CN117237054A - 电力市场中长期集中竞价交易策略推荐方法、系统及设备 - Google Patents
电力市场中长期集中竞价交易策略推荐方法、系统及设备 Download PDFInfo
- Publication number
- CN117237054A CN117237054A CN202311274171.9A CN202311274171A CN117237054A CN 117237054 A CN117237054 A CN 117237054A CN 202311274171 A CN202311274171 A CN 202311274171A CN 117237054 A CN117237054 A CN 117237054A
- Authority
- CN
- China
- Prior art keywords
- price
- long
- electricity price
- transaction
- electricity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000007774 longterm Effects 0.000 title claims abstract description 41
- 230000002860 competitive effect Effects 0.000 title claims abstract description 28
- 230000005611 electricity Effects 0.000 claims abstract description 215
- 230000002776 aggregation Effects 0.000 claims abstract description 17
- 238000004220 aggregation Methods 0.000 claims abstract description 17
- 238000007637 random forest analysis Methods 0.000 claims abstract description 10
- 238000011084 recovery Methods 0.000 claims description 21
- 238000003860 storage Methods 0.000 claims description 17
- 239000003245 coal Substances 0.000 claims description 12
- 238000010248 power generation Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006872 improvement Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 abstract description 8
- 238000011156 evaluation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供电力市场中长期集中竞价交易策略推荐方法、系统及设备，属于电力交易辅助决策技术领域，包括：采集数据；采用分时电价聚合对不同维度的日前现货市场历史出清电价进行提取，同时采用随机森林模型进行长周期电价预测；将电价划分为多个区间，采用投票法确定初步交易方向；根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；结合初步交易方向，确定不同分时点的最佳申报电量；合并初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。本发明从多个维度综合考虑，采用投票机制实现对长周期电价的预判，避免过度依赖长周期预测造成交易亏损。
Description
技术领域
本发明属于电力交易辅助决策技术领域，具体涉及一种电力市场中长期集中竞价交易策略推荐方法、系统及设备。
背景技术
近年来，随着电力市场化进程快速发展，各试点市场依据自身电网特点及地域特征，正稳步展开电力市场化工作，并不断完善交易规则、交易品种以及市场参与主体，以满足和维护电力市场稳定、安全运行。其中，中长期市场在维护产销关系、稳定电价、锁定收益和规避风险等方面承担着重要角色，因此其被市场以及市场主体高度关注和参与。
中长期市场交易方式主要包括双边协商和集中交易。其中，集中交易包括集中竞价、挂牌和滚动撮合交易；集中竞价即市场主体按照交易公告给出的标准交易曲线和交易执行起止时间，通过交易平台申报交易电量和交易价格，交易机构按照高低匹配法或者统一边际法进行出清，经交易校核后形成交易结果。
现有的中长期集中竞价交易所选择的技术路线主要分为两种，一种为电价预测，通过构建长周期预测模型，从而得到长周期电价预测结果，并将预测电价提供给电力交易人员；另一种采用优化算法，以预测的电价、场站电量等数据作为输入，以收益最高为目标，以交易规则作为约束，从而输出一套最优的交易策略。然而，现有的技术路线过度依赖中长期电价预测结果，从目前行业中长期预测精度考虑，预测结果可靠性不足。
