CN117151882B - 一种基于多品种电力交易的风险评估方法及系统 - Google Patents
一种基于多品种电力交易的风险评估方法及系统 Download PDFInfo
- Publication number
- CN117151882B CN117151882B CN202311411637.5A CN202311411637A CN117151882B CN 117151882 B CN117151882 B CN 117151882B CN 202311411637 A CN202311411637 A CN 202311411637A CN 117151882 B CN117151882 B CN 117151882B
- Authority
- CN
- China
- Prior art keywords
- futures
- data
- power
- electric
- transaction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 107
- 238000000034 method Methods 0.000 title claims abstract description 66
- 230000002159 abnormal effect Effects 0.000 claims abstract description 160
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012216 screening Methods 0.000 claims abstract description 31
- 230000005540 biological transmission Effects 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 48
- 230000008859 change Effects 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 24
- 238000005516 engineering process Methods 0.000 claims description 21
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000035945 sensitivity Effects 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 230000007246 mechanism Effects 0.000 description 11
- 230000007774 longterm Effects 0.000 description 9
- 230000005856 abnormality Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 4
- 230000003993 interaction Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000008520 organization Effects 0.000 description 3
- 238000012550 audit Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 230000004043 responsiveness Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 238000013524 data verification Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/64—Protecting data integrity, e.g. using checksums, certificates or signatures
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Computer Security & Cryptography (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Finance (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Human Resources & Organizations (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Technology Law (AREA)
- Bioethics (AREA)
- Computer Hardware Design (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及数据风险评估技术领域,尤其涉及一种基于多品种电力交易的风险评估方法及系统。所述方法包括以下步骤:对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;根据链上电力期货购买信息对链上电力期货数据进行数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。本发明使得多品种电力交易的风险评估更为精准。
Description
技术领域
本发明涉及数据风险评估技术领域,尤其涉及一种基于多品种电力交易的风险评估方法及系统。
背景技术
随着能源体系的转型和电力市场的发展,不同品种的电力期货交易增多,市场波动性增加,风险也相应提升,电力交易的风险评估的需求也随之增加。面对日益增加的电力交易潜在风险,需要对电力交易进行全面、准确地评估多品种电力期货交易的潜在风险,帮助交易参与者更好地制定风险管理策略,提高交易决策的科学性和稳定性,从而适应并应对电力市场复杂性的挑战。然而,传统的电力交易没有对商家的电力期货进行风险评分就进行上架,可能存在虚假电力期货等问题,并且电力交易过程的信息可能被黑客进行窃取,不能保障数据的安全。
发明内容
基于此,本发明提供一种基于多品种电力交易的风险评估方法及系统,以解决至少一个上述技术问题。
为实现上述目的,一种基于多品种电力交易的风险评估方法,包括以下步骤:
步骤S1:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
步骤S2:利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
步骤S3:对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
步骤S4:基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
步骤S5:将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
步骤S6:获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明使用网络爬虫技术从云服务器采集多品种电力期货数据,这有效地扩充了数据来源,包含了多个品种的市场信息,从而提供更全面的数据基础。对采集到的电力期货数据进行有效性筛选,确保数据质量,剔除可能存在的错误、缺失或不一致的信息,进一步提升了数据的准确性和可信度,为后续的数据分析和预测奠定了坚实基础,减少了无用、冗余等数据的影响,使得后续模型建立和交易决策更具可靠性和实用性。通过应用长短期记忆神经网络(LSTM)算法对有效电力期货数据进行预测,实现了对电力期货短期走势的建模,LSTM能够有效捕捉时间序列数据中的长期依赖关系,对短期波动和长期趋势都能作出较为准确的预测,从而提供了更具有参考价值的电力期货预测数据,不仅使投资者能够更好地了解市场可能的变化趋势,还可以为交易决策提供更全面的信息,帮助规避风险和抓住机会,进而优化投资策略并提升投资回报。通过电力期货预测数据进行异常评分计算,可以识别出潜在的异常情况,包括市场波动性突增或预测偏离现实等,通过这种评分机制,能够精准地定位异常情况,从而实现了对风险的早期感知和监测。基于电力期货异常评分数据,对有效电力期货数据进行清洗和剔除,可以过滤掉可能造成交易不确定性的异常数据,确保生成的安全电力期货数据更加可信,提升了交易数据的准确性和稳定性,为投资者提供更为可靠的数据基础,使其能够更有信心地进行决策并减少潜在的投资风险。基于区块链网络构建电力交易平台,实现了电力交易环境的多重增益。区块链技术为电力交易引入了去中心化、不可篡改和高度透明的特性,保障了交易的公正性和数据的安全性,区块链电力交易平台为各方提供了直接、点对点的交易通道,消除了传统中介机构的需要,降低了交易成本,区块链的分布式账本能够确保所有交易的可追溯性,为监管、审计等方面提供了更大的便利,增强了市场监管和交易的合规性,基于区块链网络的电力交易平台构建具有促进透明、高效、安全交易的显著效果。将经过清洗和筛选的安全电力期货数据传输至区块链电力交易平台进行链上存储,产生了链上电力期货数据,不仅确保了数据的不可篡改性和可追溯性,还有效地减少了信息丢失或错误的风险,通过将数据链上存储,所有交易参与者都可以验证数据的真实性,消除了信息不对称可能导致的交易不确定性,提高了交易的信任度和稳定性,链上数据的透明性也为市场监管和风险评估提供了更可靠的基础,从而进一步增强了整个电力交易体系的可信度和效率。通过获取链上电力期货购买信息,实现了对交易活动的监测和跟踪,从而使交易过程更加透明和可追溯。基于这些链上购买信息,进行电力期货预交易数据采集,生成链上电力预交易数据,这些数据不仅可以提供有关预期交易活动的信息,还可以用于计算电力交易的风险评分,通过电力交易风险评分计算,可以更加准确地量化交易的风险水平,帮助交易者更好地理解潜在的风险和机会,为投资决策提供实际的依据,这一过程的优势在于将链上数据与风险评估相结合,为投资者提供了更全面的交易信息和风险分析,有助于优化交易策略并降低不确定性。因此,本发明的电力交易对商家的电力期货进行风险评分再进行上架,防止存在虚假电力期货等问题,打造较好的交易环境,并且电力交易过程的信息存储于区块链中,防止交易信息被黑客窃取,保障数据的安全,为电力期货交易提供了更高的透明度和安全性,确保了交易数据的不可篡改性和可追溯性。
