一种基于多维度数据分析的电力交易方法及系统与流程

本发明涉及数据处理，尤其涉及一种基于多维度数据分析的电力交易方法及系统。

背景技术：

1、随着电力市场的发展和电力供需的复杂性增加，传统的电力交易方法面临着许多挑战。传统方法通常基于供需匹配和价格竞争的原则进行交易，但这种方法往往存在着电力交易分析效率不高，不准确的问题，导致交易效果不理想。为了满足现代电力市场的需求，一种基于多维度数据分析的电力交易方法及系统被提出。这种方法通过综合考虑多个维度的数据，并运用先进的数据分析技术，以更精确、智能化的方式进行电力交易决策。

技术实现思路

1、本发明为解决上述技术问题，提出了一种基于多维度数据分析的电力交易方法及系统，以解决至少一个上述技术问题。

2、为实现上述目的，本发明提供一种基于多维度数据分析的电力交易方法，包括以下步骤：

3、步骤s1：获取多维电力交易数据及电网供电流量数据；利用自学习神经网络对多维电力交易数据进行维度特征提取，生成维度特征电力交易数据；对维度特征电力交易数据进行时序分析，以生成电力交易时序数据；对电力交易时序数据进行需求特征提取，以生成电力需求时序曲线；

4、步骤s2：利用深度学习算法对电力需求时序曲线进行动态需求峰值计算，生成电力需求峰值；根据电力需求峰值对电力交易时序数据进行需求模式分析，以生成电力交易需求模式数据；对电力交易需求模式数据进行隐含关联分析，以生成需求模式关联数据；

5、步骤s3：基于需求模式关联数据对电力交易时序数据进行数据集成，构建电力需求模式库；对多维电力交易数据进行用户交易节点识别，生成用户交易节点数据；对用户交易节点数据进行拓扑结构构建，以生成用户交易节点网络；

6、步骤s4：对电力需求模式库进行电力需求变化率捕捉，生成电力需求演化规律；根据电力需求演化规律对用户交易节点网络进行动态关联分析，构建动态关联网络拓扑结构；

7、步骤s5：对电网供电流量数据进行负载计算，以生成供电负载数据；根据用户交易节点网络对供电负载数据进行电力负载分布分析，生成电力负载分布图；利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，生成边缘负载数据；对边缘负载数据进行负载缺陷分析，生成负载缺陷数据；

8、步骤s6：通过负载缺陷数据对动态关联网络拓扑结构进行负载决策优化，生成自适应负载优化网络结构；对自适应负载优化网络结构进行供需最优交易策略分析，以生成最优交易策略引擎；对最优交易策略引擎进行数据挖掘建模，以构建电力交易策略模型，执行电力交易作业。

9、本发明通过获取多维电力交易数据和电网供电流量数据，可以获得全面的电力市场信息。利用自学习神经网络对电力交易数据进行维度特征提取，可以从原始数据中提取出关键特征，减少冗余信息。通过时序分析和需求特征提取，可以生成电力交易时序数据和电力需求时序曲线，为后续的分析提供基础。通过深度学习算法计算电力需求峰值，可以准确估计电力需求的高峰期。对电力交易时序数据进行需求模式分析，可以识别不同的交易需求模式。隐含关联分析可以揭示不同需求模式之间的关联关系，为后续的数据集成和网络构建提供依据。通过需求模式关联数据进行数据集成，可以构建电力需求模式库，包含各种不同的需求模式。识别用户交易节点并构建相关的拓扑结构，可以揭示用户之间的交易关系和依赖关系，形成用户交易节点网络。通过电力需求模式库进行需求变化率捕捉，可以分析电力需求的演化规律，包括长期趋势和短期波动。基于需求演化规律对用户交易节点网络进行动态关联分析，可以构建动态关联网络拓扑结构，反映电力市场中节点之间的动态关系。通过对电网供电流量数据进行负载计算，可以获得电网的负载情况。根据用户交易节点网络对供电负载数据进行电力负载分布分析，可以了解电力负载在不同节点之间的分布情况。利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，可以计算每个节点的边缘负载情况。对边缘负载数据进行负载缺陷分析，可以发现负载异常或故障，生成负载缺陷数据。过对负载缺陷数据进行分析，可以识别负载异常或故障，并对动态关联网络拓扑结构进行负载决策优化，调整节点之间的负载分配，提高电力系统的可靠性和稳定性。对自适应负载优化网络结构进行供需最优交易策略分析，可以根据当前的负载情况和需求模式，制定最优的电力交易策略。通过数据挖掘建模构建电力交易策略模型，可以自动执行电力交易作业，提高交易效率和利润。

