本技術(shù)涉及電力市場(chǎng)交易的強(qiáng)化學(xué)習(xí)模型應(yīng)用，具體涉及一種基于多模型融合的電力市場(chǎng)電力參數(shù)輔助決策方法及裝置。

背景技術(shù)：

1、目前根據(jù)電力現(xiàn)貨市場(chǎng)交易規(guī)則，一般新能源發(fā)電企業(yè)參與電力現(xiàn)貨交易時(shí)，需按照市場(chǎng)規(guī)則要求進(jìn)行日前申報(bào)。即市場(chǎng)參與者在日前(一般為運(yùn)行日的前一天)向電力交易機(jī)構(gòu)或調(diào)度機(jī)構(gòu)申報(bào)其在運(yùn)行日的發(fā)用電計(jì)劃、報(bào)價(jià)等信息，其為市場(chǎng)參與者提供了一個(gè)提前規(guī)劃和參與市場(chǎng)競(jìng)爭(zhēng)的機(jī)會(huì)，有助于提高電力市場(chǎng)的申報(bào)效率和資源配置的合理性。

2、目前，多數(shù)新能源發(fā)電企業(yè)的日前申報(bào)方式主要有三種：第一種是直接使用風(fēng)功率預(yù)測(cè)系統(tǒng)的原始功率預(yù)測(cè)數(shù)據(jù)作為市場(chǎng)申報(bào)方案；第二種是使用人工方式對(duì)原始功率預(yù)測(cè)數(shù)據(jù)進(jìn)行調(diào)整，形成市場(chǎng)申報(bào)方案；第三種是借助軟件系統(tǒng)，生成市場(chǎng)申報(bào)方案。但是，第一種方式完全依賴原始功率預(yù)測(cè)數(shù)據(jù)，未綜合考慮中長(zhǎng)期合約情況、市場(chǎng)供需情況、市場(chǎng)考核規(guī)則等各種因素，并且基于功率預(yù)測(cè)結(jié)果偏差較大，其申報(bào)方案考慮因素不全面，缺乏對(duì)數(shù)據(jù)的深度分析與挖掘，導(dǎo)致生成的市場(chǎng)申報(bào)方案全面性不足；第二種方式，雖然對(duì)原始功率預(yù)測(cè)數(shù)據(jù)進(jìn)行了一定調(diào)整，但調(diào)整操作過(guò)度依賴個(gè)人的能力和經(jīng)驗(yàn)，并沒有明確的量化處理中間過(guò)程，實(shí)際產(chǎn)生的市場(chǎng)申報(bào)方案中部分因素帶有人為隨機(jī)性，且效率低下。第三種方式，雖借助了信息化手段，但該方式是基于歷史交易數(shù)據(jù)，采用統(tǒng)計(jì)分析方法進(jìn)行價(jià)格趨勢(shì)分析，并對(duì)短期功率預(yù)測(cè)數(shù)據(jù)與實(shí)發(fā)功率數(shù)據(jù)進(jìn)行誤差分析，將誤差結(jié)果作為短期功率調(diào)整的依據(jù)，來(lái)生成市場(chǎng)申報(bào)方案，此種方式僅采用常規(guī)的數(shù)理統(tǒng)計(jì)方法，邏輯簡(jiǎn)單，未充分考慮數(shù)據(jù)的關(guān)聯(lián)，缺乏對(duì)全量數(shù)據(jù)的深度分析與挖掘，導(dǎo)致生成的市場(chǎng)申報(bào)方案精度低，難以最大化地降低發(fā)電成本，提高發(fā)電效益，不利于提高電力市場(chǎng)的申報(bào)效率和結(jié)果準(zhǔn)確性。

技術(shù)實(shí)現(xiàn)思路

1、為克服上述現(xiàn)有技術(shù)的不足，本技術(shù)提供了一種基于多模型融合的電力市場(chǎng)電力參數(shù)輔助決策方法及裝置，具體采用如下技術(shù)方案：