优选地,步骤S1包括以下步骤:
步骤S11:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;
步骤S12:根据预设的电力期货目标分析类别对电力期货数据进行目标电力期货数据提取,生成目标电力期货数据;
步骤S13:对目标电力期货数据进行电力期货数据均值计算,生成目标电力期货均值数据;
步骤S14:根据目标电力期货均值数据进行有效电力期货数据区间涉及,生成有效电力期货区间;
步骤S15:根据有效电力期货区间对目标电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据。
本发明利用网络爬虫技术从云服务器获取多品种电力期货数据,扩展数据源,使得分析基于更全面的市场信息,提高数据的多样性和代表性,有助于提高模型的泛化性能和预测准确性。根据预设的电力期货目标分析类别,从原始电力期货数据中提取特定类别的数据,有效地筛选出与特定投资目标相关的数据,缩小数据范围,有助于后续分析的针对性和效率。对目标电力期货数据进行均值计算,获得不同时间段内的均值,能够捕捉市场长期趋势,为后续数据涉及和筛选提供了更有意义的参考基准。基于目标电力期货均值数据,通过定义有效区间,将数据划分为不同的时间段或趋势区间,有助于捕捉市场中不同的波动状态,为后续筛选提供更精细的数据选择。结合有效电力期货区间,对目标电力期货数据进行筛选,过滤掉不在有效区间内的数据,提高数据的质量和准确性,确保后续分析和预测建模的可靠性。
优选地,步骤S2包括以下步骤:
步骤S21:利用长短记忆神经网络算法建立电力期货近期趋势的映射关系,生成初始期货趋势预测模型;
步骤S22:对有效电力期货数据进行时间序列上的数据划分处理,分别生成有效电力期货训练集与有效电力期货测试集;
步骤S23:利用有效电力期货训练集对初始期货趋势预测模型进行模型训练,生成期货趋势预测模型;
步骤S24:将有效电力期货测试集传输至期货趋势预测模型进行电力期货数据预测,生成电力期货预测数据。
本发明利用长短期记忆神经网络(LSTM)建立电力期货近期趋势的映射关系,能够捕捉时间序列中的长期和短期依赖,使得预测模型更加准确地反映市场走势,为投资决策提供更有力的支持。对有效电力期货数据进行时间序列上的划分,将数据分为训练集和测试集,有助于模型的泛化能力和准确性评估,保证模型在真实场景中的泛化性,有效避免过拟合问题。通过有效电力期货训练集对初始预测模型进行训练,使得模型能够适应实际数据的特点,不断优化模型的权重和参数,提升预测性能,为未来市场趋势的预测提供更可靠的基础。利用经过训练的期货趋势预测模型,将有效电力期货测试集传输至模型进行数据预测,能够生成电力期货的预测数据,这些电力期货预测数据是用于评估有效电力期货数据是否在未来中是否存在潜在交易风险。
优选地,步骤S3包括以下步骤:
步骤S31:对有效电力期货数据进行历史有效电力期货信息收集,生成历史电力期货数据;
步骤S32:基于历史电力期货数据,并利用电力期货异常评估算法对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;
步骤S33:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为异常电力期货数据,将异常电力期货数据进行剔除;
步骤S34:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据不大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为安全电力期货数据。
本发明对有效电力期货数据进行历史有效电力期货信息的收集,构建历史电力期货数据集,能够提供更长时间范围内的数据变化趋势,为异常评分和风险分析提供更全面的历史信息。基于历史电力期货数据,利用电力期货异常评估算法计算电力期货预测数据的异常评分,能够量化预测数据的风险程度,早期发现可能的异常情况,有助于及时调整投资策略,通过历史数据与预测数据模拟比对,差异过大可能存在着一些潜在风险原因,相应的风险评分也就越高。通过设定电力期货异常阈值,对电力期货异常评分数据进行阈值判定,将超过阈值的数据标记为异常电力期货数据,并进行剔除,有助于清除可能会引入不确定性的异常数据,提高交易决策的稳定性和可靠性。利用电力期货异常阈值,对不超过阈值的电力期货异常评分数据进行判定,将这些数据标记为安全电力期货数据。这些安全数据能够被认为是相对可靠的数据,可以用于更可信的交易决策。
优选地,步骤S32中的电力期货异常评估算法如下所示:
;式中,/>表示为电力期货异常评分数据,/>表示为电力期货预测数据的权重信息,/>表示为电力期货预测数据的截至时间节点,/>表示为电力期货预测数据的起始时间节点,/>表示为预测电力期货价格的基准值,/>表示为预测电力期货价格,/>表示为预测电力期货价格的衰减速率,/>表示为电力期货预测数据的时间长度,/>表示为划分特定时间间隔的历史电力期货价格的数据量,/>表示为历史电力期货数据的权重信息,/>表示为第/>个时间间隔的历史电力期货价格,/>表示为历史电力期货的时间间隔的期货价格平均变化率,/>表示为电力期货历史异常的调整值,/>表示为电力期货异常评分数据的异常调整值。
本发明利用一种电力期货异常评估算法,该算法充分考虑了电力期货预测数据的权重信息电力期货预测数据的截至时间节点/>、电力期货预测数据的起始时间节点/>、预测电力期货价格的基准值/>、预测电力期货价格/>、预测电力期货价格的衰减速率/>、电力期货预测数据的时间长度/>、划分特定时间间隔的历史电力期货价格的数据量/>、历史电力期货数据的权重信息/>、第/>个时间间隔的历史电力期货价格/>、历史电力期货的时间间隔的期货价格平均变化率/>、电力期货历史异常的调整值/>以及函数之间的相互作用关系,以形成函数关系式:即,/>,该函数关系式通过比对历史的电力期货数据与预测的电力期货数据,从而判别电力期货数据是否存在异常,如历史的电力期货数据与预测的电力期货数据偏差过大,说明存在着潜在电力期货风险,需进行剔除。能够综合考虑预测数据的趋势、历史数据的变化以及异常情况,为电力期货交易提供了更全面的风险评估。通过合理地分配权重和调整参数,可以精准地捕捉潜在的异常情况,这个评估方法可以根据历史数据的变化和趋势来判断预测数据是否趋于异常,使得交易者能够在交易前就有所准备,从而提高交易决策的准确性和成功率。电力期货预测数据的权重信息,可以用来调整预测数据的影响力,根据不同的情况分配不同的权重;电力期货预测数据的起始和截至时间节点,两个时间节点用于计算电力期货预测数据的时间长度,用于计算时间积分部分,以考虑预测数据在一段时间内的变化情况;预测电力期货价格的基准值,可以理解为预测的基础参考点,用于判断预测值与基准值之间的差异;预测电力期货价格,是预测得到的电力期货价格值,用于与基准值进行比较;预测电力期货价格的衰减速率,影响着预测值随时间的变化趋势,衰减速率越高,预测值对较早的数据更敏感;电力期货预测数据的时间长度,用于计算时间积分部分,以考虑预测数据在一段时间内的变化情况;历史电力期货数据的权重信息,它可以调整历史数据的影响力,不同的时间段可能有不同的权重;第/>个时间间隔的历史电力期货价格,用于计算历史数据部分的参数,可以体现历史数据的走势,与预测电力期货数据进行比较,以便得到电力数据是否存在异常。历史电力期货的时间间隔的期货价格平均变化率,可以用来衡量历史数据的趋势和波动;电力期货历史异常的调整值,用于调整历史数据的异常情况对于评分的影响。利用电力期货异常评分数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成电力期货异常评分数据/>,提高了对电力期货预测数据进行电力期货数据异常评分计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的电力期货预测数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:获取电力交易规则信息;
步骤S42:基于区块链网络的智能合约配置节点以及电力交易规则信息进行电力交易规则的智能合约构建,生成电力交易智能合约;
步骤S43:基于区块链网络的数据传输节点与网络传输协议进行电力交易平台的传输通道构建,生成电力交易传输通道;
步骤S44:结合电力交易智能合约与电力交易传输通道建立区块电力交易平台。
本发明获取电力交易规则信息,包括交易的参与者、合约条款、交易时间等,为电力交易智能合约的构建提供了具体的规则和约束,确保交易的合法性和透明性。基于区块链网络的智能合约配置节点和电力交易规则信息,构建电力交易规则智能合约,这种电力交易规则智能合约能够自动执行预先设定的规则,确保交易的可信性和安全性,消除了人为干预可能引发的错误和风险。基于区块链网络的数据传输节点和网络传输协议,构建电力交易平台的传输通道,能够实现交易数据的安全传输和共享,确保数据的完整性和隐私保护,从而提升交易的安全性和效率。结合电力交易智能合约和传输通道,建立区块电力交易平台。这种平台能够为交易参与者提供一个安全、透明和高效的交易环境,去除中介机构的依赖,减少交易成本,促进交易活动的便捷进行。
优选地,步骤S5包括以下步骤:
步骤S51:利用哈希函数对安全电力期货数据进行哈希计算,生成安全电力期货哈希摘要;
步骤S52:根据电力交易传输通道,将安全电力期货哈希摘要传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据。
本发明利用哈希函数对安全电力期货数据进行哈希计算,生成安全电力期货哈希摘要,安全电力期货哈希摘要是数据的固定长度表示,对数据的任何细微变化都会导致摘要的巨大变化,从而确保数据的完整性和不可篡改性。基于电力交易传输通道,将安全电力期货哈希摘要传输至区块电力交易平台进行电力期货数据的链上存储,能够保证数据的不可更改性,确保交易数据的历史记录可被追溯,加强了数据的透明性和可信度。