10、优选地，步骤s1包括以下步骤：

11、步骤s11：获取多维电力交易数据及电网供电流量数据；

12、步骤s12：利用自学习神经网络对多维电力交易数据进行维度特征提取，生成维度特征电力交易数据；

13、步骤s13：对维度特征电力交易数据进行异构数据融合，生成异构维度融合特征数据；

14、步骤s14：对异构维度融合特征数据进行时序分析，以生成电力交易时序数据；

15、步骤s15：对电力交易时序数据进行需求特征提取，生成电力交易时序需求数据；

16、步骤s16：对电力交易时序需求数据进行时序曲线拟合，以生成电力需求时序曲线。

17、本发明通过获取多维电力交易数据和电网供电流量数据，可以获得全面的电力市场信息。电力交易数据包括不同交易参与方的供电和购电情况，以及价格和交易量等信息。电网供电流量数据反映了电力系统的供应能力和负荷情况，是电力交易的基础数据。通过自学习神经网络对多维电力交易数据进行维度特征提取，可以从原始数据中提取出关键特征，减少冗余信息。维度特征电力交易数据包含了经过精简和提炼的特征，具有更好的可解释性和高维度的表达能力。通过异构数据融合，将来自不同数据源或不同类型的电力交易数据进行整合，生成异构维度融合特征数据。这样的数据融合可以综合考虑不同维度的信息，提供更全面和准确的特征描述，增强了数据的综合性和可解释性。通过时序分析，对异构维度融合特征数据进行时间维度的建模和分析，可以生成电力交易时序数据。电力交易时序数据展现了不同时间点上的交易情况和交易趋势，能够揭示电力市场的动态变化和周期性特征。通过对电力交易时序数据进行需求特征提取，可以识别出不同时间点上的电力需求特征。电力交易时序需求数据呈现了电力需求的变化趋势、峰谷差异等信息，为后续的需求分析和决策提供了基础。通过对电力交易时序需求数据进行时序曲线拟合，可以得到电力需求的光滑曲线表示，即电力需求时序曲线。电力需求时序曲线能够更准确地反映电力需求的变化趋势和周期性规律，为电力市场的需求预测和规划提供重要参考。

