一种售电公司零售市场风险监控防控预警方法技术

本发明专利技术涉及一种售电公司零售市场风险监控防控预警方法，属于售电结算风险监控技术领域。该方法自动获取的售电公司用户历史用电量数据，使用随机分形智能搜索算法对深度学习模型进行超参数优化，进而基于该模型对售电公司月度交易能力进行预测，为售电公司进行零售交易预测能力精确控制提供有效参考。同时基于上述预测零售交易能力，考虑当前零售电力市场批零价差计算模式，提出一种自适应精细化逐日交易风险分级预警防控方式，与用电量值进行联动，自动匹配相应预警层级和预警措施，为电网企业风险管理提供预警参考，能有效防控电网公司运营结算风险，优化市场运营效率，保障多市场主体在零售电力市场中平稳有序发展。场主体在零售电力市场中平稳有序发展。场主体在零售电力市场中平稳有序发展。

【技术实现步骤摘要】
一种售电公司零售市场风险监控防控预警方法


[0001]本专利技术属于售电结算风险监控
，具体涉及一种售电公司零售市场风险监控防控预警方法。

技术介绍

[0002]近年来，随着电力市场化改革的不断深入，售电侧市场主体活力不断增强，为电力市场繁荣发展提供了重要支撑。然而，在售电侧，新兴售电公司也面临着市场用户需求变化、电能价格波动以及自身经营状况不稳定等多重不确定性因素，进而引发市场风险。与此同时，随着市场开放程度不断增加，零售电力市场结算主体发生变化，在现有市场环境及政策背景下，零售市场中电网公司结算风险由“售电公司
‑
电网公司”单一主体结算风险转变为“发电厂
‑
零售用户
‑
售电公司
‑
电网公司”多重结算风险耦合的多主体结算风险，结算风险大幅增加，对电网公司结算风险管控能力提出了更高要求，与此同时，现有市场风险监控技术相对匮乏进一步制约着结算风险的控制和电力市场的发展。因此如何克服现有技术的不足是目前售电结算风险监控
亟需解决的问题。

