CN111709790A - 一种日前市场异常电价辨识方法、装置、设备和存储介质 - Google Patents
一种日前市场异常电价辨识方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN111709790A CN111709790A CN202010565912.9A CN202010565912A CN111709790A CN 111709790 A CN111709790 A CN 111709790A CN 202010565912 A CN202010565912 A CN 202010565912A CN 111709790 A CN111709790 A CN 111709790A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- abnormal
- day
- node
- preset
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 201
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 159
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012360 testing method Methods 0.000 claims abstract description 101
- 238000007637 random forest analysis Methods 0.000 claims abstract description 57
- 238000013145 classification model Methods 0.000 claims abstract description 29
- 238000012549 training Methods 0.000 claims description 81
- 230000003203 everyday effect Effects 0.000 claims description 22
- 238000013527 convolutional neural network Methods 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 2
- 238000003066 decision tree Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0283—Price estimation or determination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Finance (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Accounting & Taxation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Computing Systems (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
Abstract
本申请公开了一种日前市场异常电价辨识方法、装置、设备和存储介质，获取电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；将每天所有的电价数据作为一个测试样本输入至预置分类模型，输出测试样本的分类结果；当测试样本为异常测试样本时，将异常测试样本对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出条件置信区间；当负荷数据对应的电价数据在负荷数据对应的条件置信区间之外时，该电价数据为异常电价数据，其对应的节点和时刻分别为异常节点和异常时刻，解决了现有的辨识异常电价的方法存在识别率低和效率低，并且无法确定具体是哪个节点和时刻的电价数据异常的技术问题。
Description
技术领域
本申请涉及电力市场技术领域，尤其涉及一种日前市场异常电价辨识方法、装置、设备和存储介质。
背景技术
应用节点电价对电能交易进行结算，以反映电能的时空价值，是电力市场发展的方向。目前，部分电力市场研究进入日前市场试运行阶段，大部分电力市场采用节点电价制度进行结算。与统一电价相比，节点电价背后的出清机理较为复杂，节点电价可能由于物理模型(如机组参数、网络拓扑等)的变化，计算模型参数的采集或传输中的错漏(如网络拓扑与计算模型不同步)，或者遭到人为篡改等而出现异常，这种异常很难通过肉眼发现，给监管和市场透明化带来了困难。现有技术中辨识异常电价存在识别率低和效率低，并且无法确定具体是哪个节点和时刻的电价数据异常的问题。
发明内容
本申请提供了一种日前市场异常电价辨识方法、装置、设备和存储介质，用于解决现有的辨识异常电价的方法存在识别率低和效率低，并且无法确定具体是哪个节点和时刻的电价数据异常的技术问题。
有鉴于此，本申请第一方面提供了一种日前市场异常电价辨识方法，包括：
