CN114066642A - 电力零售的风险预测方法、终端及存储介质 - Google Patents
电力零售的风险预测方法、终端及存储介质 Download PDFInfo
- Publication number
- CN114066642A CN114066642A CN202111452713.8A CN202111452713A CN114066642A CN 114066642 A CN114066642 A CN 114066642A CN 202111452713 A CN202111452713 A CN 202111452713A CN 114066642 A CN114066642 A CN 114066642A
- Authority
- CN
- China
- Prior art keywords
- user
- power consumption
- power
- prediction model
- classification
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003860 storage Methods 0.000 title claims abstract description 18
- 230000005611 electricity Effects 0.000 claims description 67
- 230000006399 behavior Effects 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 25
- 238000005259 measurement Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000002354 daily effect Effects 0.000 description 7
- 230000005484 gravity Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012821 model calculation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 239000007787 solid Substances 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
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/04—Trading; Exchange, e.g. stocks, commodities, derivatives or currency exchange
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- 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
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Technology Law (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Public Health (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力零售的风险预测方法、终端及存储介质,属于电力交易技术领域。该方法包括:通过用户信息对应的用户画像结果获取用户的分类;计算每个分类中用户的用电量比重,根据分类的历史总用电量、相关因素序列获取各分类对应的预测模型;通过预测模型、所用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值;根据用电偏差值获取售电公司的批零差,通过批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。本发明提高了批零差计算的准确性,保证了对电力交易风险的有效控制,减少了对售电公司正常运营的影响,维护了电力市场的稳定性和安全性。
Description
技术领域
本发明属于电力交易技术领域,具体涉及一种电力零售的风险预测方法、终端及存储介质。
背景技术
售电公司是电力市场化运行中的重要主体之一,同时参与批发市场和零售市场的交易,为终端零售用户承担了批发市场价格波动的风险。为了市场的平稳运行,电力交易中心对售电公司进行交易风险控制显得十分重要。衡量售电公司的交易风险最重要的方法就是其批零差的测算。现有技术通过如下公式计算售电公司的批零差:
S批零测算=S零售收入测算-S批发成本测算;
批零差的测算依赖于零售收入、批发成本,其中,在当前交易市场上,直接使用售电公司与零售用户的电力套餐签约量进行零售收入和批发成本的测算。然而,在计算零售收入时,仅根据零售用户的签约数、套餐电量计算售电公司的零售收入,这种计算方式并未考虑零售用户在实际使用中电量超用或少用导致售电公司出现保证金不足,甚至被停止供电等存在交易风险的情况,影响了售电公司的正常运营和电力市场的稳定性和安全性。因此如何克服现有技术的不足是目前电力交易技术领域亟需解决的问题。
发明内容
