时间信息，对多个数据对进行筛选，得到数据对筛选结果，作为参考数据对；基于相关性分析结果和参考数据对，得到目标能源在预测时间段内的预测出清价格。示意性的，若需要预测的是2022年7月2日(周六)的日前出清电价，根据“时间段为周末”、“时间段为夏季”、“时间段为预测时间段前两周”、“时间段为月初”等条件，从多个数据对中选择出满足上述至少一个条件的数据对，作为参考数据对。
在一些可选的实施例中，将历史资源兑换数据和数据影响分析结果输入价格预测网络，输出得到预测出清价格，其中，价格预测网络是预先训练得到的用于进行价格预测的网络。
步骤304，基于目标收益函数和预测出清价格，确定目标能源在预测时间段内的交易策略，交易策略包括交易数量和资源兑换数量，目标收益函数用于指示在预测时间段内的收益目标。
在一些可选的实施例中，将预测出清价格输入交易策略网络，输出得到目标资源在预测时间段内的交易数量和资源兑换数量，其中，交易策略网络是基于目标收益函数构建并训练得到的网络。
可选地，交易策略网络实现为优势-演员-评论家(Advantage-Actor-Critic，A2C)网络、深度确定性策略梯度(Deep Deterministic Policy Gradient，DDPG)、近端策略优化算法(Proximal Policy Optimization，PPO)等中的至少一种，本申请实施例对此不加以限定。
可选地，交易策略网络中还设置有约束条件，约束条件用于指示交易策略的制定规则。示意性的，在电力现货市场中，约束条件包括售电方报价的最高限价和最低限价。
可选地，交易策略网络中还设置目标能源的交易成本曲线，交易成本曲线用于指示目标能源在不同生产量下的生产成本。
可选地，上述收益目标是指基于预测出清价格，通过交易策略所获取的最大收益，其中，最大收益是指在预测时间段内所能获取的最大收益，或者，是指在预测时间段内平衡了风险和收益所获取的最大收益。
综上所述，本申请实施例提供的方法通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，其中，同时考虑了历史数据和出清价格影响因素，则得到的预测出清价格的准确度更高；以及根据获取预测出清价格和目标收益函数，确定目标能源的交易策略，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量，使得预测结果更加市场规律，且交易策略的准确度较高，提高了能源的利用率，减少了由于准确度较低的交易策略产生的能源浪费。
图4是本申请实施例提供的一种基于智能算法的电力现货价格预测方法的流程图，如图4所示，该方法包括：
步骤401，获取历史资源兑换数据和影响因素数据。
历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，影响因素数据用于指示影响目标能源在预测时间段内的出清价格的因素。
示意性的，获取历史资源兑换数据即为获取交易日(预测时间段)前的电力市场的历史日前市场成交电价、历史日内市场成交电价、历史实时市场成交电价、历史中长期成交电价中的至少一种。上述成交电价实现为时间-价格曲线的形式。
可选地，影响因素数据包括气象数据、电网运行数据、电力负荷数据等中的至少一种，本申请实施例对此不加以限定。
步骤402，对气象数据进行分析，得到气象影响分析结果。
示意性的，气象数据是指交易日之前售电方和购电方所在区域的气温、湿度、风速、辐射等。且气象数据主要是指对上述电能中的新能源发电产生影响的气象数据。
示意性的，将气象数据输入卷积神经网络中，提取能源相关特征，能源相关特征用于指示新能源的发电情况。例如：风速特征用于指示在某一段时间的风力发电能力。
在一些可选的实施例中，上述气象数据还包括交易日当天的气象预报数据，用于指示交易日当天的气象信息。
步骤403，对文本通告数据进行文本分析，得到文本影响分析结果。
文本影响分析结果用于指示预测时间段内的配送数据，配送数据用于在价格预测网络中进行出清价格辅助预测。
可选地，将文本通告数据输入文本特征提取网络，输出得到文本影响分析结果。
示意性的，上述文本特征提取网络可实现为双向编码器表征(BidirectionalEncoderRepresentation from Transformers，BERT)模型，若文本通告数据实现为电网公布的在交易日之前的电网运行信息，将该电网运行信息输入到BERT模型中，提取目标文本特征表示，该目标文本特征表示用于指示电力市场运行的检修信息和限电信息；对该目标文本特征表示进行分析，获取交易日当天的检修线路和限电时段，作为文本影响分析结果。
步骤404，对历史能源负荷数据进行趋势分析，得到负荷影响分析结果。
负荷影响分析结果用于指示目标能源在历史时间段内的周期性变化和趋势，负荷影响分析结果用于在价格预测网络中进行出清价格辅助预测。