优选地,步骤S6包括以下步骤:
步骤S61:获取链上电力期货购买信息;
步骤S62:根据电力交易智能合约对链上电力期货购买信息进行有效购买信息筛选,生成有效链上电力期货购买信息;
步骤S63:根据有效链上电力期货购买信息对链上电力期货数据进行电力期货预交易,并进行预交易数据采集,生成链上电力预交易数据;
步骤S64:利用电力交易风险评估算法对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明获取链上电力期货购买信息,了解交易者的购买意向和行为,为后续的交易分析和风险评估提供数据基础,有助于了解市场动态。基于电力交易智能合约,对链上电力期货购买信息进行有效购买信息筛选,过滤掉无效或重复的信息,确保只有合法的购买信息被用于后续预交易数据采集,提高数据的准确性和可信度,如提供了买方的自身信息与交易需要的信息等,满足有效链上电力期货购买信息的要求。基于有效链上电力期货购买信息,对链上电力期货数据进行电力期货预交易,并采集预交易数据,能够模拟实际交易的过程,为后续风险评估提供了实际交易行为的参考。利用电力交易风险评估算法,对链上电力预交易数据进行电力交易风险评分计算,能够量化交易的风险程度,为投资者提供实际的风险分析和决策依据,帮助优化交易策略。
优选地,步骤S64中的电力交易风险评估算法如下所示:
;式中,/>表示为电力交易风险评估数据,/>表示为电力交易风险权重系数,/>表示为链上电力期货数据的最大供应容量,/>表示为有效链上电力期货购买信息的最大需求容量,/>表示为电力期货供应对市场变化的响应程度,/>表示为电力期货需求对市场变化的敏感性,/>表示为电力期货交易负荷不平衡程度数据,/>表示为交易价格偏差值,/>表示为供应方历史信用积分,/>表示为需求方历史信用分,/>表示为电力交易风险评估数据的异常调整值。
本发明利用一种电力交易风险评估算法,该算法综合考虑了电力交易风险权重系数、链上电力期货数据的最大供应容量/>、有效链上电力期货购买信息的最大需求容量/>、电力期货供应对市场变化的响应程度/>、电力期货需求对市场变化的敏感性/>、电力期货交易负荷不平衡程度数据/>、交易价格偏差值/>、供应方历史信用积分/>、需求方历史信用分/>以及函数之间的相互作用关系,以形成函数关系式:即,/>,该函数关系式通过对交易双方多个潜在交易因素进行计算,得到交易双方可能存在的交易风险。电力交易风险权重系数,用于调整不同因素对风险评估的影响力,首先,通过使用回归分析、相关系数分析和主成分分析来确定供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险评估的相对贡献,从而明确定义供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险评估的权重系数,也就是每个因素在风险评估中的相对重要性,然后,根据电力交易市场情况调整定义的权重系数,来调整不同因素的影响力,即如果增加对电力交易风险的关注,可以增加权重系数的值,从而加大对所有因素的权重,如果想减小对电力交易风险的关注,可以减少权重系数的值,同时,能够更加准确地通过加大或减小电力交易风险权重系数的值来调整供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险的权重;链上电力期货数据的最大供应容量,代表了电力期货的最大供应能力,可以用于衡量市场的整体供应情况;有效链上电力期货购买信息的最大需求容量,代表了有效购买信息的最大需求能力,可以用于衡量市场的整体需求情况;电力期货供应对市场变化的响应程度,可以衡量供应方对市场变化的敏感性,影响交易的供应侧风险;电力期货需求对市场变化的敏感性,可以衡量需求方对市场变化的敏感性,影响交易的需求侧风险;电力期货交易负荷不平衡程度数据,可以反映交易的负荷不平衡情况,可能会影响交易的稳定性和可靠性;交易价格偏差值,可以衡量交易价格与市场价格之间的差异,可能会影响交易的实际成交情况;供应方历史信用积分与需求方历史信用分。代表需求方的历史信用情况与供应方的历史信用情况,较低的信用可能存在影响交易的信用风险。该函数关系式综合考虑了多个与交易风险相关的因素,通过权衡供需、价格偏差、负荷平衡等多方面的影响,为交易者提供了一个相对全面的风险评估结果,帮助交易者识别高风险的交易,减少损失风险,提高交易的成功率,有助于交易者更好地理解交易的风险因素,从而做出更明智的交易决策。利用电力交易风险评估数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成电力交易风险评估数据/>,提高了对链上电力预交易数据进行电力交易风险评分计算的准确性和可靠性。同时该公式中的权重系数以及调整值可以根据实际情况进行调整,应用于不同的链上电力预交易数据中,提高了算法的灵活性与适用性。
本说明书中提供一种基于多品种电力交易的风险评估系统,用于执行如上述所述的基于多品种电力交易的风险评估方法,该基于多品种电力交易的风险评估系统包括:
电力期货数据采集模块,利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
电力期货预测模块,利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
安全电力期货数据提取模块,用于对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
电力交易平台构建模块,基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
电力期货数据链上存储模块,用于将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
电力交易风险评估模块,用于获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本申请有益效果在于,本发明通过网络爬虫技术获取多品种电力期货数据,不仅扩展了数据源,还为分析提供了更大的样本量和覆盖范围。基于长短期记忆神经网络(LSTM)的趋势预测模型,捕捉了时间序列中的长短期关联,提高了预测的准确性,为投资者提供更可信的市场走势预测,提高了分析电力期货的风险评估的准确性。通过历史有效电力期货信息,计算电力期货预测数据的异常评分,实现了对异常情况的早期发现,不仅提高了数据的可靠性,还有效减少了潜在错误的影响,异常电力期货数据的剔除,确保了数据的质量,为更准确的风险评估提供了有力的支持。基于区块链网络构建的电力交易平台,确保了数据的不可篡改性和透明性,智能合约和传输通道的结合,消除了第三方的信任需求,保障了数据的安全和合规,为交易者和监管机构提供了更高的信任基础,同时降低了中介机构引入的风险。利用哈希计算和链上存储,保护了交易数据的完整性,防止数据篡改和损坏,这种不可篡改性有助于监管机构对交易行为的审计和追溯,加强了市场的合规性,链上存储还为交易者提供了数据的备份和历史查询功能,增加了数据的可访问性和安全性。利用电力交易风险评估算法对预交易数据进行风险评分计算,为交易者提供了量化的风险评估,这种评估为交易决策提供了更实际的数据支持,帮助交易者更好地理解潜在的风险与机会,从而优化其交易策略。
附图说明
图1为本发明一种基于多品种电力交易的风险评估方法的步骤流程示意图;
图2为图1中步骤S3的详细实施步骤流程示意图;
图3为图1中步骤S4的详细实施步骤流程示意图;
图4为图1中步骤S6的详细实施步骤流程示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
为实现上述目的,请参阅图1至图4,本发明提供一种基于多品种电力交易的风险评估方法,包括以下步骤:
步骤S1:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
步骤S2:利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
步骤S3:对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
步骤S4:基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
步骤S5:将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
步骤S6:获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明使用网络爬虫技术从云服务器采集多品种电力期货数据,这有效地扩充了数据来源,包含了多个品种的市场信息,从而提供更全面的数据基础。对采集到的电力期货数据进行有效性筛选,确保数据质量,剔除可能存在的错误、缺失或不一致的信息,进一步提升了数据的准确性和可信度,为后续的数据分析和预测奠定了坚实基础,减少了无用、冗余等数据的影响,使得后续模型建立和交易决策更具可靠性和实用性。通过应用长短期记忆神经网络(LSTM)算法对有效电力期货数据进行预测,实现了对电力期货短期走势的建模,LSTM能够有效捕捉时间序列数据中的长期依赖关系,对短期波动和长期趋势都能作出较为准确的预测,从而提供了更具有参考价值的电力期货预测数据,不仅使投资者能够更好地了解市场可能的变化趋势,还可以为交易决策提供更全面的信息,帮助规避风险和抓住机会,进而优化投资策略并提升投资回报。通过电力期货预测数据进行异常评分计算,可以识别出潜在的异常情况,包括市场波动性突增或预测偏离现实等,通过这种评分机制,能够精准地定位异常情况,从而实现了对风险的早期感知和监测。基于电力期货异常评分数据,对有效电力期货数据进行清洗和剔除,可以过滤掉可能造成交易不确定性的异常数据,确保生成的安全电力期货数据更加可信,提升了交易数据的准确性和稳定性,为投资者提供更为可靠的数据基础,使其能够更有信心地进行决策并减少潜在的投资风险。基于区块链网络构建电力交易平台,实现了电力交易环境的多重增益。