基于大数据的电力电价挖掘分析方法与流程

本发明涉及数据处理，具体涉及基于大数据的电力电价挖掘分析方法。

背景技术：

1、电价挖掘的意义在于发现和理解电力市场中的价格变动和趋势，帮助决策者制定有效的能源政策和市场策略。电力市场中价格的波动对能源公司、电力消费者和投资者都具有重要的风险管理意义。通过对电价的挖掘和分析，可以预测价格走势、识别风险和机会，从而制定相应的风险管理策略，从而提高能源利用效率和可靠性，降低供需不平衡带来的成本和风险。推动可再生能源发展和制定合理的能源政策，从而促进能源市场的健康运行和可持续发展。

2、目前通常通过聚类的方式对气温与耗电量组成的数据点进行分类，根据未来的气温与类簇中气温的差异预测未来的耗电量，从而预测未来的电价。但由于区域用户的用电不仅受电价和气温的影响，同时还与区域内的居民个人的用电习惯和商业经营模式等因素有关，因此气温和耗电量组成的数据点的聚集程度不高，会出现聚类结果准确性不高的问题，导致对未来的耗电量以及电价产生较大的预测误差，造成经济损失。

技术实现思路

1、为了解决上述问题，本发明提供基于大数据的电力电价挖掘分析方法，该方法包括以下步骤：

2、采集当前电价调整周期内的耗电量数据以及气温数据，绘制耗电量-气温曲线；

3、根据耗电量-气温曲线中每两个数据点之间的距离以及时间间隔，获取每两个数据点之间的相关度；根据数据点与其余每个数据点的相关度获取数据点与整体的关联性；

4、根据相邻时间对应的数据点之间的相关度以及每个数据点与整体的关联性，获取每个数据点的变化性；根据所有数据点的变化性，获取每个数据点的异常程度；

5、根据每个数据点的异常程度对每个数据点的耗电量进行修正，获取每个数据点的修正耗电量，得到修正后的数据点；对当前电价调整周期所有修正后的数据点进行聚类，根据聚类结果以及未来电价调整周期内的气温预测未来电价调整周期的电价。

6、优选的，所述根据耗电量-气温曲线中每两个数据点之间的距离以及时间间隔，获取每两个数据点之间的相关度，包括的具体步骤如下：

7、

8、其中，dij表示耗电量-气温曲线中第i天对应数据点与第j天对应数据点之间的相关度，i取遍[1，t]中的每个整数，t表示电价调整周期的长度，j取遍[1，t]中的每个整数；bij表示耗电量-气温曲线中第i天对应数据点与第j天对应数据点之间的距离；j、i分别表示数据点的时间序号；|j-i|表示耗电量-气温曲线中第i天对应数据点与第j天对应数据点之间的时间间隔；ci表示耗电量-气温曲线中第i天对应数据点与其余数据点的最大时间间隔；cj表示耗电量-气温曲线中第j天对应数据点与其余数据点的最大时间间隔；max()表示最大值函数；exp()表示以自然常数为底的指数函数。

9、优选的，所述获取每个数据点的变化性，包括的具体步骤如下：

10、

11、其中，gi表示耗电量-气温曲线中第i天对应数据点的变化性，i取遍[1，t]中的每个整数，t表示电价调整周期的长度；bij表示耗电量-气温曲线中第i天对应数据点与第j天对应数据点之间的距离；表示耗电量-气温曲线中第i天对应数据点与整体的关联性；bi，i+1表示耗电量-气温曲线中第i天对应数据点与第i+1天对应数据点之间的距离；bi+n，i+n+1表示耗电量-气温曲线中第i+n天对应数据点与第i+n+1天对应数据点之间的距离，n取遍[0，t-i-1]中的每个整数；di，i+1表示耗电量-气温曲线中第i天对应数据点与第i+1天对应数据点之间的相关度；di+n，i+n+1表示耗电量-气温曲线中第i+n天对应数据点与第i+n+1天对应数据点之间的相关度。