因此，为了更好参与到电力交易中长期市场，亟待在提前锁定收益和规避风险的基础上，进一步提升度电收益。
发明内容
本发明提供电力市场中长期集中竞价交易策略推荐方法、系统及设备，以解决现有技术过度依赖中长期电价预测结果进行推荐的问题。
为达到上述目的，本发明采用以下技术方案：
一种电力市场中长期集中竞价交易策略推荐方法，包括以下步骤：
采集数据，所述数据包括：日前现货市场历史出清电价、场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比、场站中长期持仓量最低占比；
采用分时电价聚合对不同维度的所述日前现货市场历史出清电价进行提取，得到不同维度的分时电价；同时采用随机森林模型进行长周期电价预测，得到长周期电价预测结果；
将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向；
根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；
根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量；
合并所述初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。
进一步地，所述不同维度的所述日前现货市场历史出清电价包括：去年同期范围内的日前现货市场历史出清电价、近30天内的日前现货市场历史出清电价和近10天内的日前现货市场历史出清电价。
进一步地，所述数据还包括：历史气象数据和动力煤价格；
采用所述历史气象数据、动力煤价格和日前现货市场历史出清电价作为所述随机森林模型的训练数据集。
进一步地，所述数据还包括：集中竞价上限价、集中竞价下限价、日前出清电价最大值和日前出清电价最小值；
所述将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向具体包括以下步骤：
根据所述集中竞价上限价、集中竞价下限价、日前出清电价最大值和日前出清电价最小值，将电价划分为三个区间；
将所述不同维度的分时电价和长周期电价预测结果，与对应的所述日前现货市场历史出清电价的一致性进行评估，得到准确率；
对所述准确率进行归一化处理，得到各维度电价的权重值，然后统计所述不同维度的分时电价和长周期电价预测结果在所属的所述三个区间内的频次；
将所述频次和所述各维度电价的权重值相乘，得到投票分数最高的区间，根据所述投票分数最高的区间确定初步交易方向。
进一步地，所述初步交易方向包括：买入、卖出、不操作、买入或不操作以及卖出或不操作。
进一步地，所述数据还包括：成交电价；
所述根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价具体包括以下步骤：
当初步交易方向为买入时，申报价格区间的上限为所述集中竞价上限价，申报价格区间的下限为上期的所述成交电价，最佳申报电价为所述集中竞价上限价；
当初步交易方向为卖出时，申报价格区间的上限为上期的所述成交电价，申报价格区间的下限为所述集中竞价下限价，最佳申报电价为所述集中竞价下限价；
当初步交易方向为不操作时，不确定申报价格区间和最佳申报电价；
当初步交易方向为买入或不操作时，申报价格区间的上限为上期的所述成交电价加上调整电价，申报价格区间的下限为上期的所述成交电价减去调整电价，最佳申报电价为所述上期的所述成交电价加上调整电价；
当初步交易方向为卖出或不操作时，申报价格区间的上限为上期的所述成交电价加上调整电价，申报价格区间的下限为上期的所述成交电价减去调整电价，最佳申报电价为上期的所述成交电价减去调整电价。
进一步地，所述根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量，具体包括以下步骤：
当初步交易方向为买入时：
当初步交易方向为卖出时：
当初步交易方向为不操作时，不确定最佳申报电量；
当初步交易方向为买入或不操作时：
当初步交易方向为卖出或不操作时：
其中，ri表示第i分时段内推荐的最佳申报电量，qc,i表示第i分时段内的已签中长期合约，lmin表示中长期超额电量回收边界的最小值，Umax表示中长期超额电量回收边界的最大值，qp,i表示第i分时段内的发电计划，qout,i表示第i分时段内的卖方申报量，qin,i表示第i分时段内的买方申报量，Q表示场站装机容量，b表示单位电价提升目标值，表示第i分时段内的预测电价，mi表示第i分时段内的最佳申报电价。
一种电力市场中长期集中竞价交易策略推荐系统，包括：
数据采集模块，用于采集数据，所述数据包括：日前现货市场历史出清电价、场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比、场站中长期持仓量最低占比；
多维度分时电价聚合预测模块，用于采用分时电价聚合对不同维度的所述日前现货市场历史出清电价进行提取，得到不同维度的分时电价；同时采用随机森林模型进行长周期电价预测，得到长周期电价预测结果；
交易方向决策模块，用于将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向；
分时电价推荐模块，用于根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；
