CN117217843A - 基于云计算的电力销售电价数据处理方法 - Google Patents
基于云计算的电力销售电价数据处理方法 Download PDFInfo
- Publication number
- CN117217843A CN117217843A CN202311351356.5A CN202311351356A CN117217843A CN 117217843 A CN117217843 A CN 117217843A CN 202311351356 A CN202311351356 A CN 202311351356A CN 117217843 A CN117217843 A CN 117217843A
- Authority
- CN
- China
- Prior art keywords
- electricity price
- price
- electricity
- period
- value
- 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 464
- 238000003672 processing method Methods 0.000 title claims abstract description 11
- 230000014759 maintenance of location Effects 0.000 claims abstract description 23
- 230000003044 adaptive effect Effects 0.000 claims abstract description 18
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000000737 periodic effect Effects 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 24
- 238000012512 characterization method Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 239000006185 dispersion Substances 0.000 claims description 7
- 238000012423 maintenance Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 8
- 238000004458 analytical method Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及数据去噪技术领域,具体涉及一种基于云计算的电力销售电价数据处理方法;包括:获取电价数据和电价分量;根据电价分量获得电价周期。根据电价周期中电价的差异特征获得电价保持度;将电价周期进行匹配获得电价数据点之间的匹配距离;根据电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度;根据差异度和电价周期之间的时间距离获得电价周期的电价趋势变化度;根据电价保持度和电价趋势变化度获得滤波调整系数。本发明根据滤波调整系数获得自适应小波阈值对电价分量去噪,提高了去噪准确性,降低了电价数据分析的误差。
Description
技术领域
本发明涉及数据去噪技术领域,具体涉及一种基于云计算的电力销售电价数据处理方法。
背景技术
随着社会经济的发展,整体用电量越来越高;并且用电高峰和用电波谷之间的用量差异越来越大,容易导致高峰期的负荷大,而波谷期的电量浪费;故近年来出现了根据用电负荷进行电价的实时调节的方法,达到用电量调节的目的。但部分电表设备的局限性,可能会导致电价数据的采集出现异常噪声,对电价数据波动的分析出现误差。
因此获取电价数据后需要进行去噪,由于电价数据中的周期特征较为混乱,通常采用EMD经验模态分解算法,并通过小波阈值滤波对所有分量进行去噪后重构,实现去噪效果;但实际应用中分解的多个分量只有部分分量对应电价数据中的周期特征,其余分量多由噪声表达;若使用相同的小波阈值进行去噪可能导致去噪不明显或损坏原数据中的信息,使得去噪效果较差;导致电价波动的分析出现误差、准确性低。
发明内容
为了解决上述通过固定的小波阈值对电价数据的分量去噪效果差,导致电价波动的分析准确性低的技术问题,本发明的目的在于提供一种基于云计算的电力销售电价数据处理方法,所采用的技术方案具体如下:
获取电价数据并通过EMD分解获得电价分量;根据所述电价分量中电价的变化特征获得电价周期;
根据所述电价周期中电价的差异特征获得电价分量的电价保持度;将所述电价分量中所述电价周期进行匹配获得电价数据点之间的匹配距离;根据所述电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度;
根据所述差异度的差异特征和电价周期之间的时间距离获得所述电价周期的电价趋势变化度;根据所述电价保持度和所述电价趋势变化度获得所述电价周期的滤波调整系数;