示意性的，以历史能源负荷数据实现为电力负荷数据为例进行说明，电力负荷数据实现为时间-电量曲线，可选地，该曲线包括持续负荷曲线和最大负荷曲线，持续负荷曲线用于指示历史时间段内的连续的负荷变化；最大负荷曲线用于指示历史时间段内每个子时间段的最大负荷变化。
示意性的，对历史时间段内的电力负荷曲线进行傅里叶变换，分析变换后的电力负荷曲线的周期性和变化趋势；以及，获取电网发布的负荷预测结果；基于电力负荷曲线周期性和变化趋势，对电网发布的负荷预测结果进行调整，获取调整后的负荷预测结果，作为负荷影响分析结果。
步骤405，对历史资源兑换数据进行异常检测，得到资源兑换影响分析结果。
在一些可选的实施例中，上述得到资源兑换影响分析结果，包括：
对历史资源兑换数据进行异常检测，得到历史资源兑换数据中的异常数据；从历史资源兑换数据中剔除异常数据；被剔除的异常数据不参与价格预测网络的分析预测。
可选地，对历史资源兑换数据进行分析，获取历史兑换数据的异常值；响应于历史兑换数据中的目标数据的异常值大于阈值，确定目标数据为历史资源兑换数据中的异常数据。
示意性的，以历史能源兑换数据实现为历史出清电价为例进行说明，历史出清电价包括多个子历史出清电价，将多个子历史出清电价输入到异常检测网络中；获取每个子历史出清电价的异常值，异常值用于指示每个子时间段的历史出清电价和预测出清电价之间的差值，差值越大，异常值越大；当目标子历史出清电价的异常值大于阈值，则确定目标子历史出清电价为多个子历史出清电价中的异常数据，从多个子历史出清电价中剔除目标子历史出清电价；被剔除的目标子历史出清电价不参与价格预测网络的分析预测。
步骤406，将历史资源兑换数据和数据影响分析结果输入价格预测网络，输出得到预测出清价格。
其中，价格预测网络是预先训练得到的用于进行价格预测的网络。
该价格预测网络可实现为深度神经网络(Deep Neural Networks，DNN)。
可选地，上述数据影响分析结果包括气象影响分析结果、文本影响分析结果、负荷影响分析结果以及资源兑换影响分析结果。
示意性的，将历史资源兑换数据和数据影响分析结果输入价格预测网络；基于资源兑换影响分析结果，对历史资源兑换数据进行更新，得到目标历史资源兑换数据，其中，目标历史资源兑换数据是指删除了异常数据的历史资源兑换数据；基于气象影响分析结果、文本影响分析结果、负荷影响分析结果，对目标历史资源兑换数据进行分析，输出得到预测出清价格。
可选地，通过价格预测网络对历史资源兑换数据进行分析，得到候选预测出清价格；通过气象影响分析结果对候选预测出清价格进行修正，得到预测出清价格。
可选地，通过价格预测网络基于文本影响分析结果、负荷影响分析结果以及资源兑换影响分析结果，得到候选预测出清价格，候选预测出清价格中包括新能源预测；基于气象影响分析结果，对新能源预测进行调整，得到预测出清价格。示意性的，以目标能源实现为电力现货日前市场中的电能为例进行说明，将历史出清电价和数据影响分析结果输入价格预测网络；删除历史出清电价中的极端情况，获取目标历史出清电价；对目标历史出清电价进行分析，得到候选出清电价；通过气象影响分析结果，对候选预测出清电价进行调整，输出得到预测出清电价。
步骤407，将预测出清价格输入交易策略网络，输出得到目标资源在预测时间段内的交易数量和资源兑换数量。
其中，交易策略网络是基于目标收益函数构建并训练得到的网络。
可选地，上述收益目标是指基于预测出清价格，通过交易策略所获取的最大收益，其中，最大收益是指在预测时间段内所能获取的最大收益，或者，是指在预测时间段内平衡了风险和收益所获取的最大收益。
示意性的，可以分别通过PPO、A2C、DDPG网络对交易策略进行预测，选择其中一个交易策略实际在市场中执行。可选地，其中A2C网络可降低收益的波动；DDPG网络会较多考虑收益最大化；PPO网络使得预测结果更为稳定。
综上所述，本申请实施例提供的方法通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，其中，同时考虑了历史数据和出清价格影响因素，则得到的预测出清价格的准确度更高；以及根据获取预测出清价格和目标收益函数，确定目标能源的交易策略，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量，使得预测结果更加市场规律，且交易策略的准确度较高，提高了能源的利用率，减少了由于准确度较低的交易策略产生的能源浪费。
本申请实施例提供的方法，影响因素数据中包括气象信息，通过对气象信息的分析，提高了其新能源预测的准确度；且对历史价格数据进行分析，删除了其中的极端数据，结合影响因素数据中的多维度信息，使得的预测电价的准确度更高。
在一些可选的实施例中，上述价格预测网络和交易策略网络是通过训练得到的网络，以目标资源实现为电力资源为例进行说明，图5是本申请实施例提供的一种基于智能算法的电力现货价格预测方法的训练方法的流程图，如图5所示，该方法包括：
