CN116128250A - 面向现货市场的售电偏差管理方法及其系统 - Google Patents

Abstract

本申请涉及智能管理领域，其具体地公开了一种面向现货市场的售电偏差管理方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以在满足生产用能需求的同时也能为电力用户节省用电费用。

Description

面向现货市场的售电偏差管理方法及其系统

技术领域

本申请涉及智能管理领域，且更为具体地，涉及一种面向现货市场的售电偏差管理方法及其系统。

背景技术

售电公司通过和电力用户签订零售服务合同，为电力用户在电力市场购电。售电公司通过在电力批发市场进行年度交易、月度交易、月内交易，以保证电力用户生产用能的购电安排。如果由于其他不可控的原因，出现购电电量无法满足电力用户生产用能的情况时，售电公司通过在现货市场进行现货交易购电，以满足用电电量偏差。

目前售电公司在现货市场进行现货交易购电，以满足电力用户用电电量偏差，解决了电力用户实际生产用能的需求，但可能面临以下不足：由于现货市场的实时性、交易双方的不确定性等特征，在现货市场的交易价格要远高于电力批发市场的交易价格，电力用户需要承担较多的用电费用；由于现货市场交易的不确定性，可能面临无合适的现货交易，无法购买合适的电量，影响电力用户的生产用能安排。

因此，期望一种优化的面向现货市场的售电偏差管理方案

发明内容

为了解决上述技术问题，提出了本申请。本申请的实施例提供了一种面向现货市场的售电偏差管理方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以在满足生产用能需求的同时也能为电力用户节省用电费用。

根据本申请的一个方面，提供了一种面向现货市场的售电偏差管理方法，其包括：获取与售电公司签约的第一电力用户的用电电量偏差；获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；将所述多个转移矩阵分别通过分类器以得到多个概率值；以及将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

在上述面向现货市场的售电偏差管理方法中，所述深度全连接网络包括多个全连接层。

在上述面向现货市场的售电偏差管理方法中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

在上述面向现货市场的售电偏差管理方法中，所述将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量，包括：将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量。其中，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第一邻域尺度竞价方案关联特征向量；其中，所述公式为：

 ，

其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述一维特征向量；以及，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度竞价方案关联特征向量；其中，所述公式为：

 ，

其中，b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸， X表示所述一维特征向量。

在上述面向现货市场的售电偏差管理方法中，所述分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵，包括：以如下公式分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；其中，所述公式为： ，其中表示所述多个竞价方案特征向量，表示所述竞价方案关联特征向量，表示所述多个转移矩阵。

在上述面向现货市场的售电偏差管理方法中，所述将所述多个转移矩阵分别通过分类器以得到多个概率值，包括：将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量；对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量；以及，将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值。

在上述面向现货市场的售电偏差管理方法中，所述对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量，包括：以如下公式对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到所述多个优化转移特征向量；其中，所述公式为： ，

其中是所述多个转移特征向量中的各个转移特征向量，表示所述各个转移特征向量的二范数，表示所述各个转移特征向量的二范数的平方，是所述各个转移特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述多个优化转移特征向量中各个优化转移特征向量的第个特征值。

在上述面向现货市场的售电偏差管理方法中，所述将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值，包括：使用所述分类器以如下公式对所述多个优化转移特征向量进行处理以获得多个概率值，其中，所述公式为：

，其中，到为权重矩阵，到为偏置向量，为所述多个优化转移特征向量。

在上述面向现货市场的售电偏差管理方法中，所述将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量，包括：将所述多个转移矩阵沿着行向量进行特征矩阵展开以得到多个转移特征向量。

根据本申请的另一方面，提供了一种面向现货市场的售电偏差管理系统，其包括：信息获取模块，用于获取与售电公司签约的第一电力用户的用电电量偏差；竞价方案获取模块，用于获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；深度全连接模块，用于将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；多尺度邻域特征提取模块，用于将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；转移模块，用于分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；分类模块，用于将所述多个转移矩阵分别通过分类器以得到多个概率值；以及结果生成模块，用于将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

