电力零售的风险预测方法、终端及存储介质技术

本发明专利技术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。本发明专利技术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。的稳定性和安全性。

【技术实现步骤摘要】
电力零售的风险预测方法、终端及存储介质


[0001]本专利技术属于电力交易
，具体涉及一种电力零售的风险预测方法、终端及存储介质。

技术介绍

[0002]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：
[0003]S
批零测算
＝S
零售收入测算
‑
S
批发成本测算
；
[0004][0005][0006]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
亟需解决的问题。

技术实现思路

[0007]本专利技术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。
[0008]为实现上述目的，本专利技术采用的技术方案如下：
[0009]电力零售的风险预测方法，包括如下步骤：
[0010]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；
[0011]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；
[0012]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；
[0013]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。
[0014]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：
[0015]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。
[0016]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；
[0017]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。
[0018]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：
[0019]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。
[0020]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：
[0021]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。
[0022]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：
[0023]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。
[0024]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：
[0025]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。
[0026]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：
[0027]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；
[0028]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。
[0029]本专利技术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。
[0030]本专利技术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。
[0031]本专利技术中，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。
[0032]本专利技术中，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。
[0033]本专利技术中，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。
[0034]本专利技术与现有技术相比，其有益效果为：
[0035]本专利技术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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：陈然，赵伟华，孙恒一，王帮灿，吴滇宁，张加贝，周娜，丁文娇，王睿琛，杨东源，
申请(专利权)人：昆明电力交易中心有限责任公司，
类型：发明
国别省市：