步骤501，获取样本数据。
其中，样本数据包括样本历史电价数据和样本影响因素数据。
可选地，样本历史电价数据是指在第一时间段的历史电价，其中，第一时间段为第二时间段之前的时间段，第二时间段为需要预测出清价格的时间段。
可选地，上述样本影响因素数据是指在第一时间段的样本影响因素数据，其中，样本影响因素数据包括样本气象数据、样本电网运行数据、样本电力负荷数据等中的至少一种。
步骤502，将样本气象数据输入到待训练的神经网络中，提取样本气象数据特征表示。
示意性的，请参考图6，将样本数据601中的样本气象数据输入到CNN中，提取样本气象数据特征表示。
其中，样本气象数据特征表示用于指示第一时间段内电力市场所在区域的气温、湿度、风速、辐射中与新能源发电相关的特征。
步骤503，将样本电网运行数据输入到文本编码器中，输出得到目标样本电网运行数据。
可选地，上述文本编码器实现为BERT模型。其中，BERT模型为预先在电网运行数据库中进行训练得到的模型。示意性的，请参考图6，将样本数据601中的样本电网运行数据输入到BERT模型中。
可选地，目标样本电网运行数据是指在第二时间段内，电力设备的检修信息和限制用电的时间段等可能会影响生成电能或者输送电能的数据。
步骤504，将样本电力负荷数据输入到傅里叶模型中，输出得到目标样本负荷结果。
可选地，该傅里叶模型为预先在历史电力负荷数据库中训练得到的模型。
示意性的，请参考图6，将样本数据601中的样本电力负荷数据输入到Fourier(傅里叶)模型中。
可选地，上述目标样本负荷结果是指在第二时间段内的电力负荷数据。
在一些可选的实施例中，得到目标样本负荷结果的过程包括：
获取样本负荷预测结果，样本负荷预测结果用于指示电网发布的第二时间段内的电力负荷数据；对样本电力负荷数据进行傅里叶变换，将其变换到频域空间，获取样本电力负荷数据在第一时间段内的周期性特征和趋势特征；基于目标样本负荷结果的周期性特征和趋势特征，对样本负荷预测结果进行修改，得到目标样本负荷结果。
步骤505，将样本历史电价数据输入到异常检测模型中，输出得到目标样本电价。
可选地，该异常检测模型为预先在历史电价数据库中训练得到的模型。
示意性的，请参考图6，将样本数据601中的样本历史电价数据输入到Anomalydetection(异常检测)模型中。
在一些可选的实施例中，得到目标样本电价的过程包括：
对样本历史电价数据进行异常检测，得到样本历史电价数据中的异常数据；从样本历史电价数据中剔除异常数据，得到目标样本电价数据，其中，目标样本电价为过滤了异常数据样本历史电价数据。
步骤506，将样本气象数据特征表示、目标样本电网运行数据、目标样本负荷结果以及目标样本电价输入到目标价格预测网络中，输出得到目标预测出清价格。
其中，目标预测价格用于指示预测的在第二时间段的出清价格。
示意性的，请参考图6，将样本气象数据特征表示、目标样本电网运行数据、目标样本负荷结果以及目标样本电价输入到DNN中。
可选地，基于目标样本电网运行数据、目标样本负荷结果以及目标样本电价，输出得到样本候选预测出清价格，样本候选预测出清价格中包括样本新能源供给量预测；基于样本气象数据特征表示，对样本新能源预测进行调整，得到目标预测出清价格。
在一些可选的实施例中，上述目标价格预测网络为待训练的网络，则：
获取第二时间段在电力现货市场中的实际出清价格；基于目标预测出清价格和实际出清价格，获取对比损失，基于该对比损失，对目标价格预测网络进行训练，得到价格预测网络。
在一些可选的实施例中，上述目标价格预测网络为预先训练得到的网络，其训练过程可参考步骤501至506。
步骤507，将目标预测出清价格输入到待训练的样本交易策略网络中，输出得到目标资源的样本交易策略。
示意性的，请参考图6，将目标预测出清价格输入到样本交易策略网络602中，得到第二时间段的电力的样本交易策略。其中，样本交易策略网络602可以是PPO网络、A2C网络、DDPG网络中的其中一种。
步骤508，基于样本交易策略，对样本交易策略网络中的参数进行更新，输出得到目标交易策略。
上述样本交易策略网络为强化学习网络，在强化学习网络中：
可选地，奖励函数为预测出清价格和预测成交量的乘积的总和，预测成交量是指预测的市场主体实际交易的电量，其中，当预测的交易价格过高，可能无法进行交易，则交易量为0，也即当前交易策略奖励的值为0。示意性的，奖励函数的公式如下：
Figure BDA0003691318430000161
其中，奖励函数是指的是从t0到tn这一时间段内的预测出清价格和预测成交量乘积的总和，Trade_Pricet为预测出清价格，Trade_volumet为预测成交量。