根据本申请的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的面向现货市场的售电偏差管理方法。

根据本申请的又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的面向现货市场的售电偏差管理方法。

与现有技术相比，本申请提供的一种面向现货市场的售电偏差管理方法及其系统，其通过采用基于深度学习的神经网络模型挖掘出各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以在满足生产用能需求的同时也能为电力用户节省用电费用。

附图说明

通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解，并且构成说明书的一部分，与本申请实施例一起用于解释本申请，并不构成对本申请的限制。在附图中，相同的参考标号通常代表相同部件或步骤。

图1为根据本申请实施例的面向现货市场的售电偏差管理方法的流程图。

图2为根据本申请实施例的面向现货市场的售电偏差管理方法的架构示意图。

图3为根据本申请实施例的面向现货市场的售电偏差管理方法中多尺度邻域特征提取的流程图。

图4为根据本申请实施例的面向现货市场的售电偏差管理方法中分类过程的流程图。

图5为根据本申请实施例的面向现货市场的售电偏差管理系统的框图。

图6为根据本申请实施例的电子设备的框图。

具体实施方式

下面，将参考附图详细地描述根据本申请的示例实施例。显然，所描述的实施例仅仅是本申请的一部分实施例，而不是本申请的全部实施例，应理解，本申请不受这里描述的示例实施例的限制。

场景概述：如背景技术中所言，目前售电公司在现货市场进行现货交易购电可能面临以下不足：由于现货市场的实时性、交易双方的不确定性等特征，在现货市场的交易价格要远高于电力批发市场的交易价格，电力用户需要承担较多的用电费用；由于现货市场交易的不确定性，可能面临无合适的现货交易，无法购买合适的电量，影响电力用户的生产用能安排。因此，期望一种优化的面向现货市场的售电偏差管理方案。

具体地，当电力用户出现用电电量偏差时，售电公司不再参与现货交易购电，而是通过组织其他已签约的电力用户进行用电电量交易，例如报量、报价等。避免了现货市场交易的不确定性，不仅满足了电力用户的生产用能安排，而且也为电力用户节省了用电费用。例如，当售电公司已签约的电力用户A出现用电电量偏差时，由售电公司组织其他的已签约电力用户，参与用电电量交易，可以考虑不同维度的电量偏差调控策略，进行决策分析，包括以下维度：单次竞价维度和综合调控维度。

在单次竞价维度中，结合电力用户A的用电电量偏差，以及其他电力用户参与电量交易的数量规模情况，在售电公司组织时间允许的情况下，采用单次竞价策略维度，由售电公司组织其他的电力用户参与单次竞价。引入一定的人工干预手段，由售电公司评估确定单次竞价因素的权重，对于电力用户申报的竞价价格、参与的竞价时间、申报的交易电量等三个维度赋予优先级，例如赋予竞价价格优于竞价时间、竞价时间优于交易电量。当电力用户完成单价之后，售电公司根据优先级确定电力公司A的购电电量。

相应地，考虑到在实际的单次竞价维度中，发现电力公司的购电电量难以满足电量偏差，这样不仅不能满足用户的生产用能需求，也使得电力用户的用电费用偏高。这是由于电力用户申报的竞价价格、参与的竞价时间和申报的交易电量之间具有着关联性关系，并且各个电力用户的竞价方案之间也具有着相应地关联性，如果要想进行合理的售电偏差管理，需要按照各个用户的竞价方案的实际情况来进行合理地分配配额。在此过程中，难点在于如何挖掘所述各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定。通过这样的方式对于售电偏差进行管理，以在满足生产用能需求的同时也能为电力用户节省用电费用。

近年来，深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外，深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域，也展现出了接近甚至超越人类的水平。

深度学习以及神经网络的发展为挖掘所述各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系提供了新的解决思路和方案。本领域普通技术人员应知晓，基于深度学习的深度神经网络模型可以通过适当的训练策略，例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联，而这显然适合于模拟并挖掘所述各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系。

