别再盯着电价表看:用 Python 做出第一份电力可视化报告
- 2026-07-01 13:43:49
电力交易可视化：让数据“说话”
很多电力行业新人，刚开始做数据分析时，会非常依赖 Excel 表格。
一张表几十行还好。
如果变成几百行、几千行，甚至一年 8760 小时的电价数据，问题就来了。
你盯着一列数字看半天，很难快速回答：
哪个时段电价最高？
负荷什么时候冲上去？
高价是不是集中在白天？
不同地区负荷差异大不大？
峰、平、谷、尖峰电价差异到底有多明显？
这时候，图表的价值就出来了。
因为图表能把“数字变化”变成“视觉变化”。
一条负荷曲线，可以告诉你一天的用电节奏。
一张电价走势图，可以告诉你价格什么时候抬升。
一张柱状图，可以告诉你不同分时电价时段的价格差异。
一张交互式图表，可以让你把鼠标放到某个点上，直接看到具体时间和价格。
所以，本章我们不追求复杂。
只做几张最实用的电力交易入门图表。
如果你平时拿到电价表、负荷表，只会在 Excel 里一行行看数字，这一章建议先收藏。
本章会用一份教学用模拟数据，生成：
负荷趋势图、电价走势图、地区负荷对比图、分时电价对比图、负荷与电价组合图，以及一张可以用鼠标查看具体数据的交互式图表。
文末我准备了第6章配套资料包，包括完整代码、模拟数据、PNG图表示例、交互式HTML图表、图表说明报告和可视化检查清单。
一、为什么电力交易一定要会画图？
电力交易数据有一个特点：
强时间性。
电价会随着时间变化。
负荷会随着时间变化。
电量会按日、按月、按年累计。
分时电价会分成尖峰、峰、平、谷等不同时段。
现货价格通常具有较强时间颗粒度，可能按小时、15 分钟或其他规则颗粒度形成和披露，具体以当地市场规则和公开数据口径为准。
所以，电力数据非常适合可视化。
你可以先记住一个判断标准：
只要数据和时间有关，大概率就值得画成趋势图。
比如：
小时负荷数据，可以画负荷趋势图。
小时电价数据，可以画电价走势图。
不同地区负荷，可以画对比折线图。
峰、平、谷、尖峰价格，可以画分时电价对比图。
一个月电价变化，可以画交互式图表。
图表不是为了好看，而是为了更快发现问题。
但也要注意：图表只是辅助观察，不是最终结论。
比如：看到电价高，只能说“该时段在本样本中价格较高”。
不能直接说“该时段一定适合放电套利”。
看到负荷高，只能说“该时段负荷较高”。
不能直接说“该用户一定适合做储能”。
看到负荷曲线和电价曲线同步上升，也只能说明在图表上存在同步变化现象。
不能直接证明负荷导致电价上涨。
真实判断要结合规则、合同、成本、负荷特征、结算口径和项目参数。
二、Matplotlib 进阶：负荷趋势图和电价走势图
第3章里，我们已经用 Matplotlib 画过简单的电价趋势图。
本章会稍微升级一下。
Matplotlib 是 Python 里非常常用的静态绘图库。
这一章我们会用它做几件事：
添加标题。
添加横轴和纵轴名称。
添加图例。
添加网格线。
保存图片。
让图表更适合放进文章、报告或学习笔记里。
1. 负荷趋势图：看用电节奏
负荷趋势图适合回答：
一天中什么时候用电多？什么时候用电少？有没有明显高峰？是不是夜间负荷很低？有没有晚高峰？
对工商业用户来说，负荷曲线很重要。
因为它可能和这些问题有关：
生产班次、空调负荷、设备集中启动、最大需量、储能削峰、需求响应、用电成本优化。
但注意：
负荷趋势图只能告诉你“负荷什么时候高、什么时候低”。而是否适合做储能，还需要结合：电价机制、最大需量或容量电费、负荷持续时间、储能功率和容量、充放电效率、投资成本、并网条件、交易规则、结算口径。这些都不是一张图能直接回答的。
2. 电价走势图：看价格变化
电价走势图适合回答：
电价什么时候低？什么时候高？高价是否集中在某些时段？是否存在明显波动？不同价格时段之间差异是否值得关注？
*需要特别提醒：图表只能帮助观察价格变化，不能直接得出交易结论。比如：电价高，不等于一定能套利。电价低，也不等于一定适合充电。真实业务还要结合市场规则、结算口径、负荷曲线、交易权限、项目参数和风险约束。
三、多维度可视化：地区负荷对比、分时电价对比
只看一条曲线，能看趋势。
但真实分析中，我们经常需要对比。
比如：
A 地区和 B 地区的负荷走势有什么不同？峰、平、谷、尖峰电价差异有多大？白天和夜间用电差异明显吗？不同区域是否存在负荷高峰错位？
这时候就要做多维度可视化。
本章会做两类图：
第一类：地区负荷对比图。
第二类：分时电价对比图。
1. 地区负荷对比图
假设我们有两个地区：
华北示例区。
华东示例区。
它们在同一天的负荷变化不同。
把两条负荷曲线放在同一张图里，就能直观看出：
哪个地区负荷更高。
哪个地区晚高峰更明显。
两个地区负荷变化节奏是否一致。
*注意：本章地区名称只是教学示例，不代表真实行政区，不代表真实电网区域，不代表真实华北、华东区域负荷数据。