获取测试节点数据，所述测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；
将所述第一预置天内每天所有节点产生的所述电价数据作为一个测试样本，将所述测试样本输入至预置分类模型，输出所述测试样本的分类结果；
当所述分类结果显示所述测试样本为异常测试样本时，将所述异常测试样本中每个节点在各个时刻对应的所述负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个所述负荷数据条件下的条件置信区间，所述预置随机森林分数位回归模型用于预测所述条件置信区间的下界和上界；
当所述负荷数据对应的所述电价数据在所述负荷数据对应的所述条件置信区间之外时，输出在所述条件置信区间之外的所述电价数据为异常电价数据，所述异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
可选的，所述预置分类模型的配置过程包括：
获取训练节点数据，所述训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的所述电价数据和所述负荷数据；
将所述第二预置天内每天所有节点产生的所述电价数据作为一个训练样本并确定每个所述训练样本的标签，将所述训练样本和所述训练样本对应的标签输入至预置卷积神经网络进行训练，得到所述预置分类模型，其中，所述标签用于指示所述训练样本为正常或异常。
可选的，所述预置卷积神经网络包括多个卷积单元和全连接层；
所述卷积单元由一个卷积层、一个池化层和一个Dropout层构成，所述卷积单元的数量为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
可选的，所述预置随机森林分数位回归模型的配置过程包括：
对每个节点构建随机森林分数位回归模型；
将所述第二预置天内各节点产生的所述负荷数据和所述电价数据同时输入至各节点对应的所述随机森林分数位回归模型进行训练，得到所述预置随机森林分数位回归模型。
本申请第二方面提供了一种日前市场异常电价辨识装置，包括：
第一获取单元，用于获取测试节点数据，所述测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；
第一输入单元，用于将所述第一预置天内每天所有节点产生的所述电价数据作为一个测试样本，将所述测试样本输入至预置分类模型，输出所述测试样本的分类结果；
第二输入单元，用于当所述分类结果显示所述测试样本为异常测试样本时，将所述异常测试样本中每个节点在各个时刻对应的所述负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个所述负荷数据条件下的条件置信区间，所述预置随机森林分数位回归模型用于预测所述条件置信区间的下界和上界；
输出单元，用于当所述负荷数据对应的所述电价数据在所述负荷数据对应的所述条件置信区间之外时，输出在所述条件置信区间之外的所述电价数据为异常电价数据，所述异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
可选的，还包括：
第二获取单元，用于获取训练节点数据，所述训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的所述电价数据和所述负荷数据；
第一训练单元，用于将所述第二预置天内每天所有节点产生的所述电价数据作为一个训练样本并确定每个所述训练样本的标签，将所述训练样本和所述训练样本对应的标签输入至预置卷积神经网络进行训练，得到所述预置分类模型，其中，所述标签用于指示所述训练样本为正常或异常。
可选的，所述预置卷积神经网络包括多个卷积单元和全连接层；
所述卷积单元由一个卷积层、一个池化层和一个Dropout层构成，所述卷积单元的数量为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
可选的，还包括：
构建单元，用于对每个节点构建随机森林分数位回归模型；
第二训练单元，用于将所述第二预置天内各节点产生的所述负荷数据和所述电价数据同时输入至各节点对应的所述随机森林分数位回归模型进行训练，得到所述预置随机森林分数位回归模型。
本申请第三方面提供了一种日前市场异常电价辨识设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的日前市场异常电价辨识方法。
本申请第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储程序代码，所述程序代码用于执行第一方面任一种所述的日前市场异常电价辨识方法。
从以上技术方案可以看出，本申请具有以下优点：