本发明的目的是为了解决现有技术的不足,提供一种电力零售的风险预测方法、终端及存储介质,该方法根据用户信息获取用户的分类,根据各分类的历史总用电量、相关因素序列构建每个分类的用电量预测模型,利用该用电量预测模型预测每个用户的月度用电量预测值,基于该月度用电量预测值、套餐签约信息计算每个售电公司的用电偏差值,将该用电偏差值作为批零差计算的基础,根据该批零差获取售电公司的交易风险信息,通过零售收入计算中加入表述电量超用或少用信息的用电偏差值方式,提高了批零差计算的准确性,保证了对电力交易风险的有效控制,减少了对售电公司正常运营的影响,维护了电力市场的稳定性和安全性。
为实现上述目的,本发明采用的技术方案如下:
电力零售的风险预测方法,包括如下步骤:
S101:根据用户信息进行用户画像,并通过用户画像结果获取用户的分类;所述用户信息包括月度用电量信息、相关因素指标序列和用户基础数据;
S102:计算每个分类中用户的用电量比重,根据所述分类的历史总用电量、相关因素序列构建每个分类对应的用电量预测模型,并基于所述用电量预测模型的拟合结果获取各分类对应的预测模型;
S103:通过所述预测模型、所述用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值;
S104:根据所述用电偏差值获取售电公司的批零差,通过所述批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。
进一步,优选的是,根据用户信息进行用户画像的步骤具体包括:
从电力零售交易中心获取用户基础信息,根据用户基础信息中的用户属性、行为特征制作用户标签,根据所述用户标签对用户进行用户画像,以获取用户画像结果。
进一步,优选的是,相关因素指标序列包括历史环境温度序列、历史GDP序列、各行业历史产值序列、各地区历史人口数据序列中的至少一种;
所述用户基础数据包括用户的行业、企业性质、用电电压、地区、用电行为中的至少一种。
进一步,优选的是,通过用户画像结果获取用户的分类的步骤具体包括:
采用基于密度的聚类算法DBSCAN对用户画像结果进行聚类分析,根据聚类结果获取用户的分类。
进一步,优选的是,计算每个分类中用户的用电量比重的步骤具体包括:
计算每个分类的月度历史总用电量以及每个分类中用户的月度历史用电量,根据所述月度历史用电量、月度历史总用电量获取每个分类中用户的用电量比重。
进一步,优选的是,基于所述用电量预测模型的拟合结果获取各分类对应的预测模型的步骤具体包括:
采用AR模型对所述用电量预测模型的拟合误差序列进行预测,根据预测结果修正所述用电量预测模型,并根据修正后的所述用电量预测模型拟合结果判断所述用电量预测模型是否合理;若合理,则确定所述用电量预测模型为预测模型,若不合理,则重新构建用电量预测模型。
进一步,优选的是,根据修正后的所述用电量预测模型拟合结果判断所述用电量预测模型是否合理的步骤具体包括:
获取修正后的用电量预测模型的拟合结果,计算所述拟合结果的均方根误差、R2值、AUC值,根据所述均方根误差、R2值、AUC值判断所述用电量预测模型是否合理。
进一步,优选的是,根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值的步骤具体包括:
根据所述套餐签约信息获取所述售电公司在预设时间段的用户签约数、用户信息以及每个用户的套餐签约量,根据所述用户签约数、套餐签约量获取售电公司的总签约电量;
并根据所述用户信息、用户的月度用电量预测值获取用户的总月度用电量,通过所述总签约电量与所述总月度用电量的差值获取用电偏差值。
本发明同时提供一种智能终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述电力零售的风险预测方法的步骤。
本发明另外提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如上述电力零售的风险预测方法的步骤。
本发明中,用户属性包括用户行业、企业性质;行为特征包括用电行为;用电行为主要包括用电量、用电时间分布。
本发明中,相关因素指标序列包括历史环境温度序列、历史GDP序列、各行业历史产值序列、各地区历史人口数据序列中的至少一种;其中,地区、行业主要是零售用户所在的地区及其行业。
本发明中,根据预测结果修正所述用电量预测模型,修正的具体方法为:预测误差加减上模型预测的值得到最终的预测结果;例如,预测误差为正误差,则减去该误差;预测误差为负误差,则加上该误差。
本发明与现有技术相比,其有益效果为:
本发明提供电力零售的风险预测方法、终端及存储介质,根据用户信息获取用户的分类,根据各分类的历史总用电量、相关因素序列构建每个分类的用电量预测模型,利用该用电量预测模型预测每个用户的月度用电量预测值,基于该月度用电量预测值、套餐签约信息计算每个售电公司的用电偏差值,将该用电偏差值作为批零差计算的基础,根据该批零差获取售电公司的交易风险信息,通过零售收入计算中加入表述电量超用或少用信息的用电偏差值的方式,提高了批零差计算的准确性,保证了对电力交易风险的有效控制,减少了对售电公司正常运营的影响,维护了电力市场的稳定性和安全性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明电力零售的风险预测方法一实施例的流程图;
图2为本发明电力零售的风险预测方法中预测模型获取一实施例的流程图;
图3为本发明电力零售的风险预测方法中交易风险预测一实施例的流程图;
图4为本发明智能终端一实施例的结构图。
具体实施方式
下面结合实施例对本发明作进一步的详细描述。
本领域技术人员将会理解,下列实施例仅用于说明本发明,而不应视为限定本发明的范围。实施例中未注明具体技术或条件者,按照本领域内的文献所描述的技术或条件或者按照产品说明书进行。所用材料或设备未注明生产厂商者,均为可以通过购买获得的常规产品。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