18、优选地，步骤s2包括以下步骤：

19、步骤s21：利用深度学习算法对电力需求时序曲线进行需求波动特征分析，生成电力需求波动特征数据；

20、步骤s22：利用电力动态需求峰值计算公式对电力需求波动特征数据进行动态需求峰值计算，生成电力需求峰值；

21、步骤s23：根据电力需求峰值对电力交易时序数据进行需求趋势分析，以生成电力需求趋势数据；

22、步骤s24：对电力需求趋势数据进行需求模式分析，以生成电力交易需求模式数据；

23、步骤s25：根据电力需求时序曲线对电力交易需求模式数据进行时空依赖分析，生成时空需求依赖数据；

24、步骤s26：对时空需求依赖数据进行隐含关联分析，以生成需求模式关联数据。

25、本发明通过深度学习算法对电力需求时序曲线进行分析，可以提取出需求的波动特征，包括振幅、频率、周期等信息。电力需求波动特征数据能够更细致地描述电力需求的变化模式，为后续的需求预测和调控提供参考。通过应用电力动态需求峰值计算公式，可以对电力需求波动特征数据进行处理，得到电力需求的峰值。电力需求峰值是指需求在某个时间段内达到的最高点，它反映了电力需求的高峰时刻。电力需求峰值的计算可以帮助电力市场和电力系统进行负荷调度和资源配置。根据电力需求峰值，对电力交易时序数据进行分析，可以得到电力需求的趋势信息。电力需求趋势数据展示了电力需求的整体变化趋势，包括逐年增长、季节性变化、周期性波动等。电力需求趋势数据对电力市场的规划和供需平衡具有重要参考价值。通过对电力需求趋势数据进行需求模式分析，可以识别出不同的需求模式。电力交易需求模式数据描述了电力需求在不同时间段内的典型模式，如平稳增长、突增、突降等。电力交易需求模式数据可以用于需求预测和市场调控，帮助决策者更好地应对不同的需求情况。通过对电力需求时序曲线进行分析，结合电力交易需求模式数据，可以得到时空需求依赖数据。时空需求依赖数据反映了电力需求在时间和空间上的相关性，例如不同时间段、不同地区之间的需求关联程度。时空需求依赖数据有助于电力市场的需求预测和资源配置，提高供需匹配的效率。通过对时空需求依赖数据进行隐含关联分析，可以发现其中的潜在关联规律和模式。需求模式关联数据揭示了不同需求模式之间的关系和相互影响，有助于了解需求的复杂性和相互依赖性。需求模式关联数据为电力市场的需求预测、资源配置和市场调控提供了更深入的洞察和决策支持。

26、优选地，步骤s22中的电力动态需求峰值计算公式具体为：

27、

28、p为电力动态需求峰值，a为负荷电量，b发电电量，c为负荷率，d为电力需求波动范围，n为系统负荷输出频率，f为电网系统最大电压，g为电网系统输出核定电压，l为电网系统用电节点设备总数，b为电量调峰中控率，y为环境温度最高最低差值，x为电网机组输出效率。

29、本发明通过ln(a·b·c)计算负荷电量、发电电量和负荷率的乘积的自然对数。负荷电量代表整个系统的负荷水平，发电电量代表系统的发电能力，负荷率表示负荷相对于发电能力的比例，对数运算可以平滑数据，减小极端值的影响。在电力系统中，负荷电量、发电电量和负荷率可能会出现较大的波动或极端值。取对数可以减弱这些波动的影响，使得计算结果更加稳定，通过对数运算，可以将不同量级的数据进行比较。负荷电量、发电电量和负荷率通常具有不同的量级，取对数后，量级差异较小，便于比较它们之间的相对大小，通过将电力需求波动范围与电网系统最大电压衰减效应相乘，然后除以电网系统输出核定电压，可以调整电压对电力需求峰值的影响。这有助于更准确地估计电力系统的需求峰值，并考虑电压变化对需求峰值的影响，通过计算乘积并取对数，将电网系统用电节点设备总数、电量调峰中控率、环境温度最高最低差值和电网机组输出效率等多个因素综合考虑在内。这有助于综合评估这些因素对电力动态需求峰值的影响，通过取对数，可以将乘积的结果转换为更小的数值范围。这有助于减小数值的量级差异，使得数据更易于处理和分析，同时还能减小极端值的影响，通过对这些变量的综合考虑，可以更全面地评估电力系统的需求峰值水平，并为系统运行和电力调度提供参考。