2、一種基于多模型融合的電力市場(chǎng)電力參數(shù)輔助決策方法，其包括如下步驟：

3、步驟一：分別獲取第d天中第t采集時(shí)刻所對(duì)應(yīng)的電力市場(chǎng)的樣本數(shù)據(jù)，匯總為樣本數(shù)據(jù)集，并對(duì)樣本數(shù)據(jù)集進(jìn)行預(yù)處理；所述樣本數(shù)據(jù)集至少包括日前價(jià)格、實(shí)時(shí)價(jià)格、市場(chǎng)日前出清價(jià)格、市場(chǎng)實(shí)時(shí)出清價(jià)格、出清電量數(shù)據(jù)、短期功率數(shù)據(jù)、調(diào)整比例數(shù)據(jù)以及環(huán)境參數(shù)；其中d＝1，2，...，d，d為天數(shù)上限；

4、步驟二：分析樣本數(shù)據(jù)集中已有的調(diào)整比例數(shù)據(jù)獲得調(diào)整比例范圍；

5、步驟三：基于樣本數(shù)據(jù)集計(jì)算電力市場(chǎng)的日前價(jià)格與實(shí)時(shí)價(jià)格的差值，并通過(guò)熱編碼方式將日前價(jià)格與實(shí)時(shí)價(jià)格的差值處理為原始特征數(shù)據(jù)集，隨后對(duì)所述原始特征數(shù)據(jù)集進(jìn)行窗口滑動(dòng)處理擴(kuò)充獲得擴(kuò)充特征數(shù)據(jù)集；

6、步驟四：利用擴(kuò)充特征數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行訓(xùn)練，并基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)分類模型預(yù)測(cè)獲得目標(biāo)日的特征數(shù)據(jù)；

7、步驟五：以特征數(shù)據(jù)與調(diào)整比例為損失函數(shù)分別建立多個(gè)用于獲得最佳調(diào)整比例的機(jī)器學(xué)習(xí)算法模型，且分別對(duì)不同機(jī)器學(xué)習(xí)算法模型進(jìn)行訓(xùn)練和驗(yàn)證，選擇調(diào)整比例與特征數(shù)據(jù)方向一致時(shí)采集時(shí)刻數(shù)量最多的模型作為對(duì)應(yīng)機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型；所述機(jī)器學(xué)習(xí)算法模型至少包括長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)算法、時(shí)間序列學(xué)習(xí)算法、強(qiáng)化學(xué)習(xí)算法；

8、步驟六：將目標(biāo)日所采集的數(shù)據(jù)輸入不同機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型得到目標(biāo)日的多個(gè)調(diào)整比例；

9、步驟七：將所獲得目標(biāo)日的多個(gè)調(diào)整比例與目標(biāo)日的特征數(shù)據(jù)進(jìn)行同向判斷，選擇最終的調(diào)整比例。

10、可選的：所述步驟一中獲取電力市場(chǎng)的樣本數(shù)據(jù)時(shí)，以天為單位并將每天劃分為若干等間隔的采集時(shí)刻，每個(gè)采集時(shí)刻分別獲取對(duì)應(yīng)時(shí)刻的樣本數(shù)據(jù)。

11、可選的：所述步驟一中采用數(shù)據(jù)歸一化方法對(duì)樣本數(shù)據(jù)集進(jìn)行預(yù)處理：

12、首先分別獲取樣本數(shù)據(jù)集中不同樣本數(shù)據(jù)的最大值和最小值，并將樣本數(shù)據(jù)按照同一天的不同時(shí)刻進(jìn)行歸類以獲得第d天的樣本單元；

13、基于對(duì)應(yīng)樣本數(shù)據(jù)的最大值與最小值獲得第t采集時(shí)刻所對(duì)應(yīng)的樣本數(shù)據(jù)差；

14、基于第d天的樣本單元獲取第d天中第t采集時(shí)刻的樣本數(shù)據(jù)，并根據(jù)第d天中第t采集時(shí)刻的樣本數(shù)據(jù)和第t采集時(shí)刻所對(duì)應(yīng)的樣本數(shù)據(jù)差獲得第d天中第t采集時(shí)刻所對(duì)應(yīng)的歸一化后的樣本數(shù)據(jù)。

15、可選的：所述步驟二中分析樣本數(shù)據(jù)集中已有的調(diào)整比例數(shù)據(jù)獲得調(diào)整比例范圍的步驟包括：

16、將樣本數(shù)據(jù)集中第d天第t采集時(shí)刻對(duì)應(yīng)的出清電量數(shù)據(jù)轉(zhuǎn)換為電力系統(tǒng)出力數(shù)據(jù)；