区块链技术为电力交易引入了去中心化、不可篡改和高度透明的特性,保障了交易的公正性和数据的安全性,区块链电力交易平台为各方提供了直接、点对点的交易通道,消除了传统中介机构的需要,降低了交易成本,区块链的分布式账本能够确保所有交易的可追溯性,为监管、审计等方面提供了更大的便利,增强了市场监管和交易的合规性,基于区块链网络的电力交易平台构建具有促进透明、高效、安全交易的显著效果。将经过清洗和筛选的安全电力期货数据传输至区块链电力交易平台进行链上存储,产生了链上电力期货数据,不仅确保了数据的不可篡改性和可追溯性,还有效地减少了信息丢失或错误的风险,通过将数据链上存储,所有交易参与者都可以验证数据的真实性,消除了信息不对称可能导致的交易不确定性,提高了交易的信任度和稳定性,链上数据的透明性也为市场监管和风险评估提供了更可靠的基础,从而进一步增强了整个电力交易体系的可信度和效率。通过获取链上电力期货购买信息,实现了对交易活动的监测和跟踪,从而使交易过程更加透明和可追溯。基于这些链上购买信息,进行电力期货预交易数据采集,生成链上电力预交易数据,这些数据不仅可以提供有关预期交易活动的信息,还可以用于计算电力交易的风险评分,通过电力交易风险评分计算,可以更加准确地量化交易的风险水平,帮助交易者更好地理解潜在的风险和机会,为投资决策提供实际的依据,这一过程的优势在于将链上数据与风险评估相结合,为投资者提供了更全面的交易信息和风险分析,有助于优化交易策略并降低不确定性。因此,本发明的电力交易对商家的电力期货进行风险评分再进行上架,防止存在虚假电力期货等问题,打造较好的交易环境,并且电力交易过程的信息存储于区块链中,防止交易信息被黑客窃取,保障数据的安全,为电力期货交易提供了更高的透明度和安全性,确保了交易数据的不可篡改性和可追溯性。
本发明实施例中,参考图1所述,为本发明一种基于多品种电力交易的风险评估方法的步骤流程示意图,在本实施例中,所述基于多品种电力交易的风险评估方法包括以下步骤:
步骤S1:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
本发明实施例中,通过使用网络爬虫技术,从云服务器获取包括不同品种的电力期货数据,网络爬虫按照预定的时间间隔,访问服务器,提取电力期货数据,包括价格、成交量、日期等信息,生成一个大量的原始数据集。随后,对这些原始数据进行有效电力期货数据筛选,筛选条件可以包括数据的质量、一致性、完整性等,可以排除存在缺失数据或异常值的数据点,确保数据的准确性,以此得到了一个有效电力期货数据集,这个数据集已经经过了筛选和数据有效性清洗,为后续的分析提供了高质量的数据基础。
步骤S2:利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
本发明实施例中,利用长短期记忆神经网络(LSTM)算法,对已经筛选得到的有效电力期货数据进行电力期货数据预测。首先,将有效电力期货数据按照时间序列的顺序进行排列,作为LSTM模型的输入序列。然后,构建一个LSTM神经网络,包括输入层、隐藏层和输出层,其中隐藏层使用LSTM单元,以捕捉时间序列的长期和短期关联。在模型训练阶段,将数据集划分为训练集和测试集,通常可以采用80%的数据作为训练集,20%的数据作为测试集。通过在训练集上进行多轮迭代,调整模型的权重和偏置,使其能够更好地拟合数据的趋势。一旦模型训练完成,便可以用测试集来评估模型的性能,判断其是否能够准确地预测电力期货的走势。
步骤S3:对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
本发明实施例中,对电力期货预测数据进行电力期货数据异常评分计算,可以构建一个异常评分算法,该算法可以比较预测数据与历史数据之间的差异,量化预测数据与历史数据的偏差,并计算出一个相对的异常分数,较大的分数表示较大的异常可能性。根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据,设定一个合适的异常阈值,所有的预测数据与历史数据之间的异常评分超过该阈值的数据被认为是异常数据,将这些异常数据剔除,确保了交易数据的准确性和稳定性。
步骤S4:基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
本发明实施例中,基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台。创建电力交易智能合约,其中包括电力交易的规则、参与者信息、交易细则等。通过智能合约,可以确保交易的透明性、自动执行以及不可篡改性。配置区块链数据传输节点,确保网络的去中心化和安全性,区块链网络可以包括多个传输节点,每个节点都是网络的一部分,负责维护区块链的共识和安全性。构利用智能合约语言编写交易规则和逻辑,建电力交易智能合约,这个智能合约会根据预先设定的条件,自动执行电力交易,确保交易的正确性和可信度。基于电力交易智能合约和区块链网络的数据传输节点,建立电力交易平台,生成区块电力交易平台,这个平台可以为交易者提供安全、透明、高效的电力交易环境,同时为监管机构提供可审计和可追溯的交易信息。
步骤S5:将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
本发明实施例中,将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据,利用哈希函数对安全电力期货数据进行哈希计算,生成一个唯一的哈希值,代表了这批数据的内容,这个哈希值在后续的数据验证中起到重要作用。利用区块链的数据传输节点和网络传输协议,将安全电力期货数据以及相应的哈希值传输至区块电力交易平台,这个传输过程可以使用加密技术确保数据的安全性,同时使用数字签名等机制保障数据的完整性和真实性。在区块电力交易平台上,将接收到的安全电力期货数据和哈希值,以交易的形式写入区块链上的一个新区块中,这个新区块包含了数据的哈希值、时间戳和其他相关信息,确保了数据的不可篡改性和可追溯性。
步骤S6:获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明实施例中,获取链上电力期货购买信息,从区块链电力交易平台中,查询链上存储的交易记录,获取包括交易量、价格等电力期货购买信息。根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据,基于获取的购买信息,可以确定特定交易的相关电力期货数据,包括交易时间、交易品种、购买量等。将这些数据整合,生成链上电力预交易数据集。对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据,利用预设的风险评估算法,对链上电力预交易数据进行风险评分计算,这个评分可以交易双方的潜在交易信用分等多方面因素进行综合评估,得出每笔交易的风险水平。
优选地,步骤S1包括以下步骤:
步骤S11:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;
步骤S12:根据预设的电力期货目标分析类别对电力期货数据进行目标电力期货数据提取,生成目标电力期货数据;
步骤S13:对目标电力期货数据进行电力期货数据均值计算,生成目标电力期货均值数据;
步骤S14:根据目标电力期货均值数据进行有效电力期货数据区间涉及,生成有效电力期货区间;
步骤S15:根据有效电力期货区间对目标电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据。
本发明利用网络爬虫技术从云服务器获取多品种电力期货数据,扩展数据源,使得分析基于更全面的市场信息,提高数据的多样性和代表性,有助于提高模型的泛化性能和预测准确性。根据预设的电力期货目标分析类别,从原始电力期货数据中提取特定类别的数据,有效地筛选出与特定投资目标相关的数据,缩小数据范围,有助于后续分析的针对性和效率。对目标电力期货数据进行均值计算,获得不同时间段内的均值,能够捕捉市场长期趋势,为后续数据涉及和筛选提供了更有意义的参考基准。基于目标电力期货均值数据,通过定义有效区间,将数据划分为不同的时间段或趋势区间,有助于捕捉市场中不同的波动状态,为后续筛选提供更精细的数据选择。结合有效电力期货区间,对目标电力期货数据进行筛选,过滤掉不在有效区间内的数据,提高数据的质量和准确性,确保后续分析和预测建模的可靠性。
本发明实施例中,利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据,例如可以编写网络爬虫脚本,通过访问云服务器上的电力期货数据接口,获取不同品种的电力期货数据,爬虫可以按照设定的时间间隔,自动抓取数据,获取日期、价格、成交量等关键信息,并将其保存到一个数据文件中。根据预先设定的电力期货目标,例如关注特定品种或特定时间段的数据,从电力期货数据中提取符合目标的数据,例如关注近期电力价格的变化,我们会从采集到的数据中提取出电力的价格数据。针对提取到的目标电力期货数据,可以计算其均值,以获得数据的平均趋势,例如对一段时间内的原油价格数据进行均值计算,可以得到该时间段内的平均价格。基于目标电力期货均值数据确定一个区间范围,该范围涵盖了数据的平均趋势,例如可以以均值为中心,定义一个波动范围,包括均值加减一定百分比的数据。在定义的区间范围内,从目标电力期货数据中筛选出符合条件的数据,这些数据被认为是有效电力期货数据,例如在均值附近的数据被保留,而超出波动范围的数据被视为异常,如某些采集到的电力期货数据可能是商家挂在网上而不进行出售的电力期货。
优选地,步骤S2包括以下步骤:
步骤S21:利用长短记忆神经网络算法建立电力期货近期趋势的映射关系,生成初始期货趋势预测模型;
步骤S22:对有效电力期货数据进行时间序列上的数据划分处理,分别生成有效电力期货训练集与有效电力期货测试集;
步骤S23:利用有效电力期货训练集对初始期货趋势预测模型进行模型训练,生成期货趋势预测模型;
步骤S24:将有效电力期货测试集传输至期货趋势预测模型进行电力期货数据预测,生成电力期货预测数据。