具体地，在本申请的技术方案中，首先，获取与售电公司签约的第一电力用户的用电电量偏差。并且，获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量。接着，考虑到在所述各个其他电力用户的竞价方案中，所述竞价方案中的各个竞价内容间具有着关联性关系，因此，为了能够充分挖掘出所述各个竞价方案中的各个竞价内容间的关联性特征信息，将所述各个其他电力用户的竞价方案通过深度全连接网络中进行处理，以挖掘出所述各个竞价方案中的各个竞价内容的隐含关联特征分布信息，即分别挖掘出所述各个其他电力用户的竞价策略中的多个隐含内容关联特征，从而得到多个竞价方案特征向量。特别地，这里，所述深度全连接网络包括多个全连接层，以通过所述多个全连接层进行全连接编码来提取所述电力用户竞价策略的各个竞价内容的高维隐含关联特征。

然后，考虑到所述各个其他电力用户的竞价方案之间也具有着关联性的关系，并且所述各个其他电力用户的竞价方案间的关联性信息在不同跨度的电力用户间具有不同的竞价策略关联关系。因此，为了能够准确且充分地提取出所述各个电力用户的竞价方案间的关联性特征，以此来准确地进行各个竞价方案的配额确定，在本申请的技术方案中，进一步将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述各个电力用户的竞价方案在不同竞价策略跨度下的多尺度邻域关联特征，从而得到竞价方案关联特征向量。

进一步地，分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵来分别表示所述各个电力用户的竞价方案相对于所述各个电力用户的所有竞价方案的多尺度关联特征整体的竞价策略关联特征分布信息，从而得到多个转移矩阵。这样，就能够以此单个竞价方案特征相对于整体竞价方案的多尺度关联特征来表示在高维空间中关于单个电力用户的竞价方案相对于整体电力用户竞价方案的竞价情况。然后，将所述多个转移矩阵分别通过分类器中进行分类处理以得到多个概率值，并将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积来表示应分配给所述多个其他电力用户的分配配额，以此来确定为所述多个其他电力用户的被购买电量。这样，能够对于各个电力用户的被购买量进行精准确定，以此来对于售电偏差进行管理，以在满足生产用能需求的同时也能为电力用户节省用电费用。

特别地，在本申请的技术方案中，在分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵时，由于所述多个竞价方案特征向量可能各自具有特定的特征分布，因此所述竞价方案关联特征向量虽然能够表达所述多个竞价方案特征向量之间的特征关联，但是其本身的特征分布可能与各个竞价方案特征向量的特征分布不一致，由此在每个竞价方案特征向量与所述竞价方案关联特征向量的所述转移矩阵内存在异常的局部分布，从而导致所述转移矩阵在通过分类器进行分类时对与竞价方案变化特征向量对应的分类结果的依赖性差，影响分类结果的准确性。

因此，首先将每个所述转移矩阵展开为转移特征向量，再进行向量赋范的希尔伯特概率空间化，具体表示为：

 ，

是所述转移特征向量，表示所述转移特征向量的二范数，表示其平方，即所述转移特征向量自身的内积，是所述转移特征向量的第个特征值，且是优化后的转移特征向量的第个特征值。

这里，所述向量赋范的希尔伯特概率空间化通过所述转移特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行所述转移特征向量的概率性解释，并降低所述转移特征向量的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述转移特征向量的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述转移特征向量的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的转移特征向量通过分类器进行分类，就提升了所述转移矩阵在通过分类器进行分类时对与竞价方案变化特征向量对应的分类结果的依赖性，增加了分类结果的准确性。这样，能够准确地确定每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以此来对于售电偏差进行管理，以在满足生产用能需求的同时也能为电力用户节省用电费用。

基于此，本申请提出了一种面向现货市场的售电偏差管理方法，其包括：获取与售电公司签约的第一电力用户的用电电量偏差；获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；将所述多个转移矩阵分别通过分类器以得到多个概率值；以及，将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

示例性方法：图1为根据本申请实施例的面向现货市场的售电偏差管理方法的流程图。如图1所示，根据本申请实施例的面向现货市场的售电偏差管理方法，包括步骤：S110，获取与售电公司签约的第一电力用户的用电电量偏差；S120，获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；S130，将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；S140，将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；S150，分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；S160，将所述多个转移矩阵分别通过分类器以得到多个概率值；以及，S170，将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