则以累积奖励最大化为目标对样本交易策略网络进行训练，从售电方的角度分析，为了使得获取的利润最大化，在不考虑其他风险和成本固定的情况下，也即，使奖励函数的值最大化。若需要预测的是某一时间段的交易策略，使得该时段的奖励函数的值最大，则计算当前时间段T的Q值，Q值用于指示在预测价格为P的情况下获取的奖励；要使得当前时刻的Q值最大，也即，使当前时间段的Q值大于其他所有时间段的Q值，也即，使Q函数最大化(Q函数的参数即为交易策略网络的参数)，为使得Q函数最大化，可以通过梯度上升算法使得Q函数收敛，且最大化取值，从而完成对样本交易策略网络的训练，得到交易策略网络。
可选地，每个目标预测出清价格(也即是P)对应有一个Q，可以根据Q的大小，以累计奖励最大化为目标，优化目标预测出清价格。
可选地，在训练中可应用多种强化学习方法对模型进行训练，当模型收敛时。可以将训练好的模型应用到测试集数据中进行测试，分别通过A2C网络、DDPG网络、PPO网络对交易策略进行预测。将预测得到的交易策略结合电力现货市场的真实出清价格，计算出收益，选择其中收益最大的网络作为实际预测时所应用的模型。
综上所述，本申请实施例提供的基于智能算法的电力现货价格预测的训练方法通过对样本数据进行分析，获取了多维度的价格影响数据；通过对价格影响数据的分析，结合历史价格，预测目标预测出清价格；则在已有出清价格的基础上，基于收益最大化，通过强化学习的方法训练样本交易策略网络，得到交易策略网络；则通过该交易策略网络预测得到的交易策略的准确度更高，能源的利用率更高，且减少了由于准确度较低的交易策略产生的能源浪费；并且对样本交易策略网络进行参数调整的同时也对样本价格预测网络中的目标预测出清价格结果进行了优化，提高了预测出清价格的风险抵抗力。
请参考图7，其示出了本申请一个示例性的实施例提供的基于智能算法的电力现货价格预测装置结构框图，该装置包括如下模块：
获取模块710，用于获取历史资源兑换数据和影响因素数据，所述历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，所述影响因素数据用于指示影响所述目标能源在预测时间段内的出清价格的因素；
分析模块720，用于对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，所述数据影响分析结果用于指示所述影响因素数据对预测时间段内的出清价格的影响分析结果；
所述分析模块720，还用于结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格；
确定模块730，用于基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，所述交易策略包括交易数量和资源兑换数量，所述目标收益函数用于指示在所述预测时间段内的收益目标。
在一些可选的实施例中，所述分析模块720，还用于将所述历史资源兑换数据和所述数据影响分析结果输入价格预测网络，输出得到所述预测出清价格，其中，所述价格预测网络是预先训练得到的用于进行价格预测的网络。
请参考图8，在一些可选的实施例中，所述影响因素数据中包括气象数据；所述分析模块720，还用于对所述气象数据进行分析，得到气象影响分析结果；所述分析模块720，还包括：
输入单元721，用于将所述历史资源兑换数据和所述气象影响分析结果输入所述价格预测网络；
分析单元722，用于通过所述价格预测网络对所述历史资源兑换数据进行分析，得到候选预测出清价格；
修正单元723，通过所述气象影响分析结果对所述候选预测出清价格进行修正，得到所述预测出清价格。
在一些可选的实施例中，所述影响因素数据中包括文本通告数据，所述文本通告数据用于对所述预测时间段内的目标能源配送情况进行通告；所述分析模块720，还用于对所述文本通告数据进行文本分析，得到文本影响分析结果，所述文本影响分析结果用于指示所述预测时间段内的配送数据，所述配送数据用于在所述价格预测网络中进行出清价格辅助预测。
在一些可选的实施例中，所述影响因素数据中包括历史能源负荷数据，所述历史能源负荷数据用于指示所述目标能源的历史负荷情况；所述分析模块720，还用于对所述历史能源负荷数据进行趋势分析，得到负荷影响分析结果，所述负荷影响分析结果用于指示所述目标能源在历史时间段内的周期性变化和趋势，所述负荷影响分析结果用于在所述价格预测网络中进行出清价格辅助预测。
在一些可选的实施例中，所述分析模块720，还包括：
异常检测单元724，用于对所述历史资源兑换数据进行异常检测，得到所述历史资源兑换数据中的异常数据；
所述异常检测单元724，还用于从所述历史资源兑换数据中剔除所述异常数据；被剔除的异常数据不参与所述价格预测网络的分析预测。
在一些可选的实施例中，所述异常检测单元724，还用于对所述历史资源兑换数据进行分析，获取所述历史兑换数据的异常值；所述异常检测单元724，还用于响应于所述历史兑换数据中的目标数据的异常值大于阈值，确定所述目标数据为所述历史资源兑换数据中的异常数据。