分时电量推荐模块，用于根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量；
交易策略合并模块，用于合并所述初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。
一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时实现所述电力市场中长期集中竞价交易策略推荐方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电力市场中长期集中竞价交易策略推荐方法的步骤。
与现有技术相比，本发明具有以下有益效果：
本发明提供电力市场中长期集中竞价交易策略推荐方法，从多个维度进行分时电价的聚合和预测，并采用投票机制确定初步交易方向，以及根据初步交易方向推荐申报电价和申报电量，实现中长期集中竞价交易策略推荐结果。本发明仅面向中长期集中竞价这一典型交易类型，针对该特定的交易类型，能够输出该交易类型所需要决策的所有指标项，满足实际业务场景的要求。同时，本发明从多个维度综合考虑，采用投票机制实现对长周期电价的预判，避免过度依赖长周期预测造成交易亏损。
附图说明
图1为本发明实施例提供的电力市场中长期集中竞价交易策略推荐方法流程图；
图2为本发明实施例提供的电力市场中长期集中竞价交易策略推荐系统的整体功能模块图；
图3为本发明提供的电力市场中长期集中竞价交易策略推荐系统结构图；
图4为本发明提供的电力市场中长期集中竞价交易策略推荐方法的流程图；
图5为本发明采用的电子设备结构图。
具体实施方式
以下对本发明提供的电力市场中长期集中竞价交易策略推荐方法进行具体描述：
步骤一：收集电力交易市场数据、场站私有数据、外部环境数据和基本参数数据。
具体的，电力交易市场数据包括：日前现货市场历史出清电价、集中竞价市场出清的买方申报量、卖方申报量、成交电量、成交电价、集中竞价上限价、集中竞价下限价，以及市场交易规则下的中长期超额电量回收边界；场站私有数据包括：场站装机容量、已签中长期合约、发电计划和历史发电数据；外部环境数据包括：历史气象数据和动力煤价格，历史气象数据包括：风速和辐照度；基本参数数据包括：基准价差空间、场站中长期持仓量最高占比、场站中长期持仓量最低占比和单位电价提升目标值。
步骤二：多维度分时电价聚合及预测：
由于市场供需关系的未知性和气象变化的不确定性，导致单一依赖于长周期的预测电价不足以支撑交易策略的制订。对此，本发明基于历史市场信息，从去年同期、近30天、近10天及预测电价四个维度作为参考依据，综合考虑不同维度下的市场信息及变化趋势，并采用统计方法及回归预测模型，提取不同维度下的电价表征特征，为交易策略提供数据支撑。
具体的，上述四个维度中，去年同期、近30天和近10天的3个维度采用分时电价聚合的方式，预测电价则采用机器学习模型实现长周期的电价预测。
步骤三：基于投票机制的交易方向决策模型：
该模型首先基于集中竞价的上下限，以及日前出清电价的最大值、最小值，将电价划分为3个区间；其次，由于电力市场变化具有很强的时效性，采用准确率对上述的多维度分时电价与其对应的真实值的一致性进行评估，并将评估结果作为权重对投票分数进行调整，然后对各维度分时电价的准确率进行归一化处理，从而得到各维度电价的权重值。最后，依次对每个分时点的四个维度电价归属区间进行识别，并分别统计各个区间出现的频次，进而将上述获取的权重与频次乘积得到最终的投票分数，选择投票分数最高的区间作为该分时的交易方向。
步骤四：分时交易申报价格推荐：
分时申报价格的确定，主要取决于上述交易方向、上期的成交电价以及集中竞价上下限。针对不同的交易方向，设计与其对应的分时交易价格推荐机制，最终推荐的申报价格包括两个方面：一方面为建议申报的价格区间范围，另一方面为最佳申报电价。
步骤五：分时交易申报电量推荐：
在电力交易规则下，申报电量主要受限于三个方面：第一为场站装机容量，第二为中长期超额电量回收，第三为用户对中长期合同电量的持仓要求。对此，针对不同的交易方向和发电情况，设计不同的申报电量推荐策略，并以最大申报电量作为分时交易申报电量的推荐结果。
步骤六：分时交易方案推荐：
将步骤三中的交易方向，步骤四中的申报价格区间、最佳申报电价，以及步骤五中的最大申报电量进行合并，反馈合并后的结果，完成推荐。
为了使本领域的技术人员更好地理解本发明方案，下面将结合附图，对本发明的技术方案进行进一步地详细描述，所述内容是对本发明的解释而不是限定。
需要说明的是，本发明的说明书和权利要求书中的术语“包括”和“具有”以及它们的任何变形，意图在于覆盖不排他的包括，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、系统、产品或设备固有的其他步骤或单元。
如图1所示，本发明提供一种电力市场中长期集中竞价交易策略推荐方法，主要为了在提前锁定收益、规避风险的基础上，进一步提升度电收益，具体包括以下步骤：
步骤一：收集市场披露数据、场站私有数据、外部环境数据和基本参数数据。
其中，市场披露数据主要是电力交易市场数据，来源于电力交易平台，包括：日前现货市场历史出清电价P，数据粒度为1条/15分钟，集中竞价市场出清的买方申报量qin，卖方申报量qout，成交电量qs，成交电价ps，集中竞价上限价pup，集中竞价下限价Pdown，数据粒度为1条/小时，市场交易规则的中长期超额电量回收边界l；
