基于深度学习的电力现货交易出清的数据分析方法及装置制造方法及图纸

本发明专利技术提供一种基于深度学习的电力现货交易出清的数据分析方法，包括：获取气象资源的资源图谱数据；数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理；通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；对出清数据分析模型进行训练。本发明专利技术考虑数据天气预报的分层结构，提取多层数值天气预报数据，组成多通道数据，输入到卷积神经网络，全连接层加入时序信息，综合考虑时空特征，使得时空特征更好的结合，同时更易于处理。

【技术实现步骤摘要】
基于深度学习的电力现货交易出清的数据分析方法及装置
本专利技术属于电力领域，特别是涉及到一种基于深度学习的电力现货交易出清的数据分析方法及装置。
技术介绍
随着电力机制的不断深化，电力现货市场作为市场化电力电量平衡机制的补充部分，用于实现电力电量平衡、电网安全管理和资源优化配置。而电力现货出清，意味着电力电量的供求均衡；目前电力新能源在电力系统的占比不断提高，但是由于电力新能源(如风电、光伏等)的波动性和随机性，出现了风电、光伏发电送出和消纳困难，客观原因主要体现在电源、电网和负荷，电源分布不合理，电网通道不协调，负荷峰谷差加大，这些客观因素在电力现货市场同样存在。因此，在电力现货中需要分析未来的可能出清情况，为交易决策提供数据支撑，否则很难真正保证供求均衡，现有技术中对未来出清情况的预判存在如下问题：(1)对区域资源水平分析不足，不能整体考虑资源水平相对关系；(2)没有将区域资源情况与现货市场信息紧密结合起来对未来出清进行预判；(3)可提供用于电力现货交易的信息较少，缺少未来出清情况的不确定性信息。因此，如何为电力现货交易的出清分析提供技术支撑，是新能源发电企业亟需解决的难题。
技术实现思路
本专利技术提出一种基于深度学习的电力现货交易出清的数据分析方法及装置，能够为实现准确的对电力现货交易出清的数据分析、为实现交易策略的完善和电力电量的供求均衡提供必要的数据支撑。为达到上述目的，本专利技术的技术方案是这样实现的：一种基于深度学习的电力现货交易出清的数据分析方法，包括：(1)获取气象资源的分层多通道的资源图谱数据；(2)数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；(3)通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；(4)对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据即可得到预测的出清情况。进一步的，步骤(1)中所述获取资源图谱数据的方法包括：(101)获取数值天气预报的数据；(102)对数据进行降尺度处理，(103)提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。进一步的，步骤(2)的具体步骤包括：(201)将资源图谱数据映射到同一特定区间，或者具备相同的数据分布；(202)采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。进一步的，步骤(3)的具体步骤包括：(301)叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；(302)在全连接层接收市场数据，与资源特征组合成新的特征，建立出清数据分析模型。进一步的，步骤(4)中，使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。本专利技术的另一方面，还提出了一种基于深度学习的电力现货交易出清的数据分析装置，包括：气象资源模块，用于获取气象资源的分层多通道的资源图谱数据；数据预处理模块，用于将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；特征处理与建模模块，用于通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；预测模块，用于对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。进一步的，所述气象资源模块包括：获取单元，用于获取数值天气预报的数据；处理单元，用于对数据进行降尺度处理，插值单元，用于提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。进一步的，所述数据预处理模块包括：映射单元，用于将资源图谱数据映射到同一特定区，或者具备相同的数据分布；分层处理单元，用于采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。进一步的，所述特征处理与建模模块包括：卷积神经网络单元，用于叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；在全连接层接收市场数据，与资源特征组合成新的特征，建立出清数据分析模型。进一步的，所述预测模块使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。与现有技术相比，本专利技术具有如下的有益效果：(1)本专利技术考虑数据天气预报的分层结构，提取多层数值天气预报数据，组成多通道数据，输入到卷积神经网络，全连接层加入时序信息(市场交易信息，来源于市场发布的信息，包括负荷结果、火电发电空间数据和新能源发电空间数据)，综合考虑时空特征(资源图谱数据)，使得时空特征更好的结合，同时更易于处理；(2)本专利技术对每个通道的数据分别进行归一化处理消除量纲，然后再次进行标准化处理，得到同趋化后的数据，充分利用不同性质的数据对目标的影响，既能考虑不同数据的性质，又能考虑数据本身的特性；(3)本专利技术为实现准确的对电力现货交易出清的数据分析以及为实现交易策略的完善和电力电量的供求均衡提供必要的数据支撑。附图说明图1是本专利技术实施例中的系统结构示意图；图2是本专利技术实施例的气象资源的资源图谱的示意图；图3是本专利技术实施例的卷积神经网络的整体结构示意图；图4是本专利技术实施例的卷积神经网络的网络模块结构示意图；图5是本专利技术实施例的卷积神经网络的整体网络结构示意图；图6是本专利技术实施例的出清数据分析图。具体实施方式需要说明的是，在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。为使本专利技术专利的目的、特征更明显易懂，下面结合附图对本专利技术专利的具体实施方式作进一步的说明。需说明的是，附图均采用非常简化的形式且均使用非精准的比率，仅用以方便、明晰地辅助说明本专利技术专利实施例的目的。如图1所示，本专利技术包括气象资源模块、数据预处理模块、特征处理与建模模块、预测模块，其中：1)气象资源模块本专利技术的气象资源由数值天气预报获取到，数值天气预报是选用大气运动基本方程组，在给定初始条件和边界条件下，采用数值计算方法来求解大气运动的基本方程组，由已知初始时刻的大气运动状态来预报未来的大气运动状态。本专利技术采用欧洲中期天气预报中心(ECMWF)的数值模型模式输出的数据，平面分辨率为0.5°×0.5°，时间分辨率为3h。对该数据进行降尺度处理，得到时间分辨率为15分钟，空间分辨率接近1km的数据。ECMWF模式数据属于多个要素的数据，本专利技术从中提取并合成出辐照度、风速、风向、温度、湿度本文档来自技高网...

【技术保护点】
1.一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，包括：/n(1)获取气象资源的分层多通道的资源图谱数据；/n(2)数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；/n(3)通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；/n(4)对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。/n

【技术特征摘要】
1.一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，包括：
(1)获取气象资源的分层多通道的资源图谱数据；
(2)数据预处理，将资源图谱数据进行无量纲化处理和同趋化处理，并获取实际出清情况数据；
(3)通过卷积神经网络对数据天气预报图谱进行特征提取，并与市场数据连接，建立出清数据分析模型；所述市场数据包括负荷结果、火电发电空间数据和新能源发电空间数据；
(4)对出清数据分析模型进行训练，得到最终的识别模型，并根据次日的资源图谱数据和市场数据得到预测的出清情况。


2.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(1)中所述获取资源图谱数据的方法包括：
(101)获取数值天气预报的数据；
(102)对数据进行降尺度处理，
(103)提取出多个要素数据，将数据进行组合形成分层的多通道数据，进行插值处理，得到资源图谱数据。


3.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(2)的具体步骤包括：
(201)将资源图谱数据映射到同一特定区间，或者具备相同的数据分布；
(202)采用分层处理方法，首先对每层进行归一化处理，进行数据无量化，最后进行z-score标准化处理，使数据同趋化。


4.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(3)的具体步骤包括：
(301)叠加卷积层和池化层对资源图谱数据进行操作，提取出数值天气预报的特征；
(302)在全连接层接收市场数据，与资源特征组合成新的特征，建立出清数据分析模型。


5.根据权利要求1所述的一种基于深度学习的电力现货交易出清的数据分析方法，其特征在于，步骤(4)中，使用tensorflow框架，对搭建的出清数据分析模型进行训练，得到最终的识别模型。


6.一...

【专利技术属性】
技术研发人员：向婕，雍正，吕建驰，
申请(专利权)人：国能日新科技股份有限公司，
类型：发明
国别省市：北京;11