本发明涉及电力市场，尤其涉及基于ai的新能源场站面向现货市场的功率曲线寻优方法。
背景技术：
1、当前，电力交易市场作为能源行业中的关键组成部分，面临着一系列挑战和不足之处，其中主要问题在于现有的功率曲线调整方法存在一定的局限性。目前，功率曲线的调整通常由交易相关人员手动进行，这不仅具有主观性强、耗时耗力、成本高等问题，而且存在着调整的准确性和一致性的挑战。这些不足之处使得当前的功率曲线调整方式在面对复杂和快速变化的电力市场时显得力不从心。
2、现有技术中，关于价差的预测多集中在实时电价和日前电价的差异上，通过简单的减法运算来获得价差。然而，这种方法存在一个显著的缺陷，即它引入了两个不确定度源，同时实时电价和日前电价的预测误差，导致最终的价差结果呈现出一定的随机性。现有技术对于这种随机性的不足之处在于，它们没有充分考虑各个预测模型带来的不确定度，因而未能有效地进行风险控制。
3、为解决上述问题，本发明通过引入更为全面的预测因素，包括场站功率预测、日前现货电价预测以及日前电价和实时电价的价差预测，不仅能够更准确地定位功率曲线的调整方向，而且通过对不同因子预测模型准确率的综合考虑，建立了更为稳健的最优申报曲线。通过直接预测价差而非简单减法运算，本发明成功规避了引入随机性的问题，从而提高了预测的可信度和稳定性。此外，该模型更注重风险控制，通过对调整比例的细致调整，确保在电力交易决策中充分考虑不同预测模型的不确定度，使整体模型更具适应性和可靠性。因此，本发明克服了现有技术中存在的局限性，为电力交易决策提供了一种更为先进和可靠的解决方案。
技术实现思路
1、本发明旨在解决背景技术中的问题。采用基于人工智能的新能源场站面向现货市场的功率曲线寻优方法，通过预测日前出清电价和实时出清电价的价差，结合多因子综合考虑，构建最优功率曲线申报模型。相较于现有技术，本发明不仅强调智能调整，还注重风险控制，全面考虑不同预测模型的不确定度，以最大程度优化电能量电费，所述方法包括以下步骤：
2、s1,获取多种数据源数据；
3、s2,对数据处理，建立数据特征集；
4、s3,选择重要特征；
5、s4,建立基于机器学习的日前出清电价预测模型，预测日前出清电价；
6、s5,计算历史价差，所述计算历史价差方式包括以下步骤：
7、价差＝日前出清价格-实时出清价格
8、调节方向：价差小于等于0向下调节功率曲线，价差大于0向上调节功率曲线；
9、s6,建立多种模型对价差预测；
10、s7,计算调节方向和调节概率；
11、s8，向上调节比例网格和向下调节比例网格计算；
12、s9，根据日前预测电价和向上调节比例网格及向下调节比例网格，计算出某时刻的调节比例；
13、s10，划分价格段更新调节方向和调节概率；
14、s11，基于调节比例t、向上调节概率p向上调节、向下调节概率p向下调节、调整前q调整前的功率预测和装机容量计算校正调节比例t‘；
15、具体步骤如下：
16、q调整前＜20％装机容量，t‘＝t*(1+|p向上调节-p向下调节)；
17、20％装机容量＜＝＜60％装机容量，t＝t；
18、q调整前＞＝60％装机容量，t‘＝t*(1-|p向上调节-p向下调节|)；
19、s12，基于上述的校正调节比例t‘、调节方向、调整前的功率预测q调整前，计算调整后q调整后的功率预测，其计算方式为：q调整后＝t‘*q，如果q调整后＜0，则；q调整后＝0，如果q调整后＞装机容量，则q调整后＝装机容量。
20、进一步的，所述步骤s1中获取多种数据源数据包括：市场供需数据、市场结算数据、市场合约数据、市场电价数据、天气预报数据、煤价数据、政策数据、新能源场站功率预测数据其中的一种或多种组合。
21、进一步的，所述市场供需数据包括交易中心的日前市场的省内负荷、新能源预测出力、非市场化机组出力、省内总出力、外送联络线计划、水电计划出力、检修容量、必开必停机组数据；
22、所述市场结算数据包括交易中心的日前结算数据和实时结算数据；
23、所述市场合约数据包括交易中心的中长期数据；
24、所述市场电价数据包括交易中心的日前出清电价和实时出清电价；
25、所述天气预报数据包括温度、气压、风速、光照、湿度气象数据；
26、所述煤价数据包括动力煤数据；
27、所述政策数据包括交易省份出清电价上限及下限的政策数据；
28、所述新能源场站功率预测数据包括光伏或者风电的功率预测曲线。
29、进一步的，所述步骤s2建立特征集包括：
30、统计日和小时窗口下各特征的统计值，包括最大值、最小值、均值、中位数、上四分位数、下四分位数、方差；
