[发明专利]基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备

权利要求书

1.一种基于人工智能的发电侧电价报价方法，其特征在于，包括：

在电价的多个潜在影响特征中选择相关特征；

利用基于决策树的集成学习框架对所述相关特征的样本数据进行训练得到特征训练模型；

将待预测数据输入到所述特征训练模型得到日前市场节点边际价格确定预测值；

利用分位数回归模型对所述日前市场节点边际价格确定预测值进行处理得到日前市场节点边际价格不确定预测值；

基于日前市场节点边际价格不确定预测值，通过预设的置信区间和分位数回归模型计算区间预测值；

随机生成N个价格场景；其中，N为大于1的整数，每个价格场景的概率为1/N；

构建各个价格场景下的报价决策模型，以及利用构建的报价决策模型确定不同价格场景下的量本利和报价方案。

2.根据权利要求1所述的方法，其特征在于，所述在电价的多个潜在影响特征中选择相关特征，包括：

利用套索算法在电价的多个潜在影响特征中选择相关特征。

3.根据权利要求1或2所述的方法，其特征在于，所述对所述相关特征的样本数据进行训练得到特征训练模型，包括：

利用轻量级梯度提升机对所述相关特征的样本数据进行训练得到特征训练模型。

4.根据权利要求3所述的方法，其特征在于，所述随机生成N个价格场景包括：

采用蒙特卡罗模拟方法随机生成N个价格场景。

5.根据权利要求1或2所述的方法，其特征在于，所述构建各个价格场景下的报价决策模型，包括：

利用动态萤火虫算法计算各个价格场景下的参数，利用计算得到的参数构建报价决策模型。

6.根据权利要求5所述的方法，其特征在于，所述报价预测模型是基于目标函数和约束条件生成的，所述约束条件包括：调频约束条件、申报规则约束条件、发电量约束条件、机组爬坡约束条件、中标电量约束条件中的一种或多种，所述目标函数用于根据发电成本和发电收入实现发电收益最大化；

其中，报价决策模型根据如下公式表示：

R_total＝maxI-C

s.t.为约束条件，I为日前市场发电侧的发电收入；C为日前市场发电侧的发电成本；R_total为最大化日前市场发电侧的发电收益；为在t时刻第n场景下第i机组的日前市场节点边际价格；Q_i，t在t时刻第i机组的发电量；a_i、b_i以及c_i为机组i的成本系数；Q_i，t，s在t时刻第i机组第s段的中标电量；Q_t^min和Q_t^max分别为在t时刻发电侧的最小发电量/大发电量；Q_i^min和Q_i^max分别为i机组的最小/大发电量；μ_t为调频系数，且值为0或1；若μ_t为0，则在t时刻第i机组的发电量趋近于最小出力；若μ_t为1，其趋近于最大出力；f_i^down及f_i^up分别为第i机组的预留下/上调频容量；若机组i不选择调频，则f_i^down及f_i^up都为0；R_i^min及R_i^max分别为i机组的最小/大爬坡量；及为第i机组第s段的报量以及报价；p^b，max及p^b，min分别为报价上下值；为每段最小报量值。

7.根据权利要求1或2所述的方法，其特征在于，所述相关特征包括：历史日前市场价格、全省负荷、外送功率、A类机组负荷、负荷竞价空间。