本发明利用长短期记忆神经网络(LSTM)建立电力期货近期趋势的映射关系,能够捕捉时间序列中的长期和短期依赖,使得预测模型更加准确地反映市场走势,为投资决策提供更有力的支持。对有效电力期货数据进行时间序列上的划分,将数据分为训练集和测试集,有助于模型的泛化能力和准确性评估,保证模型在真实场景中的泛化性,有效避免过拟合问题。通过有效电力期货训练集对初始预测模型进行训练,使得模型能够适应实际数据的特点,不断优化模型的权重和参数,提升预测性能,为未来市场趋势的预测提供更可靠的基础。利用经过训练的期货趋势预测模型,将有效电力期货测试集传输至模型进行数据预测,能够生成电力期货的预测数据,这些电力期货预测数据是用于评估有效电力期货数据是否在未来中是否存在潜在交易风险。
本发明实施例中,利用长短记忆神经网络算法建立电力期货近期趋势的映射关系,生成初始期货趋势预测模型,如使用Python编程语言和深度学习库如TensorFlow来构建长短记忆神经网络(LSTM)模型,设计模型的输入层、LSTM层和输出层,其中输入数据可以是连续的时间序列数据,如历史电力期货价格,通过训练模型,LSTM可以捕捉数据中的时间相关性和趋势,从而建立起电力期货近期趋势的映射关系。按照时间顺序划分有效电力期货数据为训练集和测试集,例如将最近一段时间的数据作为测试集,较早的数据作为训练集,确保模型在未来的预测中具有足够的泛化能力。使用建立的LSTM模型以及有效电力期货训练集进行模型训练,通过多次迭代,模型会自动调整权重和参数,以使其能够更好地拟合训练数据的趋势,并学习到电力期货价格的动态变化规律。将期货趋势预测模型应用于有效电力期货测试集,以进行电力期货价格的预测,期货趋势预测模型将利用过去的数据来预测未来的价格趋势,生成电力期货预测数据,如果未来价格趋势波动突然大幅度骤增或骤减,那么电力期货预测数据对应的有效电力期货数据可能存在问题。
优选地,步骤S3包括以下步骤:
步骤S31:对有效电力期货数据进行历史有效电力期货信息收集,生成历史电力期货数据;
步骤S32:基于历史电力期货数据,并利用电力期货异常评估算法对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;
步骤S33:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为异常电力期货数据,将异常电力期货数据进行剔除;
步骤S34:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据不大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为安全电力期货数据。
本发明对有效电力期货数据进行历史有效电力期货信息的收集,构建历史电力期货数据集,能够提供更长时间范围内的数据变化趋势,为异常评分和风险分析提供更全面的历史信息。基于历史电力期货数据,利用电力期货异常评估算法计算电力期货预测数据的异常评分,能够量化预测数据的风险程度,早期发现可能的异常情况,有助于及时调整投资策略,通过历史数据与预测数据模拟比对,差异过大可能存在着一些潜在风险原因,相应的风险评分也就越高。通过设定电力期货异常阈值,对电力期货异常评分数据进行阈值判定,将超过阈值的数据标记为异常电力期货数据,并进行剔除,有助于清除可能会引入不确定性的异常数据,提高交易决策的稳定性和可靠性。利用电力期货异常阈值,对不超过阈值的电力期货异常评分数据进行判定,将这些数据标记为安全电力期货数据。这些安全数据能够被认为是相对可靠的数据,可以用于更可信的交易决策。
作为本发明的一个实例,参考图2所示,为图1中步骤S3的详细实施步骤流程示意图,在本实例中所述步骤S3包括:
步骤S31:对有效电力期货数据进行历史有效电力期货信息收集,生成历史电力期货数据;
本发明实施例中,假设我们有有效电力期货数据集,我们可以从中选择一段历史时间范围,例如过去一年的数据。这样,我们就得到了历史电力期货数据,包括价格、成交量等信息。
步骤S32:基于历史电力期货数据,并利用电力期货异常评估算法对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;
本发明实施例中,使用历史电力期货数据和事先设计的风险评估算法,可以对电力期货预测数据进行分析,算法可以考虑历史趋势、波动性等因素,计算每个预测值的异常评分,如预测电力期货数据与历史数据偏差过大,可能存在一些潜在风险因素造成。
步骤S33:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为异常电力期货数据,将异常电力期货数据进行剔除;
本发明实施例中,利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,需要根据预设的电力期货异常阈值,比较每个预测数据的异常评分,如果某个预测值的电力期货异常评分为80分超过了电力期货异常阈值的70分时,我们将其对应的有效电力期货数据标记为异常,并从数据集中剔除。
步骤S34:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据不大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为安全电力期货数据。
本发明实施例中,利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,需要根据预设的电力期货异常阈值,比较每个预测数据的异常评分,如果某个预测值的电力期货异常评分数据为60分未超过电力期货异常阈值的70分时,将电力期货异常评分数据对应的有效电力期货数据标记为安全电力期货数据。
优选地,步骤S32中的电力期货异常评估算法如下所示:
;式中,/>表示为电力期货异常评分数据,/>表示为电力期货预测数据的权重信息,/>表示为电力期货预测数据的截至时间节点,/>表示为电力期货预测数据的起始时间节点,/>表示为预测电力期货价格的基准值,/>表示为预测电力期货价格,/>表示为预测电力期货价格的衰减速率,/>表示为电力期货预测数据的时间长度,/>表示为划分特定时间间隔的历史电力期货价格的数据量,/>表示为历史电力期货数据的权重信息,/>表示为第/>个时间间隔的历史电力期货价格,表示为历史电力期货的时间间隔的期货价格平均变化率,/>表示为电力期货历史异常的调整值,/>表示为电力期货异常评分数据的异常调整值。
本发明利用一种电力期货异常评估算法,该算法充分考虑了电力期货预测数据的权重信息电力期货预测数据的截至时间节点/>、电力期货预测数据的起始时间节点/>、预测电力期货价格的基准值/>、预测电力期货价格/>、预测电力期货价格的衰减速率/>、电力期货预测数据的时间长度/>、划分特定时间间隔的历史电力期货价格的数据量/>、历史电力期货数据的权重信息/>、第/>个时间间隔的历史电力期货价格/>、历史电力期货的时间间隔的期货价格平均变化率/>、电力期货历史异常的调整值/>以及函数之间的相互作用关系,以形成函数关系式:即,/>,该函数关系式通过比对历史的电力期货数据与预测的电力期货数据,从而判别电力期货数据是否存在异常,如历史的电力期货数据与预测的电力期货数据偏差过大,说明存在着潜在电力期货风险,需进行剔除。能够综合考虑预测数据的趋势、历史数据的变化以及异常情况,为电力期货交易提供了更全面的风险评估。通过合理地分配权重和调整参数,可以精准地捕捉潜在的异常情况,这个评估方法可以根据历史数据的变化和趋势来判断预测数据是否趋于异常,使得交易者能够在交易前就有所准备,从而提高交易决策的准确性和成功率。电力期货预测数据的权重信息,可以用来调整预测数据的影响力,根据不同的情况分配不同的权重;电力期货预测数据的起始和截至时间节点,两个时间节点用于计算电力期货预测数据的时间长度,用于计算时间积分部分,以考虑预测数据在一段时间内的变化情况;预测电力期货价格的基准值,可以理解为预测的基础参考点,用于判断预测值与基准值之间的差异;预测电力期货价格,是预测得到的电力期货价格值,用于与基准值进行比较;预测电力期货价格的衰减速率,影响着预测值随时间的变化趋势,衰减速率越高,预测值对较早的数据更敏感;电力期货预测数据的时间长度,用于计算时间积分部分,以考虑预测数据在一段时间内的变化情况;历史电力期货数据的权重信息,它可以调整历史数据的影响力,不同的时间段可能有不同的权重;第/>个时间间隔的历史电力期货价格,用于计算历史数据部分的参数,可以体现历史数据的走势,与预测电力期货数据进行比较,以便得到电力数据是否存在异常。历史电力期货的时间间隔的期货价格平均变化率,可以用来衡量历史数据的趋势和波动;电力期货历史异常的调整值,用于调整历史数据的异常情况对于评分的影响。利用电力期货异常评分数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成电力期货异常评分数据/>,提高了对电力期货预测数据进行电力期货数据异常评分计算的准确性和可靠性。同时该公式中的权重信息以及调整值可以根据实际情况进行调整,应用于不同的电力期货预测数据中,提高了算法的灵活性与适用性。
优选地,步骤S4包括以下步骤:
步骤S41:获取电力交易规则信息;
步骤S42:基于区块链网络的智能合约配置节点以及电力交易规则信息进行电力交易规则的智能合约构建,生成电力交易智能合约;
步骤S43:基于区块链网络的数据传输节点与网络传输协议进行电力交易平台的传输通道构建,生成电力交易传输通道;
步骤S44:结合电力交易智能合约与电力交易传输通道建立区块电力交易平台。
本发明获取电力交易规则信息,包括交易的参与者、合约条款、交易时间等,为电力交易智能合约的构建提供了具体的规则和约束,确保交易的合法性和透明性。基于区块链网络的智能合约配置节点和电力交易规则信息,构建电力交易规则智能合约,这种电力交易规则智能合约能够自动执行预先设定的规则,确保交易的可信性和安全性,消除了人为干预可能引发的错误和风险。基于区块链网络的数据传输节点和网络传输协议,构建电力交易平台的传输通道,能够实现交易数据的安全传输和共享,确保数据的完整性和隐私保护,从而提升交易的安全性和效率。结合电力交易智能合约和传输通道,建立区块电力交易平台。这种平台能够为交易参与者提供一个安全、透明和高效的交易环境,去除中介机构的依赖,减少交易成本,促进交易活动的便捷进行。
作为本发明的一个实例,参考图3所示,为图1中步骤S4的详细实施步骤流程示意图,在本实例中所述步骤S4包括:
步骤S41:获取电力交易规则信息;
本发明实施例中,假设预先设定将要构建交易市场的电力交易规则信息,获取该电力交易规则信息,其交易规则涵盖交易的时间窗口、交易量限制、定价机制等。
步骤S42:基于区块链网络的智能合约配置节点以及电力交易规则信息进行电力交易规则的智能合约构建,生成电力交易智能合约;
本发明实施例中,使用智能合约来实现电力交易的自动化执行,可以使用以太坊平台,使用Solidity语言编写智能合约代码,在智能合约中,将电力交易规则信息编码为条件和限制,以便在合约执行过程中自动执行这些规则。
步骤S43:基于区块链网络的数据传输节点与网络传输协议进行电力交易平台的传输通道构建,生成电力交易传输通道;
本发明实施例中,在区块链网络中,数据传输需要通过节点和协议来实现,通过配置区块链节点并选择适当的通信协议,建立一个安全可靠的电力交易传输通道,确保交易数据的传输和存储的安全性。
步骤S44:结合电力交易智能合约与电力交易传输通道建立区块电力交易平台。
本发明实施例中,将电力交易智能合约部署到区块链网络中,并将智能合约传输通道相连接,从而构建起一个区块电力交易平台,这个平台能够自动执行电力交易规则,确保交易的透明性和可信度,同时也提供了高度安全的交易环境。
优选地,步骤S5包括以下步骤:
步骤S51:利用哈希函数对安全电力期货数据进行哈希计算,生成安全电力期货哈希摘要;
步骤S52:根据电力交易传输通道,将安全电力期货哈希摘要传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据。
本发明利用哈希函数对安全电力期货数据进行哈希计算,生成安全电力期货哈希摘要,安全电力期货哈希摘要是数据的固定长度表示,对数据的任何细微变化都会导致摘要的巨大变化,从而确保数据的完整性和不可篡改性。基于电力交易传输通道,将安全电力期货哈希摘要传输至区块电力交易平台进行电力期货数据的链上存储,能够保证数据的不可更改性,确保交易数据的历史记录可被追溯,加强了数据的透明性和可信度。
本发明实施例中,假设我们有一组安全电力期货数据,可以使用SHA-256等哈希函数对这些数据进行哈希计算,生成安全电力期货数据唯一的哈希摘要,这个哈希摘要具有固定长度且不可逆,可以用来表示安全电力期货数据的完整性。通过电力交易传输通道,将安全电力期货哈希摘要传输到区块电力交易平台,在区块链上可以将这些哈希摘要存储在交易记录中,形成一个不可篡改的数据链,这些链上的电力期货数据摘要代表了原始数据的安全性和完整性,确保任何数据的修改都会被立即检测到。
优选地,步骤S6包括以下步骤:
步骤S61:获取链上电力期货购买信息;
步骤S62:根据电力交易智能合约对链上电力期货购买信息进行有效购买信息筛选,生成有效链上电力期货购买信息;
步骤S63:根据有效链上电力期货购买信息对链上电力期货数据进行电力期货预交易,并进行预交易数据采集,生成链上电力预交易数据;
步骤S64:利用电力交易风险评估算法对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明获取链上电力期货购买信息,了解交易者的购买意向和行为,为后续的交易分析和风险评估提供数据基础,有助于了解市场动态。基于电力交易智能合约,对链上电力期货购买信息进行有效购买信息筛选,过滤掉无效或重复的信息,确保只有合法的购买信息被用于后续预交易数据采集,提高数据的准确性和可信度,如提供了买方的自身信息与交易需要的信息等,满足有效链上电力期货购买信息的要求。基于有效链上电力期货购买信息,对链上电力期货数据进行电力期货预交易,并采集预交易数据,能够模拟实际交易的过程,为后续风险评估提供了实际交易行为的参考。利用电力交易风险评估算法,对链上电力预交易数据进行电力交易风险评分计算,能够量化交易的风险程度,为投资者提供实际的风险分析和决策依据,帮助优化交易策略。
作为本发明的一个实例,参考图4所示,为图1中步骤S6的详细实施步骤流程示意图,在本实例中所述步骤S6包括:
步骤S61:获取链上电力期货购买信息;
本发明实施例中,假设在区块电力交易平台上存在一系列链上电力期货购买信息,这些记录包括了购买的具体电力期货,该电力期货与电力期货数据相关联,如交易时间、交易量、定价等,通过区块链查询机制获取这些链上电力期货购买信息。
步骤S62:根据电力交易智能合约对链上电力期货购买信息进行有效购买信息筛选,生成有效链上电力期货购买信息;
本发明实施例中,使用电力交易智能合约进行筛选,可以过滤出符合特定标准的有效购买信息,例如可以排除异常交易、重复交易或者未经授权的交易,从而生成有效链上电力期货购买信息。
步骤S63:根据有效链上电力期货购买信息对链上电力期货数据进行电力期货预交易,并进行预交易数据采集,生成链上电力预交易数据;
本发明实施例中,基于有效购买信息,我们可以在电力交易智能合约中执行电力期货的预交易,模拟交易行为,这些模拟交易的数据被采集并记录下来,生成链上电力预交易数据。
步骤S64:利用电力交易风险评估算法对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本发明实施例中,通过电力交易风险评估算法,我们对链上电力预交易数据进行风险评估计算,可以包括市场波动、交易量风险、定价风险等多个方面,评估结果被生成为电力交易风险评估数据,为交易参与者提供了关于交易潜在风险的重要信息。
优选地,步骤S64中的电力交易风险评估算法如下所示:
;式中,/>表示为电力交易风险评估数据,/>表示为电力交易风险权重系数,/>表示为链上电力期货数据的最大供应容量,/>表示为有效链上电力期货购买信息的最大需求容量,/>表示为电力期货供应对市场变化的响应程度,/>表示为电力期货需求对市场变化的敏感性,/>表示为电力期货交易负荷不平衡程度数据,/>表示为交易价格偏差值,/>表示为供应方历史信用积分,/>表示为需求方历史信用分,/>表示为电力交易风险评估数据的异常调整值。
本发明利用一种电力交易风险评估算法,该算法综合考虑了电力交易风险权重系数、链上电力期货数据的最大供应容量/>、有效链上电力期货购买信息的最大需求容量/>、电力期货供应对市场变化的响应程度/>、电力期货需求对市场变化的敏感性/>、电力期货交易负荷不平衡程度数据/>、交易价格偏差值/>、供应方历史信用积分/>、需求方历史信用分/>以及函数之间的相互作用关系,以形成函数关系式:即,/>,该函数关系式通过对交易双方多个潜在交易因素进行计算,得到交易双方可能存在的交易风险。电力交易风险权重系数,用于调整不同因素对风险评估的影响力,首先,通过使用回归分析、相关系数分析和主成分分析来确定供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险评估的相对贡献,从而明确定义供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险评估的权重系数,也就是每个因素在风险评估中的相对重要性,然后,根据电力交易市场情况调整定义的权重系数,来调整不同因素的影响力,即如果增加对电力交易风险的关注,可以增加权重系数的值,从而加大对所有因素的权重,如果想减小对电力交易风险的关注,可以减少权重系数的值,同时,能够更加准确地通过加大或减小电力交易风险权重系数的值来调整供应容量、需求容量、负荷不平衡程度、价格偏差值、历史信用分等不同因素对电力交易风险的权重;链上电力期货数据的最大供应容量,代表了电力期货的最大供应能力,可以用于衡量市场的整体供应情况;有效链上电力期货购买信息的最大需求容量,代表了有效购买信息的最大需求能力,可以用于衡量市场的整体需求情况;电力期货供应对市场变化的响应程度,可以衡量供应方对市场变化的敏感性,影响交易的供应侧风险;电力期货需求对市场变化的敏感性,可以衡量需求方对市场变化的敏感性,影响交易的需求侧风险;电力期货交易负荷不平衡程度数据,可以反映交易的负荷不平衡情况,可能会影响交易的稳定性和可靠性;交易价格偏差值,可以衡量交易价格与市场价格之间的差异,可能会影响交易的实际成交情况;供应方历史信用积分与需求方历史信用分。代表需求方的历史信用情况与供应方的历史信用情况,较低的信用可能存在影响交易的信用风险。该函数关系式综合考虑了多个与交易风险相关的因素,通过权衡供需、价格偏差、负荷平衡等多方面的影响,为交易者提供了一个相对全面的风险评估结果,帮助交易者识别高风险的交易,减少损失风险,提高交易的成功率,有助于交易者更好地理解交易的风险因素,从而做出更明智的交易决策。利用电力交易风险评估数据的异常调整值/>对函数关系式进行调整修正,减少异常数据或误差项带来的误差影响,从而更准确地生成电力交易风险评估数据/>,提高了对链上电力预交易数据进行电力交易风险评分计算的准确性和可靠性。同时该公式中的权重系数以及调整值可以根据实际情况进行调整,应用于不同的链上电力预交易数据中,提高了算法的灵活性与适用性。
本说明书中提供一种基于多品种电力交易的风险评估系统,用于执行如上述所述的基于多品种电力交易的风险评估方法,该基于多品种电力交易的风险评估系统包括:
电力期货数据采集模块,利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
电力期货预测模块,利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
安全电力期货数据提取模块,用于对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
电力交易平台构建模块,基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
电力期货数据链上存储模块,用于将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
电力交易风险评估模块,用于获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