30、优选地，步骤s21的具体步骤为：

31、步骤s211：利用深度学习算法对电力需求时序曲线进行需求振幅分析，得到需求波动幅度数据；

32、步骤s212：对需求波动幅度数据进行频域装换，生成需求波动频域数据；

33、步骤s213：对需求波动频域数据进行波形周期检测，从而生成需求波动周期数据；

34、步骤s214：对需求波动周期数据进行频率分量提取，以生成需求波动频率分量数据；

35、步骤s215：根据需求波动频率分量数据对电力需求时序曲线进行需求波动特征分析，生成电力需求波动特征数据。

36、本发明通过深度学习算法对电力需求时序曲线进行需求振幅分析，可以获得需求波动的振幅数据。需求波动幅度数据反映了电力需求在不同时间段内的波动程度，可以揭示电力需求的波动性质，如平稳、剧烈、温和等。这些数据有助于了解电力需求的稳定性和变动性，为电力市场的调控和供需平衡提供依据。通过对需求波动幅度数据进行频域转换，可以将需求波动的时域信息转换为频域信息。需求波动频域数据提供了不同频率成分对需求波动的贡献程度，可以揭示电力需求的频率特征。这些数据有助于了解电力需求的周期性和频率分布，对电力市场的负荷调度和需求预测具有重要意义。通过对需求波动频域数据进行波形周期检测，可以确定需求波动的周期性特征。需求波动周期数据反映了电力需求的周期性变化，例如每日、每周、每月或其他更长时间段的周期性。这些数据有助于了解电力需求的季节性变化和长期趋势，对电力市场的需求预测和资源规划提供指导。通过对需求波动周期数据进行频率分量提取，可以获取不同频率成分对需求波动的贡献程度。需求波动频率分量数据描述了不同频率范围内的需求波动情况，例如低频、中频、高频成分的振幅和变化趋势。这些数据有助于了解电力需求的不同时间尺度上的波动特征，为电力市场的调控和市场分析提供依据。根据需求波动频率分量数据，对电力需求时序曲线进行分析，可以提取出电力需求的波动特征，包括不同频率范围内的振幅、变化趋势等信息。电力需求波动特征数据能够更全面地描述电力需求的变化模式，包括不同时间尺度上的波动性质和频率成分的贡献程度。这些数据有助于电力市场的需求预测、负荷调度和市场分析，提高供需匹配的准确性和效率。

37、优选地，步骤s3的具体步骤为：

38、步骤s31：对电力交易时序数据进行时序序列分割，以生成电力时序序列集；

39、步骤s32：基于需求模式关联数据对电力时序序列集进行序列标记，生成需求模式时序序列；

40、步骤s33：对需求模式时序序列进行数据集成，构建电力需求模式库；

41、步骤s34：对多维电力交易数据进行用户交易节点识别，生成用户交易节点数据；

42、步骤s35：对用户交易节点数据进行交易行为分析，生成电力交易行为数据；

43、步骤s36：根据电力交易行为数据用户交易节点数据进行拓扑结构构建，以生成用户交易节点网络。

44、本发明通过将电力交易数据按照时间顺序进行组织和分析，便于后续的需求模式识别、交易行为分析等任务。生成的电力时序序列集为后续步骤提供了基础数据，使得对电力交易数据的进一步分析更加有效和方便。通过对电力时序序列集进行序列标记，可以将其中的需求模式进行标识和划分。需求模式是指电力交易数据中具有相似特征和规律的一组交易序列。生成的需求模式时序序列可以用于后续的需求模式分析、需求预测等任务。通过对需求模式的识别和分析，可以揭示电力交易数据中的潜在模式和规律，为电力市场和供需管理提供决策依据。通过对需求模式时序序列的数据集成，可以将不同的需求模式整合到一个电力需求模式库中。电力需求模式库是一个包含多种需求模式的集合，其中每个需求模式都代表了一类具有相似需求特征的电力交易序列。构建电力需求模式库有助于对电力需求的分类和归纳，为需求预测、市场分析等任务提供更全面和准确的参考。通过对多维电力交易数据进行用户交易节点识别，可以确定不同用户在电力交易中的节点。用户交易节点是指电力交易网络中的具体用户，其在交易中扮演着重要的角色。生成的用户交易节点数据可以用于后续的用户行为分析、用户分类等任务。识别用户交易节点能够更好地理解电力交易网络的结构和用户行为，为电力市场和供需管理提供洞察和决策依据。通过对用户交易节点数据进行交易行为分析，可以获取用户在电力交易中的行为特征和模式。电力交易行为数据描述了用户在交易过程中的交易行为，如购买、出售、调整等操作。生成的电力交易行为数据可以用于后续的交易模式分析、用户行为预测等任务。分析用户的交易行为有助于了解电力市场中的交易模式和用户策略，为市场监管和决策制定提供参考。通过根据电力交易行为数据和用户交易节点数据构建拓扑结构，可以建立用户交易节点之间的连接和关系。用户交易节点网络描述了用户之间的交易关系和连接方式，可以揭示电力市场中的交易网络结构和用户之间的互动模式。生成的用户交易节点网络有助于分析电力市场中的交易流动、市场集中度等指标，为市场监管、资源调度等决策提供参考。

