CN116128323A - 电力交易决策处理方法、存储介质和电子设备 - Google Patents
电力交易决策处理方法、存储介质和电子设备 Download PDFInfo
- Publication number
- CN116128323A CN116128323A CN202310369243.1A CN202310369243A CN116128323A CN 116128323 A CN116128323 A CN 116128323A CN 202310369243 A CN202310369243 A CN 202310369243A CN 116128323 A CN116128323 A CN 116128323A
- Authority
- CN
- China
- Prior art keywords
- power
- decision
- transaction
- data
- reporting
- 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.)
- Granted
Links
- 238000003672 processing method Methods 0.000 title claims abstract description 43
- 238000003860 storage Methods 0.000 title claims abstract description 34
- 238000011156 evaluation Methods 0.000 claims abstract description 151
- 238000000034 method Methods 0.000 claims abstract description 99
- 238000012545 processing Methods 0.000 claims abstract description 55
- 230000004044 response Effects 0.000 claims abstract description 43
- 230000008569 process Effects 0.000 claims description 47
- 238000009826 distribution Methods 0.000 claims description 38
- 230000015654 memory Effects 0.000 claims description 31
- 238000010801 machine learning Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 description 38
- 238000010586 diagram Methods 0.000 description 20
- 230000005611 electricity Effects 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 12
- 230000000694 effects Effects 0.000 description 8
- 230000005540 biological transmission Effects 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 238000003825 pressing Methods 0.000 description 6
- 238000012795 verification Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 238000010248 power generation Methods 0.000 description 5
- 238000012216 screening Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 230000001960 triggered effect Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012954 risk control Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 230000001149 cognitive effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000010295 mobile communication Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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—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
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Accounting & Taxation (AREA)
- Health & Medical Sciences (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种电力交易决策处理方法、存储介质和电子设备。其中,该方法包括:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。本申请解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
Description
技术领域
本申请涉及计算机技术及人工智能技术领域,具体而言,涉及一种电力交易决策处理方法、存储介质和电子设备。
背景技术
随着电力技术的发展,对电力资产与市场交易进行优化配置成为相关领域的重要问题之一。然而,当前电力交易市场规模巨大,交易规则和交易环境复杂,交易频次较高,这对电力交易决策处理的效率和灵活度提出了更高的要求。
针对上述的问题,目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种电力交易决策处理方法、存储介质和电子设备,以至少解决现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
根据本申请实施例的一个方面,提供了一种电力交易决策处理方法,包括:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
根据本申请实施例的另一方面,还提供了一种电力交易决策处理方法,包括:接收来自于客户端的电力属性历史数据和电力属性实时数据;基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端。
根据本申请实施例的另一方面,还提供了一种电力交易决策处理方法,包括:基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。
根据本申请实施例的另一方面,还提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行任意一项上述的电力交易决策处理方法。
根据本申请实施例的另一方面,还提供了一种电子设备,包括:处理器;以及存储器,与上述处理器连接,用于为上述处理器提供处理以下处理步骤的指令:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
在本申请实施例中,通过基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;进一步获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的电力属性数据和不确定性数据对电力交易申报决策是否满足电力交易申报决策的要求进行评测的目的,从而实现了提高电力交易申报决策处理的处理效率和灵活度的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理的效率低、灵活度差的技术问题。
容易注意到的是,上面的通用描述和后面的详细描述仅仅是为了对本申请进行举例和解释,并不构成对本申请的限定。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例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示出了一种用于实现电力交易决策处理方法的计算机终端(或移动设备)的硬件结构框图;
图2是根据本申请实施例1的一种电力交易决策处理方法的流程图;
图3是根据本申请实施例1的一种可选的电力交易决策处理架构的示意图;
图4是根据本申请实施例1的一种可选的电力交易决策处理过程的示意图;
图5是根据本申请实施例2的一种电力交易决策处理方法的流程图;
图6是根据本申请实施例2的一种在云端服务器进行电力交易决策处理的示意图;
图7是根据本申请实施例3的一种电力交易决策处理方法的流程图;
图8是根据本申请实施例4的一种电力交易决策处理装置的结构示意图;
图9是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图;
图10是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图;
图11是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图;
图12是根据本申请实施例4的另一种电力交易决策处理装置的结构示意图;
图13是根据本申请实施例4的又一种电力交易决策处理装置的结构示意图;
图14是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图;
图15是根据本申请实施例5的一种计算机终端的结构框图;
图16是根据本申请实施例5的一种可选的计算机终端所提供的图形用户界面的示意图。
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能够以除了在这里图示或描述的那些以外的顺序实施。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。
首先,在对本申请实施例进行描述的过程中出现的部分名词或术语适用于如下解释:
不确定性预测(Uncertainty Prediction):是指从历史数据中预测未来事件的概率的过程。预测过程中缩小不确定性带来的预测误差,输出不确定性的相关信息用于决策优化,其中,不确定性至少包括偶然事件不确定性、认知不确定性和超出分布的不确定性。
风险控制约束(也称风控约束,Risk Control Constraints):用于将风险事件(本申请中指电力交易决策)的恶劣场景收益损失控制在可接受范围内。
随机优化(Stochastic Optimization):在本申请中指带有不确定性因素的决策优化问题,该决策优化问题中的目标函数和约束条件均含有随机变量,该随机变量服从特定的概率分布。
随着电力技术的发展,对电力资产与市场交易进行优化配置成为相关领域的重要问题之一。然而,当前电力交易市场规模巨大,交易规则和交易环境复杂,交易频次较高,这对电力交易决策处理的效率和灵活度提出了更高的要求。
相关技术中对电力交易决策进行处理的方法主要有以下两种。
第一种,基于电力属性的预测进行电力交易决策,这种方法的缺陷在于:预测值的准确度与实际场景的目标提升收益吻合度较低,使用多项预测值进行电力交易决策存在误差累计的问题,预测模型的开发和优化成本高、效率低,难以考虑不同场景下的决策风险和决策收益,实际场景中电力交易决策的准确度差。
第二种,基于规则或优化进行电力交易决策,这种方法的缺陷在于:与数据的关联性差、响应慢,难以考虑不同维度的大规模数据中的有效信息和增益,决策处理效率低,对电力交易场景中的不确定性问题的处理能力差。
针对相关技术中上述方法的缺陷,在本申请之前并未提出有效的解决方案。
实施例1