场站私有数据主要来源于电力交易平台和功率预测系统，包括：场站装机容量Q，已签中长期合约Qc＝[qc,1,qc,i,…,qc,24]、发电计划Qp＝[qp,1,qp,i,…,qp,24]及历史发电数据Qr＝[qr,1,qr,i,…,qr,24]，数据粒度为1条/60分钟；
外部环境数据主要来源气象服务系统或第三方数据服务系统，包括：气象数据中的风速WWG和辐照度WPV，以及动力煤价格C，数据粒度为1条/60分钟；
基本参数数据主要来源用户参数配置，包括：基准价差空间pdiff，场站中长期持仓量最高占比rmax，最低占比rm i n，单位电价提升目标值b。
其中，qc,i表示第i分时段内日平均已签中长期合约电量；qp,i第i分时段内日平均计划发电量；qr,i表示第i分时段内日历史平均实发电量。
步骤二：多维度分时电价聚合及预测：
由于市场供需关系的未知性及气象变化的不确定性，导致单一依赖于长周期的预测电价结果不足以支撑交易策略的制订。
对此，本发明基于历史市场信息，从去年同期、近30天、近10天及长周期预测电价四个维度作为参考依据，综合考虑不同维度下的市场信息及变化趋势，并借助统计学方法及机器学习模型，提取不同维度下的电价表征特征，从而为交易策略制定，提供多维度的价格参考信息。上述的四个维度中，去年同期T1、近30天T2、近10天T33个维度采用分时电价聚合的方式，长周期预测电价则采用随机森林模型实现长周期的电价预测，具体如下：
(1)去年同期T1、近30天T2、近10天T33个维度电价表征提取方式如下：
其中，分别表示T1、T2、T3日期范围内第i小时的第j个时段日前现货市场出清电价，/>分别表示T1、T2、T3日期范围内第i小时的日前现货市场出清均价。
(2)长周期电价预测主要以日前现货市场历史出清电价、气象数据和动力煤价格作为输入，借助随机森林模型对输入的数据进行模型训练，进而基于日前现货市场历史出清电价数据、气象数据和动力煤数据，对交易周期内的日前出清电价进行预测，从而输出预测电价其中，由于日前现货市场历史出清电价的数据粒度为1条/15分钟，为分钟级，因此需要将其按照小时求解均值的方式聚合成小时级别的数据PT，日前现货市场历史出清电价聚合公式如下：
上式中，表示第T日期范围内第i小时内第j个时段日前现货市场出清电价，pT,i表示第T日期范围内第i小时的日前现货市场出清均价。
依据上述长周期电价预测建模方案，用历史气象数据、动力煤价格以及历史出清电价作为训练数据集，对模型进行训练，从而得到长周期电价预测模型其中WWG为风速，WPV为辐照度，C为动力煤价格。
进而，基于该模型数据要求，收集标的时间段内气象预报数据和动力煤价格预报数据，并对其进行处理，最后将处理后的数据输入到模型中，从而获得长周期电价预测结果。
步骤三：基于投票机制的交易方向决策模型：
一般情况下，综合考虑到发电企业运营、市场用户电价承受能力和市场恶意竞争等因素，电力交易中心对中长期集中竞价交易申报电价进行约束，买卖双方电价申报范围约束在规定的上下限范围内，该上下限价格为集中竞价上下限价格，由电力交易中心根据政府有关文件拟定并对市场参与主体进行发布。
基于该规则下，本发明提出一种基于投票机制的交易方向决策模型，该模型首先基于集中交易电价的上下限，以及日前出清电价的最大值和最小值，将电价划分为三个区间S＝[S1,S2,S3]，各区间范围及映射关系具体如下：
其中，表示第i维度第j小时日前出清均价。pmax表示日前出清电价最大值，pmin表示日前出清电价最小值。pmax、pmin由电力交易中心确定并对外发布。
其次，由于电力市场变化具有很强的时效性，而多维度电价表征立足于时间维度，采取了不同的时间周期和范围进行划分，因此需要对多维度分时电价与真实值一致性进行评估，并将评估结果作为权重对投票分数进行调整。针对一致性的评估，本专利采用准确率作为评估指标，即准确率越高，其权值越大。准确率计算公式具体如下：
在上式中，pT,j表示第j小时标的所对应周期内的日前分时出清均价，为准确率。
在此基础上，对各维度分时电价的准确率进行归一化处理，从而得到各维度电价的权重值，其中归一化计算公式如下：
其中wi为第i维度的电价的权重值。
最后依次对每个分时点的四个维度电价归属区间进行识别，并分别统计其在各个区间出现的频次，进而将上述获取到的权重与频次进行乘积得到最终的投票分数，最后，选择投票分数最高的区间作为该分时点的初步交易方向。
由于对于中间区域对应价格在交易上下限值区间，因此该区间的交易方向还需要基于市场情况进行进一步分析，具体而言，基于集中竞价市场出清披露的买方申报量、卖方申报量、成交电量以及集中竞价的出清电价，针对该出清结果反馈掌握市场主体对未来标的时间内的预判，具体而言：
当买方申报量大于卖方申报量，表示整个市场对该时段的电价看高，最终成交情况取决于买卖双方报价。而且当成交电量远低于卖方申报电量，这表明大部分卖方报价高于买方报价，在这种情况下，进一步表明市场预判集中竞价出清电价低于日前现货市场出清电价，即实现中长期集中竞价低价买入，现货市场中高价卖出，实现获利。
当买方申报量小于卖方申报量，表示整个市场对该时段的电价看低，最终成交情况取决于买卖双方报价。而且当成交电量远低于买方申报量，这表明大部分买方报价低于卖方报价，在这种情况下，进一步表明市场预判集中竞价出清电价高于日前现货市场出清电价，即实现中长期集中竞价高价卖出，以达到从中长期市场的获利。
