一种基于时空事件感知的电力数据动态定价优化方法与流程

摘要: 本发明涉及电力大数据与人工智能交叉,具体涉及一种基于时空事件感知的电力数据动态定价优化方法。背景技术:1、待定价电力数据资产的价值受其在电网系统中的空间物理拓扑...
一种基于时空事件感知的电力数据动态定价优化方法与流程

本发明涉及电力大数据与人工智能交叉,具体涉及一种基于时空事件感知的电力数据动态定价优化方法。

背景技术:

1、待定价电力数据资产的价值受其在电网系统中的空间物理拓扑分布、数据对应时刻的电力业务事件背景以及不同市场工况下的需求动态等多重因素的综合影响。因此,如何精准捕获待定价电力数据资产在电网结构中的空间关联特性与事件时间维度的稀缺属性,并对其进行科学、精细化的动态定价,是当前电力数据交易与资产管理领域的研究热点。

2、然而,现有方法普遍采用简单的通用属性评估或基础时间戳编码方式,无法适应电力系统物理实际与业务特性,主要存在以下技术缺陷:第一,无法表征和量化电网拓扑关联特征。现有方法缺乏对数据来源的电网设备标识在电网结构中电气连接关系的感知能力,导致无法识别电网拓扑空间中的数据稀缺性。第二,无法捕获电力业务事件时刻的价值差异。现有方法缺乏对电力业务事件语义的理解与编码能力,难以准确评估事件驱动下的数据时间稀缺性。第三,缺乏对空间与时间多维稀缺特性的综合优化定价机制。现有方法未能将电网拓扑空间特征与事件时间特征进行有效融合与综合价值评估,且无法根据实时状态动态输出最优的价格调整系数,导致定价结果脱离电力系统物理实际,难以实现符合市场需求与业务场景的精细化动态定价优化。

技术实现思路

1、本发明提供了一种基于时空事件感知的电力数据动态定价优化方法,以解决无法表征和量化电网拓扑关联特征、无法捕获电力业务事件时刻的价值差异以及缺乏对时空多维稀缺特性综合优化定价机制的问题。

2、第一方面,本发明提供了一种基于时空事件感知的电力数据动态定价优化方法,包括:

3、获取待定价电力数据资产的元信息;元信息至少包括电网设备标识和数据时间标签;

4、根据电网设备标识,对预训练的图神经网络模型进行检索,得到拓扑空间特征向量;

5、根据预设的电力业务事件字典,对数据时间标签进行事件匹配与编码,生成时间事件特征向量;

6、根据拓扑空间特征向量和时间事件特征向量,构建状态向量;状态向量包括价值特征向量和价值增强因子;

7、将状态向量输入预训练的定价决策模型中进行推理,得到定价优化结果。

8、有益效果:通过获取元信息中的电网设备标识和数据时间标签,利用预训练的图神经网络模型与电力业务事件字典分别生成拓扑空间特征向量与时间事件特征向量,进而构建包含价值特征向量和价值增强因子的状态向量并输入定价决策模型进行推理。本方法实现了对电力数据资产在电网拓扑空间结构与电力业务事件时间维度的联合感知,克服了传统方法无视物理拓扑关联与事件语义价值差异的缺陷,能够自动输出更贴合电力系统物理实际与业务工况的定价优化结果。

9、在一种可选的实施方式中,图神经网络模型通过下述方式训练得到:

10、以电力系统中的电力设备为节点、以不同电力设备间的电气连接线为边,构建电力系统拓扑图;

11、采用图神经网络算法对电力系统拓扑图进行预训练,使相邻节点间的距离小于非相邻节点的距离,并在训练完成后为电力系统拓扑图中的每个节点生成拓扑嵌入向量,得到预训练的图神经网络模型。

12、有益效果:以电力设备为节点、电气连接线为边构建电力系统拓扑图,并采用图神经网络算法进行预训练,使相邻节点间距离小于非相邻节点距离,生成拓扑嵌入向量。该方式将电力系统复杂的物理拓扑和电气耦合关系转化为数据模型可计算的数值特征,使后续定价能够准确识别电网结构中的空间关联属性。

13、在一种可选的实施方式中,根据电网设备标识,对预训练的图神经网络模型进行检索,得到拓扑空间特征向量,包括:

14、根据元信息中的电网设备标识,确定待定价电力数据资产所覆盖的节点;

15、若待定价电力数据资产覆盖一个节点,则将预训练的图神经网络模型中一个节点对应的拓扑嵌入向量作为拓扑空间特征向量;

16、若待定价电力数据资产覆盖多个节点,则将预训练的图神经网络模型中多个节点对应的拓扑嵌入向量进行池化聚合,得到拓扑空间特征向量。

17、有益效果:根据电网设备标识确定待定价电力数据资产覆盖的节点,在覆盖单节点时直接采用其拓扑嵌入向量,覆盖多节点时进行池化聚合。该特征使定价方案既能精准评估单一设备节点数据的空间特性,又能有效表征跨多个节点组合数据包的整体拓扑空间特征,提升了空间特征提取的适应性与准确性。