根据本申请实施例,还提供了一种电力交易决策处理方法对应的方法实施例,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。
本申请实施例一所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。图1示出了一种用于实现电力交易决策处理方法的计算机终端(或移动设备)的硬件结构框图。如图1所示,计算机终端10(或移动设备)可以包括一个或多个(图中采用102a,102b,……,102n来示出)处理器102(处理器102可以包括但不限于微处理器(Microcontroller Unit,MCU)或可编程逻辑器件(Field Programmable Gate Array,FPGA)等的处理装置)、用于存储数据的存储器104、以及用于通信功能的传输装置106。除此以外,还可以包括:显示器、输入/输出接口(I/O接口)、通用串行总线(Universal SerialBus,USB)端口(可以作为计算机总线的端口中的一个端口被包括)、网络接口、电源和/或相机。本领域普通技术人员可以理解,图1所示的结构仅为示意,其并不对上述电子装置的结构造成限定。例如,计算机终端10还可包括比图1中所示更多或者更少的组件,或者具有与图1所示不同的配置。
应当注意到的是上述一个或多个处理器102和/或其他数据处理电路在本文中通常可以被称为“数据处理电路”。该数据处理电路可以全部或部分的体现为软件、硬件、固件或其他任意组合。此外,数据处理电路可为单个独立的处理模块,或全部或部分的结合到计算机终端10(或移动设备)中的其他元件中的任意一个内。如本申请实施例中所涉及到的,该数据处理电路作为一种处理器控制(例如与接口连接的可变电阻终端路径的选择)。
存储器104可用于存储应用软件的软件程序以及模块,如本申请实施例中的电力交易决策处理方法对应的程序指令/数据存储装置,处理器102通过运行存储在存储器104内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的电力交易决策处理方法。存储器104可包括高速随机存储器,还可包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器104可进一步包括相对于处理器102远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
传输装置106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括计算机终端10的通信供应商提供的无线网络。在一个实例中,传输装置106包括一个网络适配器(Network Interface Controller,NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输装置106可以为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
显示器可以例如触摸屏式的液晶显示器(Liquid Crystal Display,LCD),该液晶显示器可使得用户能够与计算机终端10(或移动设备)的用户界面进行交互。
此处需要说明的是,在一些可选实施例中,上述图1所示的计算机设备(或移动设备)可以包括硬件元件(包括电路)、软件元件(包括存储在计算机可读介质上的计算机代码)、或硬件元件和软件元件两者的结合。应当指出的是,图1仅为特定具体实例的一个实例,并且旨在示出可存在于上述计算机设备(或移动设备)中的部件的类型。
在上述运行环境下,本申请提供了如图2所示的电力交易决策处理方法。图2是根据本申请实施例1的一种电力交易决策处理方法的流程图,如图2所示,该电力交易决策处理方法包括:
步骤S21,基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据。
在电力交易场景中,上述电力属性历史数据为当前时刻之前的历史时域的电力属性数据。上述电力属性实时数据为当前时刻对应的电力属性数据,上述第一目标数据为当前时刻之后的未来时域预测的电力属性数据,上述第二目标数据为当前时刻之后的未来时域预测的电力属性数据。上述历史时域和上述未来时域的具体范围可以根据电力交易场景需求实时确定。上述当前时刻可以是当前时间步(time step),对应地,上述历史时域包括当前时间步之前的多个历史时间步,上述未来时域包括当前时间步之后的多个未来时间步。上述电力属性数据为与电力交易相关的属性数据,例如,电价、供电功率、用电功率等。上述电力属性数据还可以是上述电力属性对应的时序数据。
步骤S22,利用第一目标数据和第二目标数据获取交易决策申报结果。
容易理解的是,上述交易决策申报结果为当前时刻对应的电力交易的决策申报结果,交易决策申报结果能够表征电力交易场景中当前时刻的电力交易需求。利用未来时域预测的电力属性数据和不确定性数据,确定上述交易决策申报结果,也就是说,上述交易决策申报结果与未来时域预测的电力属性数据相关性较强,且考虑了未来时域中电力交易可能存在的不确定性因素。
步骤S23,获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束。
在电力交易场景中,上述电力交易申报的目标为上述电力交易在未来时域预期的合理优化收益提升,上述电力交易申报的约束为上述电力交易在未来时域预期的风控约束(也称风控调节限制)。在此基础上,预设评测模型评测上述交易决策申报结果是否满足电力交易申报决策的要求,获取评测结果后根据该评测结果能够确定上述交易决策申报结果是否与电力交易申报的合理优化收益提升和风控约束相吻合。
在一种可选的实施方式中,对上述交易决策申报结果进行评测的过程包括:根据电力交易申报的目标与约束,对交易决策申报结果进行优化。示例性地,上述电力交易申报的目标可以为:考虑最大化的亏损惩罚时的电价期望收益;上述电力交易申报的约束包括但不限于:历史出清电量的可调节幅度的约束,不同应用场景下发电量阈值的约束(如最大发电量、最小发电量阈值),场站可接受的当日亏损比例的约束。
步骤S24,响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
如果上述交易决策申报结果与电力交易申报的合理优化收益提升和风控约束相吻合,则确认当前的交易决策申报结果可用,并输出交易决策申报结果。由此,本申请实施例提供的上述电力交易决策处理方法能够根据电力交易申报决策的要求对交易决策申报结果进行自动评测,处理效率高。此外,该电力交易申报决策的要求能够表征具体应用场景中的场景目标和场景约束,使得满足上述要求的交易决策申报结果的灵活度较高、对具体应用场景的适用性较高。
在本申请实施例中,通过基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;进一步获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的电力属性数据和不确定性数据对电力交易申报决策是否满足电力交易申报决策的要求进行评测的目的,从而实现了提高电力交易申报决策处理的灵活度、效率以及决策增益的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。进一步地,在应用场景中,对电力交易申报决策进行搞笑且灵活地处理,能够降低应用场景中的电力交易亏损风险,提升电力交易决策增益,因此,本申请实施例提供的上述电力交易决策处理方法适于在现实场景中应用。
在当前电力交易场景下,根据本申请实施例提供的一种电力交易决策处理方法,依托大量的历史数据和实时数据,建立用于预测电力功率、电力价格波动和不确定性因素的机器学习模型,结合所构建的风控约束优化模型,能够实现电力交易决策的自动评测,解决上述电力交易场景中功率预测、价格预测及复杂产经下交易申报决策优化难度大的问题。
以下以电力交易场景的具体实施过程为例,对本申请实施例提供的电力交易决策处理方法进行进一步说明。
图3是根据本申请实施例1的一种可选的电力交易决策处理架构的示意图,如图3所示,电力交易决策处理架构包括数据层、预测层、优化层和验证层。
如图3所示,数据层中存储的电力属性历史数据至少包括:电力交易数据(如日前现货电价、中长期合同数据、交易结算数据等)、外部引入数据(如天气情况、动力煤价等)、场站侧数据(如发电量、电力申报数据等)和时间序列数据(如电力负荷时序数据、电价时序数据等)。此外,数据层还包括实时调度任务,该实时调度任务用于获取电力属性实时数据,还用于积累有效的电力属性实时数据,还用于基于电力属性历史数据构建特征工程数据。
如图3所示,预测层包括预测数据,在预测层中能够实现基于数据层中存储的电力属性历史数据的负荷预测、电价预测和差值预测,此外,预测层中还能够实现多模型融合筛选、不同预测周期训练和评测校准的功能。进一步地,预测层将所得到的目标预测值和不确定性信息传送给优化层。
如图3所示,优化层包括场景构建数据,场景构建数据用于进行不确定性随机优化场景构建,在优化层中,基于数据层中存储的电力属性历史数据,能够利用电力交易申报决策对目标和约束进行配置,其中,目标用于对电力交易进行合理优化效益提升,约束用于对电力交易进行风险控制调节限制。进一步地,优化层将所得到的交易决策申报信息传送给验证层。
如图3所示,基于数据层中存储的电力属性历史数据,在验证层中进行真实环境仿真、决策插拔回测和效果评估,验证层中得到的仿真结果、回测结果和评估结果能够用于对预测层和优化层进行反馈校准。
图4是根据本申请实施例1的一种可选的电力交易决策处理过程的示意图,如图4所示,基于电力交易过程中的预测不确定性和风控约束优化进行电力交易的自动决策。上述电力交易的自动决策过程包括五个阶段:第一阶段,数据层处理,如图4所示的S401至S402;第二阶段,预测层训练和推理。如图4所示的S403至S405;第三阶段,优化层建模求解,如图4所示的S406至S408;第四阶段,验证层评测和反馈,如图4所示的S409至S411;第五阶段,结果输出,如图4所示的S412。
如图4所示,在第一阶段进行数据层处理时,在如图3所示的数据层中执行如图4所示的S401和S402。具体地,S401,读取和处理整合电力交易决策过程所需要的电力属性数据,该电力属性数据包括:电力交易数据、场站侧数据、外部引入数据和时间序列数据;S402,设置实时调度任务以获取当前时间周期的电力属性数据(即电力属性实时数据)以及历史时域内的电力属性数据(即电力属性历史数据),其中,历史时域包括当前时间周期之前的多个历史时间周期;在S402中还包括:基于电力属性实时数据和电力属性历史数据构建特征工程数据和仿真评测数据,其中,特征工程数据用于预测未来时域的电力属性数据,仿真评测数据用于结合电力交易数据和场站数据用于电力交易决策优化和电力交易评测。
在一种可选的实施方式中,在步骤S21中,基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,包括如下方法步骤:
步骤S211,对电力属性历史数据进行训练,得到电力属性预测模型,其中,电力属性预测模型用于获取多个不同时间周期的电力属性预测值;
步骤S212,采用电力属性预测模型对电力属性实时数据进行电力属性预测,得到第一目标数据;