本申请提供了一种日前市场异常电价辨识方法，包括：获取测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；将第一预置天内每天所有节点产生的电价数据作为一个测试样本，将测试样本输入至预置分类模型，输出测试样本的分类结果；当分类结果显示测试样本为异常测试样本时，将异常测试样本中每个节点在各个时刻对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个负荷数据条件下的条件置信区间，预置随机森林分数位回归模型用于预测条件置信区间的下界和上界；当负荷数据对应的电价数据在负荷数据对应的条件置信区间之外时，输出在条件置信区间之外的电价数据为异常电价数据，异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
本申请中的日前市场异常电价辨识方法，首先通过预置分类模型判断全天的电价数据是否存在异常，当某天的电价数据存在异常时，进一步通过预置随机森林分数位回归模型找出该天的异常节点和异常时刻；通过预置分类模型可以快速准确的进行异常电价的辨识，有助于电力市场监管者快速地判断电价出清是否合理；并且，本申请通过预置随机森林分数位回归模型可以快速准确的找出异常节点和异常时刻，有助于电力市场参与者确定市场运行中拓扑或线路参数发生变化的关键时刻，从而解决了现有的辨识异常电价的方法存在识别率低和效率低，并且无法确定具体是哪个节点和时刻的电价数据异常的技术问题。
附图说明
图1为本申请实施例提供的一种日前市场异常电价辨识方法的一个流程示意图；
图2为本申请实施例提供的一种日前市场异常电价辨识方法的另一个流程示意图；
图3为本申请实施例提供的一种日前市场异常电价辨识装置的一个结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解，请参阅图1，本申请提供的一种日前市场异常电价辨识方法的一个实施例，包括：
步骤101、获取测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据。
可以从电力日前市场中获取用于测试的测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据。
步骤102、将第一预置天内每天所有节点产生的电价数据作为一个测试样本，将测试样本输入至预置分类模型，输出测试样本的分类结果。
将获取的电价数据按照天和节点进行整合，将每天所有节点产生的电价数据作为一个测试样本，即一个测试样本为一天的所有电价数据，将测试样本输入预置分类模型，得到测试样本的分类结果，其中，预置分类模型用于判别测试样本为正常测试样本还是异常测试样本，即判断每天的电价数据为正常或异常。
步骤103、当分类结果显示测试样本为异常测试样本时，将异常测试样本中每个节点在各个时刻对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个负荷数据条件下的条件置信区间。
当分类结果显示测试样本为正常测试样本时，说明该天的电价数据正常；当分类结果显示测试样本为异常测试样本时，说明该天的电价数据异常。为了进一步确认该天的异常电价数据所发生的节点和时刻，本申请实施例中将异常测试样本中的各节点在各时刻对应的负荷数据输入至各节点对应的预置随机森林分数位回归模型，得到电价在给定各负荷数据下的条件置信区间，即，输入的每个负荷数据对应输出一个条件置信区间，其中，预置随机森林分数位回归模型用于预测负荷数据对应的条件置信区间的下界和上界。
步骤104、当负荷数据对应的电价数据在负荷数据对应的条件置信区间之外时，输出在条件置信区间之外的电价数据为异常电价数据，异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
在得到条件置信区间后，确定各个负荷数据对应的电价数据是否在负荷数据对应的条件置信区间之外，在条件置信区间之外的电价数据为异常电价数据，该异常电价数据对应的节点为异常节点，该异常电价数据对应的时刻为异常时刻。
本申请实施例中的日前市场异常电价辨识方法，首先通过预置分类模型判断全天的电价数据是否存在异常，当某天的电价数据存在异常时，进一步通过预置随机森林分数位回归模型找出该天的异常节点和异常时刻；通过预置分类模型可以快速准确的进行异常电价的辨识，有助于电力市场监管者快速地判断电价出清是否合理；并且，本申请通过预置随机森林分数位回归模型可以快速准确的找出异常节点和异常时刻，有助于电力市场参与者确定市场运行中拓扑或线路参数发生变化的关键时刻，从而解决了现有的辨识异常电价的方法存在识别率低和效率低，并且无法确定具体是哪个节点和时刻的电价数据异常的技术问题。
以上是本申请提供的一种日前市场异常电价辨识方法的一个实施例，以下是本申请提供的一种日前市场异常电价辨识方法的另一个实施例。
为了便于理解，请参阅图2，本申请提供的一种日前市场异常电价辨识方法的另一个实施例，包括：
步骤201、获取训练节点数据，训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的电价数据和负荷数据。
获取用于训练的训练节点数据，训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的电价数据和负荷数据。假设第二预置天数为K天，日前市场每天出清时段数为T，参与出清的节点数量为N，对第k天的第t个时段和第n个节点，记相应的负荷数据为
电价数据为