2. 分时电价对比图
分时电价对比图适合用柱状图。
比如本章教学模拟数据中设置：
谷段电价：0.35 元/kWh。
平段电价：0.65 元/kWh。
峰段电价：0.95 元/kWh。
尖峰电价：1.20 元/kWh。
画成柱状图以后，读者能很直观地看到：
哪个时段最贵。
哪个时段最便宜。
尖峰、峰、平、谷之间差异有多大。
*本章使用的是教学用模拟分时电价。真实峰、平、谷、尖峰时段和价格，需要根据所在省份、用户类别、电压等级、用电性质、最新分时电价政策、供电公司公告以及用户实际合同结算口径核验，不能直接套用本章示例。
四、交互式可视化：用 Plotly 做可拖动电价图
Matplotlib 适合做静态图。
静态图适合放在公众号、报告、PPT、Word 文档里。
但有时候，我们希望图表能拖动、缩放、悬停查看数据点。
这时候可以用 Plotly。
Plotly 可以用来生成交互式图表。
本章用 Plotly 做一张交互式电价图。
运行后会生成一个：
interactive_price_chart.html你可以用浏览器打开。
打开后，可以：
拖动图表。缩放时间范围。鼠标悬停查看具体电价。查看对应时段类型和负荷。
这类图表很适合做内部分析、培训演示和自用数据探索。
五、本章实操成果：一份简单可视化报告
本章目标是让零基础读者完成一个明确成果：
用 Python 自动生成一份简单的电力交易数据可视化报告。
这份报告包括：
负荷趋势图、电价走势图、地区负荷对比图、分时电价对比图、负荷与电价组合图、交互式电价图、图表说明文本报告。
这不是复杂的商业分析报告。而是一份入门版可视化报告模板。
先跑通。再理解。最后再逐步替换成自己的合规数据。
六、示例数据说明
本章使用教学用模拟数据。
数据包含两个示例地区一天 24 小时的负荷和电价信息。
字段包括：
本章会自动创建一份 CSV 文件：
chapter06_visual_data.csv*本章数据为教学用模拟数据，不代表任何真实地区、真实用户、真实电价、真实现货价格或真实分时电价规则。
为了减少路径报错，建议把本章代码放在一个简单英文路径中，例如：
D:\python_power_trade\chapter06本章代码会自动在这个文件夹中创建和读取：
chapter06_visual_data.csv处理完成后，也会把所有图表和报告文件导出到同一个文件夹中。
七、Python 完整代码
本章需要安装 3 个库：
python -m pip install pandas matplotlib plotly如果 Windows 上 python 命令不生效，可以尝试：
py -m pip install pandas matplotlib plotly国内网络下载较慢时，可以使用：
python -m pip install pandas matplotlib plotly -i https://pypi.tuna.tsinghua.edu.cn/simple或者：
py -m pip install pandas matplotlib plotly -i https://pypi.tuna.tsinghua.edu.cn/simple请新建文件：
chapter06_power_visual_report.py第6章的目标只有一个：
把一份电力数据表，变成可以直接查看、保存和用于学习汇报的图表与报告。
你只需要先完整运行一次，确认代码能够生成 PNG 图片、交互式 HTML 图表和文字说明报告，再回头理解每一段代码。
你可以在文末私信关键词电力Python06领取本章资料包，里面已经准备好完整代码、模拟数据、图表示例和运行说明。
八、核心代码解释
1. 文件编码声明
# -*- coding: utf-8 -*-这一行表示代码文件使用 UTF-8 编码。
现在大多数新版编辑器默认支持 UTF-8，所以这行通常不是必须的。
但对零基础读者来说，保留这一行可以减少少数电脑上中文乱码的概率。
2. 导入工具库
from pathlib import Pathimport pandas as pdimport matplotlib.pyplot as pltimport plotly.express as px这里导入了四个工具。
pathlib：Python 自带的路径处理工具，用来帮助程序找到文件位置。
pandas：读取和处理表格数据。
matplotlib.pyplot：绘制静态图表。
plotly.express：绘制交互式图表。
本章里，你可以先把它们理解成：
Path 管文件路径。
Pandas 管数据。
Matplotlib 画静态图。
Plotly 画可交互图。
3. 找到当前代码文件所在文件夹
current_folder = Path(__file__).resolve().parent这行代码的意思是：