根据所述滤波调整系数获得自适应小波阈值;根据所述自适应小波阈值对所述电价分量去噪获得去噪电价数据。
进一步地,所述根据所述电价分量中电价的变化特征获得电价周期的步骤包括:
在所述电价分量中以预设数值的数据点作为峰谷中点,以第一个峰谷中点为起点,以第三个峰谷中点为终点,将电价分量中的起点至终点的数据点作为一个电价周期;将第一个电价周期的终点作为下一个电价周期的起点,遍历所述电价分量,获得电价分量的所有电价周期。
进一步地,所述根据所述电价周期中电价的差异特征获得电价分量的电价保持度的步骤包括:
对于任意电价分量的任意电价周期,计算所述任意电价周期对应时刻的所述电价数据的均值,获得周期电价均值;计算所述任意电价周期对应时刻的所有电价分量的数据点的均值,获得周期分量电价均值;计算所述周期电价均值与所述周期分量电价均值的差值绝对值,获得周期电价差异值;计算所述任意电价周期对应时刻的所述电价数据中任意极值点与相邻两个极值点的差值绝对值的平均值,获得相邻极值差;计算所述任意电价周期对应时刻的所述电价数据中所有相邻极值差的和值并负相关映射,获得周期波动表征值;
计算所述周期电价差异值与所述周期波动表征值的乘积获得电价离散值;计算所述任意电价分量的所述电价离散值的平均值并负相关映射,获得所述电价分量的所述电价保持度。
进一步地,所述将所述电价分量中所述电价周期进行匹配获得电价数据点之间的匹配距离的步骤包括:
将所述电价分量中任意两个电价周期对应时刻的电价数据通过DTW算法进行匹配,将匹配后的电价数据点之间的欧氏距离作为电价数据点之间的匹配距离。
进一步地,所述根据所述电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度的步骤包括:
计算所述电价分量中任意电价周期对应时刻的电价数据中任意数据点的切线斜率绝对值,获得第一斜率表征值;计算所述任意数据点距最近峰谷点的欧氏距离,获得第一距离;计算所述第一斜率表征值与所述第一距离的乘积,获得波动幅度表征值;
计算所述电价分量中任意电价周期中的任意数据点与其他电价周期的其他数据点之间的波动幅度表征值的乘积并归一化,获得波动幅度组合值;计算任意数据点与其他数据点之间的所述匹配距离与所述波动幅度组合值的乘积,获得数据点差异值;计算所述任意电价周期与所述其他电价周期的数据点差异值的和值,获得所述任意电价周期和其他电价周期的差异度。
进一步地,所述根据所述差异度的差异特征和电价周期之间的时间距离获得所述电价周期的电价趋势变化度的步骤包括:
计算所述电价分量中任意电价周期与所有其他电价周期之间的差异度的平均值,获得差异平均表征值;计算所述差异度与所述差异平均表征值的差值绝对值,获得任意电价周期与任意其他电价周期之间的差异离散度;计算任意电价周期与任意其他电价周期之间的时间距离特征值和所述差异离散度的乘积,获得电价趋势差异;计算所述电价分量中任意电价周期与所有其他电价周期的电价趋势差异的平均值,获得所述任意电价周期的电价趋势变化度。
进一步地,所述时间距离特征值的获取步骤包括:
计算所述电价分量中任意两个电价周期之间的时间间隔并负相关映射,获得电价分量中任意两个电价周期之间的时间距离特征值。
进一步地,所述根据所述电价保持度和所述电价趋势变化度获得所述电价周期的滤波调整系数的步骤包括:
计算电价周期的所述电价趋势变化度与所述电价保持度的比值并归一化,获得所述电价周期的滤波调整系数。
进一步地,所述根据所述滤波调整系数获得自适应小波阈值的步骤包括:
计算所述滤波调整系数与预设常数的和值,获得调节系数;计算预设小波阈值与所述调节系数的乘积,获得所述电价周期的所述自适应小波阈值。
进一步地,所述根据所述自适应小波阈值对所述电价分量去噪获得去噪电价数据的步骤包括:
根据所述自适应小波阈值对所述电价分量进行去噪,根据去噪后的电价分量进行重构,获得去噪电价数据。
本发明具有如下有益效果:
在本发明实施例中,获取电价分量的电价周期能够根据电价周期之间的电价差异表征电价分量的电价保持度,根据电价保持度分析该电价分量受噪声干扰的程度;提高了最终对电价数据去噪的准确性。计算匹配距离能够表征电价分量中不同电价周期之间周期变化的差异特征;获得电价周期的差异度能够根据电价分量中不同电价周期之间的差异特征分析电价周期的噪声影响程度;获得电价趋势变化度能够根据电价周期的差异度的离散特征反映该电价周期的噪声特征。根据滤波调整系数获得自适应小波阈值能够对每个电价进行精确地去噪;最终本发明根据自适应小波阈值对电价分量去噪,能够提高电价数据的去噪效果,降低了电价数据的分析误差。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的一种基于云计算的电力销售电价数据处理方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于云计算的电力销售电价数据处理方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于云计算的电力销售电价数据处理方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种基于云计算的电力销售电价数据处理方法流程图,该方法包括以下步骤:
步骤S1,获取电价数据并通过EMD分解获得电价分量;根据电价分量中电价的变化特征获得电价周期。
在本发明实施例中,实施场景为对电价数据的去噪;首先获取电价数据并通过EMD分解获得电价分量,电价数据根据电表设备获取,需要说明的是EMD经验模态分解属于现有技术,具体分解步骤不再赘述。
在实际电价变化中,同一地区的用电特征每天是相似的,进而电价变化曲线大多呈现日周期的变化特征;将电价数据分解后获得的不同电价分量,其中只有部分分量会极大程度上对应电价数据中的周期,例如日周期,而其余分量又大多由噪声所表达。故为了提高去噪效果,需要分析不同电价分量的去噪程度;因电价数据会呈现一定的周期性,而获得的电价分量同样会呈现周期性,若二者之间的周期特征差异较大,则可能认为该电价分量的噪声干扰较大,故根据电价分量中电价的变化特征获得电价周期。
优选地,在本发明实施例中,获取电价周期包括:在电价分量中以预设数值的数据点作为峰谷中点,以第一个峰谷中点为起点,以第三个峰谷中点为终点,将电价分量中的起点至终点的数据点作为一个电价周期;将第一个电价周期的终点作为下一个电价周期的起点,遍历电价分量,获得电价分量的所有电价周期;在本发明实施例中预设数值为0,即以数值为0的数据点作为该电价分量中的峰谷中点,获得该电价分量的所有电价周期。获得所有电价分量的电价周期后,可根据电价周期对应的电价数据的差异特征分析噪声程度。
步骤S2,根据电价周期中电价的差异特征获得电价分量的电价保持度;将电价分量中电价周期进行匹配获得电价数据点之间的匹配距离;根据电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度。
当某电价分量的电价周期划分的电价特征和其他分量的电价特征差异较大,意味着该电价分量的电价周期划分与电价数据的变化周期未同步,则该电价分量表征噪声影响的可能性更大,故可根据电价周期中电价的差异特征获得电价分量的电价保持度。
优选地,在本发明一个实施例中,获取电价保持度包括:对于任意电价分量的任意电价周期,计算该任意电价周期对应时刻的电价数据的均值,获得周期电价均值;计算该任意电价周期对应时刻的所有电价分量的数据点的均值,获得周期分量电价均值;该数据点为各个电价分量中的数据点。计算周期电价均值与周期分量电价均值的差值绝对值,获得周期电价差异值;当该周期电价差异值越大,意味着以该任意电价分量划分的任意电价周期和其他电价分量的电价周期的差异越大,该任意电价分量的周期划分不符合正常的电价数据的周期变化趋势,则该任意电价分量的数据越有可能表征噪声。计算该任意电价周期对应时刻的电价数据中任意极值点与相邻两个极值点的差值绝对值的平均值,获得相邻极值差;计算该任意电价周期对应时刻的电价数据中所有相邻极值差的和值并负相关映射,获得周期波动表征值,在本发明实施例中通过对数据实现负相关映射,其中/>表示以自然常数为底的指数函数;当该任意电价周期对应的电价数据中的极值点越多且每个极值点的数值越大,则可能该局部范围因EMD分解时,对于极值点的敏感从而导致分解的电价周期划分不准确,从而出现周期电价差异值较大的情况;故当相邻极值差越大,周期波动表征值越小,则可对周期电价差异值给予越大的容忍度,避免将该任意电价周期认为噪声程度过大,使得去噪程度过大的情况。
进一步地,计算周期电价差异值与周期波动表征值的乘积获得电价离散值,当该电价离散值越大,意味着该任意电价周期与电价数据的电价差异较大,受到噪声干扰的程度越大,需要去噪的程度越大;计算任意电价分量的电价离散值的平均值并负相关映射,获得该电价分量的电价保持度。当电价保持度越大,意味着该电价分量的电价周期特征和电价数据的周期变化特征越相似,受到噪声的干扰越小,进而去噪程度越小;反之当电价保持度越小,则该电价分量表征噪声数据的可能性更大,需要更大的去噪程度。获取电价保持度的公式具体包括:
式中,表示电价保持度,/>表示该电价分量中电价周期的数量,/>表示第/>个电价周期的周期波动表征值,/>表示第/>个电价周期的周期电价均值,/>表示第/>个电价周期的周期分量电价均值,/>表示第/>个电价周期的周期电价差异值,/>表示电价离散值,/>表示以自然常数为底的指数函数。
因电价分量中有多个电价周期,而不同电价周期受到的噪声影响程度不同,电价保持度只能够表征该电价分量的整体噪声影响特征,故为了提高去噪准确性,需要衡量不同电价周期的噪声影响情况。当电价分量中某电价周期与其他电价周期之间的差异越大,意味着该电价周期受到噪声的影响越严重,故可将电价分量中电价周期进行匹配获得电价数据点之间的匹配距离;具体包括:将电价分量中任意两个电价周期对应时刻的电价数据通过DTW算法进行匹配,将匹配后的电价数据点之间的欧氏距离作为电价数据点之间的匹配距离。需要说明的是DTW算法属于现有技术,匹配后的电价数据点之间的欧氏距离越大,意味着该两个电价周期之间的数据变化特征差异越大,越不相似。