其中，k＝1,2,…,K，t＝1,2,…,T，n＝1,2,…,N，对电价数据按照天和节点进行整合，得到的第k天的电价数据可以表示为N×T维电价矩阵：
获取的K天的所有电价数据可以表示为P＝[P(1),P(2),…,P(k),…,P(K)]。
步骤202、将第二预置天内每天所有节点产生的电价数据作为一个训练样本并确定每个训练样本的标签，将训练样本和训练样本对应的标签输入至预置卷积神经网络进行训练，得到预置分类模型。
针对电力市场的节点规模，构建相应的卷积神经网络，卷积神经网络由多个卷积层、池化层、Dropout层以及全连接层堆叠而成，本申请实施例中的预置卷积神经网络各卷积层使用的激活函数为ReLU函数，即：
f(x)＝max{0,x}；
其中，x为输入的训练样本。
全连接层使用的激活函数可以为ReLU函数或sigmoid函数，即：
本申请实施例中的预置卷积神经网络中，每个卷积层后面连接一个池化层和一个Dropout层，定义一个卷积层、一个池化层和一个Dropout层为一个卷积单元，本申请中预置卷积神经网络由多个卷积单元和全连接层构成，其中，卷积单元的数量为M个，M的取值与节点数量相关，M的计算公式为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
设
则预置卷积神经网络一共有m+2个卷积单元，卷积层中的卷积核的大小优选为3×3，在前m个卷积单元中，第一层卷积层中的卷积核的数量优选为8个，前m个卷积单元中除第一层卷积层之外的卷积层中的卷积核的数量为上一层卷积层中卷积核数量的2倍，最后的2个卷积单元中的卷积层的卷积核数量与上一层卷积层的卷积核数量相等。所有的池化层采用最大池化策略，前m个卷积单元的池化层过滤器的大小为2×1，其余池化层过滤器大小为2×2。Dropout层用于防止过拟合，每个Dropout层的dropout_ratio均设置为0.25。在m+2个卷积单元以及一个flatten层后，特征被展开为一个向量，第一个全连接层的神经元个数与上一层的通道数一致，其激活函数为ReLU函数，第二个全连接层的激活函数为sigmoid函数，两个全连接层之间连接有一个Dropout层。
将第二预置天内每天所有节点产生的电价数据作为一个训练样本，即，P＝[P(1),P(2),…,P(k),…,P(K)]为训练集，训练集P中的P(k)为一个训练样本，确定每个训练样本P(k)的标签，其中，标签用于指示训练样本为正常或异常，即确定训练样本P(k)为正常训练样本还是异常训练样本，将训练样本和训练样本对应的标签输入至预置卷积神经网络进行训练，得到预置分类模型，在训练过程中，以交叉熵为损失函数，采用RMSprop算法和5-折交叉验证(5-fold cross validation)的策略对预置卷积神经网络的最优参数进行训练，训练好的分类模型可根据输入的N×T维电价矩阵判断该日的电价数据是否存在异常。
步骤203、对每个节点构建随机森林分数位回归模型。
为了进一步判断异常电价所发生的时刻和节点，构建负荷与电价之间的随机森林分数位回归模型并对该模型进行训练，以获得电价在给定负荷下的条件置信区间。本申请实施例中针对每个节点构建随机森林分数位回归模型，用于预测条件置信区间的下界l和上界u，随机森林分数位回归模型记为y(X,q)＝f(X|s,θ,q)，其中，X为模型输入，训练时，X为第二预置天内各节点在各时刻的负荷数据
以及同一节点在该时刻的前4个时刻的电价数据
其中，输入的X中电价数据的个数可以根据实际情况进行选择，可以是前5个时刻的电价数据，也可以是前3个时刻的电价数据；当t-j<1时，则电价数据为上一天相应时刻的电价数据，即
其输出y(X,q)为给定X时分数位q所对应的电价，s为随机森林分数位回归模型所包含的决策树数量，θ为决策参数，由θ1，θ2,，…，θs构成。
步骤204、将第二预置天内各节点产生的负荷数据和电价数据同时输入至各节点对应的随机森林分数位回归模型进行训练，得到预置随机森林分数位回归模型。
随机森林分数位回归模型y(X,q)＝f(X|s,θ,q)的训练过程与q无关，而是通过以平方误差和为损失函数训练含有同样决策树和决策参数的随机森林模型y(X)＝f0(X|s,θ)，其输出y(X)为给定输入X时的期望电价y。通过5-折交叉验证的方法可以确定最优的参数s，记为s*，随后输入各节点产生的负荷数据和电价数据同时对f0(X|s,θ)进行训练，得到最优的θ，记为
从而得到预置随机森林分数位回归模型。
设训练随机森林分数位回归模型的训练样本数量为l，根据决策树的性质，给定一个X，第j颗决策树会给第i个训练样本输出一个权重
而对应的随机森林分数位回归模型所得的综合权重wi(X)为s*颗决策树的权重平均值，即：
该权重可以用于输出给定X条件下，电价y(y∈R，y为实数集)所对应的累积分布函数的预测
即：
其中，函数1{·}为输入条件的布尔函数，条件为真时取1，否则取0，随机森林分数位回归模型f(X|s*,θ*,q)的输出y(X,q)为：
其中，inf表示集合的下界，本申请实施例中所设置的条件区间的下分位数为0.05，上分位数为0.95，即对应90％置信区间，置信区间断点分别为y(X,0.05)和y(X,0.95)。
步骤205、获取测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据。