本申请有益效果在于,本发明通过网络爬虫技术获取多品种电力期货数据,不仅扩展了数据源,还为分析提供了更大的样本量和覆盖范围。基于长短期记忆神经网络(LSTM)的趋势预测模型,捕捉了时间序列中的长短期关联,提高了预测的准确性,为投资者提供更可信的市场走势预测,提高了分析电力期货的风险评估的准确性。通过历史有效电力期货信息,计算电力期货预测数据的异常评分,实现了对异常情况的早期发现,不仅提高了数据的可靠性,还有效减少了潜在错误的影响,异常电力期货数据的剔除,确保了数据的质量,为更准确的风险评估提供了有力的支持。基于区块链网络构建的电力交易平台,确保了数据的不可篡改性和透明性,智能合约和传输通道的结合,消除了第三方的信任需求,保障了数据的安全和合规,为交易者和监管机构提供了更高的信任基础,同时降低了中介机构引入的风险。利用哈希计算和链上存储,保护了交易数据的完整性,防止数据篡改和损坏,这种不可篡改性有助于监管机构对交易行为的审计和追溯,加强了市场的合规性,链上存储还为交易者提供了数据的备份和历史查询功能,增加了数据的可访问性和安全性。利用电力交易风险评估算法对预交易数据进行风险评分计算,为交易者提供了量化的风险评估,这种评估为交易决策提供了更实际的数据支持,帮助交易者更好地理解潜在的风险与机会,从而优化其交易策略。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种基于多品种电力交易的风险评估方法,其特征在于,包括以下步骤:
步骤S1:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
步骤S2:利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
步骤S3:对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
步骤S4:基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
步骤S5:将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
步骤S6:获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
2.根据权利要求1所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S1包括以下步骤:
步骤S11:利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;
步骤S12:根据预设的电力期货目标分析类别对电力期货数据进行目标电力期货数据提取,生成目标电力期货数据;
步骤S13:对目标电力期货数据进行电力期货数据均值计算,生成目标电力期货均值数据;
步骤S14:根据目标电力期货均值数据进行有效电力期货数据区间涉及,生成有效电力期货区间;
步骤S15:根据有效电力期货区间对目标电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据。
3.根据权利要求2所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S2包括以下步骤:
步骤S21:利用长短记忆神经网络算法建立电力期货近期趋势的映射关系,生成初始期货趋势预测模型;
步骤S22:对有效电力期货数据进行时间序列上的数据划分处理,分别生成有效电力期货训练集与有效电力期货测试集;
步骤S23:利用有效电力期货训练集对初始期货趋势预测模型进行模型训练,生成期货趋势预测模型;
步骤S24:将有效电力期货测试集传输至期货趋势预测模型进行电力期货数据预测,生成电力期货预测数据。
4.根据权利要求3所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S3包括以下步骤:
步骤S31:对有效电力期货数据进行历史有效电力期货信息收集,生成历史电力期货数据;
步骤S32:基于历史电力期货数据,并利用电力期货异常评估算法对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;
步骤S33:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为异常电力期货数据,将异常电力期货数据进行剔除;
步骤S34:利用预设的电力期货异常阈值对电力期货异常评分数据进行阈值判定,当电力期货异常评分数据不大于电力期货异常阈值时,将电力期货异常评分数据对应的有效电力期货数据标记为安全电力期货数据。
5.根据权利要求4所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S32中的电力期货异常评估算法如下所示:
;
式中,表示为电力期货异常评分数据,/>表示为电力期货预测数据的权重信息,/>表示为电力期货预测数据的截至时间节点,/>表示为电力期货预测数据的起始时间节点,/>表示为预测电力期货价格的基准值,/>表示为预测电力期货价格,/>表示为预测电力期货价格的衰减速率,/>表示为电力期货预测数据的时间长度,/>表示为划分特定时间间隔的历史电力期货价格的数据量,/>表示为历史电力期货数据的权重信息,/>表示为第/>个时间间隔的历史电力期货价格,/>表示为历史电力期货的时间间隔的期货价格平均变化率,/>表示为电力期货历史异常的调整值,/>表示为电力期货异常评分数据的异常调整值。
6.根据权利要求5所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S4包括以下步骤:
步骤S41:获取电力交易规则信息;
步骤S42:基于区块链网络的智能合约配置节点以及电力交易规则信息进行电力交易规则的智能合约构建,生成电力交易智能合约;
步骤S43:基于区块链网络的数据传输节点与网络传输协议进行电力交易平台的传输通道构建,生成电力交易传输通道;
步骤S44:结合电力交易智能合约与电力交易传输通道建立区块电力交易平台。
7.根据权利要求6所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S5包括以下步骤:
步骤S51:利用哈希函数对安全电力期货数据进行哈希计算,生成安全电力期货哈希摘要;
步骤S52:根据电力交易传输通道,将安全电力期货哈希摘要传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据。
8.根据权利要求7所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S6包括以下步骤:
步骤S61:获取链上电力期货购买信息;
步骤S62:根据电力交易智能合约对链上电力期货购买信息进行有效购买信息筛选,生成有效链上电力期货购买信息;
步骤S63:根据有效链上电力期货购买信息对链上电力期货数据进行电力期货预交易,并进行预交易数据采集,生成链上电力预交易数据;
步骤S64:利用电力交易风险评估算法对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
9.根据权利要求8所述的基于多品种电力交易的风险评估方法,其特征在于,步骤S64中的电力交易风险评估算法如下所示:
;
式中,表示为电力交易风险评估数据,/>表示为电力交易风险权重系数,/>表示为链上电力期货数据的最大供应容量,/>表示为有效链上电力期货购买信息的最大需求容量,/>表示为电力期货供应对市场变化的响应程度,/>表示为电力期货需求对市场变化的敏感性,/>表示为电力期货交易负荷不平衡程度数据,/>表示为交易价格偏差值,/>表示为供应方历史信用积分,/>表示为需求方历史信用分,/>表示为电力交易风险评估数据的异常调整值。
10.一种基于多品种电力交易的风险评估系统,其特征在于,用于执行如权利要求1所述的基于多品种电力交易的风险评估方法,该基于多品种电力交易的风险评估系统包括:
电力期货数据采集模块,利用网络爬虫技术对云服务器的多品种电力期货数据进行数据采集,生成电力期货数据;对电力期货数据进行有效电力期货数据筛选,生成有效电力期货数据;
电力期货预测模块,利用长短期记忆神经网络算法对有效电力期货数据进行电力期货数据预测,生成电力期货预测数据;
安全电力期货数据提取模块,用于对电力期货预测数据进行电力期货数据异常评分计算,生成电力期货异常评分数据;根据电力期货异常评分数据对有效电力期货数据进行异常电力期货数据剔除,生成安全电力期货数据;
电力交易平台构建模块,基于区块链网络进行区块链网络的电力交易平台构建,生成区块电力交易平台;
电力期货数据链上存储模块,用于将安全电力期货数据传输至区块电力交易平台进行电力期货数据链上存储,生成链上电力期货数据;
电力交易风险评估模块,用于获取链上电力期货购买信息;根据链上电力期货购买信息对链上电力期货数据进行电力期货预交易数据采集,生成链上电力预交易数据;对链上电力预交易数据进行电力交易风险评分计算,生成电力交易风险评估数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411637.5A CN117151882B (zh) | 2023-10-30 | 2023-10-30 | 一种基于多品种电力交易的风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311411637.5A CN117151882B (zh) | 2023-10-30 | 2023-10-30 | 一种基于多品种电力交易的风险评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117151882A CN117151882A (zh) | 2023-12-01 |
CN117151882B true CN117151882B (zh) | 2024-05-07 |
Family