45、优选地，步骤s4的具体步骤为：

46、步骤s41：对电力需求模式库进行电力需求变化率捕捉，生成电力需求变化率数据；

47、步骤s42：根据电力需求变化率数据对电力需求时序曲线进行突变点检测，生成需求突变点数据；

48、步骤s43：基于需求突变点数据对电力需求模式库进行需求演化分析，生成电力需求演化规律；

49、步骤s44：根据电力需求演化规律对用户交易节点网络进行动态关联分析，以生成节点动态关联数据；

50、步骤s45：基于电力需求时序曲线对节点动态关联数据进行时序变迁分析，生成时序结构演化数据；

51、步骤s46：通过时序结构演化数据对用户交易节点网络进行动态关联分析，构建动态关联网络拓扑结构。

52、本发明通过对电力需求模式库进行电力需求变化率捕捉，可以计算和提取电力需求的变化率信息。电力需求变化率数据反映了电力需求的波动情况和变化趋势。生成的电力需求变化率数据可以用于后续的需求分析、波动预测等任务。分析电力需求的变化率有助于了解需求的动态特征和周期性，为电力市场的调度和资源优化提供参考。通过对电力需求变化率数据进行突变点检测，可以确定电力需求时序曲线中的突变点位置。需求突变点是指需求曲线中出现显著变化的时间点，可能代表着电力需求的转折或重要事件。生成的需求突变点数据可以用于后续的需求分析、异常检测等任务。检测需求的突变点有助于捕捉需求变化的关键时刻和异常情况，为电力市场的调度和应对提供预警和决策依据。通过基于需求突变点数据对电力需求模式库进行需求演化分析，可以揭示电力需求的演化规律和变化趋势。电力需求演化规律描述了需求模式的变化、周期和趋势等特征。生成的电力需求演化规律可以用于后续的需求预测、市场规划等任务。分析需求的演化规律有助于了解需求的长期变化趋势和周期性，为电力市场的调度和资源优化提供参考和决策依据。通过根据电力需求演化规律对用户交易节点网络进行动态关联分析，可以确定节点之间的动态关联关系。节点动态关联数据描述了用户交易节点在不同需求演化阶段的连接和交互模式。生成的节点动态关联数据可以用于后续的网络分析、节点演化预测等任务。分析节点的动态关联关系有助于了解用户之间的交易模式和互动行为，为电力市场的调度和市场设计提供参考和决策依据。通过基于电力需求时序曲线对节点动态关联数据进行时序变迁分析，可以捕捉节点动态关联关系的时序演化特征。时序结构演化数据描述了节点之间的关联模式在时间上的变化和演化过程。生成的时序结构演化数据可以用于后续的时序分析、模式识别等任务。分析节点关联关系的时序演化特征有助于了解节点之间的关联模式随时间的变化，为电力市场的调度和资源优化提供参考和决策依据。动态关联网络拓扑结构反映了节点之间的关联关系随时间的变化和演化。生成的动态关联网络拓扑结构可以用于后续的网络分析、关键节点识别等任务。构建动态关联网络的拓扑结构有助于了解节点之间的关联模式随时间的变化和演化，为电力市场的调度和市场设计提供参考和决策依据。

