基于金融技术指标的用电数据分析

doi:10.11772/j.issn.1001-9081.2021030447

《计算机应用》唯一官方网站 ›› 2022, Vol. 42 ›› Issue (3): 904-910.DOI: 10.11772/j.issn.1001-9081.2021030447

• 数据科学与技术 • 上一篇

基于金融技术指标的用电数据分析

杨安¹, 蒋群², 孙钢², 殷杰³, 刘英¹()

^1.浙江大学信息与电子工程学院，杭州 310027
^2.国网浙江省电力有限公司营销服务中心，杭州 311121
^3.浙江华云信息科技有限公司，杭州 310012

收稿日期:2021-03-23 修回日期:2021-07-06 接受日期:2021-07-07 发布日期:2022-04-09 出版日期:2022-03-10
通讯作者: 刘英
作者简介:杨安（1998—），男，山东聊城人，博士研究生，主要研究方向：数据挖掘、迁移学习
蒋群（1989—），女，浙江杭州人，工程师，硕士，主要研究方向：电能计量、用电信息采集、电力营销服务
孙钢（1987—），男，浙江余杭人，高级工程师，硕士，主要研究方向：营销计量
殷杰（1982—），男，浙江海宁人，高级工程师，主要研究方向：用电信息采集、数据分析；

Power data analysis based on financial technical indicators

An YANG¹, Qun JIANG², Gang SUN², Jie YIN³, Ying LIU¹()

^1.College of Information Science & Electronic Engineering，Zhejiang University，Hangzhou Zhejiang 310027，China
^2.Marketing Service Center，State Grid Zhejiang Electric Power Company Limited，Hangzhou Zhejiang 311121，China
^3.Zhejiang Huayun Information Technology Company Limited，Hangzhou Zhejiang 310012，China

Received:2021-03-23 Revised:2021-07-06 Accepted:2021-07-07 Online:2022-04-09 Published:2022-03-10
Contact: Ying LIU
About author:YANG An， born in 1998， Ph. D. candidate. His research interests include data mining， transfer learning.
JIANG Qun， born in 1989， M. S.， engineer. Her research interests include electric energy measurement， power information acquisition， power marketing service.
SUN Gang， born in 1987， M. S.， senior engineer. His research interests include marketing measurement.
YIN Jie， born in 1982， senior engineer. His research interests include power information acquisition， data analysis.

摘要/Abstract

摘要：

针对已有用电数据分析缺乏有效描述趋势性特征的不足，适应性地将金融领域中十字过滤线（VHF）、异同移动平均线（MACD）等技术指标迁移至用电数据分析中，提出了基于金融技术指标的异动检测算法和负荷预测算法。所提异动检测算法通过统计各指标的统计情况划定阈值，并采用阈值检测捕捉用户异常用电行为。所提负荷预测算法通过提取14项与金融技术指标相关的日负荷特征，构建了长短期记忆网络（LSTM）负荷预测模型。在杭州市工业用电数据上的实验结果表明，所提负荷预测算法将平均绝对百分比误差（MAPE）降低至9.272%，相较于差分整合移动平均自回归（ARIMA）算法、Prophet算法和支持向量机（SVM）算法，分别将MAPE降低了2.322、24.175和1.310个百分点，能够较好地应用于用电数据分析中。

关键词: 用电数据分析, 智能电网, 金融技术指标, 异动检测, 负荷预测, 长短期记忆网络

Abstract:

Considering the lack of effective trend feature descriptors in existing methods， financial technical indicators such as Vertical Horizontal Filter （VHF） and Moving Average Convergence/Divergence （MACD） were introduced into power data analysis. An anomaly detection algorithm and a load forecasting algorithm using financial technical indicators were proposed. In the proposed anomaly detection algorithm， the thresholds of various financial technical indicators were determined based on statistics， and then the abnormal behaviors of user power consumption were detected using threshold detection. In the proposed load forecasting algorithm， 14 dimensional daily load characteristics related to financial technical indicators were extracted， and a Long Shot-Term Memory （LSTM） load forecasting model was built. Experimental results on industrial power data of Hangzhou City show that the proposed load forecasting algorithm reduces the Mean Absolute Percentage Error （MAPE） to 9.272%， which is lower than that of Autoregressive Integrated Moving Average （ARIMA）， Prophet and Support Vector Machine （SVM） algorithms by 2.322， 24.175 and 1.310 percentage points， respectively. The results show that financial technical indicators can be effectively applied to power data analysis.