步骤S213,通过电力属性历史数据的电力属性概率分布和第一目标数据,预测第二目标数据。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第二阶段进行预测层训练和推理时,在如图3所示的预测层中执行如图4所示的S403至S405。S403,利用电力属性历史数据构建电力属性预测模型。上述电力属性预测模型为利用多组数据通过机器学习方法进行训练得到的神经网络模型,其中,多组数据包括电力属性历史数据中多个不同的历史时间周期对应的电力属性历史实际值和电力属性历史预测值,上述多个不同的历史时间周期根据场景需求从历史时域中确定,例如,过去7天、过去30天、过去12小时等。电力属性预测模型用于获取多个不同时间周期的电力属性预测值,上述多个不同时间周期根据场景需求从未来时序中确定,例如,未来6小时、未来1天、未来7天等。上述电力属性预测模型对应的时间周期的类型至少包括:超短期、短期和中长期。上述电力属性预测模型支持的预测功能至少包括:电力负荷预测、实时电价预测、价格差预测等。需要说明的是,利用多组数据通过机器学习方法进行训练得到电力属性预测模型包括:利用多组数据对待训练的初始神经网络模型进行机器学习训练,得到电力属性预测模型。例如,初始神经网络模型可以是:Transformer等注意力机制模型、时间卷积神经网络(Temporal Convolutional Network,TCN),自编码循环神经网络(Auto-encoder Recurrent Neural Network,AE-RNN),卷积神经网络(Convolutional Neural Network,CNN),长短期记忆神经网络(Long Short-TermMemory,LSTM),循环神经网络(Recurrent Neural Network,RNN),门控循环单元神经网络(Gated Recurrent Unit,GRU),平移不变神经网络(Temporal-Invariant RecurrentNeural Network,TIRNN),时空注意力神经网络(Spatio-Temporal Attention Network,STAN)等。也就是说,本申请并不对电力属性预测模型的具体神经网络结构进行限定。
进一步地,在第二阶段进行预测层训练和推理时,S404,利用电力属性预测模型对电力属性实时数据进行分析预测,得到未来时域的电力属性数据(即第一目标数据),S405,基于已有的电力属性数据的数据分布,利用电力属性预测模型进一步分析预测,得到未来时域的不确定性数据(即第二目标数据),其中,不确定性数据至少包括:偶然事件不确定性、认知不确定性和超出分布的不确定性,已有的电力属性数据的数据分布包括:第一目标数据的数据分布和电力属性历史数据的电力属性概率分布。
在一种可选的实施方式中,在步骤S22中,利用第一目标数据和第二目标数据获取交易决策申报结果,包括如下方法步骤:
步骤S221,将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果,其中,电力交易决策模型用于获取未来多个不同时刻的交易决策申报结果。
上述电力交易决策模型为利用多组数据通过机器学习方式预先训练的神经网络模型,多组数据包括多个不同的历史时刻的交易决策申报结果。利用上述电力交易决策模型对第一目标数据和第二目标数据进行电力交易决策,得到未来多个不同时刻的交易决策申报结果。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第三阶段进行优化层建模求解时,在如图3所示的优化层中执行如图4所示的步骤S406至S408。S406,在满足当前时刻的交易计算规则的基础上,考虑风控约束,构建电力交易决策模型。上述电力交易决策模型用于优化收益目标并获取未来多个不同时刻的交易决策申报结果。上述交易测算规则至少包括:优先结算电价规则、中长期电价规则、历史偏差电价规则、实时偏差电价规则、电力偏差回收电价规则和预测偏差考核电价规则等。将第一阶段的电力属性预测模型得到的第一目标数据和第二目标数据输入上述电力交易决策模型进行决策,得到交易决策申报结果。
在一种可选的实施方式中,在步骤S221中,对第一目标数据和第二目标数据进行电力交易决策,得到交易决策申报结果,包括如下方法步骤:
步骤S2211,对第一目标数据与第二目标数据的偏差进行随机场景生成,得到生成结果,其中,生成结果为每个随机场景对应的电力属性曲线;
步骤S2212,对生成结果进行联合求解,得到交易决策申报结果。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第三阶段进行优化层建模求解时,S407,基于未来时域预测的不确定性数据和电力属性数据,进行随机场景生成。具体地,将第一阶段的电力属性预测模型得到的第一目标数据和第二目标数据输入上述电力交易决策模型进行决策,得到交易决策申报结果具体包括:首先,基于第一目标数据提供的电力负荷预测值和电价预测值进行收益计算,根据收益计算结果和第二目标数据提供的不确定性数据进行偏差计算,得到的偏差计算结果用于矫正未来时域的预测值(也即,包括第一目标数据和第二目标数据)的偏差,以及用于生成随机场景。
进一步地,对第一目标数据与第二目标数据的偏差进行随机场景生成的过程涉及多个随机场景,所得到的生成结果为多个随机场景中每个随机场景对应的电力属性曲线,电力属性曲线用于表征对应的电力属性数据的时序信息。如图4所示,在S408,利用预设的联合求解器对上述多个场景中每个场景对应的电力属性曲线进行联合求解,得到上述交易决策申报结果。本申请实施例并不对联合求解器的类型进行限定。
在一种可选的实施方式中,在步骤S2211中,对第一目标数据与第二目标数据的偏差进行随机场景生成,得到生成结果,包括如下方法步骤:
步骤S2213,基于第一目标数据与第二目标数据的偏差估计第一目标数据对应的电力属性概率分布;
步骤S2214,利用第一目标数据对应的电力属性概率分布进行随机场景生成,得到生成结果。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第三阶段进行优化层建模求解时,所计算得到的第一目标数据和第二目标数据的偏差还用于对第一目标数据对应的电力属性概率分布进行估计。例如,基于第一目标数据和第二目标数据的偏差估计未来时域预测的电力属性数据(如电力负荷、电价等)对应的电力属性概率分布,进而将该电力属性概率分布用于生成随机场景。进一步地,利用上述第一目标数据对应的电力属性概率分布进行随机场景生成,得到多个场景中每个随机场景对应的电力属性曲线(如电力负荷曲线、电价曲线等)。
此外,上述随机场景对应的生成结果还用于对电力交易决策模型进行优化。对电力交易决策模型进行优化的优化约束包括但不限于:历史出清电量的可调节幅度的约束,不同应用场景下发电量阈值的约束(如最大发电量、最小发电量阈值),场站可接受的当日亏损比例的约束。对电力交易决策模型进行优化的优化目标可以为:考虑最大化的亏损惩罚时的电价期望收益。利用预设的求解器进行分布式加速计算,对对电力交易决策模型的优化进行求解,能够得到并输出未来时域的多个时间周期对应的交易决策申报结果。
在一种可选的实施方式中,在步骤S23中,获取对交易决策申报结果进行评测后得到的评测结果,包括如下方法步骤:
步骤S231,获取交易决策申报结果对应的历史决策申报结果,以及历史决策申报结果对应的真实数据,其中,历史决策申报结果为电力交易决策模型在历史时刻获取到的决策申报结果,真实数据为历史时刻真实发生的电力交易数据;
步骤S232,对历史决策申报结果与真实数据进行对比,得到对比结果,其中,对比结果用于回测电力交易决策模型在电力属性历史数据上的性能表现;
步骤S233,基于对比结果确定评测结果。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第四阶段进行验证层评测和反馈时,在如图3所示的验证层中执行如图4所示的S409至S411。S409,基于电力属性历史数据中的电力交易数据和场站侧数据作为回流数据进行真实仿真环境评测。S410,利用回流数据构建可插拔评测,对比决策上述采用电力交易决策模型的电力交易决策处理系统的增益。S411,在不泄露未来信息的情况下回测电力交易决策模型在电力属性历史数据上的性能表现。
具体地,获取历史决策申报结果和历史决策申报结果对应的真实数据,其中,历史申报结果为采用本申请实施例的前述方法步骤利用电力交易决策模型在历史时刻获取的决策申报结果。例如,时间周期为1天时,上述交易决策申报结果是2023年3月8日实时生成的当日交易决策申报结果,上述历史决策申报结果可以是2023年3月7日实时生成的当日交易决策申报结果,对应地,上述历史决策申报结果对应的真实数据为2023年3月8日获取的2023年3月7日的真实交易决策申报数据。对历史决策申报结果与真实数据进行对比,得到对比结果,具体地,将2023年3月7日的当日交易决策申报结果与2023年3月7日的真实交易决策申报数据进行对比,得到的对比结果能够回测上述电力交易决策模型在2023年3月7日,基于2023年3月7日之前的电力属性历史数据生成决策申报结果时的性能表现。也就是说,历史决策申报结果与真实数据差距越大,说明电力交易决策模型在电力属性历史数据上的性能表现越差,反之,历史决策申报结果与真实数据差距越小,说明电力交易决策模型在电力属性历史数据上的性能表现越好。
进一步地,如果对比结果能够满足预设条件,也即历史决策申报结果与真实数据的差距在应用场景能够接受的范围之内,则确定评测结果为满足电力交易申报决策的要求。
在一种可选的实施方式中,电力交易决策处理方法还包括如下方法步骤:
步骤S25,响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新,得到更新后的电力属性预测模型,以重新预测交易决策申报结果。
仍然以如图3和图4所示的电力交易的自动决策过程为例,在第五阶段进行结果输出的过程中,执行如图4所示S412中的判断过程:判断评测结果是否满足电力交易申报决策的要求。如果基于评测结果确定交易决策申报结果满足电力交易申报决策的要求,则将该交易决策申报结果输出;如果基于评测结果确定交易决策申报结果未满足电力交易申报决策的要求,基于评测结果对应的历史决策申报结果与真实数据的差距,对电力属性预测模型的参数进行更新,跳转至如图4所示的S403重新构建电力属性预测模型,所得到的更新后的电力属性预测模型用于重新预测交易决策申报结果。也就是说,基于更新后的电力属性预测模型重复进行上述步骤S23至步骤S25的方法。
容易理解的是,本申请实施例提供的电力交易决策处理方法可以但不限于应用于如下应用场景:基于电力预测的交易决策场景,通过电力负荷预测和电价预测,计算出未来时域的多个时间周期对应的不同日前出清电量的日前偏差电价、实时偏差电话和结算电价,从而推断得到最大化未来时域收益的决策方案;基于决策优化的交易决策场景,通过历史电力负荷、电价数据和交易规则约束,考虑某一时间范围内的决策优化求解,建立累计收益最大化为目标的决策优化模型;基于电力交易规则的决策场景,通过电力属性历史数据和历史评测结果,搜索和识别不同场景下的电力交易决策空间和对应的电力交易决策效果。
综上,根据本申请实施例提供的电力交易决策处理方法,依托应用场景中积累的大量的电力属性历史数据和电力属性实时数据,建立用于预测电力属性数据和不确定性数据的电力属性预测模型,并结合用于配制电力交易申报的优化目标与优化约束的电力交易决策模型,克服了相关技术中采用单一优化方案对电力交易决策进行处理导致难以对不确定性问题进行有效处理的问题,还解决了相关技术难以对电力交易场景中的大规模数据进行有效利用以提升优化求解效率的问题,还解决了相关技术中提供的电力属性数据预测方法未考虑复杂场景的多重约束和目标导致电力交易决策优化求解准确度低的问题。
需要说明的是,本申请实施例提供的电力交易决策处理方法的重点在于:将电力属性预测模型和电力交易决策模型相结合,构建了完善的电力交易决策架构,在不依赖人工的情况下完成基于大规模数据、高频词复杂场景下对电力交易决策的自动评测处理;针对电力场景中的不确定性问题,通过数据驱动方式(即依赖电力属性历史数据和电力属性实时数据)考虑不同维度大规模数据中的有效信息增益,构建与电力场景适配度更高的电力属性预测模型,构建基于不确定性的随机优化场景;考虑电力交易中复杂场景和真实决策对应的限制,构建考虑风控约束的电力交易决策模型,将电力交易风险(如交易决策时的恶劣场景收益损失)控制在可接受范围内。
在一种可选的实施方式中,通过终端设备提供一图形用户界面,图形用户界面所显示的内容至少部分地包含一电力交易决策场景,电力交易决策处理方法还包括如下方法步骤:
步骤S261,响应作用于图形用户界面的第一触控操作,获取电力属性历史数据和电力属性实时数据;
步骤S262,响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型;
步骤S263,响应作用于图形用户界面的第三触控操作,采用电力属性预测模型对电力属性实时数据进行电力属性预测以得到第一目标数据,通过电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及采用电力交易决策模型对第一目标数据和第二目标数据进行电力交易决策以得到交易决策申报结果。
在上述可选的实施例中,图形用户界面中至少显示有电力交易决策场景,用户通过该电力交易决策场景获取电力属性历史数据和电力属性实时数据,选取电力属性预测模型和电力交易决策模型,并触发电力交易决策的自动处理过程。