请参阅图1至图3,其中,图1为本发明电力零售的风险预测方法一实施例的流程图;图2为本发明电力零售的风险预测方法中预测模型获取一实施例的流程图;图3为本发明电力零售的风险预测方法中交易风险预测一实施例的流程图。结合图1至图3对本发明电力零售的风险预测方法作详细说明。
在本实施例中,执行电力零售的风险预测方法的设备为智能终端,该智能终端可以为电脑、智能终端、平板电脑、云平台、服务器以及其他能够进行模型创建和批零差计算的智能终端。
其中,电力零售的风险预测方法包括:
S101:根据获取的用户信息进行用户画像,并通过用户画像结果获取用户的分类,用户信息包括月度用电量信息、相关因素指标序列、用户基础数据。
在本实施例中,根据获取的用户信息进行用户画像的步骤具体包括:从电力零售交易中心获取用户信息,根据用户属性、行为特征制作用户标签,根据用户信息、用户标签进行用户画像以获取用户画像结果。
其中,相关因素指标序列包括历史环境温度序列、历史GDP序列、各行业历史产值序列、各地区历史人口数据序列中的至少一种;用户基础数据包括用户的行业、企业性质、用电电压、地区、用电行为中的至少一种。
在本实施例中,历史环境温度序列包括日最高温度数据、日最低温度数据、日平均温度数据、日温度变化曲线以及其他表述环境温度的信息。
在一个具体的实施例中,从电力零售交易中心获取所有用户的月度历史用电量时序图、相关因素指标序列以及用户的一些基础数据。相关因素指标序列需要包括历史环境温度序列(最高温度日数据、最低温度日数据、平均温度日数据)、历史GDP序列、各行业历史产值序列、各地区历史人口数序列;用户的基础数据需要包括用户的行业、企业性质、用电电压、地区、行为。由于系统的用户数量庞大,对每个用户单独进行建模预测显然不现实,另外不同行业用户的特征有明显差别,建立一个大而统的模型不够精准。故收集用户属性和行为特征,制作用户标签,再利用大数据平台对系统所有用户进行用户画像。
在本实施例中,从用户信息中收集用户属性和行为特征,在其他实施例中,还可以在获取用户信息后,通过用户输入、本地存储调取、互联网传输等方式获取用户属性和行为特征。
进行用户画像获取的用户画像结果包括用户所属行业类型划分、用户企业性质划分、用户电压等级特征。将画像结果带入后续步骤对用户进行分类,然后分类建模预测,既能保证可行性又保证一定的准确性。
通过用户画像结果获取用户的分类的步骤具体包括:采用基于密度的聚类算法DBSCAN(Density-Based Spatial Clustering of Applications with Noise),)对用户画像结果进行聚类分析,根据聚类结果获取用户的分类。
在其他实施例中,也可以采用OPTICS算法、DENCLUE算法等基于密度的聚类算法对用户画像结果进行聚类分析。
在一个具体的实施例中,获取用户画像结果数据后,采用基于密度的聚类算法DBSCAN对用户画像结果进行聚类分析,得到n个聚类结果,从而将用户分类成不同的聚类结果中。
S102:计算每个分类中用户的用电量比重,根据分类的历史总用电量、相关因素序列构建每个分类对应的用电量预测模型,并基于用电量预测模型的拟合结果获取各分类对应的预测模型。
计算每个分类中用户的用电量比重的步骤具体包括:计算每个分类的月度历史总用电量以及每个分类中用户的月度历史用电量,根据月度历史用电量、月度历史总用电量获取每个分类中用户的用电量比重。
在一个具体的实施例中,计算每个类别的月度历史总用电量以及每个用户在其类别中的比重,某一用户在其分类中的比重计算如下所示:
基于用电量预测模型的拟合结果获取各分类对应的预测模型的步骤具体包括:采用AR(Autoregressive model,自回归模型)模型对用电量预测模型的拟合误差序列进行预测,根据预测结果修正用电量预测模型,并根据修正后用电量预测模型拟合结果判断用电量预测模型是否合理;若合理,则确定用电量预测模型为预测模型,若不合理,则重新构建用电量预测模型。其中,用电量预测模型为多元线性回归模型。
在本实施例中,通过第三方的库statsmodels构建用电量预测模型。
在一个具体的实施例中,将各类别的历史总用电量和一些相关因素序列输入第三方的库statsmodels构建用电量预测模型,其中,相关因素序列包括历史环境温度序列、GDP、用户所在行业生产值中的至少一种。分别构建不同类型的多元线性回归模型,将该多元线性回归模型作为用电量预测模型以预测其各分类历史总用电量,得到拟合误差。
由于拟合误差具有时间序列特征,故采用AR模型对每类的拟合误差进行预测(AR模型对最初的用电量预测模型的拟合误差序列进行预测,然后将预测的误差加入用电量预测模型形成修正后的模型,使得修正后的模型的拟合精度能更高),来修正各类型的用电量预测模型。
根据修正后用电量预测模型拟合结果判断用电量预测模型是否合理的步骤具体包括:获取修正后的用电量预测模型的拟合结果,计算拟合结果的均方根误差、R2值、AUC值,根据均方根误差、R2值、AUC值判断用电量预测模型是否合理。其中,判断均方根误差、R2值、AUC值是否位于预设范围,若是,则确定用电量预测模型合理,若不在预设范围,则确定用电量预测模型不合理,跳转至初始模型构建步骤以重新根据各分类的历史总用电量和相关因素序列构建用电量预测模型。本发明对于均方根误差、R2值、AUC值的预设范围不做具体限制,根据实际需求设置即可。用户构建用电量预测模型的相关因素序列与上一个构建的用电量预测模型的相关因素序列不同。