可以从电力日前市场中获取用于测试的测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据。其中，第一预置天的日期与第二预置天的日期不同。
步骤206、将第一预置天内每天所有节点产生的电价数据作为一个测试样本，将测试样本输入至预置分类模型，输出测试样本的分类结果。
假设第一预置天数为H，第h天的第t个时段和第n个节点的负荷数据为
电价数据为
其中，h＝1,2,…,H，t＝1,2,…,T，n＝1,2,…,N，将获取的电价数据按照天和节点进行整合，得到的第h天的电价数据可以表示为N×T维电价矩阵：
获取的H天的所有电价数据可以表示为P＝[P(1),P(2),…,P(h),…,P(H)]，将每天所有节点产生的电价数据作为一个测试样本，即
为一个测试样本，将测试样本输入前述步骤配置得到的预置分类模型，得到测试样本的分类结果，其中，预置分类模型用于判别测试样本为正常测试样本还是异常测试样本，即判断每天的电价数据为正常或异常。
步骤207、当分类结果显示测试样本为异常测试样本时，将异常测试样本中每个节点在各个时刻对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个负荷数据条件下的条件置信区间。
当分类结果显示测试样本为正常测试样本时，说明该天的电价数据正常；当分类结果显示测试样本为异常测试样本时，说明该天的电价数据异常。为了进一步确认该天的异常电价数据是哪个节点异常和哪个时刻异常，本申请实施例中将异常测试样本中的各节点在各时刻对应的负荷数据输入至各节点对应的预置随机森林分数位回归模型，得到电价在给定各负荷数据下的条件置信区间，其中，预置随机森林分数位回归模型用于预测负荷数据对应的条件置信区间的下界和上界。
假设，预置分类模型输出测试样本Ph为异常测试样本，即第h天的电价数据
异常，为了进一步确认是第h天的哪个时刻和哪个节点出现异常，将测试样本Ph中每个节点在各个时刻对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，即，将第h天的各个节点的电价数据对应的第h天的各个节点的负荷数据输入至各个节点对应的预置随机森林分数位回归模型，例如，将第h天的第N个节点在第T个时段对应的负荷数据
输入至第N个节点对应的预置随机森林分数位回归模型，输出电价在给定负荷数据
下的条件置信区间，其中，第h天的负荷数据可以表示为：
步骤208、当负荷数据对应的电价数据在负荷数据对应的条件置信区间之外时，输出在条件置信区间之外的电价数据为异常电价数据，异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
在得到电价在给定各个负荷数据下的条件置信区间后，确定各个负荷数据对应的电价数据是否在相应的负荷数据对应的条件置信区间之外，在条件置信区间之外的电价数据为异常电价数据，该异常电价数据对应的节点为异常节点，该异常电价数据对应的时刻为异常时刻。沿用上述例子，通过预置分类模型得到第h天的电价数据存在异常，进而将第h天的各个负荷数据输入预置随机森林分数位回归模型，得到电价在给定各个负荷数据下的各个条件置信区间，假设，第h天的第4个时段的第3个节点的负荷数据
对应的条件置信区间为[l，u]，通过比较发现第h天的第4个时段的第3个节点的负荷数据
对应的电价数据
(真实电价)在条件置信区间[l，u]外，因此，负荷数据
对应的电价数据
为异常电价数据，该异常电价数据
对应的节点N＝3为异常节点，该异常电价数据
对应的时段T＝4对应的时刻为异常时刻。
以上是本申请提供的一种日前市场异常电价辨识方法的一个实施例，以下是本申请提供的一种日前市场异常电价辨识装置的一个实施例。
为了便于理解，请参阅图3，本申请提供的一种日前市场异常电价辨识装置的一个实施例，包括：
第一获取单元301，用于获取测试节点数据，测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据。
第一输入单元302，用于将第一预置天内每天所有节点产生的电价数据作为一个测试样本，将测试样本输入至预置分类模型，输出测试样本的分类结果。
第二输入单元303，用于当分类结果显示测试样本为异常测试样本时，将异常测试样本中每个节点在各个时刻对应的负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个负荷数据条件下的条件置信区间，预置随机森林分数位回归模型用于预测条件置信区间的下界和上界。
输出单元304，用于当负荷数据对应的电价数据在负荷数据对应的条件置信区间之外时，输出在条件置信区间之外的电价数据为异常电价数据，异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
作为进一步的改进，还包括：
第二获取单元305，用于获取训练节点数据，训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的电价数据和负荷数据。