17、計(jì)算第d天第t采集時(shí)刻對(duì)應(yīng)的電力系統(tǒng)出力數(shù)據(jù)與短期功率數(shù)據(jù)的調(diào)整比例；

18、利用統(tǒng)計(jì)學(xué)方法對(duì)樣本數(shù)據(jù)集進(jìn)行統(tǒng)計(jì)得到調(diào)整比例的最大值和最小值，并將調(diào)整比例的最大值和最小值作為調(diào)整比例范圍；

19、通過(guò)概率密度曲線函數(shù)計(jì)算歷史天數(shù)中對(duì)應(yīng)各采集時(shí)刻的調(diào)整比例概率分布。

20、可選的：所述步驟三中通過(guò)熱編碼方式將日前價(jià)格與實(shí)時(shí)價(jià)格的差值處理為特征數(shù)據(jù)的步驟包括：

21、分別獲取第d天第t采集時(shí)刻對(duì)應(yīng)的日前價(jià)格與實(shí)時(shí)價(jià)格；

22、計(jì)算獲得第d天第t采集時(shí)刻對(duì)應(yīng)的日前價(jià)格與實(shí)時(shí)價(jià)格的差值；

23、分別將第d天第t采集時(shí)刻對(duì)應(yīng)的日前價(jià)格與實(shí)時(shí)價(jià)格的差值與閾值0進(jìn)行對(duì)比，判斷對(duì)應(yīng)的價(jià)差方向：當(dāng)日前價(jià)格與實(shí)時(shí)價(jià)格的差值小于0時(shí)，判斷價(jià)差方向?yàn)?1；當(dāng)日前價(jià)格與實(shí)時(shí)價(jià)格的差值等于0時(shí)，判斷價(jià)差方向?yàn)?；當(dāng)日前價(jià)格與實(shí)時(shí)價(jià)格的差值大于0時(shí)，判斷價(jià)差方向?yàn)?；

24、將所得到的價(jià)差方向匯總獲得特征數(shù)據(jù)。

25、可選的：所述步驟三中對(duì)所述原始特征數(shù)據(jù)集進(jìn)行窗口滑動(dòng)處理擴(kuò)充獲得擴(kuò)充特征數(shù)據(jù)集的步驟包括：

26、設(shè)定時(shí)間窗口的窗口寬度w和滑動(dòng)步長(zhǎng)δw，并將原始特征數(shù)據(jù)集的特征數(shù)據(jù)按照時(shí)間先后順序依次排列獲得排列后的原始特征數(shù)據(jù)集；

27、將排列后的原始特征數(shù)據(jù)集的起始位置按照時(shí)間窗口的窗口寬度w依次后移一個(gè)滑動(dòng)步長(zhǎng)δw，并將時(shí)間窗口位置的特征數(shù)據(jù)置為0，以獲得新的特征數(shù)據(jù)。

28、可選的：所述步驟四中利用擴(kuò)充特征數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行訓(xùn)練的步驟包括：

29、首先將擴(kuò)充特征數(shù)據(jù)集按天進(jìn)行分類獲得不同特征單元；

30、其次采用基于密度的聚類算法對(duì)擴(kuò)充特征數(shù)據(jù)集的不同特征單元進(jìn)行聚類，選擇出與目標(biāo)日相似的聚類中心所在的特征單元；其中判斷與目標(biāo)日相似時(shí)，采用如下方法：

31、

32、其中xdi為目標(biāo)日的特征數(shù)據(jù)集；xd為第d天的特征數(shù)據(jù)集；dist(xdi,xd)為歐氏距離計(jì)算函數(shù)；x'di,t為目標(biāo)日第t采集時(shí)刻歸一化后的特征數(shù)據(jù)；x'd,t為第d天第t采集時(shí)刻歸一化后的特征數(shù)據(jù)；t為采集時(shí)刻總數(shù)量；

33、通過(guò)對(duì)目標(biāo)日的特征數(shù)據(jù)與不同特征單元的歐氏距離排序，并選擇滿足預(yù)設(shè)距離的特征單元所對(duì)應(yīng)的特征數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；

34、最后以所獲得的訓(xùn)練數(shù)據(jù)訓(xùn)練預(yù)設(shè)的神經(jīng)網(wǎng)絡(luò)分類模型獲得訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)分類模型。