上述图形用户界面还包括第一控件(或第一触控区域),当检测到作用于第一控件(或第一触控区域)的第一触控操作时,获取电力属性历史数据和电力属性实时数据。上述第一触控操作可以是选取操作,该选取操作用于选取电力属性历史数据对应的历史时域和电力属性数据的数据类别,例如,选取操作可以是点选、框选、勾选、条件筛选等操作,上述历史时域可以是过去一天、过去一周、过去一月等,也可以是指定起始时间(如1月1日零点)和截止时间(如2月1日零点)的历史时间范围。
上述图形用户界面还包括第二控件(或第二触控区域),当检测到作用于第二控件(或第二触控区域)的第二触控操作时,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型。上述多个候选机器学习模型可以是针对电力交易领域中不同应用场景、不同决策维度上预先训练候选预测模型。上述多个候选交易决策模型可以是针对电力交易决策过程中的不同应用场景、不同决策维度上预先训练候选决策模型。上述第二触控操作可以是点选、框选、勾选、条件筛选等操作。
上述图形用户界面还包括第三控件(或第三触控区域),当检测到作用于第三控件(或第三触控区域)的第三触控操作时,触发电力交易决策处理过程,具体地,采用电力属性预测模型对电力属性实时数据进行电力属性预测以得到第一目标数据,通过电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及采用电力交易决策模型对第一目标数据和第二目标数据进行电力交易决策以得到交易决策申报结果。上述第三触控操作可以是点击确定按钮、长按等操作。
用户通过对图形用户界面的触控操作获取电力交易决策场景对应的电力属性历史数据和电力属性实时数据后,还可以通过触控操作选定待使用的电力属性预测模型和电力交易决策模型,进一步还可以通过触控操作触发基于电力属性历史数据、电力属性实时数据、电力属性预测模型和电力交易决策模型进行的电力交易决策的自动处理过程。也就是说,用户通过对图形用户界面的触控操作,能够实现基于指定的电力属性历史数据和电力属性实时数据,使用指定的电力属性预测模型和电力交易决策模型,对电力交易决策进行自动处理,确定交易决策申报结果。上述过程为用户提供较高的操作灵活度,用户体验好。
需要说明的是,上述第一触控操作、上述第二触控操作和上述第三触控操作均可以是用户用手指接触上述终端设备的显示屏并触控该终端设备的操作。该触控操作可以包括单点触控、多点触控,其中,每个触控点的触控操作可以包括点击、长按、重按、划动等。上述第一触控操作、上述第二触控操作和上述第三触控操作还可以是通过鼠标、键盘等输入设备实现的触控操作。
在一种可选的实施方式中,电力交易决策处理方法还包括如下方法步骤:
步骤S27,响应作用于图形用户界面的第四触控操作,按照电力交易申报决策对交易决策申报结果进行评测以得到评测结果,以及响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
在上述可选的实施例中,基于图形用户界面中显示的电力交易决策场景,用户还可以通过对图形用户界面中的第四控件(或第四触控区域)进行第四触控操作,以触发以下过程:按照电力交易申报决策对交易决策申报结果进行评测以得到评测结果,以及响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
也就是说,用户通过对图形用户界面的触控操作,还可以实现对交易决策申报结果进行自动评测,以及实现如下自动判断流程:如果基于评测结果确定交易决策申报结果满足电力交易申报决策的要求,则将该交易决策申报结果输出;如果基于评测结果确定交易决策申报结果未满足电力交易申报决策的要求,基于评测结果对应的历史决策申报结果与真实数据的差距,对电力属性预测模型的参数进行更新,所得到的更新后的电力属性预测模型用于重新预测交易决策申报结果。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,并且相关数据的收集、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,并提供有相应的操作入口,供用户选择授权或者拒绝。
需要说明的是,对于前述的各方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本申请并不受所描述的动作顺序的限制,因为依据本申请,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作和模块并不一定是本申请所必须的。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器(Read-OnlyMemory,ROM)、随机存取器(Random Access Memory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,或者网络设备等)执行本申请各个实施例所述的方法。
实施例2
在如实施例1中的运行环境下,本申请提供了如图5所示的另一种电力交易决策处理方法。图5是根据本申请实施例2的一种电力交易决策处理方法的流程图,如图5所示,该电力交易决策处理方法包括:
步骤S51,接收来自于客户端的电力属性历史数据和电力属性实时数据;
步骤S52,基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;
步骤S53,响应于评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端。
可选地,图6是根据本申请实施例2的一种在云端服务器进行电力交易决策处理的示意图,如图6所示,客户端将电力属性历史数据和电力属性实时数据上传至云端服务器;云端服务器基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束。然后,响应于评测结果满足电力交易申报决策的要求,云端服务器会向上述客户端反馈交易决策申报结果,最终的交易决策申报结果会通过客户端的图形用户界面提供给用户。
需要说明的是,本申请实施例所提供的上述电力交易决策处理方法,可以但不限于适用于风电场、热电厂、虚拟电厂、园区电力管理、城市电力管理等涉及电力交易决策的实际应用场景,通过SaaS服务端和客户端进行交互的方式,客户端向服务端提供电力属性历史数据和电力属性实时数据,服务端采用基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及对交易决策申报结果进行评测的方式得到评测结果,如果服务端确定评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端提供给用户。上述服务端可以是云端服务器。
需要说明的是,本实施例的优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
实施例3
在如实施例1中的运行环境下,本申请提供了如图7所示的另一种电力交易决策处理方法。图7是根据本申请实施例3的一种电力交易决策处理方法的流程图,如图7所示,该电力交易决策处理方法包括:
步骤S71,基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;
步骤S72,利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;
步骤S73,获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;
步骤S74,响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。
在虚拟电厂的电力交易场景中,上述虚拟电厂电力属性历史数据为当前时刻之前的历史时域的虚拟电厂电力属性数据。上述虚拟电厂电力属性实时数据为当前时刻对应的虚拟电厂电力属性数据,上述第一目标数据为当前时刻之后的未来时域预测的虚拟电厂电力属性数据,上述第二目标数据为当前时刻之后的未来时域预测的虚拟电厂电力属性数据。上述历史时域和上述未来时域的具体范围可以根据电力交易场景需求实时确定。上述当前时刻可以是当前时间步(time step),对应地,上述历史时域包括当前时间步之前的多个历史时间步,上述未来时域包括当前时间步之后的多个未来时间步。上述虚拟电厂电力属性数据为与电力交易相关的属性数据,例如,电价、供电功率、用电功率等。上述虚拟电厂电力属性数据还可以是上述电力属性对应的时序数据。
容易理解的是,上述虚拟电厂交易决策申报结果为当前时刻对应的虚拟电厂电力交易的决策申报结果,虚拟电厂交易决策申报结果能够表征电力交易场景中当前时刻的电力交易需求。利用未来时域预测的虚拟电厂电力属性数据和虚拟电厂不确定性数据,确定上述虚拟电厂交易决策申报结果,也就是说,上述虚拟电厂交易决策申报结果与未来时域预测的虚拟电厂电力属性数据相关性较强,且考虑了未来时域中虚拟电厂电力交易可能存在的不确定性因素。
在电力交易场景中,上述虚拟电厂电力交易申报的目标为上述电力交易在未来时域预期的合理优化收益提升,上述虚拟电厂电力交易申报的约束为上述电力交易在未来时域预期的风控约束(也称风控调节限制)。在此基础上,评测上述虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,根据虚拟电厂评测结果能够确定上述虚拟电厂交易决策申报结果是否与电力交易申报的合理优化收益提升和风控约束相吻合。
在一种可选的实施方式中,对上述虚拟电厂交易决策申报结果进行评测的过程包括:根据虚拟电厂电力交易申报的目标与约束,对虚拟电厂交易决策申报结果进行优化。示例性地,上述虚拟电厂电力交易申报的目标可以为:考虑最大化的亏损惩罚时的虚拟电厂的电价期望收益;上述虚拟电厂电力交易申报的约束包括但不限于:虚拟电厂的历史出清电量的可调节幅度的约束,不同应用场景下虚拟电厂的发电量阈值的约束(如最大发电量、最小发电量阈值),虚拟电厂可接受的当日亏损比例的约束。
如果上述虚拟电厂交易决策申报结果与电力交易申报的合理优化收益提升和风控约束相吻合,则确认当前的虚拟电厂交易决策申报结果可用,并输出虚拟电厂交易决策申报结果。由此,本申请实施例提供的上述电力交易决策处理方法能够根据虚拟电厂电力交易申报决策的要求对虚拟电厂交易决策申报结果进行自动评测,处理效率高。此外,该虚拟电厂电力交易申报决策的要求能够表征具体应用场景中的场景目标和场景约束,使得满足上述要求的虚拟电厂交易决策申报结果的灵活度较高、对具体应用场景的适用性较高。
在本申请实施例中,通过基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;进一步获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置电力交易申报的目标与约束;响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的虚拟电厂电力属性数据和虚拟电厂不确定性数据对虚拟电厂电力交易申报决策是否满足虚拟电厂电力交易申报决策的要求进行评测的目的,从而实现了提高虚拟电厂电力交易申报决策处理的灵活度、效率以及决策增益的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
在一种可选的实施方式中,通过终端设备提供一图形用户界面,通过终端设备提供一图形用户界面,图形用户界面所显示的内容至少部分地包含一虚拟电厂电力交易决策场景,电力交易决策处理方法还包括如下方法步骤:
步骤S751,响应作用于图形用户界面的第一触控操作,获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据;
步骤S752,响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型;
步骤S753,响应作用于图形用户界面的第三触控操作,采用虚拟电厂电力属性预测模型对虚拟电厂电力属性实时数据进行电力属性预测以得到第一目标数据,通过虚拟电厂电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为虚拟电厂电力交易决策模型的输入参数,通过虚拟电厂电力交易决策模型输出虚拟电厂交易决策申报结果。