图2为根据本申请实施例的面向现货市场的售电偏差管理方法的架构示意图。如图2所示，在该网络结构中，首先，获取与售电公司签约的第一电力用户的用电电量偏差以及与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；其次，将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；接着，分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；然后，将所述多个转移矩阵分别通过分类器以得到多个概率值；进而，将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

具体地，在步骤S110和步骤S120中，获取与售电公司签约的第一电力用户的用电电量偏差；以及，获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量。应可以理解，电力用户申报的竞价价格、参与的竞价时间和申报的交易电量之间具有着关联性关系，并且各个电力用户的竞价方案之间也具有着相应地关联性，如果要想进行合理的售电偏差管理，需要按照各个用户的竞价方案的实际情况来进行合理地分配配额。因此，在本申请的技术方案中，通过挖掘所述各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定。因此，在本申请的一个具体示例中，首先，获取与售电公司签约的第一电力用户的用电电量偏差；以及，与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量。

具体地，在步骤S130中，将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量。考虑到在所述各个其他电力用户的竞价方案中，所述竞价方案中的各个竞价内容间具有着关联性关系，因此，为了能够充分挖掘出所述各个竞价方案中的各个竞价内容间的关联性特征信息，将所述各个其他电力用户的竞价方案通过深度全连接网络中进行处理，以挖掘出所述各个竞价方案中的各个竞价内容的隐含关联特征分布信息，即分别挖掘出所述各个其他电力用户的竞价策略中的多个隐含内容关联特征，从而得到多个竞价方案特征向量。特别地，这里，所述深度全连接网络包括多个全连接层，以通过所述多个全连接层进行全连接编码来提取所述电力用户竞价策略的各个竞价内容的高维隐含关联特征。

具体地，在步骤S140中，将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量。考虑到所述各个其他电力用户的竞价方案之间也具有着关联性的关系，并且所述各个其他电力用户的竞价方案间的关联性信息在不同跨度的电力用户间具有不同的竞价策略关联关系。因此，为了能够准确且充分地提取出所述各个电力用户的竞价方案间的关联性特征，以此来准确地进行各个竞价方案的配额确定，在本申请的技术方案中，进一步将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块中进行编码，以提取出所述各个电力用户的竞价方案在不同竞价策略跨度下的多尺度邻域关联特征，从而得到竞价方案关联特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

图3为根据本申请实施例的面向现货市场的售电偏差管理方法中多尺度邻域特征提取的流程图。如图3所示，在所述多尺度邻域特征提取过程中，包括：S210，将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；S220，将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，S230，将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量。其中，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第一邻域尺度竞价方案关联特征向量；其中，所述公式为：

 ，其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述一维特征向量；以及，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度竞价方案关联特征向量；其中，所述公式为：

 ，其中，b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸， X表示所述一维特征向量；更具体地，所述将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量，包括：以如下公式将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量；其中，所述公式为：，其中，表示所述第一邻域尺度竞价方案关联特征向量，表示所述第二邻域尺度竞价方案关联特征向量，表示级联函数，表示所述竞价方案关联特征向量。

具体地，在步骤S150中，分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵。在本申请的技术方案中，分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵来分别表示所述各个电力用户的竞价方案相对于所述各个电力用户的所有竞价方案的多尺度关联特征整体的竞价策略关联特征分布信息，从而得到多个转移矩阵。这样，就能够以此单个竞价方案特征相对于整体竞价方案的多尺度关联特征来表示在高维空间中关于单个电力用户的竞价方案相对于整体电力用户竞价方案的竞价情况。在本申请的一个具体示例中，所述分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵，包括：以如下公式分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；其中，所述公式为：，其中表示所述多个竞价方案特征向量，表示所述竞价方案关联特征向量，表示所述多个转移矩阵。

具体地，在步骤S160中，将所述多个转移矩阵分别通过分类器以得到多个概率值。在本申请的技术方案中，将所述多个转移矩阵分别通过分类器以得到多个概率值，包括：首先，将所述多个转移矩阵沿着行向量进行特征矩阵展开以得到多个转移特征向量；接着，对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量；再将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值。在本申请的一个具体示例中，所述将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值，包括：使用所述分类器以如下公式对所述多个优化转移特征向量进行处理以获得多个概率值，其中，所述公式为：