具体的计算方式如下：
其中，D表示初步交易方向，qin表示买方申报量，qout表示卖方申报量，qs表示成交电量。
初步交易方向可划分为5种情况，各种情况对应的编码具体如下表1：
表1各交易方向对应的编码
| 序号 | 交易方向 | 编码 |
| 1 | 买入 | -1 |
| 2 | 卖出 | 1 |
| 3 | 不操作 | 0 |
| 4 | 买入或不操作 | -2 |
| 5 | 卖出或不操作 | 2 |
步骤四：分时交易申报价格推荐：
分时申报价格的确定，主要取决于上述的初步交易方向、上期的成交电价、集中竞价上限价和集中竞价下限价。最终推荐的申报价格包括两个方面，一方面为建议申报的价格区间范围，另一方面为最佳申报电价M＝[m1,mi,…,m24]，其中，mi表示第i分时段内推荐的最佳申报电价。
针对不同交易方向，其申报价格推荐策略不同，具体申报价格推荐策略如下：
(1)当交易方向为买入时，其申报价格区间下限为上期成交电价，上限为交易申报上限电价；最佳的申报电价为交易申报上限电价。
(2)当操作方向为卖出时，其申报价格区间下限为交易申报下限电价，上限为上期成交电价；最佳的申报电价为交易申报下限电价。
(3)当操作方向为不操作时，其无申报价格区间范围和最佳申报电价推荐。
(4)当操作方向为买入或不操作时，其申报价格区间下限为上期成交电价减调整电价，上限为上期成交电价加调整电价；最佳的申报电价为上期成交电价加调整电价。
(5)当操作方向为卖出或不操作时，其申报价格区间下限为上期成交电价减调整电价，上限为上期成交电价加调整电价。最佳的申报电价为上期成交电价减调整电价。
上述申报价格区间推荐值需要满足电力交易规则对集中竞价申报电价约束，对于不在上下限范围内，则需要对其按照价格上下限进行约束和处理。
步骤五：分时交易申报电量推荐：
分时最佳申报电量R＝[r1,ri,…,r24]的确定，需要综合考虑场站装机容量Q、发电计划Qp、历史实发电量Qr、已签中长期合约Qc、集中竞价市场出清买方申报量qin，卖方申报量qout，成交电量qs、中长期超额电量回收边界l以及场站中长期持仓量最高占比rmax，场站中长期持仓量最低占比rmin。最终推荐的分时申报电量主要是申报最大电量。其中，ri表示第i分时段内推荐的申报电量。
在电力交易规则下，申报电量主要受限于两个方面，其一为场站装机容量，其二为中长期超额电量回收边界。对此，不同的交易方向、不同的发电情况，其申报电量推荐策略不同，具体如下：
(1)当操作方向为买入时，通过下式确定最佳申报电量：
(2)当操作方向为卖出时，通过下式确定最佳申报电量：
(3)当操作方向为不操作时，分时最佳申报电量ri不做推荐。
(4)当操作方向为买入或不操作时，最佳申报电量通过下式确定：
/>
(5)当操作方向为卖出或不操作时，最佳申报电量通过下式确定：
步骤六：分时交易方案推荐，将步骤三、四、五的输出结果按照分时段进行合并，并将合并后的结果进行反馈。具体而言，将步骤三得到的分时交易方向，步骤四得到的不同分时点建议申报的价格区间范围和最佳申报电价，以及步骤五输出的不同分时点的最佳申报电量，按照分时点逐一进行匹配，从而得到每个分时的初步交易方向、申报价格区间、最佳申报电价以及最佳申报电量。
如图2所示，为了便于本发明提出的电力市场中长期集中竞价交易策略推荐方法的应用，本发明还设计开发了与其匹配的信息系统，包括：数据采集及存储模块、参数配置模块、数据处理模块、交易策略推荐模块以及推荐交易策略展示及导出模块，各模块主要功能描述如下：
(1)数据采集及存储模块：依据电力市场中长期集中竞价交易策略推荐方法中的数据需求清单，负责对各数据项进行采集和存储。其中，数据采集方式支持自动化采集和数据文件导入。存储指将采集到的数据进行结构化并存储到数据库中。
(2)参数配置模块：基于本发明方法中参数需求，设计开发相关的参数配置页面，实现参数查询、增加、修改和删除等基本功能，并将配置后的参数保存至数据库中。
(3)数据处理模块：对采集到的数据进行处理，包括公开披露数据的聚合，以及缺失数据的识别和处理。
(4)交易策略推荐模块：基于用户的需求，驱动并执行电力市场中长期集中竞价交易策略推荐方法，并实时反馈推荐方法执行过程中的反馈信息。
(5)推荐交易策略展示及导出模块，将交易策略推荐结果从数据库中获取到，并应用可视化技术对结果数据进行展示，同时，支持用户将结果导出并存储在指定的介质中。
如图3和图4所示，本发明还提供一种电力市场中长期集中竞价交易策略推荐系统，包括：数据采集模块、多维度分时电价聚合预测模块、交易方向决策模块、分时电价推荐模块、分时电量推荐模块和交易策略合并模块；
具体的，数据采集模块采集数据，所述数据包括：日前现货市场历史出清电价、场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比、场站中长期持仓量最低占比；多维度分时电价聚合预测模块采用分时电价聚合对不同维度的所述日前现货市场历史出清电价进行提取，得到不同维度的分时电价；同时采用随机森林模型进行长周期电价预测，得到长周期电价预测结果；交易方向决策模块将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向；分时电价推荐模块根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；分时电量推荐模块根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量；交易策略合并模块合并所述初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。