31、统计历史滞后特征：
32、电价还受到历史的电价和其他输入特征的历史值的影响，因此需要考虑历史滞后数据，d日为目标日，则要考虑d-1、d-2、d-3、d-7、d-14日的历史数据；
33、统计时间相关特征：
34、年、季度、月、旬、周、一月中第几天、一周中第几天、时、分信息；
35、是否是年初、是否是年末、是否是月末、是否是月初、是否是周末、是否是节假日、是否是季度开始信息；
36、距离年初的时长、距离周末的时长、距离节假日的时长信息。
37、进一步的，所述步骤s3选择重要特征包括以下步骤：
38、根据特征之间的相关性,去除相关性小于0.2的冗余特征；
39、使用xgboost算法的feature_importance方法选择重要特征。xgboost是一种集成学习方法，通过组合多个弱学习器(通常是决策树)来构建一个强大的模型。它以梯度提升的方式进行训练，通过迭代逐步改进模型的性能，其中feature_importance方法用于衡量模型中每个特征对预测目标的贡献程度。这种重要性是相对的，通过分析模型中特征在训练过程中的使用情况来计算。特征重要性可以通过两种主要方式进行计算：一是特征在树的分裂过程中被选择的次数，即分裂次数；二是特征在每次分裂时带来的信息增益的平均值。具体选择重要特征的过程如下：
40、模型训练：使用xgboost算法对数据进行训练，构建一个集成模型。
41、特征重要性计算：在训练完成后，通过feature_importance方法计算每个特征的重要性得分。
42、重要性排序：特征重要性的值越高，表示该特征对于模型的预测影响越大。通过将特征按照重要性进行排序，可以识别出最具信息量的特征。
43、特征选择：基于特征重要性的排序，可以选择保留最重要的特征，从而降低维度并提高模型的解释性和泛化能力。
44、进一步的，所述步骤s4中的建立基于机器学习的日前出清电价预测模型包括以下步骤：
45、数据准备：选用步骤s1中的多种数据源数据作为模型的数据集，选用步骤s2建立特征集，将特征集划分为训练集和测试集数据，确保数据格式适用于xgboost、随机森林和lstm；
46、划分数据集：将训练集分为多个子集，使用交叉验证的方式进行划分，确保每个子集都有足够的样本代表整体数据分布；
47、特征工程：特征选择选用步骤s3的方法，对每一个子集进行特征筛选，选取重要度前50的特征作为模型的输入；
48、基模型训练：使用每一个子集训练xgboost模型，调整超参数以提高性能；使用同一子集训练随机森林模型，调整超参数以提高性能；使用同一子集训练lstm模型，确保数据序列长度等参数与模型适配；
49、基模型预测：使用测试集数据，通过训练好的xgboost、随机森林和lstm模型进行预测；
50、构建元特征：将每个基模型的预测结果作为新的元特征，形成一个新的训练集，每个样本在新的训练集中对应xgboost、随机森林、lstm三个模型的预测结果；
51、元模型训练：使用线性模型作为元模型，使用包含基模型的预测结果的训练集和对应的目标变量进行训练；
52、stacking模型预测：使用测试集的基模型预测结果作为元特征，输入到训练好的元模型中，得到最终的基于机器学习的日前出清电价预测模型；
53、模型评估：使用评估指标(如均方根误差、平均绝对误差等)评估基于机器学习的日前出清电价预测模型的性能，以验证模型的预测能力；
54、根据日前出清电价预测结果，为价差预测和调节比例计算提供支持。
55、进一步的，所述步骤s6中的建立多种模型对价差预测包括：建立聚类模型、建立分类模型、建立回归模型以及组合模型。
56、进一步的，所述建立聚类模型包括以下步骤：
57、数据准备：选用步骤s1中的多种数据源数据作为模型的特征集，对特征集进行标准化处理将不同尺度的特征标准化到相同尺度，并将特征集划分为训练集和测试集；
58、特征工程：选用步骤s3的特征选择方法，选用特征重要度前19的特征作为聚类模型的输入；
59、模型建立：建立k-means聚类模型，k-means是一种无监督学习的聚类算法，其目标是将数据集划分成k个簇，使得簇内的数据点相似度高，而簇间的相似度较低，该算法通过迭代优化簇的中心位置来实现，其中超参数k值通过gap统计量计算，选择gap统计量最大的k值作为模型的超参数；
60、聚类调节方向和聚类调节概率：类中都包含了调节方向1和0的数据，统计每个类中1的占比和0的占比，如果1的占比大于0的占比，则该类的调节方向为1，反之该类的调节方向为0，向上调节概率为1的占比，向下调节概率为0的占比；
