[发明专利]一种电力市场成员竞价行为预测标签生成方法和系统

说明书

本发明公开了一种电力市场成员竞价行为预测标签生成方法和系统，从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据，提取电力市场成员竞价行为指标；结合电力市场成员竞价行为指标改进K‑means聚类算法，采用改进的K‑means聚类算法，生成电力市场成员竞价行为标签；利用已生成的电力市场成员竞价行为标签，进行电力市场成员竞价行为预测，生成市场成员行为预测标签。本发明利用K‑means聚类分析和嵌入梯度提升树算法挖掘出数据中的复杂标签，进而建立电力市场成员标签库，可实现市场成员信息结构化集中展示，帮助电力交易中心直观、系统地认识市场成员。

技术领域

本发明属于数据标签技术领域，涉及一种电力市场成员竞价行为预测标签生成方法和系统。

背景技术

随着大数据技术的迅猛发展，电力交易中心的数据仓库中积累了大量市场成员数据，且数量呈指数型增长。目前，电力交易中心对市场成员数据分析过程中存在不足:数据分析手段有待提升，人为主观因素影响较大，对市场成员行为产生的内在原因分析较浅，无法快速分析大量市场成员投诉的工单数据。利用大数据技术来分析市场成员的用电行为，生成市场成员画像，可以指导企业决策，同时提高市场成员满意度。基于大数据技术生成市场成员标签，可以全面、准确地量化处理电力市场成员数据，将市场成员的兴趣、特征、行为等多方面具象化数据分类描述，并在此基础上预测市场成员短期内的竞价行为。

现有技术文件1(CN114444573A)公开了一种基于大数据聚类技术的电力客户标签生成方法，包括基于改进K-means聚类的电力客户行为标签生成和基于梯度提升树和机器学习的电力客户行为预测标签，利用改进的K-means聚类算法，对电力客户服务呼叫中心、营销系统获得的客户数据进行统计、分析，将复杂信息加工过程透明化，形成简单的基本行为标签，经过K-means聚类分析、分类分析、归类分析和回归分析挖掘出数据中的复杂标签，建立电力客户标签库；电力企业利用客户标签生成客户画像，采用梯度提升树算法和机器学习相结合的方法来构建行为预测模型，生成客户行为预测标签。现有技术文件2(CN109685581A)公开了一种基于标签聚类技术的电力大客户用电行为分析方法，基于海量的客户档案、负荷、电量数据，综合考虑客户用电特征、影响因素，建立了客户用电行为标签库，并采用k-means算法进行标签聚类，实现不同类型电力客户用电行为画像。现有技术文件1和现有技术文件2均为生成电力客户标签，而不是对电力市场成员的竞价行为生成预测标签，且不涉及评估市场成员竞价行为的竞争性需考虑的发电商报价、发电商总收益和市场出清电价、竞价决策目标、申报价格、成本偏离度等指标因素。

发明内容

本发明提供一种可以帮助电力交易中心直观、系统地认识市场成员的电力市场成员竞价行为预测标签生成方法和系统。

本发明的一种电力市场成员竞价行为预测标签生成方法，包括以下步骤：

步骤1：从电力交易中心数据仓库抽取市场成员的实际历史竞价行为的数据，提取电力市场成员竞价行为指标；

步骤2：结合电力市场成员竞价行为指标改进K-means聚类算法，采用改进的K-means聚类算法，生成电力市场成员竞价行为标签；

步骤3：利用已生成的电力市场成员竞价行为标签，进行电力市场成员竞价行为预测，生成市场成员行为预测标签。

优选地，步骤1中，电力市场成员竞价行为指标包括：发电商报价、发电商总收益和市场出清电价。

优选地，所述步骤2中，K-means聚类分析的具体流程为：选择K个点作为质心，取T＝1，计算当前样本与每个聚类质心的距离，将当前样本指派到最近的质心，重新计算每个簇的质心，若簇发生变换，则令T＝T+1，继续计算当前样本与每个聚类质心的距离，将当前样本指派到最近的质心，重新计算每个簇的质心，直到簇不发生变换为止，此时输出聚类结果。

优选地，步骤2中，生成行为标签时，需离散化处理行为发生的时间特征，将时间特征分层，进而对行为的频率、行为产生的时间间隔及偏离度进行聚类。