53、优选地，步骤s5的具体步骤为：

54、步骤s51：对电网供电流量数据进行负载计算，以生成供电负载数据；

55、步骤s52：根据用户交易节点网络对供电负载数据进行电力负载分布分析，生成电力负载分布数据；

56、步骤s53：对电力负载分布数据进行负载强度计算，生成负载分布强度数据；

57、步骤s54：对负载分布强度数据进行负载分布空间挖掘，生成电力负载分布图；

58、步骤s55：利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，生成边缘负载数据；

59、步骤s56：对边缘负载数据进行负载缺陷分析，生成负载缺陷数据。

60、本发明通过对电网供电流量数据进行负载计算，可以估算电网当前的供电负载情况。供电负载数据反映了电网在特定时间段内所承载的负荷大小。生成的供电负载数据可以用于后续的负荷管理、电网规划等任务。计算供电负载有助于了解电网的负荷情况和负荷分布，为电力系统的运行和调度提供参考和决策依据。通过根据用户交易节点网络对供电负载数据进行电力负载分布分析，可以确定电力负载在不同节点上的分布情况。电力负载分布数据描述了不同节点承载的负荷量和分布情况。生成的电力负载分布数据可以用于后续的负荷均衡、负荷预测等任务。分析电力负载的分布情况有助于了解各节点的负荷贡献和负荷分配情况，为电力系统的负荷管理和资源优化提供参考和决策依据。计算负载强度有助于了解各节点的负荷状况和负荷分布的不均衡程度，为电力系统的负荷管理和资源优化提供参考和决策依据。通过对负载分布强度数据进行负载分布空间挖掘，可以揭示电力负载在空间上的分布模式和聚集情况。电力负载分布图展示了各节点负荷强度的空间分布情况。通过利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，可以确定拓扑结构中各边缘节点的负荷情况。边缘负载数据描述了边缘节点在电力系统中的负荷贡献和负荷水平。通过对边缘负载数据进行负载缺陷分析，可以识别出边缘节点中存在的负载缺陷或异常情况。负载缺陷数据描述了边缘节点负荷异常或超负荷的情况。

61、优选地，步骤s6的具体步骤为：

62、步骤s61：通过负载缺陷数据对动态关联网络拓扑结构进行负载决策优化，生成自适应负载优化网络结构；

63、步骤s62：对自适应负载优化网络结构进行供需最优交易策略分析，以生成最优交易策略引擎；

64、步骤s63：对维电力交易数据进行交易频率计算，以生成电力交易频率数据；

65、步骤s64：根据电力交易频率数据对最优交易策略引擎进行实现频率优化，生成频率优化交易策略引擎；

66、步骤s65：对频率优化交易策略引擎进行数据挖掘建模，以构建电力交易策略模型，执行电力交易作业。

67、本发明通过使用负载缺陷数据对动态关联网络拓扑结构进行负载决策优化，可以改善网络结构以适应负载需求。自适应负载优化网络结构是根据负载缺陷数据进行调整和优化的网络拓扑结构。生成的自适应负载优化网络结构可以提高系统的负载均衡性、可靠性和性能。通过优化网络结构，可以更好地分配负载、减少负荷异常和故障风险，并提高电力系统的运行效率和稳定性。通过对自适应负载优化网络结构进行供需最优交易策略分析，可以确定最佳的供需交易策略。最优交易策略引擎是基于对网络结构的分析和优化，提供最佳供需交易策略的决策引擎。通过对维电力交易数据进行交易频率计算，可以评估交易的频率和交易活跃度。电力交易频率数据反映了电力市场中交易的频繁程度和规模。通过根据电力交易频率数据对最优交易策略引擎进行实现频率优化，可以调整交易策略引擎以适应不同的交易频率。频率优化交易策略引擎是根据交易频率数据进行调整和优化的交易策略决策引擎。通过对频率优化交易策略引擎进行数据挖掘建模，可以构建电力交易策略模型，用于执行电力交易作业。电力交易策略模型基于对交易策略引擎的数据挖掘和建模，可以预测市场趋势、分析交易风险和优化交易决策。通过数据挖掘建模，可以提取交易策略引擎中的规律、趋势和关联性，为电力交易作业提供决策支持和指导。构建电力交易策略模型有助于优化交易决策、提高交易效益和降低风险，从而促进电力市场的健康发展和可持续运营。

68、在本说明书中，提供一种基于多维度数据分析的电力交易系统，用于执行如上所述的基于多维度数据分析的电力交易方法，包括：

69、需求特征模块，用于获取多维电力交易数据及电网供电流量数据；利用自学习神经网络对多维电力交易数据进行维度特征提取，生成维度特征电力交易数据；对维度特征电力交易数据进行时序分析，以生成电力交易时序数据；对电力交易时序数据进行需求特征提取，以生成电力需求时序曲线；