技术实现思路

[0003]本专利技术针对当前零售电力市场中电网企业结算风险由单一主体结算风险向多重风险耦合的多主体结算风险转变现状，传统风险管理中电网企业存在的信息滞后、主体利益保障维度不足、缺少有效风险管控措施等问题，设计一种结合深度学习技术的售电公司零售市场风险监控防控预警方法，以“批发价格
‑
零售价格”收益差为判别条件，基于电网公司中央对手方权益保障视角，智能优选多级风险管控措施，降低电网公司运营结算风险，优化市场运营效率，提升市场运行保障能力，促进多市场主体在零售电力市场中平稳有序发展。
[0004]为实现上述目的，本专利技术采用的技术方案如下：
[0005]一种售电公司零售市场风险监控防控预警方法，包括如下步骤：
[0006]步骤(1)，获取售电公司对应用户的历史用电量数据，及该用户所在地市的温度、湿度以及日类型数据；
[0007]步骤(2)，将步骤(1)获得的历史用电量数据按时间先后排列作为历史用电量时间序列并进行归一化处理，然后采用VMD方法将归一化后的历史用电量时间序列分解为K个子模态分量；
[0008]步骤(3)，对步骤(1)获得的温度、湿度以及日类型数据进行非线性映射处理；
[0009]步骤(4)，以归一化后的历史用电量子模态分量在前B个月的值、该B个月非线性映射处理的温度、湿度以及日类型数据作为LSTM模型的输入，以归一化后的历史用电量子模态分量在当月内的值作为LSTM模型的输出，对每个子模态分量的LSTM模型进行训练，得到各个子模态分量的LSTM用电量预测模型；B≥1；
[0010]步骤(5)，将历史用电量子模态分量在前B个月的值、该B个月非线性映射处理的温
度、湿度以及日类型数据作为输入，输入至步骤(4)获得的相应分量的LSTM用电量预测模型，得到各个分量的归一化后的用电量预测值，之后将各个分量的归一化后的用电量预测值反归一化后，再进行累加，获得当月用电量预测值Q
capacity
；
[0011]步骤(6)，根据当月售电量预测值Q
capacity
，计算每日售电公司零售市场批零价差ΔP；
[0012]步骤(7)，基于每日计算的零售市场批零价差计算结果ΔP对市场零售交易风险进行跟踪，匹配相应的预警层级和预警措施，从而完成零售市场风险跟踪预警。
[0013]进一步，优选的是，步骤(1)中，对获得的历史用电量数据进行平稳性检验，若假设结果被拒绝，则对数据进行数据清洗。
[0014]进一步，优选的是，数据清洗的具体方法为：对进行异常值及缺失值处理；将异常值视作缺失值将以上两类统一处理，采用二次样条插值方法对缺失值进行插补。
[0015]进一步，优选的是，步骤(1)中，所述的日类型包括春夏秋冬四季的工作日、周六、周日和节假日。
[0016]进一步，优选的是，步骤(3)中，温度、湿度以及日类型数据非线性映射处理的具体方法为：
[0017]1)对于温度：
[0018]下限温度阈值设为t，上限温度阈值设为设温度因子t
n
映射前的值为x
n
，映射后的值为y
n
，当时，采用归一化的方法进行处理；当或t<t时，采用映射关系函数进行处理：
[0019]首先在获取的用户历史用电量数据集合中统计各温度下所对应的用户用电量平均值，再对温度
‑
用电量均值分别采用二次函数拟合、三次函数拟合和钟型函数拟合，分别计算三种拟合曲线与映射前值的拟合优度，即确定系数以确定系数最接近1为指标确定映射关系函数，确定系数计算如下：
[0020][0021]其中，x
i
为第i个映射前值，表示映射前值的均值，表示第i个映射后值；
[0022]确定好拟合关系曲线后，输入映射前值求出对应用电量值，将该值在对应区间内进行归一化处理，即为映射后值；
[0023]2)对于湿度：
[0024]下限湿度阈值设为r，上限湿度阈值设为设湿度因子r
n
映射前的值为u
n
，映射后的值为w
n
，当时，采用归一化的方法进行处理，当r
n
＜r0，当或r<r时，采用映射关系函数进行处理：
[0025]首先在获取的用户历史用电量数据集合中统计各湿度下所对应的用户用电量平均值，再对湿度
‑
用电量均值分别采用二次函数拟合、三次函数拟合和钟型函数拟合，分别计算三种拟合曲线与映射前值的拟合优度，即确定系数以确定系数最接近1为指标确定映射关系函数，确定系数计算如下：
[0026][0027]其中，u
i
为第i个映射前值，表示映射前值的均值，表示第i个映射后值；
[0028]确定好拟合关系曲线后，输入映射前值求出对应用电量值，将该值在对应区间内进行归一化处理，即为映射后值；
[0029]3)对于日类型数据：
[0030]设日类型数据f
n
映射前的值为h
n
，映射后的值为z
n
，采用映射关系函数进行处理：
[0031]首先在获取的用户历史用电量数据集合中统计各日类型下所对应的用户用电量平均值，再对日类型
‑