进一步地,获得匹配距离后,可根据电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度;优选地,在本发明一个实施例中,获取差异度包括:计算电价分量中任意电价周期对应时刻的电价数据中任意数据点的切线斜率绝对值,获得第一斜率表征值;计算任意数据点距最近峰谷点的欧氏距离,获得第一距离;计算第一斜率表征值与第一距离的乘积,获得波动幅度表征值。若该任意数据点的切线斜率绝对值越大,且距最近的峰谷点越远,则意味着该数据点可能是因噪声导致的异常涨幅,该波动幅度表征值越大,则越需要提高该电价周期的去噪程度,该数据点在差异度计算中提供的权重越高。
计算电价分量中任意电价周期中的任意数据点与其他电价周期的其他数据点之间的波动幅度表征值的乘积并归一化,获得波动幅度组合值;计算任意数据点与其他数据点之间的匹配距离与波动幅度组合值的乘积,获得数据点差异值;当该数据点差异值越大,意味着两个电价周期的数据变化特征差异越大,其中一个电价周期受噪声影响的程度越大。计算该任意电价周期与其他电价周期的数据点差异值的和值,获得该任意电价周期和其他电价周期的差异度,当该差异度越大,意味着该分量下两个电价周期之间的变化特征差异越大。获取差异度的公式包括:
式中,表示电价分量中第/>个电价周期和第/>个电价周期的差异度,/>表示第/>个电价周期对应的电价数据中数据点的数量,/>表示第/>个电价周期对应的电价数据中数据点的数量;/>表示第/>个电价周期对应的电价数据中第/>个数据点的第一斜率表征值,/>表示第/>个电价周期对应的电价数据中第/>个数据点的第一斜率表征值,/>表示第/>个电价周期对应的电价数据中第/>个数据点的第一距离,/>表示第/>个电价周期对应的电价数据中第/>个数据点的第一距离,/>和/>分别表示波动幅度表征值;/>表示波动幅度组合值,/>表示归一化函数;/>表示第/>个电价周期对应的电价数据中第/>个数据点与第/>个电价周期对应的电价数据中第/>个数据点之间的匹配距离。
步骤S3,根据差异度的差异特征和电价周期之间的时间距离获得电价周期的电价趋势变化度;根据电价保持度和电价趋势变化度获得电价周期的滤波调整系数。
获取电价分量中任意电价周期和所有其他周期之间的差异度后,可根据差异度的差异特征和电价周期之间的时间距离获得电价周期的电价趋势变化度,具体包括:计算电价分量中任意电价周期与所有其他电价周期之间的差异度的平均值,获得该任意电价周期的差异平均表征值,该差异平均表征值反映了该任意电价周期与其他电价周期之间的差异度的整体水平。计算差异度与差异平均表征值的差值绝对值,获得任意电价周期与任意其他电价周期之间的差异离散度;当该差异离散度越大,意味着该任意电价周期与任意其他电价周期之间的差异度与整体的差异平均表征值差异越大,差异度越离散。计算电价分量中任意两个电价周期之间的时间间隔并负相关映射,获得电价分量中任意两个电价周期之间的时间距离特征值;当两个电价周期之间的时间距离越近,则计算的差异度越可靠,权重越高。计算任意电价周期与任意其他电价周期之间的时间距离特征值和差异离散度的乘积,获得电价趋势差异。计算电价分量中任意电价周期与所有其他电价周期的电价趋势差异的平均值,获得该任意电价周期的电价趋势变化度;当该电价趋势变化度越大,意味着该任意电价周期和其他电价周期之间的周期特征差异越大,差异度越离散,该任意电价周期的周期变化特征越异常,则该任意电价周期表征噪声的可能性越大,越需要进行去噪;反之当该电价趋势变化度越小,意味着该任意电价周期与其他电价周期之间的差异度越相似,则表征噪声的可能性越小,去噪程度越低。获取电价趋势变化度的公式包括:
式中,表示电价分量中第/>个电价周期的电价趋势变化度,/>表示该电价分量中的电价周期的数量,/>表示电价分量中第/>个电价周期和第/>个电价周期的差异度,/>表示差异平均表征值,/>表示第/>个电价周期和第/>个电价周期的时间距离特征值,/>表示电价趋势差异。
获得每个电价周期的电价趋势变化度后,进而可根据电价保持度和电价趋势变化度获得电价周期的滤波调整系数,优选地,在本发明一个实施例中,获取滤波调整系数包括:计算电价周期的电价趋势变化度与对应电价分量的电价保持度的比值并归一化,获得该电价周期的滤波调整系数。当该电价周期的电价趋势变化度越大,则滤波调整系数越大,当该电价周期所在的电价分量的电价保持度越大,则需要去噪的程度越小;故当滤波调整系数越大,该电价周期的去噪程度越大。
步骤S4,根据滤波调整系数获得自适应小波阈值;根据自适应小波阈值对电价分量去噪获得去噪电价数据。
获得滤波调整系数后可根据滤波调整系数获得自适应小波阈值,具体包括:计算滤波调整系数与预设常数的和值,获得调节系数,在本发明实施例中预设常数为1;计算预设小波阈值与调节系数的乘积,获得电价周期的自适应小波阈值;其中预设小波阈值通过方法获得,需要说明的是,该方法属于现有技术,具体步骤不再赘述。
进一步地,根据自适应小波阈值对电价分量去噪获得去噪电价数据,具体包括:根据自适应小波阈值对电价分量进行去噪,根据去噪后的电价分量进行重构,获得去噪电价数据,需要说明的是小波阈值去噪以及电价分量的重构属于现有技术,具体计算步骤不再赘述。通过对每个电价分量的电价周期进行自适应去噪,能够提高去噪的准确性以及效果,避免了误差,通过去噪电价数据能够提高后续电价波动的分析准确性。