第一训练单元306，用于将第二预置天内每天所有节点产生的电价数据作为一个训练样本并确定每个训练样本的标签，将训练样本和训练样本对应的标签输入至预置卷积神经网络进行训练，得到预置分类模型，其中，标签用于指示训练样本为正常或异常。
作为进一步的改进，预置卷积神经网络包括多个卷积单元和全连接层；
卷积单元由一个卷积层、一个池化层和一个Dropout层构成，卷积单元的数量为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
作为进一步的改进，还包括：
构建单元307，用于对每个节点构建随机森林分数位回归模型。
第二训练单元308，用于将第二预置天内各节点产生的负荷数据和电价数据同时输入至各节点对应的随机森林分数位回归模型进行训练，得到预置随机森林分数位回归模型。
本申请实施例还提供一种日前市场异常电价辨识设备，设备包括处理器以及存储器；
存储器用于存储程序代码，并将程序代码传输给处理器；
处理器用于根据程序代码中的指令执行前述日前市场异常电价辨识方法实施例中的日前市场异常电价辨识方法。
本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码用于执行前述日前市场异常电价辨识方法实施例中的日前市场异常电价辨识方法。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(英文全称：Read-OnlyMemory，英文缩写：ROM)、随机存取存储器(英文全称：RandomAccess Memory，英文缩写：RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种日前市场异常电价辨识方法，其特征在于，包括：
获取测试节点数据，所述测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；
将所述第一预置天内每天所有节点产生的所述电价数据作为一个测试样本，将所述测试样本输入至预置分类模型，输出所述测试样本的分类结果；
当所述分类结果显示所述测试样本为异常测试样本时，将所述异常测试样本中每个节点在各个时刻对应的所述负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个所述负荷数据条件下的条件置信区间，所述预置随机森林分数位回归模型用于预测所述条件置信区间的下界和上界；
当所述负荷数据对应的所述电价数据在所述负荷数据对应的所述条件置信区间之外时，输出在所述条件置信区间之外的所述电价数据为异常电价数据，所述异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
2.根据权利要求1所述的日前市场异常电价辨识方法，其特征在于，所述预置分类模型的配置过程包括：
获取训练节点数据，所述训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的所述电价数据和所述负荷数据；
将所述第二预置天内每天所有节点产生的所述电价数据作为一个训练样本并确定每个所述训练样本的标签，将所述训练样本和所述训练样本对应的标签输入至预置卷积神经网络进行训练，得到所述预置分类模型，其中，所述标签用于指示所述训练样本为正常或异常。
3.根据权利要求2所述的日前市场异常电价辨识方法，其特征在于，所述预置卷积神经网络包括多个卷积单元和全连接层；
所述卷积单元由一个卷积层、一个池化层和一个Dropout层构成，所述卷积单元的数量为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
4.根据权利要求2所述的日前市场异常电价辨识方法，其特征在于，所述预置随机森林分数位回归模型的配置过程包括：
对每个节点构建随机森林分数位回归模型；
将所述第二预置天内各节点产生的所述负荷数据和所述电价数据同时输入至各节点对应的所述随机森林分数位回归模型进行训练，得到所述预置随机森林分数位回归模型。
5.一种日前市场异常电价辨识装置，其特征在于，包括：
第一获取单元，用于获取测试节点数据，所述测试节点数据包括电力日前市场中每个节点在第一预置天内的每个时刻产生的电价数据和负荷数据；
第一输入单元，用于将所述第一预置天内每天所有节点产生的所述电价数据作为一个测试样本，将所述测试样本输入至预置分类模型，输出所述测试样本的分类结果；
第二输入单元，用于当所述分类结果显示所述测试样本为异常测试样本时，将所述异常测试样本中每个节点在各个时刻对应的所述负荷数据分别输入至各个节点对应的预置随机森林分数位回归模型，输出电价在各个所述负荷数据条件下的条件置信区间，所述预置随机森林分数位回归模型用于预测所述条件置信区间的下界和上界；
输出单元，用于当所述负荷数据对应的所述电价数据在所述负荷数据对应的所述条件置信区间之外时，输出在所述条件置信区间之外的所述电价数据为异常电价数据，所述异常电价数据对应的节点和时刻分别为异常节点和异常时刻。
6.根据权利要求5所述的日前市场异常电价辨识装置，其特征在于，还包括：
第二获取单元，用于获取训练节点数据，所述训练节点数据包括电力日前市场中每个节点在第二预置天内的每个时刻产生的所述电价数据和所述负荷数据；