在一些可选的实施例中，所述确定模块730，还用于将所述预测出清价格输入交易策略网络，输出得到所述目标资源在所述预测时间段内的交易数量和资源兑换数量，其中，所述交易策略网络是基于所述目标收益函数构建并训练得到的网络。
综上所述，本申请实施例提供的基于智能算法的电力现货价格预测装置通过对历史资源兑换数据和影响因素数据进行分析，获取预测出清价格，其中，同时考虑了历史数据和出清价格影响因素，则得到的预测出清价格的准确度更高；以及根据获取预测出清价格和目标收益函数，确定目标能源的交易策略，则在已有出清价格的基础上，基于收益目标去确定交易数量和资源兑换数量，使得预测结果更加市场规律，且交易策略的准确度较高，提高了能源的利用率，减少了由于准确度较低的交易策略产生的能源浪费。
需要说明的是：上述实施例提供的基于智能算法的电力现货价格预测装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的基于智能算法的电力现货价格预测装置和基于智能算法的电力现货价格预测方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
图9示出了本申请一个示例性实施例提供的服务器的结构示意图。具体来讲包括以下结构：
服务器900包括中央处理单元(Central Processing Unit，CPU)901、包括随机存取存储器(Random Access Memory，RAM)902和只读存储器(Read Only Memory，ROM)903的系统存储器904，以及连接系统存储器904和中央处理单元901的系统总线905。服务器900还包括用于存储操作系统913、应用程序914和其他程序模块915的大容量存储设备906。
大容量存储设备906通过连接到系统总线905的大容量存储控制器(未示出)连接到中央处理单元901。大容量存储设备906及其相关联的计算机可读介质为服务器900提供非易失性存储。也就是说，大容量存储设备906可以包括诸如硬盘或者紧凑型光盘只读存储器(Compact Disc Read Only Memory，CD-ROM)驱动器之类的计算机可读介质(未示出)。
不失一般性，计算机可读介质可以包括计算机存储介质和通信介质。计算机存储介质包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据等信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。计算机存储介质包括RAM、ROM、可擦除可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、带电可擦可编程只读存储器(Electrically Erasable Programmable Read Only Memory，EEPROM)、闪存或其他固态存储技术，CD-ROM、数字通用光盘(Digital Versatile Disc，DVD)或其他光学存储、磁带盒、磁带、磁盘存储或其他磁性存储设备。当然，本领域技术人员可知计算机存储介质不局限于上述几种。上述的系统存储器904和大容量存储设备906可以统称为存储器。
根据本申请的各种实施例，服务器900还可以通过诸如因特网等网络连接到网络上的远程计算机运行。也即服务器900可以通过连接在系统总线905上的网络接口单元911连接到网络912，或者说，也可以使用网络接口单元911来连接到其他类型的网络或远程计算机系统(未示出)。
上述存储器还包括一个或者一个以上的程序，一个或者一个以上程序存储于存储器中，被配置由CPU执行。
本申请的实施例还提供了一种计算机设备，该计算机设备可以实现为如图3所示的终端或者服务器。该计算机设备包括处理器和存储器，该存储器中存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行以实现上述各方法实施例提供的基于智能算法的电力现货价格预测方法。
本申请的实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有至少一条指令、至少一段程序、代码集或指令集，至少一条指令、至少一段程序、代码集或指令集由处理器加载并执行，以实现上述各方法实施例提供的基于智能算法的电力现货价格预测方法。
本申请的实施例还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各方法实施例提供的基于智能算法的电力现货价格预测方法。