在确定构建的用电量预测模型合理后,保存各分类对应的预测模型,并记录各用户的分类及比重,其中,该比重根据用户在其对应的分类中的用电量月平均比重计算得到。
S103:通过预测模型、用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值。
获取预测模型后,获取用户信息的实时信息(包括相关因素指标序列、用户基础数据等信息)、分类信息,输入预测模型以获取每个分类的月度总用电预测值,根据获取的用户的用电量比重、用户所属分类获取每个用户的月度用电量预测值。
根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值的步骤具体包括:根据每个月预测的用户用电量结果、每个月用户的签约电量,计算用电偏差,其计算公式如下:
在本实施例中,预设时间段为预设月份、预设季度、预设星期等预设长度的时间段,可根据构建模型的历史总用电量对应的时间段长度或用户需求进行设置。
S104:根据用电偏差值获取售电公司的批零差,通过批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。
在本实施例中,通过如下公式计算售电公司的批零差:
S批零测算=S零售收入测算-S批发成本测算;
其中,S批零测算为售电公司的批零差,S零售收入测算为售电公司的零售收入,S批发成本测算为售电公司的批发成本,为售电公司的每个用户签约的套餐价格,为售电公司下每个用户签约的套餐电量,N零售是与售电公司签约的零售用户数;P批发交易为售电公司在批发市场的前一月的交易均价,P0为月度上调服务基准价,Q批发交易为售电公司在批发市场的前一月的批发交易电量,Q能力为批发交易系统中售电公司能力值,Q超用测算为售电公司潜在超用电量测算值,Q少用测算为售电公司潜在少用电量测算值,Q少用考核为售电公司潜在少用考核电量,U1为超用电量惩罚系数,U2为少用电量惩罚系数,U1、U2均为现有参数,结合签约的套餐签约电量,计算零售用户超用或者少用电量,每个套餐对用户当月的超用或少用电量设置了一定的惩罚价格分别为为售电公司的超用部分的惩罚价格、为售电公司的少用部分的惩罚价格,为售电公司的交易电量。在S批发成本测算计算中,除了是预测得到,其余参数都是批发侧市场对于某个售电公司给定的固定参数。i为第i个用户。交易电量为最终结算的电量,签约电量为最初预定的电量
在获取批零差后,计算批零差与售电公司的保证金之间的差值(该差值即为风险值),判断该差值所处的范围或等级确定售电公司的交易风险,其中,不同的范围或等级对应的不同的交易风险。售电公司一般有两级保证金,若批零差大于零则没有风险,若批零差小于零是三级交易风险值,若批零差加上一级保证金之和小于零是二级交易风险,若批零差加上一级及二级的保证金之和小于零是一级交易风险。
本发明电力零售的风险预测方法根据用户信息获取用户的分类,根据各分类的历史总用电量、相关因素序列构建每个分类的用电量预测模型,利用该用电量预测模型预测每个用户的月度用电量预测值,基于该月度用电量预测值、套餐签约信息计算每个售电公司的用电偏差值,将该用电偏差值作为批零差计算的基础,根据该批零差获取售电公司的交易风险信息,通过零售收入计算中加入表述电量超用或少用信息的用电偏差值的方式,提高了批零差计算的准确性,保证了对电力交易风险的有效控制,减少了对售电公司正常运营的影响,维护了电力市场的稳定性和安全性。
图4为本发明实施例提供的电子设备结构示意图,参照图4,该电子设备可以包括:处理器(processor)201、通信接口(Communications Interface)202、存储器(memory)203和通信总线204,其中,处理器201,通信接口202,存储器203通过通信总线204完成相互间的通信。处理器201可以调用存储器203中的逻辑指令,以执行如下方法:
S101:根据用户信息进行用户画像,并通过用户画像结果获取用户的分类;所述用户信息包括月度用电量信息、相关因素指标序列和用户基础数据;
S102:计算每个分类中用户的用电量比重,根据所述分类的历史总用电量、相关因素序列构建每个分类对应的用电量预测模型,并基于所述用电量预测模型的拟合结果获取各分类对应的预测模型;
S103:通过所述预测模型、所述用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值;
S104:根据所述用电偏差值获取售电公司的批零差,通过所述批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。
此外,上述的存储器203中的逻辑指令可以通过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,本发明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,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明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(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在本实施例中,处理器201是电力套餐的零售价格预测装置的控制中心,利用各种接口和线路连接整个电力套餐的零售价格预测装置的各个部分,通过运行或执行存储在存储器203内的软件程序和/或模块,以及调用存储在存储器203内的数据,执行电力套餐的零售价格预测装置的各种功能和处理数据,从而对电力套餐的零售价格预测装置进行整体监控。可选的,处理器201可包括一个或多个处理单元;优选的,处理器201可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、用户界面和应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器中。