61、模型预测：使用测试集输入到训练好的k-means模型中，得到测试结果；
62、模型评估：将聚类问题转为分类问题，使用评估指标评估k-means模型的性能，以验证模型的预测能力；
63、进一步的，建立分类模型包括以下步骤：
64、数据准备：选用步骤s1中的多种数据源数据作为模型的数据集，并将步骤s4预测的日前出清电价添加到数据集中，选用步骤s2建立特征集，将特征集划分为训练集和测试集数据，确保数据格式适用于lightgbm；
65、特征工程：特征选择选用步骤s3的方法，对训练集和测试集进行特征筛选，选取重要度前50的特征作为模型的输入；
66、模型建立：建立lightgbm分类模型，它是一种采用梯度提升算法，基于决策树集成，每轮迭代生成一棵新的树，通过加权求和得到最终模型；
67、通过设定超参数学习率、叶子节点数、树的最大深度、叶子节点最小样本数、特征采样比例构建lightgbm分类模型，应用贝叶斯优化算法对lightgbm模型的超参数进行优化，通过不断迭代寻找最优参数组合，将优化后的最优参数输入到lightgbm模型中，构建调节方向分类预测模型；
68、模型预测：使用测试集输入到训练好的lightgbm模型中，得到测试结果；
69、分类调节方向和分类调节概率：lightgbm在处理二分类问题时通常会输出一个概率值，表示一个样本属于正类别的概率，也就是调节方向为1的概率，那么调节方向为0的概率为1减去调节方向为1的概率。lightgbm的预测结果就是分类调节方向；
70、模型评估：使用评估指标评估lightgbm模型的性能，以验证模型的预测能力；
71、进一步的，建立回归模型包括以下步骤：
72、数据准备：选用步骤s1中的多种数据源数据作为模型的数据集，并将步骤s4预测的日前出清电价添加到数据集中，选用步骤s2建立特征集，将特征集划分为训练集和测试集数据，确保数据格式适用于xgboost；
73、特征工程：特征选择选用步骤s3的方法，对训练集和测试集进行特征筛选，选取重要度前50的特征作为模型的输入；
74、模型建立：建立xgboost回归模型，通过设定超参数学习率、树的最大深度、叶子节点最小样本权重和、特征采样比例构建xgboost回归模型，应用贝叶斯优化算法对xgboost模型的超参数进行优化，通过不断迭代寻找最优参数组合，将优化后的最优参数输入到xgboost模型中，构建价差回归预测模型；
75、模型预测：使用测试集输入到训练好的xgboost模型中，得到测试结果；
76、回归调节方向和回归调节概率：通过判断预测价差的正负确定回归调节方向，如果价差小于等于0，则回归调节方向为0，如果价差大于，则回归调节方向为1。调节概率的计算通过引入sigmoid函数计算，sigmoid函数的表达式为：
77、其中x为预测价差，将价差作为sigmoid函数的输入，价差映射到(0,1)的范围，表示回归调节概率；
78、模型评估：将回归问题转为分类问题，使用评估指标(准确率、精确率、召回率、roc曲线、auc)评估xgboost模型的性能，以验证模型的预测能力。
79、进一步的，所述步骤s7中的调节概率计算方式为：
80、
81、
82、综合三个模型的调节方向及调节概率为：
83、
84、其中：acc1、acc2、acc3分别为聚类模型、分类模型、回归模型的准确率；w1为聚类模型中的权重，w2为分类模型中的权重，w3为回归模型中的权重，p1，p2，p3为聚类模型、分类模型、回归模型的向上调节的概率，q1，q2，q3为聚类、分类模型、回归模型的向下调节的概率；
85、进一步的，所述步骤s8计算向上调节比例网格和向下调节比例网格步骤如下：
86、取预测日期前120天的日前电价和实时电价数据以及调整前的预测功率
87、q调整前，数据均是每15分钟一个点，全天96个时刻；
88、提取120天内调节方向为1的所有数据作为data1，提取120天内调节方向为0的所有数据作为data2；
89、对data1和data2中的日前出清电价进行分桶处理，桶的宽度设置为100元/mwh；
90、对data1和data2均按照96时刻和桶进行分组统计，形成行为96时刻，列为桶的网格，每个网格包含0个或者多个日前出清电价、实时出清电价以及调整前的预测功率q调整前数据；
91、对每个网格的日前出清电价、实时出清电价及q调整前进行归一化处理，形成归一化后的日前出清电价p′日前、归一化后的实时出清电价p′实时以及归一化后的调节前的功率预测q′调整前。
92、基于交易规则，确定当前时刻归一化的调整前的功率预测整体收益
