一种电力用户购电需求预测及零售合同定制方法技术

本发明专利技术公开了一种电力用户购电需求预测及零售合同定制方法。所述方法从电力用户属性、用户用电行为和用户交易偏好三个维度描述用户，通过多标签的方式进行零售用户精细化分类，从而获得更多维的用户画像，并基于该精细化分类提供制定零售合同的指导，实现高效的电力零售平台数据分析功能，帮助售电公司和电力交易机构拓展电力零售市场的消费渠道，扩大零售套餐的交易量，为电力零售市场建设的持续推进和双碳目标的实现提供基础。进和双碳目标的实现提供基础。进和双碳目标的实现提供基础。

【技术实现步骤摘要】
一种电力用户购电需求预测及零售合同定制方法


[0001]本专利技术涉及绿色电力市场数据分析
，特别涉及一种电力用户购电需求预测及零售合同定制方法。

技术介绍

[0002]近年来，低碳运行已经成为未来发展的趋势。随着电力市场改革深入推进，推动电力用户参与到电力交易市场中、体现市场在资源配置中的关键性作用是工作的重点。然而，随着电力用户规模持续扩大和用电需求朝多样化发展，电力用户的市场行为日趋复杂。因此，如何对新形势下对零售电力用户日趋复杂的交易行为模式进行深入分析与理解，预测用户交易需求、提高零售套餐交易的活跃度，为售电公司和电力交易机构提供决策参考，成为了需求侧消纳亟需解决的问题。
[0003]现有的电力零售市场数据分析技术中，尚未针对零售电力用户的交易需求预测进行全面、深入的分析，电力零售平台中与电力用户相关的多类型、多维度数据难以有效利用、挖掘。因此，在电力零售市场环境下，提供一种电力用户购电需求预测及零售合同定制方法，能够在一定程度上克服上述问题，进而实现高效率、可视化的电力用户数据分析功能，提升零售市场交易水平、新能源消纳水平和售电公司决策水平。
[0004]现有技术中，提供了一种电力零售电费套餐的推荐方法、系统、设备及存储介质，该方法包括根据用电属性将样本集中的用户划分为不同的用户基本用电类型；依据所述套餐选择,以电力零售电费套餐的选择次数为评分依据,构建用户基本用电类型的用户偏好评分矩阵；在用户基本用电类型的基础上,依据用户的负荷数据对用户进行二次分类,建立用户细分类别；对用户偏好评分矩阵进行调整,并对电力零售电费套餐进行排序,选取N个高评分套餐；根据目标用户的用电属性确定用户基本用电类型,计算目标用户与各细分类别聚类中心的距离,选取距离最近的细分类别,将该细分类别对应的N个高评分套餐作为该目标用户的备选套餐集。但实际操作中，并不允许交易平台对用户提供唯一套餐或售电公司推荐行为；同时该方法中仅基于用户负荷曲线对用户进行分类，并未考虑到地域、行业等其他维度的用户描述角度，其分类方法缺乏一定的全面性（梁波,王鑫,解磊等. 电力零售电费套餐的推荐方法、系统、设备及存储介质[P]. 山东省：CN116596640A,2023
‑
08
‑
15.）。