可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM，Resistance RandomAccess Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本申请的可选实施例，并不用以限制本申请，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 (12)

1.一种基于智能算法的电力现货价格预测方法，其特征在于，所述方法包括：
获取历史资源兑换数据和影响因素数据，所述历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，所述影响因素数据用于指示影响所述目标能源在预测时间段内的出清价格的因素；
对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，所述数据影响分析结果用于指示所述影响因素数据对预测时间段内的出清价格的影响分析结果；
结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格；
基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，所述交易策略包括交易数量和资源兑换数量，所述目标收益函数用于指示在所述预测时间段内的收益目标。
2.根据权利要求1所述的方法，其特征在于，所结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格，包括：
将所述历史资源兑换数据和所述数据影响分析结果输入价格预测网络，输出得到所述预测出清价格，其中，所述价格预测网络是预先训练得到的用于进行价格预测的网络。
3.根据权利要求2所述的方法，其特征在于，所述影响因素数据中包括气象数据；
所述对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，包括：
对所述气象数据进行分析，得到气象影响分析结果；
所述将所述历史资源兑换数据和所述数据影响分析结果输入价格预测网络，输出得到所述预测出清价格，包括：
将所述历史资源兑换数据和所述气象影响分析结果输入所述价格预测网络；
通过所述价格预测网络对所述历史资源兑换数据进行分析，得到候选预测出清价格；
通过所述气象影响分析结果对所述候选预测出清价格进行修正，得到所述预测出清价格。
4.根据权利要求2所述的方法，其特征在于，所述影响因素数据中包括文本通告数据，所述文本通告数据用于对所述预测时间段内的目标能源配送情况进行通告；
所述对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，包括：
对所述文本通告数据进行文本分析，得到文本影响分析结果，所述文本影响分析结果用于指示所述预测时间段内的配送数据，所述配送数据用于在所述价格预测网络中进行出清价格辅助预测。
5.根据权利要求2所述的方法，其特征在于，所述影响因素数据中包括历史能源负荷数据，所述历史能源负荷数据用于指示所述目标能源的历史负荷情况；
所述对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，包括：
对所述历史能源负荷数据进行趋势分析，得到负荷影响分析结果，所述负荷影响分析结果用于指示所述目标能源在历史时间段内的周期性变化和趋势，所述负荷影响分析结果用于在所述价格预测网络中进行出清价格辅助预测。
6.根据权利要求2所述的方法，其特征在于，所述对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，包括：
对所述历史资源兑换数据进行异常检测，得到所述历史资源兑换数据中的异常数据；
从所述历史资源兑换数据中剔除所述异常数据；被剔除的异常数据不参与所述价格预测网络的分析预测。
7.根据权利要求6所述的方法，其特征在于，所述对所述历史资源兑换数据进行异常检测，得到所述历史资源兑换数据中的异常数据，包括：
对所述历史资源兑换数据进行分析，获取所述历史兑换数据的异常值；
响应于所述历史兑换数据中的目标数据的异常值大于阈值，确定所述目标数据为所述历史资源兑换数据中的异常数据。
8.根据权利要求1所述的方法，其特征在于，所述基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，包括：
将所述预测出清价格输入交易策略网络，输出得到所述目标资源在所述预测时间段内的交易数量和资源兑换数量，其中，所述交易策略网络是基于所述目标收益函数构建并训练得到的网络。
9.一种基于智能算法的电力现货价格预测装置，其特征在于，所述装置包括：
获取模块，用于获取历史资源兑换数据和影响因素数据，所述历史资源兑换数据用于指示目标能源在历史时间段内的出清价格，所述影响因素数据用于指示影响所述目标能源在预测时间段内的出清价格的因素；