93、r′调整前和归一化的调整后的功率预测整体收益r调整后，具体公式如下：
94、r′调整前＝q′中长期p′中长期+(q′调整前-q′中长期)p′日前+(q′实时-q′调整前)p′实时
95、r′调整后＝q′中长期p′中长期+(q′调整后-q′中长期)p′日前+(q′实时-q′调整后)p′实时
96、其中q′中长期为归一化后的中长期电量；p′中长期为归一化后的中长期电价；q′实时为归一化后的实际上网电量；
97、建立目标函数f＝r′调整后-r′调整前，目标函数f的目标结果用于确定当前时刻的申报调节的最优调节比例，根据收益函数，可以计算出
98、f＝(q′调整后-q′调整前)*(p′日前-p′实时)，其中q′调整后＝t*q′调整前，t为调节比例，进一步得出f＝(t-1)*q′调整前*(p′日前-p′实时)，由此可见收益是一个关于调节比例的函数；
99、在数据集data1中，将调节比例t的取值范围设置为[1，2.5]，调节比例的间隔为0.1。具体而言，对于每个价差值，可以计算出在不同调节比例下的16个收益值。最终，获取所有价差对应的所有收益的中位数，并将该中位数对应的调节比例作为在该时刻该桶下的向上调节比例，如果该时刻该桶中没有任何数据，则调节比例设置为1；
100、在数据集data2中，将调节比例t的取值范围设置为[0,1)，调节比例的间隔为0.1。具体而言，对于每个价差值，可以计算出在不同调节比例下的10个收益值。最终，获取所有价差对应的所有收益的中位数，并将该中位数对应的调节比例作为在该时刻该桶下的向下调节比例，如果该时刻该桶中没有任何数据，则调节比例设置为1。；
101、由此得到一个向上调节比例网格和向下调节比例网格；
102、进一步的，所述步骤s10中划分价格段更新调节方向和调节概率的方式包括：
103、将日前预测电价划分为三类：省份出清价格下限、省份出清价格上限以及不属于两者的其他电价。如果日前预测电价为省份出清价格下限，调节方向设置为向下调节，调节概率设置为1，如果日前预测电价为省份出清价格上限，调节方向设置为向上调节，调节概率设置为1，如果日前出清电价为其他电价，调节方向和调节概率不做任何校正。
104、本发明提供的多模态信息融合的文档内容增强检索系统及方法，解决了日前价格和实时价格的价差大小和方向预测，从而确定在日前市场中，新能源场站的功率预测曲线的调整方向，
105、1、基于上述，确定了功率曲线的调整方向后，考虑到预测的准确率和不确定度引出的调节风险，解决了调节比例的问题。
106、2、电力交易市场是一个根据交易规则和气象随时变化的市场，因此功率曲线调节比例不是固定不变，解决了自适应调节比例问题。
107、3、同时智能化的方式来降低现货交易的风险和人工成本。
1.基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述方法包括以下步骤：
2.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s1中获取多种数据源数据包括：市场供需数据、市场结算数据、市场合约数据、市场电价数据、天气预报数据、煤价数据、政策数据、新能源场站功率预测数据其中的一种或多种组合；
3.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s2对数据处理建立数据特征集包括：
4.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s3选择重要特征包括以下步骤：
5.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s4日前出清电价预测模型包括以下步骤：
6.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s6中的建立多种模型对价差预测包括：建立聚类模型、建立分类模型、建立回归模型以及组合模型；
7.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s7中的调节概率计算方式为：
8.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s8计算向上调节比例网格和向下调节比例网格步骤如下：
9.根据权利要求1所述的基于ai的新能源场站面向现货市场的功率曲线寻优方法，其特征在于，所述步骤s10中划分价格段更新调节方向和调节概率的方式包括：