70、动态需求峰值模块，用于利用深度学习算法对电力需求时序曲线进行动态需求峰值计算，生成电力需求峰值；根据电力需求峰值对电力交易时序数据进行需求模式分析，以生成电力交易需求模式数据；对电力交易需求模式数据进行隐含关联分析，以生成需求模式关联数据；

71、交易节点网络模块，用于基于需求模式关联数据对电力交易时序数据进行数据集成，构建电力需求模式库；对多维电力交易数据进行用户交易节点识别，生成用户交易节点数据；对用户交易节点数据进行拓扑结构构建，以生成用户交易节点网络；

72、动态关联网络模块，用于对电力需求模式库进行电力需求变化率捕捉，生成电力需求演化规律；根据电力需求演化规律对用户交易节点网络进行动态关联分析，构建动态关联网络拓扑结构；

73、负载分布模块，用于对电网供电流量数据进行负载计算，以生成供电负载数据；根据用户交易节点网络对供电负载数据进行电力负载分布分析，生成电力负载分布图；利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，生成边缘负载数据；对边缘负载数据进行负载缺陷分析，生成负载缺陷数据；

74、交易策略模型模块，用于通过负载缺陷数据对动态关联网络拓扑结构进行负载决策优化，生成自适应负载优化网络结构；对自适应负载优化网络结构进行供需最优交易策略分析，以生成最优交易策略引擎；对最优交易策略引擎进行数据挖掘建模，以构建电力交易策略模型，执行电力交易作业。

75、本发明通过获取多维电力交易数据及电网供电流量数据，并利用自学习神经网络进行维度特征提取，可以生成维度特征电力交易数据。这样做可以减少数据的维度，并提取出关键的特征，为后续的分析和决策提供更准确和有用的数据。通过利用深度学习算法对电力需求时序曲线进行动态需求峰值计算，可以生成电力需求峰值。这有助于了解电力需求的高峰期和低谷期，为电力交易的需求模式分析提供基础。根据电力需求峰值对电力交易时序数据进行需求模式分析，可以生成电力交易需求模式数据，帮助理解和预测交易需求的模式和趋势。通过对需求模式关联数据进行分析和集成，构建电力需求模式库。这可以帮助识别用户交易节点并构建用户交易节点网络。用户交易节点网络的建立有助于了解不同用户之间的交易关系和交易模式，为电力交易的拓扑结构构建提供依据。电力需求模式库进行电力需求变化率捕捉，生成电力需求演化规律。这有助于理解电力需求的变化趋势和规律。根据电力需求演化规律对用户交易节点网络进行动态关联分析，构建动态关联网络拓扑结构。这样做可以更好地了解和分析不同交易节点之间的相关性和影响关系，为电力交易的优化和决策提供支持。电网供电流量数据进行负载计算，可以生成供电负载数据。根据用户交易节点网络对供电负载数据进行电力负载分布分析，生成电力负载分布图。这有助于了解不同区域的负载分布情况，为负载均衡和资源调度提供参考。利用电力负载分布图对动态关联网络拓扑结构进行边缘负载计算，生成边缘负载数据。这样做可以评估网络拓扑结构中各个节点的负载情况，为负载决策和优化提供依据。对边缘负载数据进行负载缺陷分析，可以识别出负载异常和潜在的故障风险，为系统运行的稳定性和可靠性提供保障。通过负载缺陷数据对动态关联网络拓扑结构进行负载决策优化，生成自适应负载优化网络结构。这有助于提高网络的负载均衡性和性能，减少负荷异常和故障风险。对自适应负载优化网络结构进行供需最优交易策略分析，可以确定最佳的供需交易策略，提高电力市场的效益和经济性。对最优交易策略引擎进行数据挖掘建模，可以构建电力交易策略模型，执行电力交易作业。这样做可以提供基于数据驱动的交易决策支持，优化电力交易的效率和效果。