找到当前这个 Python 文件所在的文件夹。
为什么要这样写？
因为很多新手会遇到一个问题：
代码运行了，但不知道 CSV、图片、HTML、报告文件保存到哪里去了。
使用这一行代码后，程序会从“当前 Python 文件所在文件夹”去生成、读取和导出文件。
这样路径更稳定，也更容易找到结果。
4. 设置输入和输出文件路径
data_file = current_folder / "chapter06_visual_data.csv"load_chart_file = current_folder / "chart01_daily_load_trend.png"price_chart_file = current_folder / "chart02_daily_price_trend.png"region_compare_file = current_folder / "chart03_regional_load_comparison.png"period_price_file = current_folder / "chart04_tou_price_comparison.png"combined_file = current_folder / "chart05_load_price_combined.png"interactive_file = current_folder / "interactive_price_chart.html"report_file = current_folder / "chapter06_visual_report.txt"这些代码表示：
所有输入和输出文件，都放在当前 Python 文件所在文件夹中。
也就是说，代码运行后，你应该能在同一个文件夹中看到：
chapter06_power_visual_report.pychapter06_visual_data.csvchart01_daily_load_trend.pngchart02_daily_price_trend.pngchart03_regional_load_comparison.pngchart04_tou_price_comparison.pngchart05_load_price_combined.pnginteractive_price_chart.htmlchapter06_visual_report.txt这样对新手更友好，不容易找不到文件。
5. 自动创建模拟数据
ifnot data_file.exists():这行代码的意思是：
如果当前文件夹没有 chapter06_visual_data.csv，代码就自动创建一份教学用模拟数据。
这样做是为了降低新手门槛。
你不用手动准备数据，复制代码就能运行。
6. 构造峰、平、谷、尖峰时段
if0 <= hour <= 6: period_type = "谷" price = 0.35elif7 <= hour <= 10: period_type = "平" price = 0.65elif11 <= hour <= 17: period_type = "峰" price = 0.95elif18 <= hour <= 21: period_type = "尖峰" price = 1.20else: period_type = "平" price = 0.65这段代码模拟分时电价。
夜间是谷段，价格较低。
白天是峰段，价格较高。
晚间是尖峰，价格最高。
7. 检查必要字段是否存在
required_columns = ["datetime","region","load_mw","price_yuan_kwh","period_type",]for column in required_columns:if column notin df.columns:raise ValueError(f"CSV 文件中缺少必要字段：{column}")这段代码用于检查 CSV 文件是否包含本章需要的字段。
如果读者手动修改了 CSV 表头，比如把 load_mw 改成 load，程序会主动提示缺少哪个字段。
这样比直接出现 KeyError 更适合新手理解。
小白阶段建议先不要改字段名，先完整跑通示例代码。
8. 转换时间和数字字段
df["datetime"] = pd.to_datetime(df["datetime"], errors="coerce")df["load_mw"] = pd.to_numeric(df["load_mw"], errors="coerce")df["price_yuan_kwh"] = pd.to_numeric(df["price_yuan_kwh"], errors="coerce")这几行代码分别做三件事：
把 datetime 转成 Python 可以识别的时间。
把 load_mw 转成数字。
把 price_yuan_kwh 转成数字。
为什么要这样做？
因为 CSV 文件中的内容看起来像数字，但实际可能被当成文本。
如果读者手动把负荷写成：
500MW约500或者把电价写成：
0.65元约0.65后面画图和计算就可能出错。
所以代码会先进行转换，并检查是否存在无法转换的内容。
9. 基础数据检查
print("\n数据行数：", len(df))print("\n缺失值检查：")print(df.isna().sum())print("\n地区列表：")print(df["region"].unique())print("\n时段类型列表：")print(df["period_type"].unique())这几行代码是在画图之前做基础检查。
这样做是为了延续第4章的数据清洗习惯：
先检查数据。
再画图。
不要一拿到数据就直接画图。
因为如果数据缺失、重复、字段错误，图表也会跟着错。
本章教学样本预期有：
24 小时 × 2 个示例地区 = 48 行所以代码中增加了：
expected_rows = 24 * 2if len(df) != expected_rows: print(f"\n提醒：当前数据行数为 {len(df)}，教学样本预期为 {expected_rows} 行，请检查是否缺失或重复。")这可以提醒读者关注数据完整性。
10. 按地区记录数检查
region_record_count = df.groupby("region").size()print(region_record_count)for region_name, record_count in region_record_count.items():if record_count != 24: print(f"提醒：{region_name} 当前记录数为 {record_count}，教学样本预期为 24 条。")这段代码会检查每个地区分别有多少条记录。
本章每个示例地区应该都有 24 条小时级记录。
如果某个地区少于 24 条，说明可能存在缺失。
如果某个地区多于 24 条，说明可能存在重复或额外数据。
这一步是为了帮助读者理解：
做可视化之前，也要检查样本是否完整。
11. 为图表准备英文标签
region_map = {"华北示例区": "North Example","华东示例区": "East Example"}period_map = {"谷": "Valley","平": "Flat","峰": "Peak","尖峰": "Critical Peak"}很多新手运行 Matplotlib 时会遇到中文乱码。
比如中文标题变成方框。
中文图例显示不出来。
为了减少这类问题，本章静态图表尽量使用英文标签。
原始数据里仍然保留中文字段和中文地区名。
但画图时使用英文展示标签。
这样既保留了电力业务含义，也降低了新手报错概率。
12. 选择目标地区
target_region = "华北示例区"region_df = df[df["region"] == target_region].copy()if region_df.empty:raise ValueError(f"未找到目标地区：{target_region}，请检查 region 字段。")这段代码表示：
本章先选择一个地区作为单地区图表的分析对象。
默认选择：
华北示例区如果你想改成华东示例区，可以把代码改成：
target_region = "华东示例区"如果目标地区不存在，程序会主动提示。
这样可以避免后面画图时因为数据为空而报错。
13. 画负荷趋势图
plt.plot( region_df["hour"], region_df["load_mw"], marker="o", label="Load")这段代码表示：
横轴是小时。
纵轴是负荷。
每个数据点用圆点标出来。
label="Load" 是图例名称。
后面的：
plt.title("Daily Load Trend")plt.xlabel("Hour")plt.ylabel("Load (MW)")plt.grid(True, linestyle="--", alpha=0.5)plt.legend()分别表示：
添加标题。
添加横轴名称。
添加纵轴名称。
添加网格线。
添加图例。
这些操作会让图表更适合放进报告。
最后：
plt.savefig(load_chart_file, dpi=150)plt.close()表示：
保存图片。
关闭图表对象。
本章不使用 plt.show() 强制弹窗，是为了避免新手遇到连续弹窗或程序卡住的问题。
14. 画电价走势图
plt.plot( region_df["hour"], region_df["price_yuan_kwh"], marker="o", label="Price")这段代码画的是电价曲线。
横轴仍然是小时。纵轴是电价。单位是元/kWh。
电价走势图适合看：
低价时段。高价时段。价格是否呈现明显分时差异。
15. 画地区负荷对比图
for region_name in df["region_en"].unique(): temp_df = df[df["region_en"] == region_name] plt.plot( temp_df["hour"], temp_df["load_mw"], marker="o", label=region_name )这段代码的意思是：
把每个地区的数据分别取出来。
然后各画一条负荷曲线。
最后放在同一张图里。
这样就能直观对比不同地区的负荷水平和变化趋势。
16. 画分时电价对比图
period_price = region_df.groupby("period_type_en").agg( avg_price=("price_yuan_kwh", "mean")).reset_index()这段代码先按时段类型分组。
然后计算每类时段的平均电价。
比如：
谷段平均电价。
平段平均电价。
峰段平均电价。
尖峰平均电价。
然后用：
plt.bar( period_price["period_type_en"], period_price["avg_price"], label="Average Price")画成柱状图。
柱状图适合做类别对比。
在这里，它比折线图更适合展示谷、平、峰、尖峰之间的价格差异。
17. 画负荷和电价组合图
fig, ax1 = plt.subplots(figsize=(10, 5))这行代码创建了一张图。
然后：
ax1.plot(region_df["hour"], region_df["load_mw"])画负荷。
再用：
ax2 = ax1.twinx()ax2.plot(region_df["hour"], region_df["price_yuan_kwh"])创建第二个纵轴，用来画电价。
为什么要两个纵轴？
因为负荷单位是 MW。
电价单位是元/kWh。
两个指标单位不一样，数值量级也不一样。
如果硬放在同一个纵轴上，会很难看清。
所以使用双轴图。
但要特别注意：
双轴图只能辅助观察趋势同步性。不能直接比较两条线的高度。更不能用它证明负荷和电价存在因果关系。真实市场价格还会受到交易规则、供需结构、机组报价、新能源出力、输电约束和结算机制等因素影响。
18. 生成交互式电价图
fig_interactive = px.line( region_df, x="datetime", y="price_yuan_kwh", markers=True, title="Interactive Daily Price Trend", labels={"datetime": "Datetime","price_yuan_kwh": "Price (Yuan/kWh)" }, hover_data=["period_type", "load_mw"])这段代码使用 Plotly 生成交互式折线图。
它的好处是：
鼠标移动到数据点上，可以看到具体信息。可以放大某段时间。可以拖动查看不同区域。
最后：
fig_interactive.write_html(interactive_file)会把图表保存成 HTML 文件。
用浏览器打开即可查看。
九、运行结果说明
运行代码后，会生成 8 个文件。
1. 示例数据文件
chapter06_visual_data.csv这是本章自动生成的教学用模拟数据。
包含两个示例地区一天 24 小时的负荷、电价和时段类型。
2. 负荷趋势图
chart01_daily_load_trend.png用途：
观察单个地区一天内负荷变化。
你可以从图中看出：
夜间负荷较低。
白天负荷上升。
晚高峰负荷较高。
3. 电价走势图
chart02_daily_price_trend.png用途：
观察一天内电价变化。
你可以从图中看出：
谷段电价较低。
峰段电价较高。
尖峰时段电价最高。
4. 地区负荷对比图
chart03_regional_load_comparison.png用途：
比较两个示例地区的负荷变化。
你可以用它观察：
哪个地区整体负荷更高。
两个地区高峰时段是否一致。
负荷曲线形态是否相似。
5. 分时电价对比图
chart04_tou_price_comparison.png用途：
比较谷、平、峰、尖峰时段的平均电价。
这张图适合用于讲解分时电价展示方法。
但真实峰、平、谷、尖峰时段和价格，需要以当地最新政策、公告或合同结算口径为准。
6. 负荷与电价组合图
chart05_load_price_combined.png用途：
同时观察负荷与电价变化。
需要注意：
负荷和电价单位不同，所以这张图使用双纵轴。
看图时应关注趋势，不要直接把两条线的高度放在一起比较。
也不要根据这张图直接判断因果关系。
7. 交互式电价图
interactive_price_chart.html用途：
用浏览器打开后，可以拖动、缩放、悬停查看数据。
适合做内部分析、培训演示或自用数据探索。
8. 图表说明报告
chapter06_visual_report.txt用途：
自动说明本章生成了哪些图，每张图适合看什么问题，并附带风险提示。
这一步的意义是：
不只是生成图片，而是让图表进入“报告表达”。
9. 文件保存位置
本章所有文件都会生成在当前 Python 文件所在文件夹中。
也就是和这个文件放在一起：
chapter06_power_visual_report.py你应该能在同一个文件夹中看到：
chapter06_visual_data.csvchart01_daily_load_trend.pngchart02_daily_price_trend.pngchart03_regional_load_comparison.pngchart04_tou_price_comparison.pngchart05_load_price_combined.pnginteractive_price_chart.htmlchapter06_visual_report.txt十、本章小练习
练习 1：修改尖峰电价
把代码中的：
price = 1.20改成：
price = 1.50重新运行代码。
观察分时电价对比图是否发生变化。
练习 2：修改晚高峰负荷
把华北示例区晚高峰负荷：
load_north = 880改成：
load_north = 1000重新运行代码。
观察负荷趋势图和地区负荷对比图是否变化。
练习 3：切换分析地区
把代码中的：
target_region = "华北示例区"改成：
target_region = "华东示例区"重新运行代码。
观察单地区负荷趋势图、电价走势图和组合图是否切换到新地区。
练习 4：思考一个业务问题
如果一个用户的负荷高峰和电价高峰高度重合，你会进一步分析什么？
可以从这些角度思考：
是否可以调整生产班次？
是否可以做需求响应？
是否存在削峰空间？
是否有储能配置价值？
是否需要结合 15 分钟负荷数据进一步判断？
是否需要核验电价类型和结算规则？
十一、本章小结
本章我们完成了从“数据表”到“图表报告”的入门练习。
你至少需要记住以下几点：
第一，电力交易数据具有强时间性，非常适合画趋势图。
第二，负荷趋势图可以帮助观察用电节奏。
第三，电价走势图可以帮助观察价格变化。
第四，地区负荷对比图可以帮助观察不同区域或不同用户之间的曲线差异。
第五，分时电价对比图可以帮助观察谷、平、峰、尖峰价格差异。
第六，交互式图表适合内部分析、培训演示和数据探索。
第七，双轴图只能辅助观察趋势，不能直接证明因果关系。
第八，图表不是结论，真实业务判断还需要规则、合同、结算口径和人工复核。
这章看起来是在讲画图。
但真正想让你建立的是一种表达能力：
把电力交易数据从“表格里的数字”，变成别人一眼能看懂的图表和报告。
这就是数据分析从“自己看懂”走向“别人也看懂”的关键一步。
十二、资料领取与评论互动
如果你已经成功运行本章代码，并在文件夹中看到了 PNG 图表和 HTML 交互式图表，欢迎在评论区回复：
可视化报告已跑通
如果你想直接领取本章配套资料，可以私信公众号关键词：
电力Python06
领取《Python电力交易》第6章可视化资料包，包括：
chapter06_power_visual_report.py完整代码chapter06_visual_data.csv教学用模拟数据负荷趋势图示例 电价走势图示例 地区负荷对比图示例 分时电价对比图示例 负荷与电价组合图示例 interactive_price_chart.html交互式电价图chapter06_visual_report.txt图表说明报告电力交易常用图表模板说明 电力数据可视化检查清单 第6章运行说明
建议使用顺序：
先看运行说明 → 跑通完整代码 → 打开生成的PNG图片 → 查看交互式HTML图表 → 对照检查清单理解图表风险 → 尝试替换成自己的合规数据。
也欢迎你在评论区回答一个问题：
你最想优先用 Python 画哪类电力数据图表？
A. 用户负荷曲线
B. 工商业分时电价图
C. 现货电价走势图
D. 日前与实时价格对比图
E. 储能充放电曲线
F. 月度电费分析图
G. 多省电价对比图
*本章全部数据均为教学用模拟数据，仅用于演示 Python 可视化方法，不代表任何真实地区、真实用户、真实电价或真实交易规则。 图表只能辅助观察数据现象，不构成交易建议、售电报价建议、储能收益测算依据或经营决策依据。
点击阅读往期系列文章：