用电量均值分别采用二次函数拟合、三次函数拟合和钟型函数拟合，分别计算三种拟合曲线与映射前值的拟合优度，即确定系数以确定系数最接近1为指标确定映射关系函数，确定系数计算如下：
[0032][0033]其中，h
i
为第i个映射前值，表示映射前值的均值，表示第i个映射后值。
[0034]进一步，优选的是，步骤(4)中，采用随机分形搜索算法SFS对LSTM参数进行优化求解，其中，参数包括隐含层节点数、时间步长和学习率；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种售电公司零售市场风险监控防控预警方法，其特征在于，包括如下步骤：步骤(1)，获取售电公司对应用户的历史用电量数据，及该用户所在地市的温度、湿度以及日类型数据；步骤(2)，将步骤(1)获得的历史用电量数据按时间先后排列作为历史用电量时间序列并进行归一化处理，然后采用VMD方法将归一化后的历史用电量时间序列分解为K个子模态分量；步骤(3)，对步骤(1)获得的温度、湿度以及日类型数据进行非线性映射处理；步骤(4)，以归一化后的历史用电量子模态分量在前B个月的值、该B个月非线性映射处理的温度、湿度以及日类型数据作为LSTM模型的输入，以归一化后的历史用电量子模态分量在当月内的值作为LSTM模型的输出，对每个子模态分量的LSTM模型进行训练，得到各个子模态分量的LSTM用电量预测模型；B≥1；步骤(5)，将历史用电量子模态分量在前B个月的值、该B个月非线性映射处理的温度、湿度以及日类型数据作为输入，输入至步骤(4)获得的相应分量的LSTM用电量预测模型，得到各个分量的归一化后的用电量预测值，之后将各个分量的归一化后的用电量预测值反归一化后，再进行累加，获得当月用电量预测值Q
capacity
；步骤(6)，根据当月售电量预测值Q
capacity
，计算每日售电公司零售市场批零价差ΔP；步骤(7)，基于每日计算的零售市场批零价差计算结果ΔP对市场零售交易风险进行跟踪，匹配相应的预警层级和预警措施，从而完成零售市场风险跟踪预警。2.根据权利要求1所述的售电公司零售市场风险监控防控预警方法，其特征在于，步骤(1)中，对获得的历史用电量数据进行平稳性检验，若假设结果被拒绝，则对数据进行数据清洗。3.根据权利要求2所述的售电公司零售市场风险监控防控预警方法，其特征在于，数据清洗的具体方法为：对进行异常值及缺失值处理；将异常值视作缺失值将以上两类统一处理，采用二次样条插值方法对缺失值进行插补。4.根据权利要求1所述的售电公司零售市场风险监控防控预警方法，其特征在于，步骤(1)中，所述的日类型包括春夏秋冬四季的工作日、周六、周日和节假日。5.根据权利要求1所述的售电公司零售市场风险监控防控预警方法，其特征在于，步骤(3)中，温度、湿度以及日类型数据非线性映射处理的具体方法为：1)对于温度：下限温度阈值设为t，上限温度阈值设为设温度因子t
n
映射前的值为x
n
，映射后的值为y
n
，当时，采用归一化的方法进行处理；当或时，采用映射关系函数进行处理：首先在获取的用户历史用电量数据集合中统计各温度下所对应的用户用电量平均值，再对温度
‑
用电量均值分别采用二次函数拟合、三次函数拟合和钟型函数拟合，分别计算三种拟合曲线与映射前值的拟合优度，即确定系数以确定系数最接近1为指标确定映射关系函数，确定系数计算如下：其中，x
i
为第i个映射前值，表示映射前值的均值，表示第i个映射后值；
确定好拟合关系曲线后，输入映射前值求出对应用电量值，将该值在对应区间内进行归一化处理，即为映射后值；2)对于湿度：下限湿度阈值设为r，上限湿度阈值设为设湿度因子r
n
映射前的值为u
n
，映射后的值为w
n
，当时，采用归一化的方法进行处理，当r
n
＜r0，当或r&lt;r时，采用映射关系函数进行处理：首先在获取的用户历史用电量数据集合中统计各湿度下所对应的用户用电量平均值，再对湿度
‑
用电量均值分别采用二次函数拟合、三次函数拟合和钟型函数拟合，分别计算三种拟合曲线与映射前值的拟合优度，即确定系数以确定系数最接近1为指标确定映射关系函数，确定系数计算如下：其中，u
i
为第i个映射前值，表示映射前值的均值，表示第i个映射后值；确定好拟合关系曲线后，输入映射前值求出对应用电量值，将该值在对应区间内进行归一化处理，即为映射后值；3)对于日类型数据：设日类型数据f
n
映射前的值为h
n
，映射后的值为z
n
，采用映射关系函数进行处理：首先在获取的用户历史用电量数据集合中统计各日类型下所对应的用户用电量平均值，再对日类型
‑
用电量均值分别采用二次函数...

【专利技术属性】
技术研发人员：刘斌，孙田旭，丁文娇，杨东源，谢蒙飞，王帮灿，马高权，贾毓功，李岚欣，杨喆麟，
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：