第一训练单元，用于将所述第二预置天内每天所有节点产生的所述电价数据作为一个训练样本并确定每个所述训练样本的标签，将所述训练样本和所述训练样本对应的标签输入至预置卷积神经网络进行训练，得到所述预置分类模型，其中，所述标签用于指示所述训练样本为正常或异常。
7.根据权利要求6所述的日前市场异常电价辨识装置，其特征在于，所述预置卷积神经网络包括多个卷积单元和全连接层；
所述卷积单元由一个卷积层、一个池化层和一个Dropout层构成，所述卷积单元的数量为：
N为参与出清的节点数量，T为日前市场每天出清时段数，
为向下取整函数。
8.根据权利要求6所述的日前市场异常电价辨识装置，其特征在于，还包括：
构建单元，用于对每个节点构建随机森林分数位回归模型；
第二训练单元，用于将所述第二预置天内各节点产生的所述负荷数据和所述电价数据同时输入至各节点对应的所述随机森林分数位回归模型进行训练，得到所述预置随机森林分数位回归模型。
9.一种日前市场异常电价辨识设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-4任一项所述的日前市场异常电价辨识方法。
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用于存储程序代码，所述程序代码用于执行权利要求1-4任一项所述的日前市场异常电价辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010565912.9A CN111709790B (zh) | 2020-06-19 | 2020-06-19 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010565912.9A CN111709790B (zh) | 2020-06-19 | 2020-06-19 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111709790A true CN111709790A (zh) | 2020-09-25 |
| CN111709790B CN111709790B (zh) | 2022-01-07 |
Family
ID=72541227
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010565912.9A Active CN111709790B (zh) | 2020-06-19 | 2020-06-19 | 一种日前市场异常电价辨识方法、装置、设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111709790B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507686A (zh) * | 2020-12-07 | 2021-03-16 | 深圳供电局有限公司 | 用户电价档案管理方法与***、计算机设备、存储介质 |
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794192A (zh) * | 2015-04-17 | 2015-07-22 | 南京大学 | 基于指数平滑、集成学习模型的多级异常检测方法 |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及*** |
| CN108062616A (zh) * | 2017-11-20 | 2018-05-22 | 国网福建省电力有限公司 | 一种具有约束条件的用电异常检测模型 |
| CN109345786A (zh) * | 2018-09-13 | 2019-02-15 | 国网上海市电力公司 | 一种低压非居民用户用电异常情况自动报警*** |
| CN109726731A (zh) * | 2018-07-26 | 2019-05-07 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
-
2020
- 2020-06-19 CN CN202010565912.9A patent/CN111709790B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104794192A (zh) * | 2015-04-17 | 2015-07-22 | 南京大学 | 基于指数平滑、集成学习模型的多级异常检测方法 |
| CN106204335A (zh) * | 2016-07-21 | 2016-12-07 | 广东工业大学 | 一种电价执行异常判断方法、装置及*** |
| CN108062616A (zh) * | 2017-11-20 | 2018-05-22 | 国网福建省电力有限公司 | 一种具有约束条件的用电异常检测模型 |
| CN109726731A (zh) * | 2018-07-26 | 2019-05-07 | 平安科技（深圳）有限公司 | 用电量异常检测方法、装置、设备及可读存储介质 |