电力套餐的零售价格预测装置还包括给各个部件供电的电源(比如电池),优选的,电源可以通过电源管理系统与处理器201逻辑相连,从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。
存储器203可用于存储软件程序以及模块,处理器201通过运行存储在存储器的软件程序以及模块,从而执行电力套餐的零售价格预测装置的各种功能应用以及数据处理。存储器203可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序等;存储数据区可存储根据电力套餐的零售价格预测装置的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件或其他易失性固态存储器件。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的电力零售的风险预测方法,例如包括:
S101:根据用户信息进行用户画像,并通过用户画像结果获取用户的分类;所述用户信息包括月度用电量信息、相关因素指标序列和用户基础数据;
S102:计算每个分类中用户的用电量比重,根据所述分类的历史总用电量、相关因素序列构建每个分类对应的用电量预测模型,并基于所述用电量预测模型的拟合结果获取各分类对应的预测模型;
S103:通过所述预测模型、所述用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值;
S104:根据所述用电偏差值获取售电公司的批零差,通过所述批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
通过本发明终端每日都根据模型计算结果展示当前各个售电公司最新的风险等级,比如提示A售电公司当前处于二级交易风险,需要及时介入;与此同时,售电公司本身在进行定制套餐制作时,终端会实时代入模型计算,提示该套餐进入交易对其售电公司的风险等级变更的影响,若风险等级变高会发出预警提醒。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.电力零售的风险预测方法,其特征在于,包括如下步骤:
S101:根据用户信息进行用户画像,并通过用户画像结果获取用户的分类;所述用户信息包括月度用电量信息、相关因素指标序列和用户基础数据;
S102:计算每个分类中用户的用电量比重,根据所述分类的历史总用电量、相关因素序列构建每个分类对应的用电量预测模型,并基于所述用电量预测模型的拟合结果获取各分类对应的预测模型;
S103:通过所述预测模型、所述用电量比重以及用户所属分类获取每个用户的月度用电量预测值,并根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值;
S104:根据所述用电偏差值获取售电公司的批零差,通过所述批零差、售电公司的保证金的差值获取每个售电公司的交易风险信息。
2.根据权利要求1所述的电力零售的风险预测方法,其特征在于,根据用户信息进行用户画像的步骤具体包括:
从电力零售交易中心获取用户基础信息,根据用户基础信息中的用户属性、行为特征制作用户标签,根据所述用户标签对用户进行用户画像,以获取用户画像结果。
3.根据权利要求1所述的电力零售的风险预测方法,其特征在于,相关因素指标序列包括历史环境温度序列、历史GDP序列、各行业历史产值序列、各地区历史人口数据序列中的至少一种;
所述用户基础数据包括用户的行业、企业性质、用电电压、地区、用电行为中的至少一种。
4.根据权利要求1所述的电力零售的风险预测方法,其特征在于,通过用户画像结果获取用户的分类的步骤具体包括:
采用基于密度的聚类算法DBSCAN对用户画像结果进行聚类分析,根据聚类结果获取用户的分类。
5.根据权利要求1所述的电力零售的风险预测方法,其特征在于,计算每个分类中用户的用电量比重的步骤具体包括:
计算每个分类的月度历史总用电量以及每个分类中用户的月度历史用电量,根据所述月度历史用电量、月度历史总用电量获取每个分类中用户的用电量比重。
6.根据权利要求1所述的电力零售的风险预测方法,其特征在于,基于所述用电量预测模型的拟合结果获取各分类对应的预测模型的步骤具体包括:
采用AR模型对所述用电量预测模型的拟合误差序列进行预测,根据预测结果修正所述用电量预测模型,并根据修正后的所述用电量预测模型拟合结果判断所述用电量预测模型是否合理;若合理,则确定所述用电量预测模型为预测模型,若不合理,则重新构建用电量预测模型。
7.根据权利要求6所述的电力零售的风险预测方法,其特征在于,根据修正后的所述用电量预测模型拟合结果判断所述用电量预测模型是否合理的步骤具体包括:
获取修正后的用电量预测模型的拟合结果,计算所述拟合结果的均方根误差、R2值、AUC值,根据所述均方根误差、R2值、AUC值判断所述用电量预测模型是否合理。
8.根据权利要求1所述的电力零售的风险预测方法,其特征在于,根据月度用电量预测值、各售电公司的套餐签约信息计算用电偏差值的步骤具体包括:
根据所述套餐签约信息获取所述售电公司在预设时间段的用户签约数、用户信息以及每个用户的套餐签约量,根据所述用户签约数、套餐签约量获取售电公司的总签约电量;