35、可選的：所述步驟五中選擇調(diào)整比例與特征數(shù)據(jù)方向一致時(shí)采集時(shí)刻數(shù)量最多的模型作為對(duì)應(yīng)機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型的步驟包括：

36、首先基于擴(kuò)充特征數(shù)據(jù)集選取訓(xùn)練集，并以訓(xùn)練集分別對(duì)不同機(jī)器學(xué)習(xí)算法模型訓(xùn)練至預(yù)設(shè)次數(shù)，且每次訓(xùn)練完成保存對(duì)應(yīng)訓(xùn)練后的機(jī)器學(xué)習(xí)算法模型；

37、針對(duì)同一類型的機(jī)器學(xué)習(xí)算法模型，將預(yù)設(shè)的驗(yàn)證集分別輸入不同訓(xùn)練次數(shù)所保存的機(jī)器學(xué)習(xí)算法模型，分別獲得輸出的調(diào)整比例及調(diào)整方向；其中調(diào)整比例與調(diào)整方向的關(guān)系為：

38、

39、隨后分別判斷每次訓(xùn)練的機(jī)器學(xué)習(xí)算法模型所輸出的調(diào)整方向與驗(yàn)證集中特征數(shù)據(jù)方向是否一致：

40、

41、其中rd,t為第d天第t采集時(shí)刻的調(diào)整比例；r_diffd,t為第d天第t采集時(shí)刻的調(diào)整方向；rp_diffd,t表示第d天第t采集時(shí)刻的調(diào)整方向與特征數(shù)據(jù)方向是否一致；price_diffd,t表示第d天第t采集時(shí)刻特征數(shù)據(jù)方向；

42、最后分別統(tǒng)計(jì)每次訓(xùn)練的機(jī)器學(xué)習(xí)算法模型輸出的調(diào)整方向與驗(yàn)證集中特征數(shù)據(jù)方向一致時(shí)的采集時(shí)刻數(shù)量，選擇對(duì)應(yīng)采集時(shí)刻數(shù)量最多的模型作為對(duì)應(yīng)機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型。

43、可選的：所述步驟七中對(duì)所獲得目標(biāo)日的多個(gè)調(diào)整比例與目標(biāo)日的特征數(shù)據(jù)進(jìn)行同向判斷，選擇最終的調(diào)整比例的步驟包括：

44、基于不同機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型分別獲得目標(biāo)日的調(diào)整比例與調(diào)整方向，其中調(diào)整比例與調(diào)整方向的關(guān)系為：

45、

46、統(tǒng)計(jì)在同一采集時(shí)刻下不同機(jī)器學(xué)習(xí)算法模型在不同調(diào)整方向的數(shù)量：

47、

48、其中ri,t為第i種機(jī)器學(xué)習(xí)算法模型輸出的第t采集時(shí)刻的調(diào)整比例；r_diffi,t為第i種機(jī)器學(xué)習(xí)算法模型輸出第t采集時(shí)刻的調(diào)整方向；i為不同機(jī)器學(xué)習(xí)算法模型的數(shù)量；rnpost為第t采集時(shí)刻處于正方向的數(shù)量；rnnegt為第t采集時(shí)刻處于負(fù)方向的數(shù)量；rnorigt為第t采集時(shí)刻不調(diào)整的數(shù)量；

49、選擇當(dāng)前采集時(shí)刻下數(shù)量最多的調(diào)整方向，并與目標(biāo)日中同一采集時(shí)刻的特征數(shù)據(jù)方向進(jìn)行對(duì)比：若當(dāng)前采集時(shí)刻下所選擇出的調(diào)整方向與目標(biāo)日的特征數(shù)據(jù)方向一致，則計(jì)算當(dāng)前采集時(shí)刻下選擇出的調(diào)整方向所對(duì)應(yīng)的調(diào)整比例均值，以作為最終調(diào)整比例；若當(dāng)前采集時(shí)刻下所選擇出的調(diào)整方向與目標(biāo)日的特征數(shù)據(jù)方向不一致，則當(dāng)前采集時(shí)刻下不調(diào)整。

