一种电力交易决策方法及相关设备与流程

1.本公开涉及数据处理技术领域，尤其涉及一种电力交易决策方法及相关设备。


背景技术：

2.在电力交易过程中，影响电力交易价格的因素有很多。因此，在电力交易决策过程中，容易出现电力交易策略制定不准确的问题。
3.有鉴于此，如何制定精准有效的电力交易策略，提高电力交易决策能力，成为了一个重要的研究问题。


技术实现要素：

4.有鉴于此，本公开的目的在于提出一种电力交易决策方法及相关设备用以解决或部分解决上述技术问题。
5.基于上述目的，本公开的第一方面提出了一种电力交易决策方法，所述方法包括：
6.获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；
7.其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；
8.通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；
9.获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；
10.通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。
11.在一些实施例中，所述将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值，包括：
12.所述多源集合预报模型的输入为多个气象预报初值，其中，所述气象预报初值为多个相关性不紧密的值；
13.采用数值模式算法对所述气象预报初值进行处理，得到多个气象预报值，将所述气象预报值作为输出；
14.其中，所述数值模式算法包括下列至少之一：初值集合算法、参数化集合算法和多模式集合算法。
15.在一些实施例中，所述通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值，包括：
16.通过预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测区间；
17.获取电力功率预测区间对应的多个时段；
18.将所述电力功率预测区间进行反向回归分析处理，得到所述多个时段的偏差区间概率；
19.通过分时段组合预测模型结合所述偏差区间概率进行预测处理，得到与所述多个时段匹配的最佳预报算法模型，其中，所述分时段组合预测模型通过机器学习算法构建获得；
20.通过所述最佳预报算法模型对所述电力功率预测区间进行筛选处理，得到所述气象预报值对应的电力功率预测值。
21.在一些实施例中，所述获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值，包括：
22.获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列；
23.将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值；
24.将所述子序列电价预测值输入预先构建的余弦组合预测模型进行电价预测处理，得到实时电价预测值。
25.在一些实施例中，所述获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列，包括：
26.获取历史电价序列，通过基于互补集总经验模态分解对所述历史电价序列进行分解与重构处理，得到历史电价子序列；
27.利用新能源出力影响量化模型对所述历史电价子序列进行筛选处理，得到至少一个目标电价子序列，其中，所述新能源出力影响量化模型基于随机森林与改进灰色关联逼近理想值算法构建获得。
28.在一些实施例中，所述将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值，包括：
29.将所述至少一个目标电价子序列输入长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机预测模型；
30.通过所述长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机模型对所述至少一个目标电价子序列分别进行预测处理，得到子序列电价预测值。
31.在一些实施例中，所述余弦组合预测模型的构建过程，包括：
32.构建余弦组合预测模型，其中：
33.初始优化模型：
34.电价实际值向量与子序列电价预测值向量之间的夹角余弦为：
[0035][0036]
其中，f
t
表示第t时刻的电价实际值向量，表示第t时刻的子序列电价预测值向量，m表示预测模型中进行预测的单项预测方法个数，m为正整数，l
it
表示第i种单项预测方法第t时刻在所述余弦组合预测模型中的加权系数，n表示时刻t的最大时刻值，n为正整数，fit
表示第i种单项预测方法第t时刻的预测值；
[0037]
通过所述初始优化模型对所述子序列电价预测值和电价实际值进行相关性预测，得到电价实际值向量与子序列电价预测值向量之间的夹角余弦，将所述夹角余弦作为相关性指数；
[0038]
目标函数向量夹角余弦的最大值为：
[0039][0040]
其中，约束条件为：
[0041][0042]
将达到目标函数最大值的初始优化模型作为余弦组合预测模型，输出对应时刻的所述子序列电价预测值为所述实时电价预测值。
[0043]
在一些实施例中，所述通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据，包括：
[0044]
获取市场供需指数；
[0045]
将所述电力功率预测值、所述实时电价预测值和所述市场供需指数输入分时段组合预测模型；
[0046]
通过所述分时段组合预测模型对电力交易进行预测处理，得到所述电力交易辅助决策数据。
[0047]
基于同一个发明构思，本公开的第二方面提出了一种电力交易决策装置，包括：
[0048]
气象预报模块，被配置为获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；
[0049]
其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；
[0050]
电力功率预测模块，被配置为通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；
[0051]
实时电价预测模块，被配置为获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；
[0052]
辅助决策模块，被配置为通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。
[0053]
基于同一发明构思，本公开的第三方面提出了一种电子设备，包括存储器、处理器及存储在所述存储器上并可由所述处理器执行的计算机程序，所述处理器在执行所述计算机程序时实现如上所述的方法。
[0054]
基于同一发明构思，本公开的第四方面提出了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使计算机执行如上所述的方法。
[0055]
从上面所述可以看出，本公开提供的一种电力交易决策方法及相关设备，通过预测模型分别对气象预报值和历史电价序列进行预测处理，得到气象预报值对应的电力功率预测值和实时电价预测值，通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据，通过所述电力交易辅助决策数据制定精准有效的电力交易策略，提高电力交易决策能力。对整个电力系统来说，通过制定电力交易策略可以更好的完善参与电力市场机制，更大程度上优化资源的配置，实现电力系统的稳定运行；辅助发电企业参与电力市场交易，企业在电力市场交易中提升收益，并更好的制定合理的发电计划；通过技术研究和系统建设，强化交易业务和数据管理信息化，降低各项电力市场交易管理和人工成本。
附图说明
[0056]
为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0057]
图1a为本公开实施例的电力交易决策方法的流程图；
[0058]
图1b为本公开实施例的天气结算模型示意图；
[0059]
图1c为本公开实施例的气象结合算法示意图；
[0060]
图1d为本公开实施例的功率预测控制减少偏差示意图；
[0061]
图1e为本公开实施例的电价预测模型示意图；
[0062]
图1f为本公开实施例的交易策略建立模型流程示意图；
[0063]
图1g为本公开实施例的产品部署结构示意图；
[0064]
图1h为本公开实施例的网络部署结构示意图；
[0065]
图1i为本公开实施例的系统整体业务数据流示意图；
[0066]
图2为本公开实施例的电力交易决策装置的流程图；
[0067]
图3为本公开实施例的电子设备的结构示意图。
具体实施方式
[0068]
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
[0069]
需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
[0070]
如上所述，如何制定精准有效的电力交易策略，提高电力交易决策能力，成为了一
个重要的研究问题。
[0071]
基于上述描述，如图1a所示，本实施例提出的电力交易决策方法，所述方法包括：
[0072]
步骤101，获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值。
[0073]
其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值。
[0074]
具体实施时，通过气象观测获取气象预报观测值，将所述气象预报观测值作为气象预报初值输入多源集合预报模型进行预报处理，得到气象预报值。
[0075]
所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象相关的样本数据包括下列至少之一：天气样本数据、温度样本数据、湿度样本数据、降水样本数据、风速样本数据、风向样本数据、云量样本数据、云底高度样本数据、地面气压样本数据。
[0076]
所述气象预报值包括下列至少之一：天气预报值、温度预报值、湿度预报值、降水预报值、风速预报值、风向预报值、云量预报值、云底高度预报值、地面气压预报值。
[0077]
步骤102，通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值。
[0078]
具体实施时，所述最佳预报算法模型通过分时段组合预测模型获得，所述最佳预报算法模型为与多个时段匹配的最佳预报算法模型。
[0079]
步骤103，获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值。
[0080]
具体实施时，所述余弦组合预测模型就是基于向量夹角余弦的固定权重或变权重的最优组合预测模型，所述余弦组合预测模型通过分段线性回归算法、机器学习算法和深度学习算法构建获得。
[0081]
步骤104，通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。
[0082]
具体实施时，所述分时段组合预测模型通过机器学习算法构建获得。
[0083]
在上述方案中，通过预测模型分别对气象预报值和历史电价序列进行预测处理，得到气象预报值对应的电力功率预测值和实时电价预测值，通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据，通过所述电力交易辅助决策数据制定精准有效的电力交易策略，提高电力交易决策能力。对整个电力系统来说，通过制定电力交易策略可以更好的完善参与电力市场机制，更大程度上优化资源的配置，实现电力系统的稳定运行；辅助发电企业参与电力市场交易，企业在电力市场交易中提升收益，并更好的制定合理的发电计划；通过技术研究和系统建设，强化交易业务和数据管理信息化，降低各项电力市场交易管理和人工成本。
[0084]
在一些实施例中，步骤101包括：
[0085]
步骤1011，所述多源集合预报模型的输入为多个气象预报初值，其中，所述气象预报初值为多个相关性不紧密的值。
[0086]
具体实施时，所述气象预报初值是气象预报观测值，由多个相关性不紧密的值组成，可以减少数值预报的误差，使得到的气象预报初值包含未来大气可能出现的所有状态，
从而达到提高预报水平的目的。
[0087]
如图1b所示，图1b为实施例的天气结算模型示意图，通过所述天气结算模型得到所述气象预报观测值，通过将历史30年气象模拟和历史观测资料输入订正系统进行不断计算处理，得到历史气象数据；将所述历史气象数据通过高精度历史模拟资料进行模拟分析处理，得到气象模拟数据，将所述历史模拟数据经过气象网络分析和网格区域划分得到气象预报观测值。
[0088]
步骤1012，采用数值模式算法对所述气象预报初值进行处理，得到多个气象预报值，将所述气象预报值作为输出。
[0089]
其中，所述数值模式算法包括下列至少之一：初值集合算法、参数化集合算法和多模式集合算法。
[0090]
具体实施时，如图1c所示，图1c为实施例的气象结合算法示意图，所述数值模式算法就是气象集合算法，所述气象集合算法根据给气象预报值带来不确定性的来源划分，可以分为初始场扰动集合、参数化方案集合和多模式集合，所述初始场扰动集合分为蒙特卡洛法、时间滞后法、奇异向量法、集合卡尔曼滤波、观测扰动法和增长模繁殖法，所述参数化方案集合分为水平分辨率、垂直层数、地形和物理过程，所述多模式集合分为算术平均、加权平均、多元回归和神经网络。
[0091]
在上述方案中，通过多源集合预报模型对气象预报初值进行预测得到气象预报值，进而可以对所述气象预报值进行预测处理得到所述气象预报值对应的电力功率预测值，进而提高交易决策能力。
[0092]
在一些实施例中，步骤102包括：
[0093]
步骤1021，通过预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测区间。
[0094]
具体实施时，所述预报算法模型是在线人工智能算法模型库，通过预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测区间。
[0095]
步骤1022，获取电力功率预测区间对应的多个时段。
[0096]
步骤1023，将所述电力功率预测区间进行反向回归分析处理，得到所述多个时段的偏差区间概率。
[0097]
具体实施时，将所述电力功率预测区间结合历史误差数据进行反向回归分析处理，得到所述多个时段的偏差区间概率。如图1d所示，图1d为实施例的功率预测控制减少偏差示意图，对全球天气预报初始场进行数据处理得到网格化高精度数值天气预报，所述网格化高精度数值天气预报为多组具有概率分布的数值天气预报；将实时出力、机组运行数据、实测气象、检修故障容量和断面约束情况输入理论概率模型，经过历史数据统计模型计算理论功率，得到历史误差数据，所述历史误差数据包括：历史实测气象数据、历史发电能力预测数据、历史运行及出力数据、开机/检修/故障容量、日前断面约束信息和历史理论功率数据，将所述历史误差数据与数值天气预报进行预测处理，得到日前发电能力区间预测结果。将日前发电能力区间预测结果和实时发电能力区间预测结果进行分析处理得到日前功率预测偏差、日内功率预测偏差和实时功率预测偏差。
[0098]
步骤1024，通过分时段组合预测模型结合所述偏差区间概率进行预测处理，得到与所述多个时段匹配的最佳预报算法模型，其中，所述分时段组合预测模型通过机器学习
算法构建获得。
[0099]
具体实施时，在以上步骤中，通过除可以得到与所述多个时段匹配的最佳预报算法模型外，还可以得到与所述多个时段匹配的最佳预报算法模型。
[0100]
步骤1025，通过所述最佳预报算法模型对所述电力功率预测区间进行筛选处理，得到所述气象预报值对应的电力功率预测值。
[0101]
在上述方案中，通过所述最佳预报算法模型对所述电力功率预测区间进行筛选处理，得到所述气象预报值对应的电力功率预测值，可以合理控制所述电力功率预测值的正负偏差。
[0102]
在一些实施例中，步骤103包括：
[0103]
步骤1031，获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列。
[0104]
步骤1032，将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值。
[0105]
步骤1033，将所述子序列电价预测值输入预先构建的余弦组合预测模型进行电价预测处理，得到实时电价预测值。
[0106]
具体实施时，价格预测算法研究思路主要包括：特征提取、大数据训练和支持向量机。特征提取部分对历史燃煤各项价格指数、历史出清价格数据、历史发布日前市场供需信息、发布实时市场供需信息、历史当期大范围气象信息等特征进行相关性系数的提取，通过极端学习机和神经网络进行未来特征提取，发现电价的关键相关因素；大数据训练部分对大量样本数据进行训练；支持向量机部分首先对原始数据进行归一化处理，对处理后的数据进行训练优化，选择参数及核函数进行预测，对预测效果进行检验，将实际值与预测值进行比较，比较结果为满意时，继续进行预测及误差分析，比较结果为不满意时，继续返回选择参数及核函数步骤，重新进行预测，通过预测处理得到算法模型价格预测。将历史电价通过基于历史数据线性回归直接预测价格；通过历史电价和相关性系数预测得到相似日价格，即子序列电价预测值；通过基于向量夹角余弦的最优组合预测模型对直接预测价格、相似日价格和算法模型价格预测进行电价预测处理，得到实时电价预测值，其中，基于向量夹角余弦的最优组合预测模型为余弦组合预测模型。
[0107]
在上述方案中，所述支持向量机模型对于目标电价子序列的拟合效果较好，可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑，降低电力现货市场中的风险。
[0108]
在一些实施例中，步骤1031包括：
[0109]
步骤10311，获取历史电价序列，通过基于互补集总经验模态分解对所述历史电价序列进行分解与重构处理，得到历史电价子序列。
[0110]
步骤10312，利用新能源出力影响量化模型对所述历史电价子序列进行筛选处理，得到至少一个目标电价子序列，其中，所述新能源出力影响量化模型基于随机森林与改进灰色关联逼近理想值算法构建获得。
[0111]
具体实施时，如图1e所示，图1e为实施例的电价预测模型示意图。电价预测模型包括短期电价预测流程和短期电价预测案例。短期电价预测流程包括：将地理信息、气象信息、燃料价格、供需信息和历史电价通过数据驱动的预测模型进行处理后，输入智能算法库
进行算法处理得到短期预测电价，实现对电价的短期预测。其中，所述智能算法库集合信息预测技术和大数据存储和提取技术，可以依托大数据采集和分析预测技术，发现电价的关键相关因素，基于历史规律的辨识和分析，结合相关因素预测信息，实现高精度预测。
[0112]
具体实施时，新能源出力影响量化模型将数据分为多段分别进行线性回归处理，得到预测曲线，通过基于出力机组曲线的分段线性回归对近一周的节点出清价格和近两天的节点出清价格进行线性回归处理，得到预测曲线，从而筛选得到相关性较高的目标电价子序列。
[0113]
在一些实施例中，步骤1032包括：
[0114]
步骤10321，将所述至少一个目标电价子序列输入长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机预测模型。
[0115]
步骤10322，通过所述长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机模型对所述至少一个目标电价子序列分别进行预测处理，得到子序列电价预测值。
[0116]
具体实施时，极限梯度提升算法(xgboost)通过树状图进行预测处理，叶子节点中为预测分值。例如对不同用户喜欢玩游戏的程度进行预测时，输入为用户的年龄和性别，输出得到用户喜欢玩游戏的分值。
[0117]
在一些实施例中，步骤1033包括：
[0118]
构建余弦组合预测模型，其中：
[0119]
步骤10331，初始优化模型：
[0120]
电价实际值向量与子序列电价预测值向量之间的夹角余弦为：
[0121][0122]
其中，f
t
表示第t时刻的电价实际值向量，表示第t时刻的子序列电价预测值向量，m表示预测模型中进行预测的单项预测方法个数，m为正整数，l
it
表示第i种单项预测方法第t时刻在所述余弦组合预测模型中的加权系数，n表示时刻t的最大时刻值，n为正整数，f
it
表示第i种单项预测方法第t时刻的预测值。
[0123]
步骤10332，通过所述初始优化模型对所述子序列电价预测值和电价实际值进行相关性预测，得到电价实际值向量与子序列电价预测值向量之间的夹角余弦，将所述夹角余弦作为相关性指数。
[0124]
步骤10333，目标函数向量夹角余弦的最大值为：
[0125][0126]
其中，约束条件为：
[0127][0128]
步骤10334，将达到目标函数最大值的初始优化模型作为余弦组合预测模型，输出对应时刻的所述子序列电价预测值为所述实时电价预测值。
[0129]
在一些实施例中，步骤104包括：
[0130]
步骤1041，获取市场供需指数。
[0131]
步骤1042，将所述电力功率预测值、所述实时电价预测值和所述市场供需指数输入分时段组合预测模型。
[0132]
步骤1043，通过所述分时段组合预测模型对电力交易进行预测处理，得到所述电力交易辅助决策数据。
[0133]
具体实施时，如图1f所示，图1f为实施例的交易策略建立模型流程示意图。通过现货决策最优申报策略模型实现现货市场交易决策，在进行决策时，要综合考虑收益和风险，既要考虑不确定性的收益最大化，也要进行风险管控。将现货电价预测和短期功率预测的不同场景，例如将场景s1、场景s2、场景s3和场景s4分别对应的ρ
s1
、ρ
s2
、ρ
s3
和ρ
s4
输入随机优化模型，依据原始短期功率预测进行日前申报调整进行日前申报短期功率预测，通过目标函数得到收益最大化得到不同场景下的模拟收益，通过对场景1模拟收益、场景2模拟收益、场景3模拟收益和场景4模拟收益综合考虑进行最优决策，得到市场最优决策。
[0134]
在上述方案中，通过预测模型分别对气象预报值和历史电价序列进行预测处理，得到气象预报值对应的电力功率预测值和实时电价预测值，通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据，通过所述电力交易辅助决策数据制定精准有效的电力交易策略，提高电力交易决策能力。对整个电力系统来说，通过制定电力交易策略可以更好的完善参与电力市场机制，更大程度上优化资源的配置，实现电力系统的稳定运行；辅助发电企业参与电力市场交易，企业在电力市场交易中提升收益，并更好的制定合理的发电计划；通过技术研究和系统建设，强化交易业务和数据管理信息化，降低各项电力市场交易管理和人工成本。
[0135]
需要说明的是，本公开的实施例还可以以下方式进一步描述：
[0136]
首先通过对所在地区的交易规则的深入理解和分析，建立适应交易规则的辅助决策技术研究体系和业务功能设计，开展系统基础软件功能研究和开发；再基于交易中心的市场运行发布数据，进行系统性的数据获取和其他相关行业数据的抓取，构建市场数据分析库，然后进行中长期市场运行数据挖掘分析，建立市场分析模型和中长期决策依据模型。最后通过接入新能源历史发电、气象、预测数据，实现新能源发电的中长期电量预测和发电竞争能力评估，开展新能源电力市场辅助决策技术研究和应用功能开发，提供在不同市场情况的保底建仓和博弈策略制定工具，可以模拟和辅助进行电力市场不同交易的策略制定和复盘分析，辅助发电企业在电力市场交易中提升交易能力和交易水平。
[0137]
步骤1，立足现有调度基础设施、调度控制系统，部署电力市场运营系统，并满足电
力安全防护要求。其中，如图1g所示，图1g为产品部署结构示意图。产品部署结构包括电力调度数据网、电力企业数据网和互联网终端，电力调度数据网分为实时子网和非实时子网，电力调度数据网主要存储生产控制大区的数据，生产控制大区包括安全ⅰ区和安全ⅱ区，安全ⅰ区和安全ⅱ区之间通过防火墙进行隔离，安全ⅰ区进行调度控制，安全ⅱ区具有电力现货市场运营系统市场运行功能，并且可以进行调度计划，电力调度数据网通过纵向加密认证装置与生产控制大区连接；电力企业数据网主要存储管理信息大区的数据，管理信息大区包括电力中长期交易平台和安全ⅲ区，电力中长期交易平台和安全ⅲ区之间通过防火墙进行隔离，安全ⅲ区具有电力现货市场运营系统市场分析管理功能，电力企业数据网通过防火墙与管理信息大区连接；管理信息大区还包括信息外网，信息外网中的电力现货市场运营系统包括信息发布服务和市场申报服务，信息外网通过防火墙和互联网与互联网终端连接。生产控制大区和管理信息大区之间通过正反向隔离装置进行隔离，管理信息大区和信息外网之间通过逻辑强隔离进行隔离。
[0138]
步骤2，多源集合预报：数值预报所用的初值和模式过程彼此之间有一定的差别，反映了大气的不确定性，从而把过去传统意义上单一的确定性天气预报，变成不确定性预报，集合预报是一群由相关性不紧密的一组初值出发，通过数值模式计算得到的一群预报值的方法，其目的就是减少数值预报误差，尽可能使得到的这组不确定性预报包含未来大气可能出现的所有状态，从而达到提高预报水平的目的。集合预报根据给数值预报结果带来不确定性的来源划分，可分为初值集合、物理过程参数化方案集合和多模式集合。
[0139]
步骤3，功率预测控制尽可能减少偏差：将数值预报所用的初值和模式过程彼此之间的差别进行集合预报处理，降低未来大气可能出现的所有状态的影响，从而达到提高预报水平的目的；然后搭建本地化的在线人工智能算法模型库，并输出不同气象预报下的功率预测概率区间，再集合历史误差反向回归分析全天各时段偏差区间概率，然后通过机器学习算法自动建立分时组合功率预测模型，分时段组合预测模型中各个时段匹配最佳气象预报源和功率预测算法，输出的预测值尽可能合理控制预测正负偏差。
[0140]
非负约束条件和归一化条件，提出了一种新的基于向量夹角余弦的变权组合预测模型，以最大化向量夹角余弦作为标准来构造变权重组合预测模型。令预测对象的实际值向量为f＝(f1,f2,
…fn
)
t
，组合预测值向量为，组合预测值向量为则预测对象的实际值向量与组合预测值向量之间的夹角余弦可根据向量间夹角余弦公式得出：
[0141][0142]
f表示小时的功率预测值向量，根据不同时段来确定向量中的权值。为了使组合预测值向量与实际值向量的夹角最小，也就是最大化向量夹角的余弦值，基于向量夹角余弦的变权组合预测模型为：
[0143]
[0144][0145]
步骤4，通过智能算法库—分段线性回归、机器学习和深度学习，建立电价的预测模型。对现货市场统一出清电价的预测包括日前电价预测和日内电价预测，主要采用多算法组合方法。首先采用基于互补集总经验模态分解(ceemd-se)对电价序列进行分解与重构；而后，构建基于随机森林与改进灰色理想值逼近的新能源出力影响量化模型，筛选出与待预测天数关联性较强的历史天作为输入集；其次，采用长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机模型对重构后的多个子序列分别进行预测，基于支持向量机预测模型对于电价序列的拟合效果较好，可为电力现货市场参与主体制定交易策略、现货市场出清撮合提供支撑，降低电力现货市场中的风险。最后基于向量夹角余弦/固定权重或便权重的最优组合预测模型进行组合预测，最终生成可信度高的日前、实时电价预测。
[0146]
不同算法下，电价由于受到许多诸如发发电站的报价模式的影响，但这些人为因素在数学模型中是难以确定的，由于历史报价在一定程度上反映了发电厂的报价模式，所以将历史电价情况作为模型输入的主要参数；电价受电力需求的影响比较大，电力负荷作为模型的另一个主要输入参数，以及天气、温度的预测情况都作为输入参数，通过模型的不断修改，实现电价准确率的提升。
[0147]
将向量夹角余弦和多源气象多算法预测结果相结合，以预测精度作为诱导变量进行有序加权集合集成，并以预测值对数序列与实际值的对数序列之间的向量夹角余弦作为目标函数，建立最优组合模型。
[0148]
步骤5，通过现货电价预测以及新能源的功率预测不断优化交易申报策略模型。根据电力现货市场系列规则，新能源参与中长期交易、分时段交易只能依赖往期市场交易情况以及人工经验，缺乏数据支持。目前新能源场站是采用上报的日前短期功率预测功数据参与日前现货市场出清，新能源发电的波动性和不确定性，使其存在日前和实时的量价偏差结算风险，这个交易的风险最终其实就是一个收益最大化的目标函数，如何考虑不确定性影响因素情况实现收益最大化，需要根据一定的数据进行算账。
[0149]
考虑全网/地区整体气象预报变化和新能源发电同时率对现货市场价格的影响指数，依据市场供需预测和市场价格预测指数实现各种多气象多预测值的出清结算预估和收益对比分析，最终在分时段组合预测模型中进行计及交易损益和量价偏差的获利回收的影响要素，分时段组合预测模型输出的预测值尽可能合理控制预测正负偏差，尽量规避高电价买进风险，从而减少正负偏差对现货交易收益的影响。
[0150]
步骤6，电力现货市场下的申报功率自动获取以及策略自动下发：对于提供api接口的场站功率预测系统，支持短期功率的自动获取以及生成策略的自动下发。对于无api接口的场站功率预测系统，可支持手动导入短期预测，导出申报策略，在功率系统上进行手动下发。
[0151]
步骤7，整体技术架构要遵守如下要点：
[0152]
模块化：系统必须实现符合电力市场系统内在规律的模块化、组件化、服务化结构，且各个模块之间具有有机的关联。系统建成后可以根据管理的流程选择不同的模块或组件进行组合，通过设置模块的功能和模块之间的关系满足不同的管理需求。
[0153]
集成化：系统应具有开放、灵活、符合主流标准的集成框架，各相关应用系统进行有效的集成整合。
[0154]
标准化、规范化：系统需要支持统一的信息编码，编码的标准必须遵循国家、行业的相关标准及本企业的信息编码的有关标准，当标准之间不一致时，应遵循最高标准；整个电力市场辅助决策系统要求规范化，要根据实际情况提出较为规范的业务需求模型和数据编码规范。
[0155]
平台设计：平台的设计要坚持实用性原则，在保持平台总体设计具有前瞻性和先进性的同时，确保平台建设切合实际、符合现状，能够切实解决业务工作中存在的问题，为集团工作人员的业务开展提供强有力的信息化支撑手段。平台的设计要具有一定的先进性，符合标准化、开放式系统互连的原则，总体采用主流soa架构或微服务架构，遵循相应的国际、国内、地方或行业标准。平台的设计要采用模块化、通用化设计，平台各模块之间松散耦合，并对单独设计的各个模块进行整合，易于扩充，以胜任平台应用的扩展。平台的设计要确保平台运行的高效性、可靠性及安全性，同时简化平台的运行管理及维护工作，平台应具备相应的扩展能力，并且所提供的扩展方式不应影响平台工作效率。支持应用级负载均衡，能够管理多个应用服务器和组件的调度和运行。
[0156]
步骤8，核心功能包括：交易申报管理、中长期交易决策管理、现货交易决策管理、预测一体化管理、交易复盘分析管理、交易信息数据维护等模块。
[0157]
中长期交易管理功能模块：主要是实现对各交易类型包括双边协商、集中竞价、挂牌交易等电量、价格的录入、修改、查询等操作管理。
[0158]
交易申报管理功能模块：主要进行用户查询、执行及申报等操作，根据预测电价策略性修改申报曲线，并提交保存确认申报，以及基于未来的功率预测计算逐小时的预测电量，然后再基于分时交易限价规则进行计算可参与分时交易的电量。
[0159]
市场分析及价格预测功能模块：基于历史市场交易数据和市场披露数据，依据新能源总预测、负荷预测+外送电计划与历史数据的供需比最相似的一天，预测现货日前和实时价格。
[0160]
中长期决策功能模块：对不同时间跨度的不同类型的中长期交易包括双边协商、集中竞价、挂牌交易等进行量、价上的推荐参考作为交易策略。
[0161]
现货决策功能模块：通过新建算法方案的方式来对各场站的短期预测功率曲线优化调整来进行交易辅助决策分析及方案对比。
[0162]
复盘分析功能模块：对不同场站、不同周期进行交易复盘，实现已经完成的现货及中长期交易分析情况的的图表展示。
[0163]
步骤9，实施方案
[0164]
a.网络部署结构
[0165]
如图1h所示，图1h为网络部署结构示意图。新能源电力交易辅助决策系统兼容生产运营中心相关系统，在安全ii区预留有未来可扩展的集中风、光功率预测接口，平台可实现任何功率预测厂家数据接入以及交易相关服务。
[0166]
在企业专网部署数据接口服务器2台，一台部署数据接口接入所有功率预测厂家的云端气象预报和原始预测文件，并支持扩展接入各个不同交易服务厂家的数据，然后在另一台服务器中部署如上所述的智能算法以及策略下发交互接口程序，通过智能算法完成
对原始预测文件的处理，智能算法得到预测电价和预测功率，并构建交易策略，负责不同交易策略下发场站执行。
[0167]
在安全iii区部署数据服务器和应用服务器各两台，负责各场站运行数据和交易相关数据的存储以及电力交易平台产品的部署。
[0168]
b.整体业务数据流
[0169]
如图1i所示，图1i为系统整体业务数据流示意图。项目平台建立数据交互中心，通过开发各类标准化接口实现：不同预测厂家云端和子站预测系统的通信；接入不同厂家的预测云端的气象预报及初始功率预测数据，实现多气象预报和多预测源数据的统一管理和分析；实现交易策略的下发执行；与生产运营中心系统进行数据交互集成，实现场站运行实时数据的接入；提供未来扩展接入更多预测和交易服务数据和集成更多厂家应用服务的冗余配置。
[0170]
一台服务器数据接口接入所有功率预测厂家的云端气象预报和原始预测文件，最后该服务器的数据接口将上述交易策略发送到另外一台服务器。
[0171]
需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。
[0172]
需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
[0173]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电力交易决策装置。
[0174]
参考图2，所述电力交易决策装置，包括：
[0175]
气象预报模块201，被配置为获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；
[0176]
其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；
[0177]
电力功率预测模块202，被配置为通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；
[0178]
实时电价预测模块203，被配置为获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；
[0179]
辅助决策模块204，被配置为通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。
[0180]
在一些实施例中，气象预报模块201具体包括：
[0181]
输入单元，被配置为所述多源集合预报模型的输入为多个气象预报初值，其中，所述气象预报初值为多个相关性不紧密的值；
[0182]
输出单元，被配置为采用数值模式算法对所述气象预报初值进行处理，得到多个
气象预报值，将所述气象预报值作为输出；
[0183]
其中，所述数值模式算法包括下列至少之一：初值集合算法、参数化集合算法和多模式集合算法。
[0184]
在一些实施例中，电力功率预测模块202具体包括：
[0185]
预测区间获取单元，被配置为通过预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测区间；
[0186]
时段获取单元，被配置为获取电力功率预测区间对应的多个时段；
[0187]
偏差区间概率获取单元，被配置为将所述电力功率预测区间进行反向回归分析处理，得到所述多个时段的偏差区间概率；
[0188]
最佳预报算法模型获取单元，被配置为通过分时段组合预测模型结合所述偏差区间概率进行预测处理，得到与所述多个时段匹配的最佳预报算法模型，其中，所述分时段组合预测模型通过机器学习算法构建获得；
[0189]
电力功率预测值获取单元，被配置为通过所述最佳预报算法模型对所述电力功率预测区间进行筛选处理，得到所述气象预报值对应的电力功率预测值。
[0190]
在一些实施例中，实时电价预测模块203具体包括：
[0191]
电价子序列获取单元，被配置为获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列；
[0192]
子序列电价预测值获取单元，被配置为将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值；
[0193]
实时电价预测值获取单元，被配置为将所述子序列电价预测值输入预先构建的余弦组合预测模型进行电价预测处理，得到实时电价预测值。
[0194]
在一些实施例中，电价子序列获取单元具体包括：
[0195]
历史电价子序列获取子单元，被配置为获取历史电价序列，通过基于互补集总经验模态分解对所述历史电价序列进行分解与重构处理，得到历史电价子序列；
[0196]
目标电价子序列获取子单元，被配置为利用新能源出力影响量化模型对所述历史电价子序列进行筛选处理，得到至少一个目标电价子序列，其中，所述新能源出力影响量化模型基于随机森林与改进灰色关联逼近理想值算法构建获得。
[0197]
在一些实施例中，子序列电价预测值获取单元具体包括：
[0198]
输入子单元，被配置为将所述至少一个目标电价子序列输入长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机预测模型；
[0199]
输出子单元，被配置为通过所述长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机模型对所述至少一个目标电价子序列分别进行预测处理，得到子序列电价预测值。
[0200]
在一些实施例中，实时电价预测值获取单元具体包括：
[0201]
构建余弦组合预测模型，其中：
[0202]
初始优化模型构建子单元，被配置为
[0203]
初始优化模型：
[0204]
电价实际值向量与子序列电价预测值向量之间的夹角余弦为：
[0205][0206]
其中，f
t
表示第t时刻的电价实际值向量，表示第t时刻的子序列电价预测值向量，m表示预测模型中进行预测的单项预测方法个数，m为正整数，l
it
表示第i种单项预测方法第t时刻在所述余弦组合预测模型中的加权系数，n表示时刻t的最大时刻值，n为正整数，f
it
表示第i种单项预测方法第t时刻的预测值；
[0207]
相关性预测子单元，被配置为通过所述初始优化模型对所述子序列电价预测值和电价实际值进行相关性预测，得到电价实际值向量与子序列电价预测值向量之间的夹角余弦，将所述夹角余弦作为相关性指数；
[0208]
目标函数构建子单元，被配置为
[0209]
目标函数向量夹角余弦的最大值为：
[0210][0211]
其中，约束条件为：
[0212][0213]
实时电价预测值获取子单元，被配置为将达到目标函数最大值的初始优化模型作为余弦组合预测模型，输出对应时刻的所述子序列电价预测值为所述实时电价预测值。
[0214]
在一些实施例中，辅助决策模块204具体包括：
[0215]
市场供需指数获取单元，被配置为获取市场供需指数；
[0216]
输入单元，被配置为将所述电力功率预测值、所述实时电价预测值和所述市场供需指数输入分时段组合预测模型；
[0217]
输出单元，被配置为通过所述分时段组合预测模型对电力交易进行预测处理，得到所述电力交易辅助决策数据。
[0218]
为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
[0219]
上述实施例的装置用于实现前述任一实施例中相应的电力交易决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0220]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的电力交易决策方法。
[0221]
图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器310、存储器320、输入/输出接口330、通信接口340和总线350。其中处理器310、存储器320、输入/输出接口330和通信接口340通过总线350实现彼此之间在设备内部
的通信连接。
[0222]
处理器310可以采用通用的cpu(central processing unit，中央处理器)、微处理器、应用专用集成电路(application specific integrated circuit，asic)、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本说明书实施例所提供的技术方案。
[0223]
存储器320可以采用rom(read only memory，只读存储器)、ram(random access memory，随机存取存储器)、静态存储设备，动态存储设备等形式实现。存储器320可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器320中，并由处理器310来调用执行。
[0224]
输入/输出接口330用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块可以作为组件配置在设备中(图中未示出)，也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。
[0225]
通信接口340用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如usb、网线等)实现通信，也可以通过无线方式(例如移动网络、wifi、蓝牙等)实现通信。
[0226]
总线350包括一通路，在设备的各个组件(例如处理器310、存储器320、输入/输出接口330和通信接口340)之间传输信息。
[0227]
需要说明的是，尽管上述设备仅示出了处理器310、存储器320、输入/输出接口330、通信接口340以及总线350，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。
[0228]
上述实施例的电子设备用于实现前述任一实施例中相应的电力交易决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0229]
基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的电力交易决策方法。
[0230]
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。
[0231]
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的电力交易决策方法，并且具有相应的方法实施例的有益效果，在此不再赘述。
[0232]
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。
[0233]
另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(ic)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。
[0234]
尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态ram(dram))可以使用所讨论的实施例。
[0235]
本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。

技术特征：
1.一种电力交易决策方法，其特征在于，所述方法包括：获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。2.根据权利要求1所述的方法，其特征在于，所述将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值，包括：所述多源集合预报模型的输入为多个气象预报初值，其中，所述气象预报初值为多个相关性不紧密的值；采用数值模式算法对所述气象预报初值进行处理，得到多个气象预报值，将所述气象预报值作为输出；其中，所述数值模式算法包括下列至少之一：初值集合算法、参数化集合算法和多模式集合算法。3.根据权利要求1所述的方法，其特征在于，所述通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值，包括：通过预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测区间；获取电力功率预测区间对应的多个时段；将所述电力功率预测区间进行反向回归分析处理，得到所述多个时段的偏差区间概率；通过分时段组合预测模型结合所述偏差区间概率进行预测处理，得到与所述多个时段匹配的最佳预报算法模型，其中，所述分时段组合预测模型通过机器学习算法构建获得；通过所述最佳预报算法模型对所述电力功率预测区间进行筛选处理，得到所述气象预报值对应的电力功率预测值。4.根据权利要求1所述的方法，其特征在于，所述获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值，包括：获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列；将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值；将所述子序列电价预测值输入预先构建的余弦组合预测模型进行电价预测处理，得到实时电价预测值。5.根据权利要求4所述的方法，其特征在于，所述获取历史电价序列，对所述历史电价序列进行分解重构和筛选处理得到目标电价子序列，包括：
获取历史电价序列，通过基于互补集总经验模态分解对所述历史电价序列进行分解与重构处理，得到历史电价子序列；利用新能源出力影响量化模型对所述历史电价子序列进行筛选处理，得到至少一个目标电价子序列，其中，所述新能源出力影响量化模型基于随机森林与改进灰色关联逼近理想值算法构建获得。6.根据权利要求4所述的方法，其特征在于，所述将所述目标电价子序列输入支持向量机模型进行预测处理，得到子序列电价预测值，包括：将所述至少一个目标电价子序列输入长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机预测模型；通过所述长短期记忆网络或卷积神经网络或极限梯度提升算法或支持向量机模型对所述至少一个目标电价子序列分别进行预测处理，得到子序列电价预测值。7.根据权利要求4所述的方法，其特征在于，所述余弦组合预测模型的构建过程，包括：构建余弦组合预测模型，其中：初始优化模型：电价实际值向量与子序列电价预测值向量之间的夹角余弦为：其中，f
t
表示第t时刻的电价实际值向量，表示第t时刻的子序列电价预测值向量，m表示预测模型中进行预测的单项预测方法个数，m为正整数，l
it
表示第i种单项预测方法第t时刻在所述余弦组合预测模型中的加权系数，n表示时刻t的最大时刻值，n为正整数，f
it
表示第i种单项预测方法第t时刻的预测值；通过所述初始优化模型对所述子序列电价预测值和电价实际值进行相关性预测，得到电价实际值向量与子序列电价预测值向量之间的夹角余弦，将所述夹角余弦作为相关性指数；目标函数向量夹角余弦的最大值为：其中，约束条件为：将达到目标函数最大值的初始优化模型作为余弦组合预测模型，输出对应时刻的所述子序列电价预测值为所述实时电价预测值。8.根据权利要求1所述的方法，其特征在于，所述通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据，包括：
获取市场供需指数；将所述电力功率预测值、所述实时电价预测值和所述市场供需指数输入分时段组合预测模型；通过所述分时段组合预测模型对电力交易进行预测处理，得到所述电力交易辅助决策数据。9.一种电力交易决策装置，其特征在于，包括：气象预报模块，被配置为获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；电力功率预测模块，被配置为通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；实时电价预测模块，被配置为获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；辅助决策模块，被配置为通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1至8任意一项所述的方法。

技术总结
本公开提供一种电力交易决策方法及相关设备，包括：获取气象预报初值，将所述气象预报初值输入预先构建的多源集合预报模型，得到气象预报值；其中，所述多源集合预报模型是通过气象相关的样本数据对卷积神经网络进行训练获得，所述气象预报初值为气象预报观测值；通过最佳预报算法模型对所述气象预报值进行预报处理，得到所述气象预报值对应的电力功率预测值；获取历史电价序列，通过余弦组合预测模型对所述历史电价序列进行预测处理，得到实时电价预测值；通过分时段组合预测模型对所述电力功率预测值和所述实时电价预测值进行预测处理，得到电力交易辅助决策数据。得到电力交易辅助决策数据。得到电力交易辅助决策数据。


技术研发人员：邢朝阳 段再超
受保护的技术使用者：北京东润环能科技股份有限公司
技术研发日：2022.09.07
技术公布日：2023/7/20