分析模块，用于对所述历史资源兑换数据和所述影响因素数据进行分析，得到数据影响分析结果，所述数据影响分析结果用于指示所述影响因素数据对预测时间段内的出清价格的影响分析结果；
所述分析模块，还用于结合所述数据影响分析结果对所述历史资源兑换数据进行分析，得到所述目标能源在所述预测时间段内的预测出清价格；
确定模块，用于基于目标收益函数和所述预测出清价格，确定所述目标能源在所述预测时间段内的交易策略，所述交易策略包括交易数量和资源兑换数量，所述目标收益函数用于指示在所述预测时间段内的收益目标。
10.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一段程序，所述至少一段程序由所述处理器加载并执行以实现如权利要求1至8任一所述的基于智能算法的电力现货价格预测方法。
11.一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中存储有至少一条程序代码，所述至少一条程序代码由处理器加载并执行以实现如权利要求1至8任一所述的基于智能算法的电力现货价格预测方法。
12.一种计算机程序产品，其特征在于，包括计算机程序，所述计算机程序被处理器执行时实现如权利要求1至8任一所述的基于智能算法的电力现货价格预测方法。
CN202210665000.8A 2022-06-13 2022-06-13 基于智能算法的电力现货价格预测方法及装置 Pending CN114943565A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210665000.8A CN114943565A (zh) 2022-06-13 2022-06-13 基于智能算法的电力现货价格预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210665000.8A CN114943565A (zh) 2022-06-13 2022-06-13 基于智能算法的电力现货价格预测方法及装置

Publications (1)

Publication Number Publication Date
CN114943565A true CN114943565A (zh) 2022-08-26

Family

ID=82909693

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210665000.8A Pending CN114943565A (zh) 2022-06-13 2022-06-13 基于智能算法的电力现货价格预测方法及装置

Country Status (1)

Country Link
CN (1) CN114943565A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964620A (zh) * 2023-03-15 2023-04-14 阿里巴巴（中国）有限公司 数据处理方法、存储介质和电子设备
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
CN117151882A (zh) * 2023-10-30 2023-12-01 国网天津市电力公司经济技术研究院 一种基于多品种电力交易的风险评估方法及系统

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115964620A (zh) * 2023-03-15 2023-04-14 阿里巴巴（中国）有限公司 数据处理方法、存储介质和电子设备
CN115964620B (zh) * 2023-03-15 2023-12-12 阿里巴巴（中国）有限公司 数据处理方法、存储介质和电子设备
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
CN117151882A (zh) * 2023-10-30 2023-12-01 国网天津市电力公司经济技术研究院 一种基于多品种电力交易的风险评估方法及系统
CN117151882B (zh) * 2023-10-30 2024-05-07 国网天津市电力公司经济技术研究院 一种基于多品种电力交易的风险评估方法及系统

Similar Documents

Publication Publication Date Title
US11699198B2 (en) Methods and systems for machine-learning for prediction of grid carbon emissions
CN107845022B (zh) 电力市场辅助决策系统
Khosravi et al. Quantifying uncertainties of neural network-based electricity price forecasts