并根据所述用户信息、用户的月度用电量预测值获取用户的总月度用电量,通过所述总签约电量与所述总月度用电量的差值获取用电偏差值。
9.一种智能终端,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至8任一项所述电力零售的风险预测方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至8任一项所述电力零售的风险预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452713.8A CN114066642A (zh) | 2021-11-30 | 2021-11-30 | 电力零售的风险预测方法、终端及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111452713.8A CN114066642A (zh) | 2021-11-30 | 2021-11-30 | 电力零售的风险预测方法、终端及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066642A true CN114066642A (zh) | 2022-02-18 |
Family
ID=80228224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111452713.8A Pending CN114066642A (zh) | 2021-11-30 | 2021-11-30 | 电力零售的风险预测方法、终端及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066642A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273457A (zh) * | 2023-10-08 | 2023-12-22 | 国瑞新能源(广州)有限公司 | 一种基于客户画像进行月度负荷预测的方法及系统 |
-
2021
- 2021-11-30 CN CN202111452713.8A patent/CN114066642A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117273457A (zh) * | 2023-10-08 | 2023-12-22 | 国瑞新能源(广州)有限公司 | 一种基于客户画像进行月度负荷预测的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113592566A (zh) | 一种企业IT运维服务报价方法和数字化SaaS报价系统 | |
CN112231533A (zh) | 数据处理方法、装置、设备及存储介质 | |
CN111401620A (zh) | 一种现货电价预测方法及装置 | |
CN112785057A (zh) | 基于指数平滑的件量预测方法、装置、设备及存储介质 | |
CN114943565A (zh) | 基于智能算法的电力现货价格预测方法及装置 | |
CN114066642A (zh) | 电力零售的风险预测方法、终端及存储介质 | |
CN114595865A (zh) | 一种ivd诊断试剂耗材的需求预测方法 | |
CN112541662B (zh) | 一种电费回收风险的预测方法及系统 | |
Hodge et al. | Examining information entropy approaches as wind power forecasting performance metrics | |
CN113643061A (zh) | 一种基于大数据机器学习智能投放系统 | |
CN113610335A (zh) | 电力辅助服务市场的动态监测方法和数据采集方法 | |
CN112819507A (zh) | 一种服务推送方法、装置、电子设备以及可读存储介质 | |
CN113962751A (zh) | 电力套餐的零售价格预测方法、装置及存储介质 | |
CN116071102A (zh) | 一种基于订单的电力变压器供应预警方法及系统 | |
CN116402528A (zh) | 电力数据处理系统 | |
CN114282881A (zh) | 折旧测算方法、装置、存储介质及计算机设备 | |
CN115809713A (zh) | 催派预测模型的训练方法、快递催派量的预测方法及装置 | |
CN112633936A (zh) | 一种供应商隐藏费用预测方法、装置、服务器及存储介质 | |
CN108109002B (zh) | 数据处理方法及装置 | |
CN110533485A (zh) | 一种对象选取的方法、装置、存储介质及电子设备 | |
CN116070781B (zh) | 电能计量设备需求预测方法、装置和计算机设备 | |
CN109670851A (zh) | 基于数据分析的定价方法、设备、存储介质及装置 | |
CN117035493A (zh) | 一种电力行业的供应商画像构建方法、使用方法、介质及系统 | |
CN117036093A (zh) | 资源供应方案生成方法、装置、电子设备及介质 | |
CN114399096A (zh) | 一种基于强化学习算法的交易电量优化方法 |
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 |