如图5所示，本发明提供一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时实现所述电力市场中长期集中竞价交易策略推荐方法的步骤。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现所述电力市场中长期集中竞价交易策略推荐方法的步骤。
由技术常识可知，本发明可以通过其它不脱离其精神实质或必要特征的实施方案来实现。因此，上述公开的实施方案，就各方面而言，都只是举例说明，并不是仅有的，所有在本发明范围内或在等同于本发明的范围内的改变均被本发明包含。
Claims (10)
1.一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，包括以下步骤：
采集数据，所述数据包括：日前现货市场历史出清电价、场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比、场站中长期持仓量最低占比；
采用分时电价聚合对不同维度的所述日前现货市场历史出清电价进行提取，得到不同维度的分时电价；同时采用随机森林模型进行长周期电价预测，得到长周期电价预测结果；
将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向；
根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；
根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量；
合并所述初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。
2.根据权利要求1所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述不同维度的所述日前现货市场历史出清电价包括：去年同期范围内的日前现货市场历史出清电价、近30天内的日前现货市场历史出清电价和近10天内的日前现货市场历史出清电价。
3.根据权利要求1所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述数据还包括：历史气象数据和动力煤价格；
采用所述历史气象数据、动力煤价格和日前现货市场历史出清电价作为所述随机森林模型的训练数据集。
4.根据权利要求1所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述数据还包括：集中竞价上限价、集中竞价下限价、日前出清电价最大值和日前出清电价最小值；
所述将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向具体包括以下步骤：
根据所述集中竞价上限价、集中竞价下限价、日前出清电价最大值和日前出清电价最小值，将电价划分为三个区间；
将所述不同维度的分时电价和长周期电价预测结果，与对应的所述日前现货市场历史出清电价的一致性进行评估，得到准确率；
对所述准确率进行归一化处理，得到各维度电价的权重值，然后统计所述不同维度的分时电价和长周期电价预测结果在所属的所述三个区间内的频次；
将所述频次和所述各维度电价的权重值相乘，得到投票分数最高的区间，根据所述投票分数最高的区间确定初步交易方向。
5.根据权利要求1所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述初步交易方向包括：买入、卖出、不操作、买入或不操作以及卖出或不操作。
6.根据权利要求4或5所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述数据还包括：成交电价；
所述根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价具体包括以下步骤：
当初步交易方向为买入时，申报价格区间的上限为所述集中竞价上限价，申报价格区间的下限为上期的所述成交电价，最佳申报电价为所述集中竞价上限价；
当初步交易方向为卖出时，申报价格区间的上限为上期的所述成交电价，申报价格区间的下限为所述集中竞价下限价，最佳申报电价为所述集中竞价下限价；
当初步交易方向为不操作时，不确定申报价格区间和最佳申报电价；
当初步交易方向为买入或不操作时，申报价格区间的上限为上期的所述成交电价加上调整电价，申报价格区间的下限为上期的所述成交电价减去调整电价，最佳申报电价为所述上期的所述成交电价加上调整电价；
当初步交易方向为卖出或不操作时，申报价格区间的上限为上期的所述成交电价加上调整电价，申报价格区间的下限为上期的所述成交电价减去调整电价，最佳申报电价为上期的所述成交电价减去调整电价。
7.根据权利要求4所述的一种电力市场中长期集中竞价交易策略推荐方法，其特征在于，所述根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量，具体包括以下步骤：
当初步交易方向为买入时：
当初步交易方向为卖出时：
当初步交易方向为不操作时，不确定最佳申报电量；
当初步交易方向为买入或不操作时：
当初步交易方向为卖出或不操作时：
其中，ri表示第i分时段内推荐的最佳申报电量，qc,i表示第i分时段内的已签中长期合约，lmin表示中长期超额电量回收边界的最小值，lmax表示中长期超额电量回收边界的最大值，qp,i表示第i分时段内的发电计划，qout,i表示第i分时段内的卖方申报量，qin,i表示第i分时段内的买方申报量，Q表示场站装机容量，b表示单位电价提升目标值，表示第i分时段内的预测电价，mi表示第i分时段内的最佳申报电价。
8.一种电力市场中长期集中竞价交易策略推荐系统，其特征在于，包括：
数据采集模块，用于采集数据，所述数据包括：日前现货市场历史出清电价、场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比、场站中长期持仓量最低占比；
多维度分时电价聚合预测模块，用于采用分时电价聚合对不同维度的所述日前现货市场历史出清电价进行提取，得到不同维度的分时电价；同时采用随机森林模型进行长周期电价预测，得到长周期电价预测结果；
交易方向决策模块，用于将电价划分为多个区间，根据所述不同维度的分时电价和长周期电价预测结果，结合所述多个区间，采用投票法确定初步交易方向；
分时电价推荐模块，用于根据初步交易方向，确定不同分时点的申报价格区间和最佳申报电价；
分时电量推荐模块，用于根据场站装机容量、中长期超额电量回收边界、场站中长期持仓量最高占比和场站中长期持仓量最低占比，并结合初步交易方向，确定不同分时点的最佳申报电量；
交易策略合并模块，用于合并所述初步交易方向、不同分时点的申报价格区间、不同分时点最佳申报电价和不同分时点的最佳申报电量，得到中长期集中竞价交易策略推荐结果。
9.一种电子设备，其特征在于，包括存储器、处理器以及存储在所述存储器中并可在所述处理器中运行的计算机程序，所述处理器执行所述计算机程序时实现权利要求1～7任一项所述电力市场中长期集中竞价交易策略推荐方法的步骤。
10.一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存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1～7任一项所述电力市场中长期集中竞价交易策略推荐方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274171.9A CN117237054A (zh) | 2023-09-27 | 2023-09-27 | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311274171.9A CN117237054A (zh) | 2023-09-27 | 2023-09-27 | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117237054A true CN117237054A (zh) | 2023-12-15 |
Family
ID=89094702
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311274171.9A Pending CN117237054A (zh) | 2023-09-27 | 2023-09-27 | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117237054A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788082A (zh) * | 2024-02-26 | 2024-03-29 | 南京南自华盾数字技术有限公司 | 一种基于电价预测的电力市场报价决策方法及系统 |
-
2023
- 2023-09-27 CN CN202311274171.9A patent/CN117237054A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788082A (zh) * | 2024-02-26 | 2024-03-29 | 南京南自华盾数字技术有限公司 | 一种基于电价预测的电力市场报价决策方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Conejo et al. | Risk-constrained self-scheduling of a thermal power producer | |
| Conejo et al. | Optimal involvement in futures markets of a power producer | |
| Hatami et al. | A stochastic-based decision-making framework for an electricity retailer: Time-of-use pricing and electricity portfolio optimization | |