，其中，到为权重矩阵，到为偏置向量，为所述多个优化转移特征向量。特别地，在本申请的技术方案中，在分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵时，由于所述多个竞价方案特征向量可能各自具有特定的特征分布，因此所述竞价方案关联特征向量虽然能够表达所述多个竞价方案特征向量之间的特征关联，但是其本身的特征分布可能与各个竞价方案特征向量的特征分布不一致，由此在每个竞价方案特征向量与所述竞价方案关联特征向量的所述转移矩阵内存在异常的局部分布，从而导致所述转移矩阵在通过分类器进行分类时对与竞价方案变化特征向量对应的分类结果的依赖性差，影响分类结果的准确性。因此，首先将每个所述转移矩阵展开为转移特征向量，再进行向量赋范的希尔伯特概率空间化，具体表示为：

 ，

其中是所述多个转移特征向量中的各个转移特征向量，表示所述各个转移特征向量的二范数，表示所述各个转移特征向量的二范数的平方，是所述各个转移特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述多个优化转移特征向量中各个优化转移特征向量的第个特征值。这里，所述向量赋范的希尔伯特概率空间化通过所述转移特征向量自身的赋范在定义了向量内积的希尔伯特空间内进行所述转移特征向量的概率性解释，并降低所述转移特征向量的特殊的局部分布的类表达对整体希尔伯特空间拓扑的类表达的隐蔽扰动，由此提高所述转移特征向量的特征分布收敛到预定分类概率的分类回归的鲁棒性，同时依靠度量诱导概率空间结构的建立来提升所述转移特征向量的特征分布对分类结果的跨分类器的长程依赖。这样，再将优化后的转移特征向量通过分类器进行分类，就提升了所述转移矩阵在通过分类器进行分类时对与竞价方案变化特征向量对应的分类结果的依赖性，增加了分类结果的准确性。这样，能够准确地确定每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以此来对于售电偏差进行管理，以在满足生产用能需求的同时也能为电力用户节省用电费用。

图4为根据本申请实施例的面向现货市场的售电偏差管理方法中分类过程的流程图。如图4所示，在所述分类过程中，包括：S310，将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量；S320，对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量；以及，S330，将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值。

具体地，在步骤S170中，将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。也就是，在本申请的技术方案中，在将多个转移矩阵分别通过分类器中进行分类处理以得到多个概率值后，将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积来表示应分配给所述多个其他电力用户的分配配额，以此来确定为所述多个其他电力用户的被购买电量。这样，能够对于各个电力用户的被购买量进行精准确定，以此来对于售电偏差进行管理，以在满足生产用能需求的同时也能为电力用户节省用电费用。

综上，根据本申请实施例的面向现货市场的售电偏差管理方法被阐明，其通过采用基于深度学习的神经网络模型挖掘出各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以在满足生产用能需求的同时也能为电力用户节省用电费用。

示例性系统：图5为根据本申请实施例的面向现货市场的售电偏差管理系统的框图。如图5所示，根据本申请实施例的面向现货市场的售电偏差管理系统300，包括：信息获取模块310；竞价方案获取模块320；深度全连接模块330；多尺度邻域特征提取模块340；转移模块350；分类模块360；以及，结果生成模块370。

其中，所述信息获取模块310，用于获取与售电公司签约的第一电力用户的用电电量偏差；所述竞价方案获取模块320，用于获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；所述深度全连接模块330，用于将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；所述多尺度邻域特征提取模块340，用于将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；所述转移模块350，用于分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；所述分类模块360，用于将所述多个转移矩阵分别通过分类器以得到多个概率值；以及，所述结果生成模块370，用于将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