综上所述,本发明实施例提供了一种基于云计算的电力销售电价数据处理方法;获取电价数据和电价分量;根据电价分量获得电价周期。根据电价周期中电价的差异特征获得电价保持度;将电价周期进行匹配获得电价数据点之间的匹配距离;根据电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度;根据差异度和电价周期之间的时间距离获得电价周期的电价趋势变化度;根据电价保持度和电价趋势变化度获得滤波调整系数。本发明根据滤波调整系数获得自适应小波阈值对电价分量去噪,提高了去噪准确性,降低了电价数据分析的误差。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
Claims (10)
1.一种基于云计算的电力销售电价数据处理方法,其特征在于,所述方法包括以下步骤:
获取电价数据并通过EMD分解获得电价分量;根据所述电价分量中电价的变化特征获得电价周期;
根据所述电价周期中电价的差异特征获得电价分量的电价保持度;将所述电价分量中所述电价周期进行匹配获得电价数据点之间的匹配距离;根据所述电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度;
根据所述差异度的差异特征和电价周期之间的时间距离获得所述电价周期的电价趋势变化度;根据所述电价保持度和所述电价趋势变化度获得所述电价周期的滤波调整系数;
根据所述滤波调整系数获得自适应小波阈值;根据所述自适应小波阈值对所述电价分量去噪获得去噪电价数据。
2.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述电价分量中电价的变化特征获得电价周期的步骤包括:
在所述电价分量中以预设数值的数据点作为峰谷中点,以第一个峰谷中点为起点,以第三个峰谷中点为终点,将电价分量中的起点至终点的数据点作为一个电价周期;将第一个电价周期的终点作为下一个电价周期的起点,遍历所述电价分量,获得电价分量的所有电价周期。
3.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述电价周期中电价的差异特征获得电价分量的电价保持度的步骤包括:
对于任意电价分量的任意电价周期,计算所述任意电价周期对应时刻的所述电价数据的均值,获得周期电价均值;计算所述任意电价周期对应时刻的所有电价分量的数据点的均值,获得周期分量电价均值;计算所述周期电价均值与所述周期分量电价均值的差值绝对值,获得周期电价差异值;计算所述任意电价周期对应时刻的所述电价数据中任意极值点与相邻两个极值点的差值绝对值的平均值,获得相邻极值差;计算所述任意电价周期对应时刻的所述电价数据中所有相邻极值差的和值并负相关映射,获得周期波动表征值;
计算所述周期电价差异值与所述周期波动表征值的乘积获得电价离散值;计算所述任意电价分量的所述电价离散值的平均值并负相关映射,获得所述电价分量的所述电价保持度。
4.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述将所述电价分量中所述电价周期进行匹配获得电价数据点之间的匹配距离的步骤包括:
将所述电价分量中任意两个电价周期对应时刻的电价数据通过DTW算法进行匹配,将匹配后的电价数据点之间的欧氏距离作为电价数据点之间的匹配距离。
5.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述电价分量中电价周期之间的电价数据点的分布特征和匹配距离获得电价周期的差异度的步骤包括:
计算所述电价分量中任意电价周期对应时刻的电价数据中任意数据点的切线斜率绝对值,获得第一斜率表征值;计算所述任意数据点距最近峰谷点的欧氏距离,获得第一距离;计算所述第一斜率表征值与所述第一距离的乘积,获得波动幅度表征值;
计算所述电价分量中任意电价周期中的任意数据点与其他电价周期的其他数据点之间的波动幅度表征值的乘积并归一化,获得波动幅度组合值;计算任意数据点与其他数据点之间的所述匹配距离与所述波动幅度组合值的乘积,获得数据点差异值;计算所述任意电价周期与所述其他电价周期的数据点差异值的和值,获得所述任意电价周期和其他电价周期的差异度。
6.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述差异度的差异特征和电价周期之间的时间距离获得所述电价周期的电价趋势变化度的步骤包括:
计算所述电价分量中任意电价周期与所有其他电价周期之间的差异度的平均值,获得差异平均表征值;计算所述差异度与所述差异平均表征值的差值绝对值,获得任意电价周期与任意其他电价周期之间的差异离散度;计算任意电价周期与任意其他电价周期之间的时间距离特征值和所述差异离散度的乘积,获得电价趋势差异;计算所述电价分量中任意电价周期与所有其他电价周期的电价趋势差异的平均值,获得所述任意电价周期的电价趋势变化度。