Shah et al. Forecasting of electricity price through a functional prediction of sale and purchase curves
CN114943565A (zh) 基于智能算法的电力现货价格预测方法及装置
CN108280541A (zh) 基于随机森林和决策树的客户服务策略制定方法、装置
Zhang et al. Load Prediction Based on Hybrid Model of VMD‐mRMR‐BPNN‐LSSVM
CN116091118A (zh) 电价预测方法、装置、设备、介质及产品
Kaffash et al. Data‐driven forecasting of local PV generation for stochastic PV‐battery system management
Livas-García et al. Forecasting of locational marginal price components with artificial intelligence and sensitivity analysis: A study under tropical weather and renewable power for the mexican southeast
CN117788082A (zh) 一种基于电价预测的电力市场报价决策方法及系统
CN117853158A (zh) 基于动态量本利分析的企业运营数据预测方法及装置
CN114202174A (zh) 一种电价风险等级预警方法、装置及存储介质
Karimi et al. Participation of generating companies in transmission investment in electricity markets
Wen et al. Electricity demand forecasting and risk management using Gaussian process model with error propagation
Demloj Electricity Price Forecasting using Multivariate Price Time Series
Tzallas et al. Probabilistic Quantile Multi-step Forecasting of Energy Market Prices: A UK Case Study
Du et al. Integrating Weather Conditions to Forecast the Electricity Price in Belgium Market: A Novel Mixed-Frequency Machine Learning Algorithm
Tang et al. Forecasting individual bids in real electricity markets through machine learning framework
Kavoosi Davoodi et al. An accurate analysis of the parameters affecting consumption and price fluctuations of electricity in the Iranian market in summer
Shin et al. Analysis of the Effect of Different Time Resolutions Between Day-Ahead and Real-Time Markets on Offer Strategies of Wind Power Producers
CN117010929B (zh) 一种农产品舆情信息构建方法
JP7514148B2 (ja) 情報処理装置、情報処理方法、情報処理システム及びコンピュータプログラム
Indralaksono et al. Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors
Saghravanian et al. Proposing new analytical price‐based market power and coalition indices based on LMP share in double‐sided power market

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