ID=88906476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311411637.5A Active CN117151882B (zh) | 2023-10-30 | 2023-10-30 | 一种基于多品种电力交易的风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117151882B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117593155B (zh) * | 2024-01-18 | 2024-04-12 | 山东省国土空间数据和遥感技术研究院(山东省海域动态监视监测中心) | 一种基于区块链的土地出让合同管理方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN112991054A (zh) * | 2020-10-19 | 2021-06-18 | 西安交通大学 | 一种基于区块链的电力期货合约设计方法 |
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
CN114219651A (zh) * | 2021-11-10 | 2022-03-22 | 诺丁汉(宁波保税区)区块链有限公司 | 一种大宗商品资产交易方法、系统及终端 |
CN114820198A (zh) * | 2022-06-29 | 2022-07-29 | 江西农业大学 | 基于区块链的异常交易事务识别方法、系统及设备 |
CN114943565A (zh) * | 2022-06-13 | 2022-08-26 | 国华巴彦淖尔(乌拉特中旗)风电有限公司 | 基于智能算法的电力现货价格预测方法及装置 |
CN115186981A (zh) * | 2022-06-02 | 2022-10-14 | 西安电子科技大学广州研究院 | 一种微电网多策略调度方法、系统、介质、设备及终端 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN116455550A (zh) * | 2023-03-23 | 2023-07-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于智能合约的电力数据安全上链方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11436615B2 (en) * | 2020-08-28 | 2022-09-06 | Anchain.ai Inc. | System and method for blockchain transaction risk management using machine learning |
-
2023
- 2023-10-30 CN CN202311411637.5A patent/CN117151882B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110163752A (zh) * | 2019-04-16 | 2019-08-23 | 阿里巴巴集团控股有限公司 | 一种外汇交易量预测方法、装置及系统 |
CN112991054A (zh) * | 2020-10-19 | 2021-06-18 | 西安交通大学 | 一种基于区块链的电力期货合约设计方法 |
CN113327164A (zh) * | 2021-05-20 | 2021-08-31 | 深圳奥统平技术有限公司 | 期货交易的风险控制方法、装置及计算机设备 |
WO2023030513A1 (zh) * | 2021-09-05 | 2023-03-09 | 汉熵通信有限公司 | 物联网系统 |
CN114219651A (zh) * | 2021-11-10 | 2022-03-22 | 诺丁汉(宁波保税区)区块链有限公司 | 一种大宗商品资产交易方法、系统及终端 |
CN115186981A (zh) * | 2022-06-02 | 2022-10-14 | 西安电子科技大学广州研究院 | 一种微电网多策略调度方法、系统、介质、设备及终端 |
CN114943565A (zh) * | 2022-06-13 | 2022-08-26 | 国华巴彦淖尔(乌拉特中旗)风电有限公司 | 基于智能算法的电力现货价格预测方法及装置 |
CN114820198A (zh) * | 2022-06-29 | 2022-07-29 | 江西农业大学 | 基于区块链的异常交易事务识别方法、系统及设备 |
CN116455550A (zh) * | 2023-03-23 | 2023-07-18 | 国网江苏省电力有限公司南京供电分公司 | 一种基于智能合约的电力数据安全上链方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于区块链技术的电力期货市场研究;王华勇;杨超;;电力大数据;20180621(06);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117151882A (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110866822B (zh) | 资产证券化的风控管理方法、装置、电子设备及存储介质 | |
KR102009309B1 (ko) | 금융상품 관리자동화 시스템 및 관리자동화 방법 | |
Calabrese et al. | “Birds of a feather” fail together: exploring the nature of dependency in SME defaults | |
Miyauchi | Matching and agglomeration: Theory and evidence from japanese firm-to-firm trade | |
CN117151882B (zh) | 一种基于多品种电力交易的风险评估方法及系统 | |
CN108876188B (zh) | 一种间连服务商风险评估方法及装置 | |
Abdou et al. | Determinants of capital structure in the UK retail industry: A comparison of multiple regression and generalized regression neural network | |
KR102032780B1 (ko) | 출처 증명을 위한 블록체인 기반의 국가위험 지표 및 항목 관리 시스템 | |
CN111861716B (zh) | 一种基于软件系统的贷中监控预警等级生成方法 | |
Kahyaoğlu et al. | Continuous auditing as a strategic tool in public sector internal audit: The Turkish case | |
US7739189B1 (en) | Method and system for detecting loan fraud | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
Barker et al. | Uncertainty analysis of interdependencies in dynamic infrastructure recovery: Applications in risk-based decision making | |
Ganegoda et al. | A scaling model for severity of operational losses using generalized additive models for location scale and shape (GAMLSS) | |
WO2023038947A1 (en) | Method for evaluation and payout of parametric risk-coverage for hard-to-insure risks using distributed ledger and associated system | |
Altavilla et al. | Supply or demand: What drives fluctuations in the bank loan market? | |
US20210174453A1 (en) | Managing risk assessment and services through modeling | |
Coronas et al. | MONTE-CARLO probabilistic valuation of concentrated solar power systems in Spain under the 2014 retroactive regulatory framework | |
Dziwok | New approach to operational risk measurement in banks | |
Cao et al. | Spillover effects in Chinese carbon, energy and financial markets | |
O'Halloran et al. | Big data and graph theoretic models: simulating the impact of collateralization on a financial system | |
CN111798246A (zh) | 一种金融风险等级评估方法和装置 | |
Gourdel et al. | Bi-layer stress contagion across investment funds: a climate application | |
CN115564591A (zh) | 一种融资产品的确定方法及相关设备 | |
CN114418776A (zh) | 一种数据处理方法、装置、终端设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |