基于大数据的智能电力金融交易决策方法和系统技术方案

本申请公开了一种基于大数据的智能电力金融交易决策方法和系统，涉及电力交易技术领域。该方法包括：首先，获取历史电力决策影响数据，并构建初始交易决策模型。接着，获取实时噪声影响数据，通过对初始交易决策模型进行修正，得到修正交易决策模型。获取预估电力负荷数据和多维环境影响数据，用于构建第一决策影响特征和第二决策影响特征。评估这两个特征的实时决策影响能力占比，构建目标决策影响特征。最后，将目标决策影响特征输入修正交易决策模型，得到初始决策结果，并在人工复核后确认目标决策结果。解决了现有的交易决策方法产生的延时性较高并且决策正确率较低的问题。生的延时性较高并且决策正确率较低的问题。生的延时性较高并且决策正确率较低的问题。

【技术实现步骤摘要】
基于大数据的智能电力金融交易决策方法和系统


[0001]本专利技术涉及电力交易
，尤其涉及一种基于大数据的智能电力金融交易决策方法和系统。

技术介绍

[0002]电力金融交易是指在电力行业中进行的金融市场交易，其中涉及电力的购买和销售，以及与电力相关的金融衍生品的交易。电力市场是一个复杂且高度动态的市场，参与者包括电力生产商、供应商、交易商、投资者和消费者等。利用大数据技术可以对电力市场的大量数据进行分析和处理，从而提供更准确、实时的交易决策。
[0003]相关技术中，现有的交易决策方法产生的延时性较高并且决策正确率较低。

技术实现思路

[0004]本专利技术提供了一种基于大数据的智能电力金融交易决策方法和系统，解决了现有的交易决策方法产生的延时性较高并且决策正确率较低的问题。
[0005]第一方面，本专利技术实施例提供了.一种基于大数据的智能电力金融交易决策方法，方法包括：获取历史电力决策影响数据，并构建初始交易决策模型，其中，历史电力决策影响数据包括：历史电力产能数据、历史电力需求数据和历史电力交易数据；获取实时噪声影响数据，并根据实时噪声影响数据，对初始交易决策模型进行修正，以获得修正交易决策模型；获取预估电力负荷数据和多维环境影响数据，并根据预估电力负荷数据构建第一决策影响特征，根据多维环境影响数据构建第二决策影响特征；评估第一决策影响特征和第二决策影响特征的实时决策影响能力占比，并根据实时决策影响能力占比构建目标决策影响特征；将目标决策影响特征输入修正交易决策模型，以获得初始决策结果，在初始决策结果通过人工复核的情况下，将其确定为目标决策结果。
[0006]本申请实施例提供的技术方案至少带来以下有益效果：首先本方案通过多个步骤来改进现有的交易决策方法，以解决其延时性高和决策正确率低的问题。首先，通过获取历史电力决策影响数据，包括历史电力产能、历史电力需求和历史电力交易数据，构建了初始交易决策模型。接着，获取实时噪声影响数据，并根据这些实时数据对初始交易决策模型进行修正，得到了更准确的修正交易决策模型。
[0007]为了更好地理解实时情况，该方案还获取了预估电力负荷数据和多维环境影响数据，并使用这些数据构建了第一和第二决策影响特征。这些特征的计算可以帮助评估实时决策影响能力的占比，即不同决策因素对决策结果的实际影响程度。
[0008]通过评估第一和第二决策影响特征的实时决策影响能力占比，方案进一步构建了目标决策影响特征。这个目标特征可以帮助指导交易决策，使其更贴近实际情况和更准确。
最后，将目标决策影响特征输入修正后的交易决策模型，得到初始决策结果。
[0009]综上，本申请通过充分利用历史和实时数据，构建了更为准确和适应性强的交易决策模型，并且通过目标决策影响特征的应用，可以更好地指导实际交易决策。同时，引入了人工复核的环节，保证了决策结果的可信度和可靠性。从而显著提高交易决策的效率和准确性，从而有效解决现有交易决策方法所面临的问题。
[0010]在一种可选的实施方式中，获取历史电力决策影响数据，并构建初始交易决策模型包括：根据历史电力决策影响数据表征的数据特性，选择对应的初始模型；将历史电力决策影响数据作为训练数据，对初始模型进行训练，以获得初始交易决策模型。
[0011]在一种可选的实施方式中，将历史电力决策影响数据作为训练数据，对初始模型进行训练，以获得初始交易决策模型，包括：将历史电力产能数据作为第一训练数据，以获得第一初始交易决策模型，其中，第一初始交易决策模型为时间序列模型；将历史电力需求数据作为第二训练数据，以获得第二初始交易决策模型，其中，第一初始交易决策模型为回归模型；将历史电力交易数据作为第三训练数据，以获得第三初始交易决策模型，其中，第一初始交易决策模型为神经网络模型；对第一初始交易决策模型、第二初始交易决策模型以及第三初始交易决策模型进行模型融合，以获得初始交易决策模型。
[0012]在一种可选的实施方式中，对第一初始交易决策模型、第二初始交易决策模型以及第三初始交易决策模型进行模型融合，以获得初始交易决策模型，包括：根据第一初始交易决策模型、第二初始交易决策模型以及第三初始交易决策模型的预测结果的准确程度，确定其对应的权重占比；根据权重占比，对第一初始交易决策模型、第二初始交易决策模型以及第三初始交易决策模型进行模型融合。
[0013]在一种可选的实施方式中，获取实时噪声影响数据，并根据实时噪声影响数据，对初始交易决策模型进行修正，以获得修正交易决策模型，包括：对实时噪声影响数据进行数据预处理，以获得满足数据格式要求的实时噪声影响数据；根据实时噪声影响数据与初始交易决策模型中各参数的映射关系，对初始交易决策模型的参数进行动态更新，以获得修正交易决策模型。
[0014]在一种可选的实施方式中，评估第一决策影响特征和第二决策影响特征的实时决策影响能力占比，包括：计算第一决策影响特征与实时决策结果的第一相关系数；计算第二决策影响特征与实时决策结果的第二相关系数；根据第一相关系数和第二相关系数，计算实时决策影响能力占比。
[0015]在一种可选的实施方式中，第一相关系数的计算公式为：r1 = cov(X1，Y) / (std(X1)
ꢀ×
std(Y)) ；
第二相关系数的计算公式为：r2 = cov(X2，Y) / (std(X2)
×
std(Y))；实时决策影响能力占比的计算公式为：A1 = (r1
ꢀ×ꢀ
std(X1)) / (r1
ꢀ×ꢀ
std(X1) + r2
ꢀ×
std(X2))；A2的影响能力占比 = (r2
ꢀ×ꢀ
std(X2)) / (r1
ꢀ×ꢀ
std(X1) + r2
ꢀ×ꢀ
std(X2))；式中，X1为第一决策影响特征，X2为第二决策影响特征，Y为实时决策结果，r1 为第一决策影响特征与实时决策结果的相关系数，r2 为第二决策影响特征与实时决策结果的相关系数，cov为协方差，std为标准差，A1为第一决策影响特征的实时决策影响能力占比，A2为第二决策影响特征的实时决策影响能力占比。
[0016]在一种可选的实施方式中，根据实时决策影响能力占比构建目标决策影响特征，包括：根据第一决策影响特征的实时决策影响能力占比以及第二决策影响特征的实时决策影响能力占比，构建目标决策影响特征；目标决策影响特征的计算公式为：Z = A1
×ꢀ
X1 + A2
ꢀ×ꢀ
X2；式中，Z为目标决策影响特征。
[0017]第二方面，本专利技术实施例提供了一种基于大数据的智能电力金融交易决策系统，系统包括：模型构建模块，用于获取历史电力决策影响数据，并构建初始交易决策模型，其中，历史电力决策影响数据包括：历史电力产能数据、历史电力需求数据和历史电力交易数据；模型优化模块，用于获取实时噪声影响数据，并根据实时噪声影响数据，对初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据的智能电力金融交易决策方法，其特征在于，所述方法包括：获取历史电力决策影响数据，并构建初始交易决策模型，其中，所述历史电力决策影响数据包括：历史电力产能数据、历史电力需求数据和历史电力交易数据；获取实时噪声影响数据，并根据所述实时噪声影响数据，对所述初始交易决策模型进行修正，以获得修正交易决策模型；获取预估电力负荷数据和多维环境影响数据，并根据所述预估电力负荷数据构建第一决策影响特征，根据所述多维环境影响数据构建第二决策影响特征；评估所述第一决策影响特征和所述第二决策影响特征的实时决策影响能力占比，并根据所述实时决策影响能力占比构建目标决策影响特征；将所述目标决策影响特征输入所述修正交易决策模型，以获得初始决策结果，在所述初始决策结果通过人工复核的情况下，将其确定为目标决策结果。2.根据权利要求1所述的基于大数据的智能电力金融交易决策方法，其特征在于，获取历史电力决策影响数据，并构建初始交易决策模型包括：根据所述历史电力决策影响数据表征的数据特性，选择对应的初始模型；将所述历史电力决策影响数据作为训练数据，对所述初始模型进行训练，以获得所述初始交易决策模型。3.根据权利要求1所述的基于大数据的智能电力金融交易决策方法，其特征在于，所述将所述历史电力决策影响数据作为训练数据，对所述初始模型进行训练，以获得所述初始交易决策模型，包括：将所述历史电力产能数据作为第一训练数据，以获得第一初始交易决策模型，其中，所述第一初始交易决策模型为时间序列模型；将所述历史电力需求数据作为第二训练数据，以获得第二初始交易决策模型，其中，所述第一初始交易决策模型为回归模型；将所述历史电力交易数据作为第三训练数据，以获得第三初始交易决策模型，其中，所述第一初始交易决策模型为神经网络模型；对所述第一初始交易决策模型、所述第二初始交易决策模型以及所述第三初始交易决策模型进行模型融合，以获得所述初始交易决策模型。4.根据权利要求1所述的基于大数据的智能电力金融交易决策方法，其特征在于，所述对所述第一初始交易决策模型、所述第二初始交易决策模型以及所述第三初始交易决策模型进行模型融合，以获得所述初始交易决策模型，包括：根据所述第一初始交易决策模型、所述第二初始交易决策模型以及所述第三初始交易决策模型的预测结果的准确程度，确定其对应的权重占比；根据所述权重占比，对所述第一初始交易决策模型、所述第二初始交易决策模型以及所述第三初始交易决策模型进行模型融合。5.根据权利要求1所述的基于大数据的智能电力金融交易决策方法，其特征在于，所述获取实时噪声影响数据，并根据所述实时噪声影响数据，对所述初始交易决策模型进行修正，以获得修正交易决策模型，包括：对所述实时噪声影响数据进行数据预处理，以获得满足数据格式要求的实时噪声影响数据；
根据所述实时噪声影响数据与所述初始交易决策模型中各参数的映射关系，对所述初始交易决策模型的参数进行动态更新，以获得所述修正交易决策模型。6.根据权利要求1所述的基于大数据的智能电力金融交易决策方法，其特征在于，所述评估所述第一决策影响特征和所述第二决策影响特征的实时决策影响能力占比，包括：计算所述第一决策影响特征与实时决策结果的第一相关系数；计算所述第二决...

【专利技术属性】
技术研发人员：田亚军，郑斌，王军，于晗，徐尔丰，王君莹，薛伟业，王雨菁，
申请(专利权)人：浙江浙能数字科技有限公司，
类型：发明
国别省市：