Key words: power data analysis, smart grid, financial technical indicator, anomaly detection, load forecasting, Long Short-Term Memory (LSTM) network

中图分类号:

TM714.3

杨安, 蒋群, 孙钢, 殷杰, 刘英. 基于金融技术指标的用电数据分析[J]. 计算机应用, 2022, 42(3): 904-910.

An YANG, Qun JIANG, Gang SUN, Jie YIN, Ying LIU. Power data analysis based on financial technical indicators[J]. Journal of Computer Applications, 2022, 42(3): 904-910.

图/表 12

图1 2018年杭州市某企业日平均负荷曲线及对应VHF

Fig.1 Daily average load curve and corresponding VHF of a company in Hangzhou City in 2018

图2 2018年上半年杭州市某企业日平均负荷曲线及对应MACD

Fig. 2 Daily average load curve and corresponding MACD of a company in Hangzhou City in first half of 2018

图3 2018年杭州市某企业日平均负荷曲线及对应MA和LSMA

Fig.3 Daily average load curve and corresponding MA and LSMA of a company in Hangzhou City in 2018

图4 2018年上半年杭州市某企业日平均负荷曲线及对应BOLL线

Fig.4 Daily average load curve and corresponding BOLL curves of a company in Hangzhou City in first half of 2018

图5 2018年杭州市所有工业用户VHF和ZLMACD数值统计图

Fig.5 Numerical statistics of VHF and ZLMACD of all the industry users in Hangzhou City in 2018

图6 某工业用户联合VHF和ZLMACD的异动分析结果

Fig.6 Results of anomaly detection of an industry user by combining VHF and ZLMACD

图7 电力负荷K线图

Fig.7 Candlestick chart of power load

表1 14维日负荷特征向量

Tab. 1 14-dimensional daily load feature vector

指标类型	特征参数	含义
K线核心参数	$P m a x$	日最大负荷
	$P m i n$	日最小负荷
	$P p e a k_a v g$	日尖峰平均负荷
	$P t r o u g h_a v g$	日平谷平均负荷
均线	LSMA（14）	最小二乘移动平均值
VHF指标	VHF（28）	十字过滤线指标值
ZLMACD 指标	ZLMA（12）	零滞后快速移动平均值
	ZLMA（26）	零滞后慢速移动平均值
	ZLDIF	零滞后差离值
	ZLMACD	零滞后异同移动平均值
布林线指标	BOLL_UP	布林线上轨线
布林线指标	BOLL_DN	布林线下轨线
社会因素	Day	周期参数，指示周一到周日
社会因素	Holiday	节假日参数，是否节假日

表1 14维日负荷特征向量

Tab. 1 14-dimensional daily load feature vector

指标类型	特征参数	含义
K线核心参数	$P m a x$	日最大负荷
	$P m i n$	日最小负荷
	$P p e a k_a v g$	日尖峰平均负荷
	$P t r o u g h_a v g$	日平谷平均负荷
均线	LSMA（14）	最小二乘移动平均值
VHF指标	VHF（28）	十字过滤线指标值
ZLMACD 指标	ZLMA（12）	零滞后快速移动平均值
	ZLMA（26）	零滞后慢速移动平均值
	ZLDIF	零滞后差离值
	ZLMACD	零滞后异同移动平均值
布林线指标	BOLL_UP	布林线上轨线
布林线指标	BOLL_DN	布林线下轨线
社会因素	Day	周期参数，指示周一到周日
社会因素	Holiday	节假日参数，是否节假日

图8 LSTM基本单元结构示意图

Fig.8 Schematic diagram of the structure of LSTM cell

图9 基于金融技术指标的LSTM负荷预测模型示意图

Fig.9 Schematic diagram of LSTM load forecasting model based on financial technical indicators

图10 连续10日预测结果K线图

Fig.10 Candlestick chart of model prediction results for 10 consecutive days

表2 不同算法的性能比较

Tab. 2 Performance comparison of different algorithms

MAPE/%	$P m a x$	$P p e a k_a v g$	$P m e a n$	$P t r o u g h_a v g$	$P m i n$
LSTM-FI	8.450	7.394	9.071	7.194	14.253
LSTM-noFI	12.018	11.416	14.326	12.288	23.684
ARIMA	8.517	16.845	11.031	10.784	10.793
Prophet	48.666	46.020	39.156	28.043	5.352
SVM	11.144	16.274	12.207	7.648	5.636

表2 不同算法的性能比较

Tab. 2 Performance comparison of different algorithms

MAPE/%	$P m a x$	$P p e a k_a v g$	$P m e a n$	$P t r o u g h_a v g$	$P m i n$
LSTM-FI	8.450	7.394	9.071	7.194	14.253
LSTM-noFI	12.018	11.416	14.326	12.288	23.684
ARIMA	8.517	16.845	11.031	10.784	10.793
Prophet	48.666	46.020	39.156	28.043	5.352
SVM	11.144	16.274	12.207	7.648	5.636

参考文献 21

1	梁跃.基于机器学习的电力用户用电异常检测技术研究［D］.北京：北京邮电大学，2019：1-2.
	LIANG Y. Research on electric anomaly detection technology for power users based on machine learning ［D］. Beijing： Beijing University of Posts and Telecommunications， 2019：1-2.
2	张荣昌.基于数据挖掘的用电数据异常的分析与研究［D］.北京：北京交通大学，2017：1-3.
	ZHANG R C. Analysis of abnormal electro-data based on data mining ［D］. Beijing： Beijing Jiaotong University， 2017：1-3.
3	程海花，李晓明，黄军高，等.窃电检测在电能量计量计费系统中的应用［J］.电力系统及其自动化学报，2001（6）：53-57. 10.3969/j.issn.1003-8930.2001.06.014
	CHENG H H， LI X M， HUANG J G， et al. Applying of detecting the theft of electricity in the power energy billing system ［J］. Proceedings of the CSU-EPSA， 2001（6）： 53-57. 10.3969/j.issn.1003-8930.2001.06.014
4	付青，匡文凯，薛阳，等.基于高斯核密度估计法的路灯窃电检测方法［J］.电力系统及其自动化学报， 2021，31（10）：18-23.
	FU Q， KUANG W K， XUE Y， et al. Gauss kernel density estimation based detection of street lamp electricity theft ［J］. Proceedings of the CSU-EPSA， 2021，31（10）：18-23.
5	庄池杰，张斌，胡军，等.基于无监督学习的电力用户异常用电模式检测［J］.中国电机工程学报，2016，36（2）：379-387.
	ZHUANG C J， ZHANG B， HU J， et al. Anomaly detection for power consumption patterns based on unsupervised learning ［J］. Proceedings of the CSEE， 2016， 36（2）： 379-387.
6	田力，向敏.基于密度聚类技术的电力系统用电量异常分析算法［J］.电力系统自动化，2017，41（5）：64-70. 10.7500/AEPS20160510003
	TIAN L， XIANG M. Abnormal power consumption analysis based on density-based spatial clustering of applications with noise in power systems ［J］. Automation of Electric Power Systems， 2017， 41（5）： 64-70. 10.7500/AEPS20160510003
7	MURTHY T S， GOPALAN N P， RAMACHANDRAN V. A Naive Bayes classifier for detecting unusual customer consumption profiles in power distribution systems—APSPDCL ［C］// Proceedings of the 2019 3rd International Conference on Inventive Systems and Control. Piscataway： IEEE， 2019： 673-678. 10.1109/icisc44355.2019.9036460
8	ESTEVES P R， VIEGAS J L， VIEIRA S M. Clustering-based novelty detection for identification of non-technical losses ［J］. International Journal of Electrical Power & Energy Systems， 2018， 101： 301-310. 10.1016/j.ijepes.2018.03.031
9	刘士进，孙立华，郭鹏.基于EEDM-ARIMA算法的某地区电力系统负荷预测及算例分析［J］.电子测量技术，2020，43（7）：185-188.
	LIU S J， SUN L H， GUO P. Load forecasting and analysis of power system based on EEDM-ARIMA algorithm ［J］. Electronic Measurement Technology， 2020， 43（7）： 185-188.
10	李震，张思，任娴婷，等.基于数据驱动的线性聚类ARIMA长期电力负荷预测［J］.科学技术与工程，2020，20（16）：6497-6504. 10.3969/j.issn.1671-1815.2020.16.029
	LI Z， ZHANG S， REN X T， et al. Long-term power load forecasting based on data-driven linear clustering ARIMA ［J］. Science Technology and Engineering， 2020， 20（16）：6497-6504. 10.3969/j.issn.1671-1815.2020.16.029
11	彭湃，刘敏.基于Prophet-LSTM组合模型的短期负荷预测方法［J］.电力系统及其自动化学报， 2021， 33（11）： 15-20.
	PENG P， LIU M. Short-term load forecasting method based on Prophet-LSTM combined model ［J］. Proceedings of the CSU-EPSA， 2021， 33（11）： 15-20.
12	李玉凯，韩佳兵，王全，等.基于Fbprophet负荷预测与用户满意度约束的综合能源供能优先调度研究［J］.华北电力大学学报（自然科学版）， 2021， 48（5）： 81-89.
	LI Y K， HAN J B， WANG Q， et al. Integrated energy load priority scheduling model based on Fbprophet prediction algorithm and customer satisfaction constraints ［J］. Journal of North China Electric Power University （Natural Science Edition）， 2021， 48（5）： 81-89.
13	王克杰，张瑞.基于改进BP神经网络的短期电力负荷预测方法研究［J］.电测与仪表，2019，56（24）：115-121. 10.46300/9106.2020.14.109
	WANG K J， ZHANG R. Research on short-term power load forecasting method based on improved BP neural network ［J］. Electrical Measurement & Instrumentation， 2019， 56（24）： 115-121. 10.46300/9106.2020.14.109
14	刘晓悦，孙海鹤.基于模糊灰色聚类AMPSO-BP短期负荷预测［J］.微电子学与计算机，2019，36（5）：70-75.
	LIU X Y， SUN H H. Short-term load forecasting based on fuzzy gray correlation clustering and AMPSO-BP neural network ［J］. Microelectronics & Computer， 2019， 36（5）： 70-75.
15	肖勇，郑楷洪，郑镇境，等.基于多尺度跳跃深度长短期记忆网络的短期多变量负荷预测［J］.计算机应用，2021，41（1）：231-236. 10.11772/j.issn.1001-9081.2020060929
	XIAO Y， ZHENG K H， ZHENG Z J， et al. Multi-scale skip deep long short-term memory network for short-term multivariate load forecasting ［J］. Journal of Computer Applications， 2021， 41（1）： 231-236. 10.11772/j.issn.1001-9081.2020060929
16	庄家懿，杨国华，郑豪丰，等.并行多模型融合的混合神经网络超短期负荷预测［J］.电力建设，2020，41（10）：1-8. 10.12204/j.issn.1000-7229.2020.10.001
	ZHUANG J Y， YANG G H， ZHENG H F， et al. Ultra-short-term load forecasting using hybrid neural network based on parallel multi-model combination ［J］. Electric Power Construction， 2020， 41（10）： 1-8. 10.12204/j.issn.1000-7229.2020.10.001
17	洪发.基于深度学习的短期电力负荷预测方法［D］.广州：广东工业大学，2020：31-44.
	HONG F. Research on fault location of distribution network based on matrix method ［D］. Guangzhou： Guangdong University of Technology， 2020：31-44.
18	李丹.基于多视角特征数据的股票预测研究［D］.西安：西北大学，2018：11-13.
	LI D. Research on stock forecasting based on the multi-view feature data ［D］. Xi’an： Northwest University， 2018：11-13.
19	胡博然.基于改进布林线与KDJ指标相结合的量化策略研究［D］.哈尔滨：哈尔滨工业大学，2019：10-17.
	HU B R. Research on quantitative strategy based on improved Bollinger band and KDJ index ［D］. Harbin： Harbin Institute of Technology， 2019：10-17.
20	刘瀚琳.基于数据挖掘的电力负荷预测与偏差预警［D］.杭州：浙江大学，2009：7-24. 10.29252/jafm.12.03.28662
	LIU H L. Power load forecasting and its deviation warning based on data mining ［D］. Hangzhou： Zhejiang University， 2019：7-24. 10.29252/jafm.12.03.28662
21	郑国和，贺民，郑瑞云，等.基于多表融合数据的用户短期用电量预测［J］.电力系统及其自动化学报，2019，31（3）：146-150.
	ZHENG G H， HE M， ZHENG R Y， et al. Short-term electricity consumption forecasting based on multi-meter data fusion ［J］. Proceedings of the CSU-EPSA， 2019， 31（3）： 146-150.

[1]	陈冲, 闫珠, 赵继轩, 何为, 梁华庆. 基于集合经验模态分解和长短期记忆网络的催化裂化装置氮氧化物排放预测[J]. 《计算机应用》唯一官方网站, 2022, 42(3): 791-796.
[2]	张毅, 王爽胜, 何彬, 叶培明, 李克强. 基于BERT的初等数学文本命名实体识别方法[J]. 《计算机应用》唯一官方网站, 2022, 42(2): 433-439.
[3]	王小鹏, 孙媛媛, 林鸿飞. 基于刑事Electra的编-解码关系抽取模型[J]. 《计算机应用》唯一官方网站, 2022, 42(1): 87-93.
[4]	李康康, 张静. 基于注意力机制的多层次编码和解码的图像描述模型[J]. 计算机应用, 2021, 41(9): 2504-2509.
[5]	党伟超, 李涛, 白尚旺, 高改梅, 刘春霞. 基于自注意力长短期记忆网络的Web软件系统实时剩余寿命预测方法[J]. 计算机应用, 2021, 41(8): 2346-2351.
[6]	武光利, 李雷霆, 郭振洲, 王成祥. 基于改进的双向长短期记忆网络的视频摘要生成模型[J]. 计算机应用, 2021, 41(7): 1908-1914.
[7]	尚芳剑, 李信, 翟迪, 陆阳, 张东磊, 钱玉文. 智能电网中两阶段网络切片资源分配技术[J]. 计算机应用, 2021, 41(7): 2033-2038.
[8]	武国亮, 徐继宁. 基于命名实体识别任务反馈增强的中文突发事件抽取方法[J]. 计算机应用, 2021, 41(7): 1891-1896.
[9]	张元钧, 张曦煌. 基于图卷积与长短期记忆网络的动态网络表示学习模型[J]. 计算机应用, 2021, 41(7): 1857-1864.
[10]	李文惠, 曾上游, 王金金. 基于改进注意力机制的图像描述生成算法[J]. 计算机应用, 2021, 41(5): 1262-1267.
[11]	徐萌, 王亚锟. 基于双向长短期记忆网络的DA40飞机碳刹车片剩余寿命预测[J]. 计算机应用, 2021, 41(5): 1527-1532.
[12]	张利华, 王欣怡, 胡方舟, 黄阳, 白甲义. 基于双联盟链的智能电网数据共享模型[J]. 计算机应用, 2021, 41(4): 963-969.
[13]	张欣环, 刘宏杰, 施俊庆, 毛程远, 孟国连. 基于时空特征向量的长短期记忆人工神经网络的城市公交旅行时间预测[J]. 计算机应用, 2021, 41(3): 875-880.
[14]	许力, 李建华. 基于句法依存分析的图网络生物医学命名实体识别[J]. 计算机应用, 2021, 41(2): 357-362.
[15]	王基厚, 林培光, 周佳倩, 李庆涛, 张燕, 蹇木伟. 结合公司财务报表数据的股票指数预测方法[J]. 《计算机应用》唯一官方网站, 2021, 41(12): 3632-3636.

基于金融技术指标的用电数据分析

Power data analysis based on financial technical indicators

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 12

参考文献 21

相关文章 15

编辑推荐

Metrics