7.根据权利要求6所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述时间距离特征值的获取步骤包括:
计算所述电价分量中任意两个电价周期之间的时间间隔并负相关映射,获得电价分量中任意两个电价周期之间的时间距离特征值。
8.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述电价保持度和所述电价趋势变化度获得所述电价周期的滤波调整系数的步骤包括:
计算电价周期的所述电价趋势变化度与所述电价保持度的比值并归一化,获得所述电价周期的滤波调整系数。
9.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述滤波调整系数获得自适应小波阈值的步骤包括:
计算所述滤波调整系数与预设常数的和值,获得调节系数;计算预设小波阈值与所述调节系数的乘积,获得所述电价周期的所述自适应小波阈值。
10.根据权利要求1所述的一种基于云计算的电力销售电价数据处理方法,其特征在于,所述根据所述自适应小波阈值对所述电价分量去噪获得去噪电价数据的步骤包括:
根据所述自适应小波阈值对所述电价分量进行去噪,根据去噪后的电价分量进行重构,获得去噪电价数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351356.5A CN117217843B (zh) | 2023-10-18 | 2023-10-18 | 基于云计算的电力销售电价数据处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311351356.5A CN117217843B (zh) | 2023-10-18 | 2023-10-18 | 基于云计算的电力销售电价数据处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117217843A true CN117217843A (zh) | 2023-12-12 |
CN117217843B CN117217843B (zh) | 2024-04-19 |
Family
ID=89039010
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311351356.5A Active CN117217843B (zh) | 2023-10-18 | 2023-10-18 | 基于云计算的电力销售电价数据处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117217843B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428022A (zh) * | 2018-05-21 | 2018-08-21 | 上海电力学院 | 一种基于相关度的短期实时电价趋势预测方法 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
CN111144634A (zh) * | 2019-12-20 | 2020-05-12 | 新奥数能科技有限公司 | 一种电力价格预测的方法以及装置 |
CN111342459A (zh) * | 2020-03-26 | 2020-06-26 | 南京南瑞继保电气有限公司 | 一种电力需量决策分析系统及方法 |
CN111709779A (zh) * | 2020-06-01 | 2020-09-25 | 广东电网有限责任公司 | 一种用于电力现货市场的交易品种优化系统 |
CN112396225A (zh) * | 2020-11-13 | 2021-02-23 | 浙江电力交易中心有限公司 | 一种基于长短期记忆网络的短期电价预测方法 |
CN113298569A (zh) * | 2021-06-03 | 2021-08-24 | 江苏电百达智能科技有限公司 | 一种基于人工智能的电力需求侧管理方法及系统 |
CN115660724A (zh) * | 2022-05-24 | 2023-01-31 | 昆明电力交易中心有限责任公司 | 一种耦合碳价的电价预测方法 |
-
2023
- 2023-10-18 CN CN202311351356.5A patent/CN117217843B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108428022A (zh) * | 2018-05-21 | 2018-08-21 | 上海电力学院 | 一种基于相关度的短期实时电价趋势预测方法 |
CN109242532A (zh) * | 2018-08-03 | 2019-01-18 | 广东工业大学 | 基于局域均值分解及优化rbf神经网络的短期电价预测方法 |
CN111144634A (zh) * | 2019-12-20 | 2020-05-12 | 新奥数能科技有限公司 | 一种电力价格预测的方法以及装置 |