12、优选的，所述根据所有数据点的变化性，获取每个数据点的异常程度，包括的具体步骤如下：

13、

14、其中，hi表示耗电量-气温曲线中第i天对应的数据点的异常程度，i取遍[1，t]中的每个整数，t表示电价调整周期的长度；gi-m表示耗电量-气温曲线中第i-m天对应数据点的变化性；gi+m表示耗电量-气温曲线中第i+m天对应数据点的变化性；bi-m，i+m表示耗电量-气温曲线中第i-m天对应数据点与第i+m天对应数据点之间的距离；ki表示第i天的局部范围大小；norm()表示归一化函数。

15、优选的，所述第i天的局部范围大小的获取方法为：

16、预设初始局部范围大小k，将min(k，i-1，t-i)作为第i天的局部范围大小，其中min()为最小值函数。

17、优选的，所述根据每个数据点的异常程度对每个数据点的耗电量进行修正，获取每个数据点的修正耗电量，得到修正后的数据点，包括的具体步骤如下：

18、

19、其中，qi耗电量-气温曲线中第i天对应的数据点的修正耗电量，pi表示耗电量-气温曲线中第i天对应的数据点的耗电量，i取遍[2，t-1]中每个整数，t表示电价调整周期的长度；pi-1表示耗电量-气温曲线中第i-1天对应的数据点的耗电量；pi+1表示耗电量-气温曲线中第i+1天对应的数据点的耗电量；hi表示耗电量-气温曲线中第i天对应的数据点的异常程度；

20、每个数据点的气温以及修正耗电量构成每个修正后的数据点。

21、优选的，所述对当前电价调整周期所有修正后的数据点进行聚类，根据聚类结果以及未来电价调整周期内的气温预测未来电价调整周期的电价，包括的具体步骤如下：

22、对当前电价调整周期内所有数据点进行聚类，得到多个类簇；将每个类簇中所有数据点的修正耗电量的均值作为每个类簇的标准耗电量，将每个类簇中所有数据点的气温数据的均值作为每个类簇的标准气温；根据每个类簇的标准气温以及标准耗电量以及未来电价调整周期内的气温预测未来电价调整周期的电价。

23、优选的，所述根据每个类簇的标准气温以及标准耗电量以及未来电价调整周期内的气温预测未来电价调整周期的电价，包括的具体步骤如下：

24、

25、其中，qu表示未来一个电价调整周期内第u天的预测耗电量；sv表示第v个类簇的标准气温；s′u表示未来一个电价调整周期内第u天的气温；nv表示第v个类簇中包含的数据点个数；t表示电价调整周期的长度；n表示类簇的个数；表示第v个类簇的标准耗电量；

26、根据未来一个电价调整周期内每天的预测耗电量以及电价单价获取未来一个电价调整周期的预测电价。

27、优选的，所述根据数据点与其余每个数据点的相关度获取数据点与整体的关联性，包括的具体步骤如下：

28、将数据点与其余每个数据点的相关度的均值作为数据点与整体的关联性。

29、优选的，所述绘制耗电量-气温曲线，包括的具体步骤如下：

30、以耗电量为横轴，以气温为纵轴，以当前电价调整周期内每天的耗电量数据以及气温数据为数据样本，绘制耗电量-气温曲线。

31、本发明的技术方案的有益效果是：本发明通过采集耗电量数据以及气温数据，绘制耗电量-气温曲线，根据耗电量-气温曲线中每两个数据点之间的距离以及时间间隔，获取每两个数据点之间的相关度，进而得到数据点与整体的关联性，根据相邻时间对应的数据点之间的相关度以及每个数据点与整体的关联性，获取每个数据点的变化性；根据变化性获取数据点的异常程度，结合异常程度对每个数据点的耗电量进行修正，剔除了噪声的干扰，同时使得修正后的数据点的聚集程度提升，从而提高聚类结果的准确性，依据聚类结果预测未来电价调整周期内的电价，结果更加准确。