18、在一种可选的实施方式中,在若待定价电力数据资产覆盖多个节点,则将预训练的图神经网络模型中多个节点对应的拓扑嵌入向量进行池化聚合,得到拓扑空间特征向量之后,方法还包括:

19、计算聚合后的拓扑空间特征向量与每个节点对应的拓扑嵌入向量之间的平均欧氏距离,并根据平均欧氏距离计算协同增益因子。

20、有益效果:在覆盖多个节点时计算聚合后的拓扑空间特征向量与各节点拓扑嵌入向量之间的平均欧氏距离,并据此计算协同增益因子。该特征量化了组合数据因覆盖不同电气特性区域而产生的系统性协同分析价值,实现了对多节点组合电力数据包的合理协同溢价评估,解决了传统方法对组合数据仅做简单累加的不足。

21、在一种可选的实施方式中,根据预设的电力业务事件字典,对数据时间标签进行事件匹配与编码,生成时间事件特征向量,包括:

22、采用正弦-余弦循环编码,对数据时间标签中的周期分量进行编码,得到周期性时间编码;

23、根据电网设备标识确定数据来源区域,并根据数据时间标签确定数据时间窗口;

24、将数据来源区域和时间窗口,与预设的电力业务事件字典中不同事件类型的时间区间和影响区域进行匹配,得到事件编码向量,匹配过程包括,当匹配成功时,确定事件编码向量中的事件编码位为对应事件类型的事件强度等级,当匹配失败时,确定事件编码向量中的事件编码位为零;

25、根据数据时间标签中的生成结束时间与当前定价时间的时间间隔计算数据存续时长,并将数据存续时长映射为时效性编码;

26、将周期性时间编码、事件编码向量以及时效性编码进行拼接,得到时间事件特征向量。

27、有益效果:采用正弦-余弦循环编码提取周期分量,结合事件字典与数据来源区域、数据时间窗口匹配生成事件编码向量,并基于数据存续时长映射时效性编码,最后拼接得到时间事件特征向量。该特征实现了对数据时间规律、极端事件语义以及数据时效性衰减特性的多维度综合编码,使定价模型能够精准捕获特殊业务事件时刻的数据价值差异。

28、在一种可选的实施方式中,元信息包括电网设备标识、数据时间标签、数据类型标识、数据规模信息、数据使用者信息以及数据使用场景信息。

29、有益效果:将元信息的提取范围扩充至电网设备标识、数据时间标签、数据类型标识、数据规模信息、数据使用者信息以及数据使用场景信息。这为后续状态向量的构建提供了更为全面、详实的数据本体与上下文背景特征,提高了定价优化过程的全面性。

30、在一种可选的实施方式中,根据拓扑空间特征向量和时间事件特征向量,构建状态向量,包括:

31、根据数据类型标识生成数据类型编码,根据数据规模信息生成数据规模特征;

32、根据拓扑空间特征向量和时间事件特征向量,量化时空稀缺性与协同性,生成价值增强因子;

33、将拓扑空间特征向量、时间事件特征向量、数据类型编码以及数据规模特征进行拼接,得到价值特征向量;

34、将价值特征向量和价值增强因子进行拼接,得到状态向量。

35、有益效果:基于数据类型标识生成数据类型编码,基于数据规模信息生成数据规模特征,并将拓扑空间特征向量、时间事件特征向量与上述编码特征拼接得到价值特征向量,再与价值增强因子二次拼接构成状态向量。该特征实现了数据本体属性、时空感知特征与价值增强因子的结构化融合,构建了高维稠密的状态表征,为定价决策模型提供了完备的状态输入。

36、在一种可选的实施方式中,根据拓扑空间特征向量和时间事件特征向量,量化时空稀缺性与协同性,生成价值增强因子,包括:

37、根据电网设备标识,确定待定价电力数据资产对应的节点所属的功能区类型、用电密度以及历史数据需求热度,根据功能区类型、用电密度以及历史数据需求热度,设置节点类型价值系数;

38、根据邻域节点的数量和节点类型价值系数,计算拓扑稀缺性指数,邻域节点为与节点的余弦相似度大于或等于预设阈值的节点;

39、利用s型函数,根据事件编码向量中事件类型对应的年平均发生频次与所有事件类型中的最大年发生频次之间的差值,计算时间稀缺性指数;

40、根据预设的拓扑权重和时间权重,对拓扑稀缺性指数和时间稀缺性指数进行加权求和,得到时空联合稀缺性指数;

41、若待定价电力数据资产覆盖一个节点,则将时空联合稀缺性指数作为价值增强因子;

42、若待定价电力数据资产覆盖多个节点,则将时空联合稀缺性指数与协同增益因子组合为价值增强因子。

43、有益效果:引入节点类型价值系数综合评估功能区类型、用电密度与需求热度,结合邻域节点数量计算拓扑稀缺性指数,利用s型函数根据事件发生频次计算时间稀缺性指数,并加权融合生成时空联合稀缺性指数,再结合协同增益因子组合为价值增强因子。该特征实现了对设备物理稀缺性、节点业务价值以及事件稀有程度的精细化定量评估,避免了对孤立节点一刀切式的误判,使价值增强因子的量化更为科学合理。