技术实现思路

[0005]为解决上述技术问题，本专利技术提供一种电力用户购电需求预测及零售合同定制方法，实现高效的电力零售平台数据分析功能，帮助售电公司和电力交易机构拓展电力零售市场的消费渠道，扩大零售套餐的交易量，为电力零售市场建设的持续推进和双碳目标的实现提供基础。
[0006]本专利技术的目的至少通过如下技术方案之一实现。
[0007]一种电力用户购电需求预测及零售合同定制方法，包括以下步骤：S1、从零售交易合同类型、用电类别、行业分类、用户类别、用电等级、归属供电局、
用电情况和交易次数8个层级初步构造零售电力用户特征矩阵；S2、结合SMOTE（Synthetic Minority Over
‑
sampling Technique）算法与k近邻算法对零售电力用户交易样本数据进行类不平衡处理；S3、采用自动编码器对进行类不平衡处理后的零售电力用户交易样本数据进行降维处理；S4、采用K
‑
means（K均值聚类）方法对前述进行采用自动编码器处理后的零售电力用户交易样本数据进行聚类，并采用轮廓系数法进行聚类效果评判，基于聚类效果构建零售电力用户多维标签；S5、采用贝叶斯优化算法对于LightGBM（Light Gradient Boosting Machine）的超参数进行优化，得到优化后的超参数组合；S6、基于LightGBM的机器学习算法进行零售电力用户特征优选；S7、构建基于注意力机制BiLSTM（Bidirectional Long Short
‑
Term Memory）的神经网络模型；S8、基于LightGBM模型和基于注意力机制BiLSTM的神经网络模型预测零售电力用户交易需求、定制零售合同。
[0008]进一步地，步骤S1中，具体包括以下步骤：S1.1、文本类特征采用标签编码，将每个标签映射到整数值，从0开始递增；所述文本类特征包括零售交易合同类型、用电类别、行业分类、用户类别、用电等级和归属供电局；S1.2、所述用电情况包括用电量和电价两个特征变量，对用电量和电价两个特征变量进行统计特征求算，包括变量的均值、方差和中位数，以扩展数据的特征；S1.3、采用最小
‑
最大归一化的方法将各特征数据转化为[0,1]区间上的值，即：
[0009]其中，l
max
为数据中的最大值，l
min
为数据中的最小值，为转化后的数据值；
[0010]S1.4、经过上述处理，最终得到第q个零售电力用户特征矩阵x
q
={l
q,1
,l
q,2
,...,l
q,a0
}，其中a0为初始特征数量，同时q={1,2,...,b}，b为零售电力用户总数量，l
q,p
为第q个零售电力用户的第p个特征向量，p={1,2,...,a0}，得到总特征矩阵A0={x1,x2,...,x
b
}；S1.5、为了评估每个特征与其他特征的相关性，如若某一特征与其他特征均无太大相关性，则可判定为冗余特征，采用Pearson相关系数法评估总特征矩阵A0中所有零售电力用户的第p个特征向量中的任意的两个之间的线性相关性，进行特征初筛，Pearson相关系数的取值区间为[
‑
1,1]，
‑
1表示完全负相关，+1表示完全正相关；两个特征变量Z和Y的Pearson相关系数计算公式为：
[0011]、为特征变量，p={1,2,...,a0}，r为Pearson相关系数，和为变量均值，设置阈值0作为特征筛选条件，Pearson相关系数在0以下的特征判断为冗余特征并剔除，生成
(x
i
)，其次在N3(x
i
)中根据分类决策规则重新决定x的类别：
[0024][0025]其中，令θ=1,...,w，ρ=1,...,w；则不满足令ρ=1,...,w的扩增样本数据为冗余的扩展样本；S2.6、在扩展后的零售电力用户特征矩阵中剔除冗余的扩增样本，形成新的零售电力用户特征矩阵，形成新的零售电力用户特征矩阵，b''=b+B1‑
B2，B2为冗余的扩增样本的总数。
[0026]进一步地，步骤S3中，具体包括以下步骤：S3.1、新的零售电力用户特征矩阵中的样本输入到自动编码器网络，进行网络前向和反向传播，直到到达设置的训练次数或者收敛程度为止；
[0027]S3.2、输出降维后的用户特征矩阵，b'''为降维后的用户特征矩阵中的样本总数。
[0028]进一步地，步骤S4中，采用K
‑
means方法对采用自动编码器处本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电力用户购电需求预测及零售合同定制方法，其特征在于，包括以下步骤：S1、从零售交易合同类型、用电类别、行业分类、用户类别、用电等级、归属供电局、用电情况和交易次数8个层级初步构造零售电力用户特征矩阵；S2、结合SMOTE算法与k近邻算法对零售电力用户交易样本数据进行类不平衡处理；S3、采用自动编码器对进行类不平衡处理后的零售电力用户交易样本数据进行降维处理；S4、采用K