在一个示例中，在上述面向现货市场的售电偏差管理系统300中，所述深度全连接模块330，进一步用于：所述深度全连接网络包括多个全连接层。

在一个示例中，在上述面向现货市场的售电偏差管理系统300中，所述多尺度邻域特征提取模块340，进一步用于：将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及，将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量。其中，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。更具体地，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第一邻域尺度竞价方案关联特征向量；其中，所述公式为：  ，其中， a为第一卷积核在 x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵， w为第一卷积核的尺寸， X表示所述一维特征向量；以及，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度竞价方案关联特征向量；其中，所述公式为：  ，其中，b为第二卷积核在 x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸， X表示所述一维特征向量。

在一个示例中，在上述面向现货市场的售电偏差管理系统300中，所述转移模块350，进一步用于：以如下公式分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；其中，所述公式为：，其中表示所述多个竞价方案特征向量，表示所述竞价方案关联特征向量，表示所述多个转移矩阵。

在一个示例中，在上述面向现货市场的售电偏差管理系统300中，所述分类模块360，进一步用于：将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量；对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量；以及，将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值。其中，所述将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量，包括：将所述多个转移矩阵沿着行向量进行特征矩阵展开以得到多个转移特征向量；所述对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量，包括：以如下公式对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到所述多个优化转移特征向量；其中，所述公式为：，

其中是所述多个转移特征向量中的各个转移特征向量，表示所述各个转移特征向量的二范数，表示所述各个转移特征向量的二范数的平方，是所述各个转移特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述多个优化转移特征向量中各个优化转移特征向量的第个特征值；以及，所述将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值，包括：使用所述分类器以如下公式对所述多个优化转移特征向量进行处理以获得多个概率值，其中，所述公式为：

，其中，到为权重矩阵，到为偏置向量，为所述多个优化转移特征向量。

综上，根据本申请实施例的面向现货市场的售电偏差管理系统300被阐明，其通过采用基于深度学习的神经网络模型挖掘出各个电力用户的竞价方案间以及所述各个电力用户的竞价方案中各个竞价内容的关联性关系，以此来准确地确定所述每个电力用户的竞价方案的分配配额，进而对于各个电力用户的被购买量进行精准确定，以在满足生产用能需求的同时也能为电力用户节省用电费用。

如上所述，根据本申请实施例的面向现货市场的售电偏差管理系统可以实现在各种终端设备中。在一个示例中，根据本申请实施例的面向现货市场的售电偏差管理系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该面向现货市场的售电偏差管理系统300可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该面向现货市场的售电偏差管理系统300同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该面向现货市场的售电偏差管理系统300与该终端设备也可以是分立的设备，并且该面向现货市场的售电偏差管理系统300可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

示例性电子设备：下面，参考图6来描述根据本申请实施例的电子设备。

图6图示了根据本申请实施例的电子设备的框图。

如图6所示，电子设备10包括一个或多个处理器11和存储器12。

处理器11可以是中央处理单元（CPU）或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。

存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器（RAM）和/或高速缓冲存储器（cache）等。所述非易失性存储器例如可以包括只读存储器（ROM）、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本申请的各个实施例的面向现货市场的售电偏差管理方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如竞价方案关联特征向量阵等各种内容。

在一个示例中，电子设备10还可以包括：输入装置13和输出装置14，这些组件通过总线系统和/或其他形式的连接机构（未示出）互连。

该输入装置13可以包括例如键盘、鼠标等等。

该输出装置14可以向外部输出各种信息，包括概率值等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图6中仅示出了该电子设备10中与本申请有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。

示例性计算机程序产品和计算机可读存储介质：除了上述方法和设备以外，本申请的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的面向现货市场的售电偏差管理方法中的功能中的步骤。

所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如Java、C++等，还包括常规的过程式程序设计语言，诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。

此外，本申请的实施例还可以是计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的面向现货市场的售电偏差管理方法的功能中的步骤。

所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。

以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。

还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。

提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。

Claims (10)

1.一种面向现货市场的售电偏差管理方法，其特征在于，包括：获取与售电公司签约的第一电力用户的用电电量偏差；获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；将所述多个转移矩阵分别通过分类器以得到多个概率值；以及将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

2.根据权利要求1所述的面向现货市场的售电偏差管理方法，其特征在于，所述深度全连接网络包括多个全连接层。

3.根据权利要求2所述的面向现货市场的售电偏差管理方法，其特征在于，所述多尺度邻域特征提取模块，包括：第一卷积层、与所述第一卷积层并行的第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的多尺度特征融合层，其中，所述第一卷积层使用具有第一长度的一维卷积核，所述第二卷积层使用具有第二长度的一维卷积核。

4.根据权利要求3所述的面向现货市场的售电偏差管理方法，其特征在于，所述将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量，包括：将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，其中，所述第一卷积层具有第一长度的第一一维卷积核；将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，其中，所述第二卷积层具有第二长度的第二一维卷积核，所述第一长度不同于所述第二长度；以及将所述第一邻域尺度竞价方案关联特征向量和所述第二邻域尺度竞价方案关联特征向量进行级联以得到所述竞价方案关联特征向量；其中，所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到第一邻域尺度竞价方案关联特征向量；其中，所述公式为：，

其中，a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、为与卷积核函数运算的局部向量矩阵，w为第一卷积核的尺寸，X表示所述一维特征向量；以及所述将所述一维特征向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度竞价方案关联特征向量，包括：使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述一维特征向量进行一维卷积编码以得到所述第二邻域尺度竞价方案关联特征向量；其中，所述公式为：，

其中，b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、为与卷积核函数运算的局部向量矩阵，m为第二卷积核的尺寸，X表示所述一维特征向量。

5.根据权利要求4所述的面向现货市场的售电偏差管理方法，其特征在于，所述分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵，包括：以如下公式分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；其中，所述公式为： ，

其中表示所述多个竞价方案特征向量，表示所述竞价方案关联特征向量，表示所述多个转移矩阵。

6.根据权利要求5所述的面向现货市场的售电偏差管理方法，其特征在于，所述将所述多个转移矩阵分别通过分类器以得到多个概率值，包括：将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量；对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量；以及将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值。

7.根据权利要求6所述的面向现货市场的售电偏差管理方法，其特征在于，所述对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到多个优化转移特征向量，包括：以如下公式对所述多个转移特征向量进行向量赋范的希尔伯特概率空间化以得到所述多个优化转移特征向量；其中，所述公式为：

 ，

其中是所述多个转移特征向量中的各个转移特征向量，表示所述各个转移特征向量的二范数，表示所述各个转移特征向量的二范数的平方，是所述各个转移特征向量的第个特征值，表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值，且是所述多个优化转移特征向量中各个优化转移特征向量的第个特征值。

8.根据权利要求7所述的面向现货市场的售电偏差管理方法，其特征在于，所述将所述多个优化转移特征向量通过所述分类器以得到所述多个概率值，包括：使用所述分类器以如下公式对所述多个优化转移特征向量进行处理以获得多个概率值，其中，所述公式为：，其中，到为权重矩阵，到为偏置向量，为所述多个优化转移特征向量。

9.根据权利要求8所述的面向现货市场的售电偏差管理方法，其特征在于，所述将所述多个转移矩阵进行特征矩阵展开以得到多个转移特征向量，包括：将所述多个转移矩阵沿着行向量进行特征矩阵展开以得到多个转移特征向量。

10.一种面向现货市场的售电偏差管理系统，其特征在于，包括：信息获取模块，用于获取与售电公司签约的第一电力用户的用电电量偏差；竞价方案获取模块，用于获取与所述售电公司签约的多个其他电力用户的竞价方案，所述竞价方案包括竞价价格、竞价时间和交易电量；深度全连接模块，用于将所述各个其他电力用户的竞价方案通过深度全连接网络以得到多个竞价方案特征向量；多尺度邻域特征提取模块，用于将所述多个竞价方案特征向量排列为一维特征向量后通过多尺度邻域特征提取模块以得到竞价方案关联特征向量；转移模块，用于分别计算所述多个竞价方案特征向量与所述竞价方案关联特征向量的转移矩阵以得到多个转移矩阵；分类模块，用于将所述多个转移矩阵分别通过分类器以得到多个概率值；以及结果生成模块，用于将所述多个概率值与所述第一电力用户的用电电量偏差之间的乘积，确定为所述多个其他电力用户的被购买电量。

Images