CN111342459A (zh) * | 2020-03-26 | 2020-06-26 | 南京南瑞继保电气有限公司 | 一种电力需量决策分析系统及方法 |
CN111709779A (zh) * | 2020-06-01 | 2020-09-25 | 广东电网有限责任公司 | 一种用于电力现货市场的交易品种优化系统 |
CN112396225A (zh) * | 2020-11-13 | 2021-02-23 | 浙江电力交易中心有限公司 | 一种基于长短期记忆网络的短期电价预测方法 |
CN113298569A (zh) * | 2021-06-03 | 2021-08-24 | 江苏电百达智能科技有限公司 | 一种基于人工智能的电力需求侧管理方法及系统 |
CN115660724A (zh) * | 2022-05-24 | 2023-01-31 | 昆明电力交易中心有限责任公司 | 一种耦合碳价的电价预测方法 |
Non-Patent Citations (1)
Title |
---|
王阳;刘鑫屏;: "基于小波变换去噪和改进秩序集对分析的电价预测模型研究", 华北电力大学学报(自然科学版), no. 04, 27 July 2020 (2020-07-27), pages 33 - 39 * |
Also Published As
Publication number | Publication date |
---|---|
CN117217843B (zh) | 2024-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112613641B (zh) | 一种基于特征分解的短期电负荷组合预测方法 | |
CN108846530A (zh) | 一种基于“聚类-回归”模型的短期负荷预测方法 | |
CN108345033B (zh) | 一种微地震信号时频域初至检测方法 | |
CN116933044A (zh) | 一种供电数据智能处理方法及系统 | |
CN113537102B (zh) | 一种微震信号的特征提取方法 | |
Shamim et al. | Multi-domain feature extraction for improved clustering of smart meter data | |
CN116089777A (zh) | 一种基于信息智能匹配的新能源智能结算方法及系统 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN117217843B (zh) | 基于云计算的电力销售电价数据处理方法 | |
CN114330850B (zh) | 一种用于气候预测的异常相对倾向生成方法与系统 | |
CN117541020B (zh) | 一种城市排水泵站调度管理方法及系统 | |
CN113128612B (zh) | 电力数据中异常值的处理方法及终端设备 | |
CN114386452A (zh) | 核电循环水泵太阳轮故障检测方法 | |
CN115099291B (zh) | 一种建筑节能监测方法 | |
CN114266423B (zh) | 基于多模型的电力能源需求预测方法、装置及存储介质 | |
CN111915116A (zh) | 一种基于K-means聚类的电力居民用户分类方法 | |
CN113243900B (zh) | 一种视频心率检测的rPPG信号预处理方法及系统 | |
Yan et al. | A clustering method for power time series curves based on improved self-organizing mapping algorithm | |
CN113469502A (zh) | 一种基于字典学习的区别分组非侵入式负荷分解方法 | |
Shamim et al. | Novel technique for feature computation and clustering of smart meter data | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立系统及方法 | |
CN117150324A (zh) | 一种确定充电负荷峰谷时刻的方法和装置 | |
Filatova et al. | Time series dynamics representation model of power consumption in electric load forecasting system | |
Zhang | SVR-ARMA Stock Price Prediction Model Based on Wavelet Noise Reduction | |
CN116976927A (zh) | 一种基于深度学习的短期电价预测方法、系统、计算机及存储介质 |
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 |