| Hortaçsu et al. | Understanding strategic bidding in multi‐unit auctions: a case study of the Texas electricity spot market | |
| Rosen et al. | An auction design for local reserve energy markets | |
| US20140046736A1 (en) | Systems and Methods for Staggered Funding Based on Milestones | |
| Mazzi et al. | Wind power in electricity markets and the value of forecasting | |
| WO2013102932A2 (en) | System and method facilitating forecasting, optimization and visualization of energy data for an industry | |
| JP6924104B2 (ja) | 電力価格予測システム | |
| Golmohamadi et al. | A bi-level robust optimization model to determine retail electricity price in presence of a significant number of invisible solar sites | |
| CN117237054A (zh) | 电力市场中长期集中竞价交易策略推荐方法、系统及设备 | |
| Russo et al. | Short-term risk management of electricity retailers under rising shares of decentralized solar generation | |
| Fridgen et al. | The search for the perfect match: Aligning power-trading products to the energy transition | |
| CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
| JP2005339527A (ja) | 電力市場における入札支援システム | |
| JP2004252967A (ja) | 電力取引リスク管理システム及び電力取引リスク管理方法 | |
| Makkonen et al. | Multi‐criteria decision support in the liberalized energy market | |
| Jamshidi et al. | An interval-based stochastic dominance approach for decision making in forward contracts of electricity market | |
| Prete et al. | Market power in power markets: an analysis of residual demand curves in California’s day-ahead energy market (1998-2000) | |
| Nandakumar et al. | Impact of increased renewables on natural gas markets in eastern United States | |
| CN108429260A (zh) | 售电公司多时间尺度交易电量决策方法和系统 | |
| JP7481862B2 (ja) | 情報処理装置、情報処理方法及びコンピュータプログラム | |
| Raouf Sheybani et al. | Impacts of premium bounds on the operation of put option and day-ahead electricity markets | |
| EP3965049A1 (en) | Information processing apparatus, information processing method, information processing system, and computer program | |
| Zhao et al. | Electricity price decision-making method of electricity selling company based on multi-objective optimization and Min-Max Regret Theory |
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 |