在上述可选的实施例中,图形用户界面中至少显示有虚拟电厂电力交易决策场景,用户通过该虚拟电厂电力交易决策场景获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据,选取虚拟电厂电力属性预测模型和虚拟电厂电力交易决策模型,并触发虚拟电厂电力交易决策的自动处理过程。
上述图形用户界面还包括第一控件(或第一触控区域),当检测到作用于第一控件(或第一触控区域)的第一触控操作时,获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据。上述第一触控操作可以是选取操作,该选取操作用于选取虚拟电厂电力属性历史数据对应的历史时域和虚拟电厂电力属性数据的数据类别,例如,选取操作可以是点选、框选、勾选、条件筛选等操作,上述历史时域可以是过去一天、过去一周、过去一月等,也可以是指定起始时间(如1月1日零点)和截止时间(如2月1日零点)的历史时间范围。
上述图形用户界面还包括第二控件(或第二触控区域),当检测到作用于第二控件(或第二触控区域)的第二触控操作时,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型。上述多个候选机器学习模型可以是针对电力交易领域中不同应用场景、不同决策维度上预先训练候选预测模型。上述多个候选交易决策模型可以是针对电力交易决策过程中的不同应用场景、不同决策维度上预先训练候选决策模型。上述第二触控操作可以是点选、框选、勾选、条件筛选等操作。
上述图形用户界面还包括第三控件(或第三触控区域),当检测到作用于第三控件(或第三触控区域)的第三触控操作时,触发电力交易决策处理过程,具体地,采用虚拟电厂电力属性预测模型对虚拟电厂电力属性实时数据进行电力属性预测以得到第一目标数据,通过虚拟电厂电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及采用虚拟电厂电力交易决策模型对第一目标数据和第二目标数据进行电力交易决策以得到虚拟电厂交易决策申报结果。上述第三触控操作可以是点击确定按钮、长按等操作。
用户通过对图形用户界面的触控操作获取虚拟电厂电力交易决策场景对应的虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据后,还可以通过触控操作选定待使用的虚拟电厂电力属性预测模型和虚拟电厂电力交易决策模型,进一步还可以通过触控操作触发基于虚拟电厂电力属性历史数据、虚拟电厂电力属性实时数据、虚拟电厂电力属性预测模型和虚拟电厂电力交易决策模型进行的电力交易决策的自动处理过程。也就是说,用户通过对图形用户界面的触控操作,能够实现基于指定的虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据,使用指定的虚拟电厂电力属性预测模型和虚拟电厂电力交易决策模型,对电力交易决策进行自动处理,确定虚拟电厂交易决策申报结果。上述过程为用户提供较高的操作灵活度,用户体验好。
需要说明的是,上述第一触控操作、上述第二触控操作和上述第三触控操作均可以是用户用手指接触上述终端设备的显示屏并触控该终端设备的操作。该触控操作可以包括单点触控、多点触控,其中,每个触控点的触控操作可以包括点击、长按、重按、划动等。上述第一触控操作、上述第二触控操作和上述第三触控操作还可以是通过鼠标、键盘等输入设备实现的触控操作。
需要说明的是,本实施例的优选实施方式可以参见实施例1中的相关描述,此处不再赘述。
实施例4
根据本申请实施例,还提供了一种用于实施上述电力交易决策处理方法的装置实施例。图8是根据本申请实施例4的一种电力交易决策处理装置的结构示意图,如图8所示,该装置包括:
生成模块801,用于基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;
获取模块802,用于利用第一目标数据和第二目标数据获取交易决策申报结果;
评测模块803,用于获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;
输出模块804,用于响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
可选地,上述生成模块801还用于:对电力属性历史数据进行训练,得到电力属性预测模型,其中,电力属性预测模型用于获取多个不同时间周期的电力属性预测值;采用电力属性预测模型对电力属性实时数据进行电力属性预测,得到第一目标数据;通过电力属性历史数据的电力属性概率分布和第一目标数据,预测第二目标数据。
可选地,上述获取模块802还用于:将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果,其中,电力交易决策模型用于获取未来多个不同时刻的交易决策申报结果。
可选地,上述获取模块802还用于:对第一目标数据与第二目标数据的偏差进行随机场景生成,得到生成结果,其中,生成结果为每个随机场景对应的电力属性曲线;对生成结果进行联合求解,得到交易决策申报结果。
可选地,上述获取模块802还用于:基于第一目标数据与第二目标数据的偏差估计第一目标数据对应的电力属性概率分布;利用第一目标数据对应的电力属性概率分布进行随机场景生成,得到生成结果。
可选地,上述评测模块803还用于:获取交易决策申报结果对应的历史决策申报结果,以及历史决策申报结果对应的真实数据,其中,历史决策申报结果为电力交易决策模型在历史时刻获取到的决策申报结果,真实数据为历史时刻真实发生的电力交易数据;对历史决策申报结果与真实数据进行对比,得到对比结果,其中,对比结果用于回测电力交易决策模型在电力属性历史数据上的性能表现;基于对比结果确定评测结果。
可选地,图9是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图,如图9所示,该装置除包括图8所示的所有模块外,还包括:更新模块805,用于响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新,得到更新后的电力属性预测模型,以重新预测交易决策申报结果。
可选地,图10是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图,如图10所示,该装置除包括图9所示的所有模块外,还包括:第一响应模块806,用于响应作用于图形用户界面的第一触控操作,获取电力属性历史数据和电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用电力属性预测模型对电力属性实时数据进行电力属性预测以得到第一目标数据,通过电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果。
可选地,图11是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图,如图11所示,该装置除包括图10所示的所有模块外,还包括:第二响应模块807,用于响应作用于图形用户界面的第四触控操作,按照电力交易申报决策对交易决策申报结果进行评测以得到评测结果,以及响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
此处需要说明的是,上述生成模块801、获取模块802、评测模块803和输出模块804对应于实施例1中的步骤S21至步骤S24,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例1所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器(例如,存储器104)中并由一个或多个处理器(例如,处理器102a,102b,……,102n)处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请实施例中,通过基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;进一步获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的电力属性数据和不确定性数据对电力交易申报决策是否满足电力交易申报决策的要求进行评测的目的,从而实现了提高电力交易申报决策处理的灵活度、效率以及决策增益的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
根据本申请实施例,还提供了另一种用于实施上述实施例2中的电力交易决策处理方法的装置实施例。图12是根据本申请实施例4的另一种电力交易决策处理装置的结构示意图,如图12所示,该装置包括:
接收模块1201,用于接收来自于客户端的电力属性历史数据和电力属性实时数据;
评测模块1202,用于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利评测用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;
反馈模块1203,用于响应于评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端。
此处需要说明的是,上述接收模块1201、评测模块1202和反馈模块1203对应于实施例2中的步骤S51至步骤S53,三个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例2所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器(例如,存储器104)中并由一个或多个处理器(例如,处理器102a,102b,……,102n)处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。
根据本申请实施例,还提供了另一种用于实施上述实施例3中的电力交易决策处理方法的装置实施例。图13是根据本申请实施例4的又一种电力交易决策处理装置的结构示意图,如图13所示,该装置包括:
生成模块1301,用于基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;
获取模块1302,用于利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;
评测模块1303,用于获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;
输出模块1304,用于响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。
可选地,图14是根据本申请实施例4的一种可选的电力交易决策处理装置的结构示意图,如图14所示,该装置除包括图13所示的所有模块外,还包括:响应模块1305,用于响应作用于图形用户界面的第一触控操作,获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用虚拟电厂电力属性预测模型对虚拟电厂电力属性实时数据进行电力属性预测以得到第一目标数据,通过虚拟电厂电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为虚拟电厂电力交易决策模型的输入参数,通过虚拟电厂电力交易决策模型输出虚拟电厂交易决策申报结果。
此处需要说明的是,上述生成模块1301、获取模块1302、评测模块1303和输出模块1304对应于实施例3中的步骤S71至步骤S74,四个模块与对应的步骤所实现的实例和应用场景相同,但不限于上述实施例3所公开的内容。需要说明的是,上述模块或单元可以是存储在存储器(例如,存储器104)中并由一个或多个处理器(例如,处理器102a,102b,……,102n)处理的硬件组件或软件组件,上述模块也可以作为装置的一部分可以运行在实施例1提供的计算机终端10中。
在本申请实施例中,通过基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;进一步获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置电力交易申报的目标与约束;响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的虚拟电厂电力属性数据和虚拟电厂不确定性数据对虚拟电厂电力交易申报决策是否满足虚拟电厂电力交易申报决策的要求进行评测的目的,从而实现了提高虚拟电厂电力交易申报决策处理的灵活度、效率以及决策增益的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
需要说明的是,本实施例的优选实施方式可以参见实施例1或实施例2中的相关描述,此处不再赘述。
实施例5
根据本申请实施例,还提供了一种计算机终端,该计算机终端可以是计算机终端群中的任意一个计算机终端设备。可选地,在本实施例中,上述计算机终端也可以替换为移动终端等终端设备。
可选地,在本实施例中,上述计算机终端可以位于计算机网络的多个网络设备中的至少一个网络设备。
在本实施例中,上述计算机终端可以执行电力交易决策处理方法中以下步骤的程序代码:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
可选地,图15是根据本申请实施例5的一种计算机终端的结构框图,如图15所示,该计算机终端150可以包括:一个或多个(图中仅示出一个)处理器1502、存储器1504、存储控制器1506、以及外设接口1508,其中,外设接口与射频模块、音频模块和显示器连接。
其中,存储器1504可用于存储软件程序以及模块,如本申请实施例中的电力交易决策处理方法和装置对应的程序指令/模块,处理器通过运行存储在存储器内的软件程序以及模块,从而执行各种功能应用以及数据处理,即实现上述的电力交易决策处理方法。存储器1504可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器1504可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至计算机终端150。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器1502可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:对电力属性历史数据进行训练,得到电力属性预测模型,其中,电力属性预测模型用于获取多个不同时间周期的电力属性预测值;采用电力属性预测模型对电力属性实时数据进行电力属性预测,得到第一目标数据;通过电力属性历史数据的电力属性概率分布和第一目标数据,预测第二目标数据。
可选的,上述处理器1502还可以执行如下步骤的程序代码:将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果,其中,电力交易决策模型用于获取未来多个不同时刻的交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:对第一目标数据与第二目标数据的偏差进行随机场景生成,得到生成结果,其中,生成结果为每个随机场景对应的电力属性曲线;对生成结果进行联合求解,得到交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:基于第一目标数据与第二目标数据的偏差估计第一目标数据对应的电力属性概率分布;利用第一目标数据对应的电力属性概率分布进行随机场景生成,得到生成结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:获取交易决策申报结果对应的历史决策申报结果,以及历史决策申报结果对应的真实数据,其中,历史决策申报结果为电力交易决策模型在历史时刻获取到的决策申报结果,真实数据为历史时刻真实发生的电力交易数据;对历史决策申报结果与真实数据进行对比,得到对比结果,其中,对比结果用于回测电力交易决策模型在电力属性历史数据上的性能表现;基于对比结果确定评测结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新,得到更新后的电力属性预测模型,以重新预测交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取电力属性历史数据和电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用电力属性预测模型对电力属性实时数据进行电力属性预测以得到第一目标数据,通过电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:响应作用于图形用户界面的第四触控操作,按照电力交易申报决策对交易决策申报结果进行评测以得到评测结果,以及响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
处理器1502可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:接收来自于客户端的电力属性历史数据和电力属性实时数据;基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端。
处理器1502可以通过传输装置调用存储器存储的信息及应用程序,以执行下述步骤:基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。
可选的,上述处理器1502还可以执行如下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用虚拟电厂电力属性预测模型对虚拟电厂电力属性实时数据进行电力属性预测以得到第一目标数据,通过虚拟电厂电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为虚拟电厂电力交易决策模型的输入参数,通过虚拟电厂电力交易决策模型输出虚拟电厂交易决策申报结果。
在本申请实施例中,通过基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;进一步获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。由此,本申请实施例能够达到基于未来时域预测的电力属性数据和不确定性数据对电力交易申报决策是否满足电力交易申报决策的要求进行评测的目的,从而实现了提高电力交易申报决策处理的灵活度、效率以及决策增益的技术效果,进而解决了现有技术中由于缺乏合理的电力交易申报决策评测方法导致电力交易申报决策处理效率低、灵活度差的技术问题。
本领域普通技术人员可以理解,图15所示的结构仅为示意,计算机终端也可以是智能手机(如Android手机、iOS手机等)、平板电脑、掌上电脑以及移动互联网设备(MobileInternet Devices,MID)、PAD等终端设备。图15其并不对上述计算机终端的结构造成限定。例如,计算机终端150还可包括比图15中所示更多或者更少的组件(如网络接口、显示装置等),或者具有与图15所示不同的配置。
图16是根据本申请实施例5的一种可选的计算机终端所提供的图形用户界面的示意图,如图16所示,图形用户界面中能够显示有预设场景以及该预设场景对应的多个控件,多个控件用于响应作用于图形用户界面上的多个控制操作,多个控件包括如图16所示的第一控件、第二控件和第三控件。显示该图形用户界面的显示屏可以是触控显示屏,对应地,上述控制操作可以是触控操作。如图16所示的图形用户界面可以显示在如图15所示的计算机终端所连接的显示屏上。
如图16所示的图形用户界面可以显示有本申请实施例1提到的电力交易决策场景,以支持本申请实施例1提供的电力交易决策处理方法包括上述步骤S261至步骤S263的技术方案。
如图16所示的图形用户界面可以显示有本申请实施例3提到的虚拟电厂电力交易决策场景,以支持本申请实施例3提供的电力交易决策处理方法包括上述步骤S751至步骤S753的技术方案。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、ROM、RAM、磁盘或光盘等。
实施例6
根据本申请实施例,还提供了一种计算机可读存储介质。可选地,在本实施例中,上述存储介质可以用于保存上述实施例1、实施例2或实施例3所提供的电力交易决策处理方法所执行的程序代码。
可选地,在本实施例中,上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中,或者位于移动终端群中的任意一个移动终端中。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据;利用第一目标数据和第二目标数据获取交易决策申报结果;获取对交易决策申报结果进行评测后得到的评测结果,其中,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,输出交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对电力属性历史数据进行训练,得到电力属性预测模型,其中,电力属性预测模型用于获取多个不同时间周期的电力属性预测值;采用电力属性预测模型对电力属性实时数据进行电力属性预测,得到第一目标数据;通过电力属性历史数据的电力属性概率分布和第一目标数据,预测第二目标数据。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果,其中,电力交易决策模型用于获取未来多个不同时刻的交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:对第一目标数据与第二目标数据的偏差进行随机场景生成,得到生成结果,其中,生成结果为每个随机场景对应的电力属性曲线;对生成结果进行联合求解,得到交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:基于第一目标数据与第二目标数据的偏差估计第一目标数据对应的电力属性概率分布;利用第一目标数据对应的电力属性概率分布进行随机场景生成,得到生成结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:获取交易决策申报结果对应的历史决策申报结果,以及历史决策申报结果对应的真实数据,其中,历史决策申报结果为电力交易决策模型在历史时刻获取到的决策申报结果,真实数据为历史时刻真实发生的电力交易数据;对历史决策申报结果与真实数据进行对比,得到对比结果,其中,对比结果用于回测电力交易决策模型在电力属性历史数据上的性能表现;基于对比结果确定评测结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新,得到更新后的电力属性预测模型,以重新预测交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取电力属性历史数据和电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用电力属性预测模型对电力属性实时数据进行电力属性预测以得到第一目标数据,通过电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为电力交易决策模型的输入参数,通过电力交易决策模型输出交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应作用于图形用户界面的第四触控操作,按照电力交易申报决策对交易决策申报结果进行评测以得到评测结果,以及响应于评测结果未满足电力交易申报决策的要求,基于评测结果对电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:接收来自于客户端的电力属性历史数据和电力属性实时数据;基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用第一目标数据和第二目标数据获取交易决策申报结果,以及获取对交易决策申报结果进行评测后得到的评测结果,其中,第一目标数据为未来时域预测的电力属性数据,第二目标数据为未来时域预测的不确定性数据,评测结果用于验证交易决策申报结果是否满足电力交易申报决策的要求,电力交易申报决策用于配置电力交易申报的目标与约束;响应于评测结果满足电力交易申报决策的要求,将交易决策申报结果反馈至客户端。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,第一目标数据为未来时域预测的虚拟电厂电力属性数据,第二目标数据为未来时域预测的虚拟电厂不确定性数据;利用第一目标数据和第二目标数据获取虚拟电厂交易决策申报结果;获取对虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,虚拟电厂评测结果用于验证虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;响应于虚拟电厂评测结果满足虚拟电厂电力交易申报决策的要求,输出虚拟电厂交易决策申报结果。
可选地,在本实施例中,计算机可读存储介质被设置为存储用于执行以下步骤的程序代码:响应作用于图形用户界面的第一触控操作,获取虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据;响应作用于图形用户界面的第二触控操作,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型;响应作用于图形用户界面的第三触控操作,采用虚拟电厂电力属性预测模型对虚拟电厂电力属性实时数据进行电力属性预测以得到第一目标数据,通过虚拟电厂电力属性历史数据的电力属性概率分布和第一目标数据预测第二目标数据,以及将第一目标数据和第二目标数据设置为虚拟电厂电力交易决策模型的输入参数,通过虚拟电厂电力交易决策模型输出虚拟电厂交易决策申报结果。
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。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的技术内容,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的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中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、ROM、RAM、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (14)
1.一种电力交易决策处理方法,其特征在于,包括:
基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,所述第一目标数据为未来时域预测的电力属性数据,所述第二目标数据为未来时域预测的不确定性数据;
利用所述第一目标数据和所述第二目标数据获取交易决策申报结果;
获取对所述交易决策申报结果进行评测后得到的评测结果,其中,所述评测结果用于验证所述交易决策申报结果是否满足电力交易申报决策的要求,所述电力交易申报决策用于配置电力交易申报的目标与约束;
响应于所述评测结果满足所述电力交易申报决策的要求,输出所述交易决策申报结果。
2.根据权利要求1所述的电力交易决策处理方法,其特征在于,基于所述电力属性历史数据和所述电力属性实时数据生成所述第一目标数据和所述第二目标数据包括:
对所述电力属性历史数据进行训练,得到电力属性预测模型,其中,所述电力属性预测模型用于获取多个不同时间周期的电力属性预测值;
采用所述电力属性预测模型对所述电力属性实时数据进行电力属性预测,得到所述第一目标数据;
通过所述电力属性历史数据的电力属性概率分布和所述第一目标数据,预测所述第二目标数据。
3.根据权利要求1所述的电力交易决策处理方法,其特征在于,利用所述第一目标数据和所述第二目标数据获取所述交易决策申报结果包括:
将所述第一目标数据和所述第二目标数据设置为电力交易决策模型的输入参数,通过所述电力交易决策模型输出所述交易决策申报结果,其中,所述电力交易决策模型用于获取未来多个不同时刻的交易决策申报结果。
4.根据权利要求3所述的电力交易决策处理方法,其特征在于,对所述第一目标数据和所述第二目标数据进行电力交易决策,得到所述交易决策申报结果包括:
对所述第一目标数据与所述第二目标数据的偏差进行随机场景生成,得到生成结果,其中,所述生成结果为每个随机场景对应的电力属性曲线;
对所述生成结果进行联合求解,得到所述交易决策申报结果。
5.根据权利要求4所述的电力交易决策处理方法,其特征在于,对所述第一目标数据与所述第二目标数据的偏差进行随机场景生成,得到所述生成结果包括:
基于所述第一目标数据与所述第二目标数据的偏差估计所述第一目标数据对应的电力属性概率分布;
利用所述第一目标数据对应的电力属性概率分布进行随机场景生成,得到所述生成结果。
6.根据权利要求3所述的电力交易决策处理方法,其特征在于,获取对所述交易决策申报结果进行评测后得到的评测结果包括:
获取所述交易决策申报结果对应的历史决策申报结果,以及所述历史决策申报结果对应的真实数据,其中,所述历史决策申报结果为所述电力交易决策模型在历史时刻获取到的决策申报结果,所述真实数据为所述历史时刻真实发生的电力交易数据;
对所述历史决策申报结果与所述真实数据进行对比,得到对比结果,其中,所述对比结果用于回测所述电力交易决策模型在所述电力属性历史数据上的性能表现;
基于所述对比结果确定所述评测结果。
7.根据权利要求2所述的电力交易决策处理方法,其特征在于,所述电力交易决策处理方法还包括:
响应于所述评测结果未满足所述电力交易申报决策的要求,基于所述评测结果对所述电力属性预测模型的参数进行更新,得到更新后的电力属性预测模型,以重新预测所述交易决策申报结果。
8.根据权利要求1所述的电力交易决策处理方法,其特征在于,通过终端设备提供一图形用户界面,所述图形用户界面所显示的内容至少部分地包含一电力交易决策场景,所述电力交易决策处理方法还包括:
响应作用于所述图形用户界面的第一触控操作,获取所述电力属性历史数据和所述电力属性实时数据;
响应作用于所述图形用户界面的第二触控操作,从多个候选机器学习模型中选取电力属性预测模型,以及从多个候选交易决策模型中选取电力交易决策模型;
响应作用于所述图形用户界面的第三触控操作,采用所述电力属性预测模型对所述电力属性实时数据进行电力属性预测以得到所述第一目标数据,通过所述电力属性历史数据的电力属性概率分布和所述第一目标数据预测所述第二目标数据,以及采用所述电力交易决策模型对所述第一目标数据和所述第二目标数据进行电力交易决策以得到所述交易决策申报结果。
9.根据权利要求8所述的电力交易决策处理方法,其特征在于,所述电力交易决策处理方法还包括:
响应作用于所述图形用户界面的第四触控操作,按照所述电力交易申报决策对所述交易决策申报结果进行评测以得到所述评测结果,以及响应于所述评测结果未满足所述电力交易申报决策的要求,基于所述评测结果对所述电力属性预测模型的参数进行更新以得到更新后的电力属性预测模型。
10.一种电力交易决策处理方法,其特征在于,包括:
接收来自于客户端的电力属性历史数据和电力属性实时数据;
基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,利用所述第一目标数据和所述第二目标数据获取交易决策申报结果,以及获取对所述交易决策申报结果进行评测后得到的评测结果,其中,所述第一目标数据为未来时域预测的电力属性数据,所述第二目标数据为未来时域预测的不确定性数据,所述评测结果用于验证所述交易决策申报结果是否满足电力交易申报决策的要求,所述电力交易申报决策用于配置电力交易申报的目标与约束;
响应于所述评测结果满足所述电力交易申报决策的要求,将所述交易决策申报结果反馈至所述客户端。
11.一种电力交易决策处理方法,其特征在于,包括:
基于虚拟电厂电力属性历史数据和虚拟电厂电力属性实时数据生成第一目标数据和第二目标数据,其中,所述第一目标数据为未来时域预测的虚拟电厂电力属性数据,所述第二目标数据为未来时域预测的虚拟电厂不确定性数据;
利用所述第一目标数据和所述第二目标数据获取虚拟电厂交易决策申报结果;
获取对所述虚拟电厂交易决策申报结果进行评测后得到的虚拟电厂评测结果,其中,所述虚拟电厂评测结果用于验证所述虚拟电厂交易决策申报结果是否满足虚拟电厂电力交易申报决策的要求,所述虚拟电厂电力交易申报决策用于配置虚拟电厂电力交易申报的目标与约束;
响应于所述虚拟电厂评测结果满足所述虚拟电厂电力交易申报决策的要求,输出所述虚拟电厂交易决策申报结果。
12.根据权利要求11所述的电力交易决策处理方法,其特征在于,通过终端设备提供一图形用户界面,所述图形用户界面所显示的内容至少部分地包含一虚拟电厂电力交易决策场景,所述电力交易决策处理方法还包括:
响应作用于所述图形用户界面的第一触控操作,获取所述虚拟电厂电力属性历史数据和所述虚拟电厂电力属性实时数据;
响应作用于所述图形用户界面的第二触控操作,从多个候选机器学习模型中选取虚拟电厂电力属性预测模型,以及从多个候选交易决策模型中选取虚拟电厂电力交易决策模型;
响应作用于所述图形用户界面的第三触控操作,采用所述虚拟电厂电力属性预测模型对所述虚拟电厂电力属性实时数据进行电力属性预测以得到所述第一目标数据,通过所述虚拟电厂电力属性历史数据的电力属性概率分布和所述第一目标数据预测所述第二目标数据,以及将所述第一目标数据和所述第二目标数据设置为所述虚拟电厂电力交易决策模型的输入参数,通过所述虚拟电厂电力交易决策模型输出所述虚拟电厂交易决策申报结果。
13.一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包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至12中任意一项所述的电力交易决策处理方法。
14.一种电子设备,其特征在于,包括:
处理器;以及
存储器,与所述处理器连接,用于为所述处理器提供处理以下处理步骤的指令:
基于电力属性历史数据和电力属性实时数据生成第一目标数据和第二目标数据,其中,所述第一目标数据为未来时域预测的电力属性数据,所述第二目标数据为未来时域预测的不确定性数据;
利用所述第一目标数据和所述第二目标数据获取交易决策申报结果;
获取对所述交易决策申报结果进行评测后得到的评测结果,其中,所述评测结果用于验证所述交易决策申报结果是否满足电力交易申报决策的要求,所述电力交易申报决策用于配置电力交易申报的目标与约束;
响应于所述评测结果满足所述电力交易申报决策的要求,输出所述交易决策申报结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369243.1A CN116128323B (zh) | 2023-04-07 | 2023-04-07 | 电力交易决策处理方法、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310369243.1A CN116128323B (zh) | 2023-04-07 | 2023-04-07 | 电力交易决策处理方法、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116128323A true CN116128323A (zh) | 2023-05-16 |
CN116128323B CN116128323B (zh) | 2023-07-21 |
Family
ID=86299435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310369243.1A Active CN116128323B (zh) | 2023-04-07 | 2023-04-07 | 电力交易决策处理方法、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116128323B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5313560A (en) * | 1990-05-11 | 1994-05-17 | Hitachi, Ltd. | Method for determining a supplemental transaction changing a decided transaction to satisfy a target |
CN110197432A (zh) * | 2018-07-18 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种基于大数据的信息提示方法、装置、终端设备和介质 |
CN110517768A (zh) * | 2019-08-28 | 2019-11-29 | 泰康保险集团股份有限公司 | 异常预测方法、异常预测装置、电子设备及存储介质 |
CN111476435A (zh) * | 2020-04-30 | 2020-07-31 | 国核电力规划设计研究院有限公司 | 基于密度峰值的充电桩负荷预测方法 |
CN112001744A (zh) * | 2020-07-28 | 2020-11-27 | 安徽电力交易中心有限公司 | 电力现货市场基于前景理论的发电商辅助报价系统和方法 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
US20210182972A1 (en) * | 2019-12-17 | 2021-06-17 | Industrial Technology Research Institute | Trading decision generation system and method |
CN113361108A (zh) * | 2021-06-08 | 2021-09-07 | 国电南瑞科技股份有限公司 | 基于实时与预测数据的电力系统未来时段仿真方法及系统 |
CN113887820A (zh) * | 2021-10-20 | 2022-01-04 | 国网浙江省电力有限公司 | 电力现货业务系统故障预测的方法、装置、计算机设备和存储介质 |
CN114419869A (zh) * | 2022-03-30 | 2022-04-29 | 北京启醒科技有限公司 | 一种基于时序多维预测的城市灾害预警方法及系统 |
CN114841476A (zh) * | 2022-07-04 | 2022-08-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市雨水资源利用时空动态调配与交易方法及系统 |
CN115358787A (zh) * | 2022-08-23 | 2022-11-18 | 浙江电力交易中心有限公司 | 考虑交易风险的虚拟电厂现货市场申报方法及相关装置 |
CN115496603A (zh) * | 2022-09-29 | 2022-12-20 | 华能新能源股份有限公司山西分公司 | 基于人工智能技术的电力市场新能源日前交易决策方法 |
CN115511634A (zh) * | 2022-09-29 | 2022-12-23 | 华能新能源股份有限公司山西分公司 | 基于结算收入的电力市场新能源日前交易决策方法和装置 |
CN115640909A (zh) * | 2022-11-12 | 2023-01-24 | 华松电力集团股份有限公司 | 一种为实现碳达峰碳中和的智慧能效管理方法及系统 |
CN115689443A (zh) * | 2022-10-21 | 2023-02-03 | 湖南天河文链科技有限公司 | 基于波动性聚类和区块链的供应链管理方法及系统 |
CN115880021A (zh) * | 2022-11-30 | 2023-03-31 | 国网辽宁省电力有限公司营销服务中心 | 计量设备需求数据预测方法、电子设备及可读存储介质 |
-
2023
- 2023-04-07 CN CN202310369243.1A patent/CN116128323B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5313560A (en) * | 1990-05-11 | 1994-05-17 | Hitachi, Ltd. | Method for determining a supplemental transaction changing a decided transaction to satisfy a target |
CN110197432A (zh) * | 2018-07-18 | 2019-09-03 | 腾讯科技(深圳)有限公司 | 一种基于大数据的信息提示方法、装置、终端设备和介质 |
CN110517768A (zh) * | 2019-08-28 | 2019-11-29 | 泰康保险集团股份有限公司 | 异常预测方法、异常预测装置、电子设备及存储介质 |
US20210182972A1 (en) * | 2019-12-17 | 2021-06-17 | Industrial Technology Research Institute | Trading decision generation system and method |
CN111476435A (zh) * | 2020-04-30 | 2020-07-31 | 国核电力规划设计研究院有限公司 | 基于密度峰值的充电桩负荷预测方法 |
CN112001744A (zh) * | 2020-07-28 | 2020-11-27 | 安徽电力交易中心有限公司 | 电力现货市场基于前景理论的发电商辅助报价系统和方法 |
CN112651770A (zh) * | 2020-12-07 | 2021-04-13 | 山东大学 | 电力现货市场售电商负荷申报优化方法及系统 |
CN113361108A (zh) * | 2021-06-08 | 2021-09-07 | 国电南瑞科技股份有限公司 | 基于实时与预测数据的电力系统未来时段仿真方法及系统 |
CN113887820A (zh) * | 2021-10-20 | 2022-01-04 | 国网浙江省电力有限公司 | 电力现货业务系统故障预测的方法、装置、计算机设备和存储介质 |
CN114419869A (zh) * | 2022-03-30 | 2022-04-29 | 北京启醒科技有限公司 | 一种基于时序多维预测的城市灾害预警方法及系统 |
CN114841476A (zh) * | 2022-07-04 | 2022-08-02 | 水利部交通运输部国家能源局南京水利科学研究院 | 城市雨水资源利用时空动态调配与交易方法及系统 |
CN115358787A (zh) * | 2022-08-23 | 2022-11-18 | 浙江电力交易中心有限公司 | 考虑交易风险的虚拟电厂现货市场申报方法及相关装置 |
CN115496603A (zh) * | 2022-09-29 | 2022-12-20 | 华能新能源股份有限公司山西分公司 | 基于人工智能技术的电力市场新能源日前交易决策方法 |
CN115511634A (zh) * | 2022-09-29 | 2022-12-23 | 华能新能源股份有限公司山西分公司 | 基于结算收入的电力市场新能源日前交易决策方法和装置 |
CN115689443A (zh) * | 2022-10-21 | 2023-02-03 | 湖南天河文链科技有限公司 | 基于波动性聚类和区块链的供应链管理方法及系统 |
CN115640909A (zh) * | 2022-11-12 | 2023-01-24 | 华松电力集团股份有限公司 | 一种为实现碳达峰碳中和的智慧能效管理方法及系统 |
CN115880021A (zh) * | 2022-11-30 | 2023-03-31 | 国网辽宁省电力有限公司营销服务中心 | 计量设备需求数据预测方法、电子设备及可读存储介质 |
Non-Patent Citations (3)
Title |
---|
"考虑多种变量不确定性的梯级水电站中期 调度及交易决策方法", 电力自动化设备, vol. 41, no. 9, pages 199 - 205 * |
LIWEI JU等: "Robust purchase and sale transactions optimization strategy for electricity retailers with energy storage system considering two-stage demand response", APPLIED ENERGY, vol. 271, pages 1 - 16 * |
曾亮;齐欢;陈迎春;: "日前和实时市场中发电商多目标二层规划竞价策略", 电网技术, no. 01, pages 69 - 74 * |
Also Published As
Publication number | Publication date |
---|---|
CN116128323B (zh) | 2023-07-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107730087A (zh) | 预测模型训练方法、数据监控方法、装置、设备及介质 | |
CN110363621B (zh) | 一种基于人工智能技术的订单信息推送系统 | |
CN107067274A (zh) | 一个基于混合学习模型的dsp实时竞价广告系统 | |
CN103268519A (zh) | 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置 | |
CN116541610B (zh) | 一种推荐模型的训练方法及装置 | |
CN111080417A (zh) | 用于提高预订顺畅率的处理方法、模型训练方法及系统 | |
CN112365361A (zh) | 一种基于规则库的电力计量数据质量体检方法 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN109492863A (zh) | 金融单证的自动生成方法及装置 | |
Boukas et al. | Intra-day bidding strategies for storage devices using deep reinforcement learning | |
Chrysopoulos et al. | Response modeling of small-scale energy consumers for effective demand response applications | |
KR102133034B1 (ko) | 실시간 수집된 수요자 부하 정보를 이용하는 스마트 전력 수요 관리 시스템 | |
CN112328901B (zh) | 基于云计算和区块链金融的业务推荐方法及云计算系统 | |
CN110795324A (zh) | 一种数据处理方法及装置 | |
CN116128323B (zh) | 电力交易决策处理方法、存储介质和电子设备 | |
CN111325572B (zh) | 一种数据处理方法及装置 | |
CN116435995A (zh) | 时间序列的处理方法、计算机可读存储介质和电子设备 | |
CN113052417A (zh) | 一种资源配置方法以及装置 | |
CN113313562B (zh) | 产品数据处理方法、装置、计算机设备和存储介质 | |
CN113377640B (zh) | 解释业务场景下模型的方法、介质、装置和计算设备 | |
CN115063046A (zh) | 基于大数据分析的电网物资供应商数智驾驶舱系统 | |
CN109919682B (zh) | 一种新产品技术参数市场适应性自动分析系统和方法 | |
Smith et al. | Greater than the sum of its parts: exploring a systemic design-inspired responsible innovation framework for addressing ICT carbon emissions | |
CN115964620B (zh) | 数据处理方法、存储介质和电子设备 | |
CN117632905B (zh) | 基于云端使用记录的数据库管理方法及系统 |
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 |