‑
means方法对前述进行采用自动编码器处理后的零售电力用户交易样本数据进行聚类，并采用轮廓系数法进行聚类效果评判，基于聚类效果构建零售电力用户多维标签；S5、采用贝叶斯优化算法对于LightGBM的超参数进行优化，得到优化后的超参数组合；S6、基于LightGBM的机器学习算法进行零售电力用户特征优选；S7、构建基于注意力机制BiLSTM的神经网络模型；S8、基于LightGBM模型和基于注意力机制BiLSTM的神经网络模型预测零售电力用户交易需求、定制零售合同。2.根据权利要求1所述的一种电力用户购电需求预测及零售合同定制方法，其特征在于，步骤S1中，具体包括以下步骤：S1.1、文本类特征采用标签编码，将每个标签映射到整数值，从0开始递增；所述文本类特征包括零售交易合同类型、用电类别、行业分类、用户类别、用电等级和归属供电局；S1.2、所述用电情况包括用电量和电价两个特征变量，对用电量和电价两个特征变量进行统计特征求算，包括变量的均值、方差和中位数，以扩展数据的特征；S1.3、采用最小
‑
最大归一化的方法将各特征数据转化为[0,1]区间上的值，即：其中，l
max
为数据中的最大值，l
min
为数据中的最小值，为转化后的数据值；S1.4、经过上述处理，最终得到第q个零售电力用户特征矩阵x
q
={l
q,1
,l
q,2
,...,l
q,a0
}，其中a0为初始特征数量，同时q={1,2,...,b}，b为零售电力用户总数量，l
q,p
为第q个零售电力用户的第p个特征向量，p={1,2,...,a0}，得到总特征矩阵A0={x1,x2,...,x
b
}；S1.5、采用Pearson相关系数法评估总特征矩阵A0中所有零售电力用户的第p个特征向量中的任意的两个之间的线性相关性，进行特征初筛，Pearson相关系数的取值区间为[
‑
1,1]，
‑
1表示完全负相关，+1表示完全正相关；两个特征变量Z和Y的Pearson相关系数计算公式为：
、为特征变量，p={1,2,...,a0}，r为Pearson相关系数，和为变量均值，设置阈值0作为特征筛选条件，Pearson相关系数在0以下的特征判断为冗余特征并剔除，生成初始总用户交易特征矩阵A={x1,x2,...,x
b
}，x={l1,l2,...,l
a
}，a为初筛后特征数量。3.根据权利要求1所述的一种电力用户购电需求预测及零售合同定制方法，其特征在于，步骤S1.2中，变量的均值具体如下：其中，为样本用电量或电价均值，l
υ
为第υ个样本的用电量或电价，υ={1,2,
…
,n}，n为样本总数；变量的方差具体如下：其中，为样本用电量或电价的方差，l
υ
为第υ个样本的用电量或电价，υ={1,2,
…
,n}；对n个样本的用电量或电价降序排序，取其中位数为l
Med
。4.根据权利要求2所述的一种电力用户购电需求预测及零售合同定制方法，其特征在于，在步骤S2中，结合SMOTE算法与k近邻算法对初始总用户交易特征矩阵A进行类不平衡处理，并辅以样本类别权重，其具体方法如下：S2.1、从交易中心获取电力用户样本集，从电力用户样本集中找出所有的少数类样本x
i
，i=1~b，计算出少数类样本x
i
与其他少数类样本点x
j
之间的欧氏距离：其他少数类样本点x
j
与少数类样本x
i
之间的欧式距离小于设定的阈值，则为少数类样本x
i
的近邻，j=1~b，获得少数类样本x
i
的k1个近邻样本，并记为x
i,near
，near取值为1，2，3，...，k1，k1为近邻聚样本数，并根据k1个近邻样本形成对应的分类；S2.2、从x
i
的k1个近邻样本中随机选择一个样本x
i,r
，r=1~ k1，再生成一个0到1之间的随机数，在此基础上，合成一个新的样本x
new1
，其中：其中，每一次随机选择一个近邻样本，都对应一个新的随机数；S2.3、重复步骤S2.2 B1次，获得B1个新的样本，记为x
new,i
，i=1,2,...,B1，形成扩展后的零售电力用户特征矩阵，b'=b+B1；扩展后的零售电力用户特征矩阵中，前b个元素为{x1,x2,...,x
b
}，后B1个元素为新的样本，并将B1个新的样本x
new,i
归类到各自对应的样本x
i,r
所属的类别；S2.4、输...

【专利技术属性】
技术研发人员：覃捷，谭伟聪，胡秀珍，杨威，黄远明，林少华，曾智健，谢宇霆，成润婷，章春锋，
申请(专利权)人：广东电力交易中心有限责任公司，
类型：发明
国别省市：