50、進(jìn)一步的，本技術(shù)還公開一種基于多模型融合的電力市場(chǎng)電力參數(shù)輔助決策裝置，所述裝置包括：

51、樣本數(shù)據(jù)獲取模塊，用于分別獲取第d天中第t采集時(shí)刻所對(duì)應(yīng)的電力市場(chǎng)的樣本數(shù)據(jù)，匯總為樣本數(shù)據(jù)集，并對(duì)樣本數(shù)據(jù)集進(jìn)行預(yù)處理；所述樣本數(shù)據(jù)集至少包括日前價(jià)格、實(shí)時(shí)價(jià)格、市場(chǎng)日前出清價(jià)格、市場(chǎng)實(shí)時(shí)出清價(jià)格、出清電量數(shù)據(jù)、短期功率數(shù)據(jù)、調(diào)整比例數(shù)據(jù)以及環(huán)境參數(shù)；其中d＝1，2，...，d，d為天數(shù)上限；

52、調(diào)整范圍確定模塊，用于分析樣本數(shù)據(jù)集中已有的調(diào)整比例數(shù)據(jù)獲得調(diào)整比例范圍；

53、特征數(shù)據(jù)擴(kuò)充模塊，用于基于樣本數(shù)據(jù)集計(jì)算電力市場(chǎng)的日前價(jià)格與實(shí)時(shí)價(jià)格的差值，并通過(guò)熱編碼方式將日前價(jià)格與實(shí)時(shí)價(jià)格的差值處理為原始特征數(shù)據(jù)集，隨后對(duì)所述原始特征數(shù)據(jù)集進(jìn)行窗口滑動(dòng)處理擴(kuò)充獲得擴(kuò)充特征數(shù)據(jù)集；

54、目標(biāo)特征預(yù)測(cè)模塊，用于利用擴(kuò)充特征數(shù)據(jù)集對(duì)神經(jīng)網(wǎng)絡(luò)分類模型進(jìn)行訓(xùn)練，并基于訓(xùn)練完成的神經(jīng)網(wǎng)絡(luò)分類模型預(yù)測(cè)獲得目標(biāo)日的特征數(shù)據(jù)；

55、最優(yōu)模型篩選模塊，用于以特征數(shù)據(jù)與調(diào)整比例為損失函數(shù)分別建立多個(gè)用于獲得最佳調(diào)整比例的機(jī)器學(xué)習(xí)算法模型，且分別對(duì)不同機(jī)器學(xué)習(xí)算法模型進(jìn)行訓(xùn)練和驗(yàn)證，選擇調(diào)整比例與特征數(shù)據(jù)方向一致時(shí)采集時(shí)刻數(shù)量最多的模型作為對(duì)應(yīng)機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型；所述機(jī)器學(xué)習(xí)算法模型至少包括長(zhǎng)短期神經(jīng)網(wǎng)絡(luò)算法、時(shí)間序列學(xué)習(xí)算法、強(qiáng)化學(xué)習(xí)算法；

56、調(diào)整比例輸出模塊，用于將目標(biāo)日所采集的數(shù)據(jù)輸入不同機(jī)器學(xué)習(xí)算法模型的最優(yōu)模型得到目標(biāo)日的多個(gè)調(diào)整比例；

57、調(diào)整比例確定模塊，用于將所獲得目標(biāo)日的多個(gè)調(diào)整比例與目標(biāo)日的特征數(shù)據(jù)進(jìn)行同向判斷，選擇最終的調(diào)整比例。

58、有益效果

59、本技術(shù)的技術(shù)方案獲得了下列有益效果：

60、本技術(shù)的電力市場(chǎng)電力參數(shù)輔助決策方法通過(guò)采用人工智能技術(shù)將多種機(jī)器學(xué)習(xí)模型按照一定的規(guī)則進(jìn)行融合，從而尋求不同申報(bào)策略-發(fā)電效益間的內(nèi)在聯(lián)系，可進(jìn)行多元、多時(shí)段電力交易決策優(yōu)化，靈活應(yīng)對(duì)復(fù)雜多變市場(chǎng)環(huán)境，將日前申報(bào)問(wèn)題進(jìn)行量化處理，排除人為因素影響，且更深入挖掘數(shù)據(jù)的關(guān)聯(lián)，進(jìn)而所構(gòu)建的日前申報(bào)輔助決策模型可確定最佳運(yùn)行策略，以提高電力市場(chǎng)的申報(bào)效率和結(jié)果準(zhǔn)確性。