44、在一种可选的实施方式中,定价决策模型通过下述方式训练得到:

45、构建包含策略网络与交易环境的定价决策模型,交易环境根据策略网络输出的价格调整系数计算经济收益子奖励,并将经济收益子奖励与社会效益激励值的加权和作为奖励函数反馈至策略网络;

46、采用深度确定性策略梯度算法对策略网络进行迭代训练,在每次迭代训练中,策略网络根据输入的状态向量输出价格调整系数,并将交易环境返回的奖励函数的值转移至下一个状态向量,以最大化累积期望奖励为目标更新策略网络的参数,直至策略网络收敛,得到训练完成的定价决策模型。

47、有益效果:构建包含策略网络与交易环境的定价决策模型,以经济收益子奖励与社会效益激励值的加权和作为奖励函数,采用深度确定性策略梯度算法进行迭代训练直至收敛。该强化学习机制使模型能够通过与交易环境的持续交互,自动学习在不同时空事件感知状态下的最优定价决策,兼顾了经济收益与社会效益。

48、在一种可选的实施方式中,奖励函数中的社会效益激励值通过下述方式计算:

49、判断是否满足触发条件,触发条件包括,存在公共应急事件,且待定价电力数据资产所覆盖的节点与公共应急事件的影响区域存在交集且事件类型一致;

50、若满足触发条件,则根据公共应急事件的预警等级确定的应急紧迫度因子、根据所覆盖节点的重合比例与事件类型的匹配系数确定的数据匹配度因子以及预设的社会效益基准激励值,计算社会效益激励值;

51、若不满足触发条件,则将社会效益激励值设为零。

52、有益效果:在存在公共应急事件且设备节点与影响区域有交集、事件类型一致时激活触发条件,基于应急紧迫度因子、数据匹配度因子和社会效益基准激励值计算社会效益激励值,未满足时设为零。该特征建立了自动化、精准化的社会效益评估与触发机制,使电力数据交易系统能够在公共应急状态下自动响应社会需求。

53、在一种可选的实施方式中,将状态向量输入预训练的定价决策模型中进行推理,得到定价优化结果,包括:

54、将状态向量输入定价决策模型中的策略网络进行在线推理,得到最优价格调整系数;

55、根据最优价格调整系数和预设的基准价格,计算最终建议价格;

56、根据待定价电力数据资产的数据类型与历史交易偏好,确定推荐定价模式,并将最终建议价格与推荐定价模式组合为定价优化结果。

57、有益效果:通过策略网络在线推理得到最优价格调整系数,结合基准价格计算最终建议价格,并根据数据类型与历史交易偏好推荐定价模式。该特征实现了快速、高效率的在线定价推理与模式推荐,提高了电力数据交易挂牌与撮合的自动化水平。

58、在一种可选的实施方式中,方法还包括:

59、当社会效益激励值大于零且最终建议价格低于预设定价时,为定价优化结果附带使用限制条件,使用限制条件包括限购次数限制、禁止转售限制、限定使用场景限制以及购买方身份限制中的至少一种;

60、当检测到公共应急事件解除后,将社会效益激励值归零,恢复经济收益子奖励的权重与社会效益激励值的权重为预设配置,并同步取消使用限制条件。

61、有益效果:在社会效益激励值大于零且最终建议价格低于预设定价时附带使用限制条件,并在应急事件解除后归零社会效益激励值、恢复权重配置及取消使用限制。该机制既保证了在公共应急时刻以优惠价格向合规机构提供关键数据支持,又防范了优惠数据的滥用与炒作,并在灾后自动恢复正常市场秩序,实现了公共利益与市场秩序的动态平衡。

62、第二方面,本发明提供了一种电力数据动态定价优化装置,包括:

63、获取模块,用于获取待定价电力数据资产的元信息;元信息至少包括电网设备标识和数据时间标签;

64、检索模块,用于根据电网设备标识,对预训练的图神经网络模型进行检索,得到拓扑空间特征向量;

65、匹配模块,用于根据预设的电力业务事件字典,对数据时间标签进行事件匹配与编码,生成时间事件特征向量;

66、构建模块,用于根据拓扑空间特征向量和时间事件特征向量,构建状态向量;状态向量包括价值特征向量和价值增强因子;

67、推理模块,用于将状态向量输入预训练的定价决策模型中进行推理,得到定价优化结果。

68、第三方面,本发明提供了一种电子设备,包括:存储器和处理器,存储器和处理器之间互相通信连接,存储器中存储有计算机指令,处理器通过执行计算机指令,从而执行上述第一方面或其对应的任一实施方式的一种基于时空事件感知的电力数据动态定价优化方法。

69、第四方面,本发明提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的一种基于时空事件感知的电力数据动态定价优化方法。

70、第五方面,本发明提供了一种计算机程序产品,包括计算机指令,计算机指令用于使计算机执行上述第一方面或其对应的任一实施方式的一种基于时空事件感知的电力数据动态定价优化方法。