| CN109345786A (zh) * | 2018-09-13 | 2019-02-15 | 国网上海市电力公司 | 一种低压非居民用户用电异常情况自动报警*** |
| CN110045209A (zh) * | 2019-05-10 | 2019-07-23 | 广东电网有限责任公司 | 用电数据异常的检测方法、装置、设备及可读存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| PENG LI 等: "Power Network Fault Diagnosis Based on Multi - source Network Message Data", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
| 杨学良 等: "基于随机森林及时间序列模型的电能量异常数据检测及修复方法", 《第三届 智能电网会议论文集 计算机工程与应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112507686A (zh) * | 2020-12-07 | 2021-03-16 | 深圳供电局有限公司 | 用户电价档案管理方法与***、计算机设备、存储介质 |
| CN112819067A (zh) * | 2021-01-28 | 2021-05-18 | 广东电网有限责任公司广州供电局 | 一种配电网不良数据的处理方法、装置、设备和存储介质 |
| CN115409296A (zh) * | 2022-11-02 | 2022-11-29 | 国网江西省电力有限公司电力科学研究院 | 一种有源配电网净负荷概率预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111709790B (zh) | 2022-01-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709790B (zh) | 一种日前市场异常电价辨识方法、装置、设备和存储介质 | |
| CN110473083B (zh) | 树状风险账户识别方法、装置、服务器及存储介质 | |
| CN111553759A (zh) | 一种产品信息推送方法、装置、设备及存储介质 | |
| CN111652066A (zh) | 基于多自注意力机制深度学习的医疗行为识别方法 | |
| CN110852881B (zh) | 风险账户识别方法、装置、电子设备及介质 | |
| CN113592019B (zh) | 基于多模型融合的故障检测方法、装置、设备及介质 | |
| CN110298663A (zh) | 基于序列宽深学习的欺诈交易检测方法 | |
| Li et al. | Multi-factor based stock price prediction using hybrid neural networks with attention mechanism | |
| CN110471821A (zh) | 异常变更检测方法、服务器及计算机可读存储介质 | |
| CN109886554A (zh) | 违规行为判别方法、装置、计算机设备和存储介质 | |
| CN110264270A (zh) | 一种行为预测方法、装置、设备和存储介质 | |
| CN112381019B (zh) | 复合表情识别方法、装置、终端设备及存储介质 | |
| CN116579447A (zh) | 一种基于分解机制和注意力机制的时间序列预测方法 | |
| CN105913142B (zh) | 一种利用车间rfid数据提高订单完工期预测准确度的方法 | |
| CN112767190B (zh) | 一种基于多层堆叠式神经网络的台区相序识别方法及装置 | |
| CN113935413A (zh) | 一种基于卷积神经网的配网录波文件波形识别方法 | |
| CN115952928B (zh) | 一种短期电力负荷预测方法、装置、设备及存储介质 | |
| CN108765137A (zh) | 一种信贷需求预测方法和***、存储介质 | |
| CN112541579A (zh) | 模型训练方法、贫困程度信息识别方法、装置和存储介质 | |
| CN117009785A (zh) | 安全监测方法、装置、服务器及*** | |
| CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、***及设备 | |
| CN111126629A (zh) | 模型的生成方法、刷单行为识别方法、***、设备和介质 | |
| CN110213239A (zh) | 可疑交易报文生成方法、装置及服务器 | |
| CN114970357A (zh) | 节能效果评价方法、***、装置及存储介质 | |
| CN108446890A (zh) | 一种审批模型训练方法、计算机可读存储介质及终端设备 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |