CN103530701B - 一种基于季节指数法的用户月用电量预测方法和系统 - Google Patents
一种基于季节指数法的用户月用电量预测方法和系统 Download PDFInfo
- Publication number
- CN103530701B CN103530701B CN201310474089.0A CN201310474089A CN103530701B CN 103530701 B CN103530701 B CN 103530701B CN 201310474089 A CN201310474089 A CN 201310474089A CN 103530701 B CN103530701 B CN 103530701B
- Authority
- CN
- China
- Prior art keywords
- power consumption
- index number
- historical data
- seasonal index
- demand forecasting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001932 seasonal effect Effects 0.000 title claims abstract description 67
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000005611 electricity Effects 0.000 title claims abstract description 39
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 title claims abstract description 29
- 238000013277 forecasting method Methods 0.000 title claims abstract description 10
- 238000010276 construction Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000000151 deposition Methods 0.000 claims description 2
- 241000693079 Maloideae Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
提供一种基于季节指数法的用户月用电量预测方法,包括如下步骤:1)利用用电量历史数据获取单元从用电量历史数据库获取用电量历史数据,并且保存在用电量历史数据存储单元中;2)季节指数计算单元根据用电量历史数据求取季节指数Ij;以及3)用电量预测模型构建单元利用季节指数构建用电量预测模型本发明还提供了一种基于季节指数法的用户月用电量预测系统。
Description
技术领域
本发明涉及一种用户月用电量预测方法和系统。更具体地,本发明涉及一种基于季节指数法的用户月用电量预测方法和系统。
由于用户月用电量预测对电源开发、电网建设、社会安定、居民生活及电力公司本身的发展都有很大的影响,因此世界各地的电力部门都十分重视电力需求预测工作,设置专门的机构,由经济分析、用电量预测、负荷预测等方面的专业人员来从事电力需求预测工作,由于起步较早,各自开发出一种或几种适合于本国经济运行特点的需电量预测方式,而且几种方式可以相互效验。预测的方法有:部门分析法进行预测,计量模型法,最终需求法,弹性系数法,类比法,积累法,计量经济模型方法,还有比较复杂的经济模型法如灰色模型法、模糊数学模型法和神经网络法等。但是实际上用户月用电量同时具有线性增长性和季节波动性的二重趋势,受政治,经济,生活水平等各方面多种因素的影响,并且各行业及居民生活月用电量的历史数据仍是复杂的非线形组合特征的序列,这使得用户月用电量的变化呈现复杂的非线形组合特征。上述各种方法显得难以准确预测用户的月用电量需求。
发明内容
因此,本发明提出一种基于季节指数法来准确预测用户月用电量需求的方法和系统。
根据本发明,一种基于季节指数法的用户月用电量预测方法,包括如下步骤:
1)利用用电量历史数据获取单元从用电量历史数据库获取用电量历史数据,并且保存在用电量历史数据存储单元中;
2)季节指数计算单元根据用电量历史数据求取季节指数Ij;以及
3)用电量预测模型构建单元利用季节指数构建用电量预测模型
其中求取季节指数Ij的步骤包括下列子步骤:
1)将历史用电量数据序列x1,x2,…,xT(T=nm),顺序标记为x11,x12,…,x1n;x21,x22,…,x2n;…;xm1,xm2,…,xmn,其中为n数据序列的周期,m为周期的个数;
2)根据这些数据序列计算出所有数据的平均值 (k=1,2,…,m);
3)计算各周期同时刻指数Iks,(k=1,2,…,m;s=1,2,…,n);以及
4)计算季节指数Ij,(j=1,2,…,n)。
其中利用季节指数构成用电量预测模型包括下列子步骤:
1)计算消除季节影响的用电量序列xks′,(k=1,2,…,m;s=1,2,…,n);以及
2)把x11′,x12′,…,x1n′;x21′,x22′,…,x2n′;xm1′,xm2′,…,xmm′再重新编号记为x1′,x2′,…,xT′,其中T=nm,用二次移动平均法计算出线性趋势得到客户月用电量预测模型为
本发明还提供一种基于季节指数法的用户月用电量预测系统,包括用电量历史数据获取单元,用电量历史数据库、用电量历史数据存储单元、季节指数求取单元、用电量预测模型构建单元。其中季节指数求取单元包括历史用电量数据排序计算单元、历史用电量数据平均值计算单元、各周期同时刻指数计算单元、季节指数计算单元。
本发明的方法和系统利用季节指数法较好地预测了用户月用电量。取得了很好的社会效益和经济效益。
附图说明
图1表示根据本发明的基于季节指数法的用户月用电量预测方法的流程图。
图2表示求取季节指数Ij的子步骤的流程图。
图3表示根据本发明的基于季节指数法的用户月用电量预测系统的方框图。
图4表示常规的灰色预测法和本发明的季节指数法的用户月用电量预测结果的比较。
图5表示常规的灰色预测法和本发明的季节指数法的用户月用电量预测偏差情况的比较。
具体实施方式
对于实际的用户用电量历史数据序列,一般不是严格满足线性趋势模型(a+bt),其中a为趋势直线的截距,b为直线的斜率,t为时间,因而可以考虑不同季节来设置相应的季节指数Ij。
如图1所示,示出了一种基于季节指数法的用户月用电量预测方法的流程图,其中包括如下步骤:
1)利用用电量历史数据获取单元从用电量历史数据库获取用电量历史数据,并且保存在用电量历史数据存储单元中;
2)季节指数计算单元根据用电量历史数据求取季节指数Ij;以及
3)用电量预测模型构建单元利用季节指数构建用电量预测模型
如图2所示,示出了其中求取季节指数Ij的步骤包括下列子步骤:
1)将历史用电量数据序列x1,x2,…,xT(T=nm),顺序标记为x11,x12,…,x1n;x21,x22,…,x2n;…;xm1,xm2,…,xmn,其中为n数据序列的周期,m为周期的个数;
2)根据这些数据序列计算出所有数据的平均值 (k=1,2,…,m);
3)计算各周期同时刻指数Iks,(k=1,2,…,m;s=1,2,…,n);以及
4)计算季节指数Ij,(j=1,2,…,n)。
由于根据季节性趋势模型可知,用户用电量预测值xt=(a+bt)Ij,即(a+bt)=xt/Ij。当Ij已知时,可以计算消除季节影响的用电量序列xks′。
其中利用季节指数构成用电量预测模型包括下列子步骤:
1)计算消除季节影响的用电量序列xks′,(k=1,2,…,m;s=1,2,…,n);以及
2)把x11′,x12′,…,x1n′;x21′,x22′,…,x2n′;xm1′,xm2′,…,xmm′再重新编号记为x1′,x2′,…,xT′,其中T=nm,用二次移动平均法计算出线性趋势得到客户月用电量预测模型为
如图3所示,示出了本发明的一种基于季节指数法的用户月用电量预测系统,包括用电量历史数据库,用于存放用电量历史数据;用电量历史数据获取单元,用于从用电量历史数据库获取用电量历史数据;用电量历史数据存储单元,用于存储用电量历史数据获取单元从用电量历史数据库获取的用电量历史数据;季节指数求取单元,用于求取根据用电量历史数据求取季节指数Ij;用电量预测模型构建单元,用于构建用电量预测模型。其中季节指数求取单元包括历史用电量数据排序计算单元,用于对历史用电量数据进行排序和计算;历史用电量数据平均值计算单元,用于计算历史用电量数据的平均值;各周期同时刻指数计算单元,用于计算各周期同时刻的指数Iks;以及季节指数计算单元,用于计算季节指数Ij。
为了验证基于季节指数法的用户月用电量预测方法的有效性,本发明使用实测数据进行了测试。实测数据为每月采样的24个连续序列值(单位:MkW)。实际数据序列值如下:
实测数据=[30.2319029.2021830.7187932.5926629.2774632.7187129.5455129.9449531.9360130.0126829.9752832.4369130.0596034.0407232.4073231.8953433.3769434.4896532.3791133.7716333.5582834.4010333.8173433.10472]。
常规的灰色预测法得到的预测结果如下:
灰色预测法预测值=[31.2838530.0930630.0627233.0865829.2722734.0782529.1995530.1937531.5015630.3862729.3625131.8180329.5972933.0218132.4333030.8795334.4087633.7833431.4287033.2516734.8535834.0393032.5228633.77557]。
本发明的季节指数法得到的预测结果如下:
季节指数法预测值=[29.6833830.1959531.1395532.4223330.1757133.1845528.6256830.0743832.6964130.2607129.1246431.9063930.7565833.3564532.6139332.1662533.9414834.1190532.2740633.3312733.3576734.5867233.2278133.25502]。
如图4所示,其表示常规的灰色预测法和本发明的季节指数法的用户月用电量预测结果的比较。
常规的灰色预测法的预测偏差如下:
灰色预测法预测偏差=[-1.051948-0.89087490.6560676-0.49392620.005190293-1.3595450.3459600-0.24880080.4344521-0.37359040.61277570.61888200.46230791.018907-0.025977811.015809-1.0318220.70630090.95041330.5199642-1.2952920.36173051.294480-0.6708548]。
本发明的季节指数法的预测偏差如下:
季节指数法预测偏差=[0.5485296-0.9937620-0.42076190.1703289-0.8982460-0.46584660.9198346-0.1294253-0.7604017-0.24803110.85064010.5305204-0.69698070.6842713-0.2066020-0.2709087-0.56453840.37060210.10505350.44036740.2006152-0.18569290.5895247-0.1502952]。
如图5所示,其表示常规的灰色预测法和本发明的季节指数法的用户月用电量预测偏差情况的比较。
测试结果表明了本发明的季节指数法在预测用户月用电量时具有更好的准确度,可以满足实际要求。
虽然已经关于具体实施例描述了本发明,但是本发明不是意在对其进行限制。相关技术领域的技术人员很容易作出修改、改进和变形,意在将所有的这些修改、改进和变形包含在本发明的权利要求的范围内。
Claims (2)
1.一种基于季节指数法的用户月用电量预测方法,包括如下步骤:
1)利用用电量历史数据获取单元从用电量历史数据库获取用电量历史数据,并且保存在用电量历史数据存储单元中;
2)季节指数计算单元根据用电量历史数据求取季节指数Ij;以及
3)用电量预测模型构建单元利用季节指数构建用电量预测模型
其中求取季节指数Ij的步骤包括下列子步骤:
1)将历史用电量数据序列x1,x2,…,xT(T=nm),顺序标记为x11,x12,…,x1n;x21,x22,…,x2n;…;xm1,xm2,…,xmn,其中为n数据序列的周期,m为周期的个数;
2)根据这些数据序列计算出所有数据的平均值 (k=1,2,…,m);
3)计算各周期同时刻指数Iks,(k=1,2,…,m;s=1,2,…,n);以及
4)计算季节指数Ij,(j=1,2,…,n);
其中利用季节指数构成用电量预测模型包括下列子步骤:
1)计算消除季节影响的用电量序列x′ks,(k=1,2,…,m;s=1,2,…,n);以及
2)把x′11,x′12,…,x′1n;x′21,x′22,…,x′2n;x′m1,x′m2,…,x′mm再重新编号记为x′1,x′2,…,x′T,其中T=nm,用二次移动平均法计算出线性趋势得到客户月用电量预测模型为
2.一种实现权利要求1的方法的系统,包括:
用电量历史数据库,用于存放用电量历史数据;
用电量历史数据获取单元,用于从用电量历史数据库获取用电量历史数据;
用电量历史数据存储单元,用于存储用电量历史数据获取单元从用电量历史数据库获取的用电量历史数据;
季节指数求取单元,用于求取根据用电量历史数据求取季节指数Ij;
用电量预测模型构建单元,用于构建用电量预测模型;
其中季节指数求取单元包括:
历史用电量数据排序计算单元,用于对历史用电量数据进行排序和计算;
历史用电量数据平均值计算单元,用于计算历史用电量数据的平均值;
各周期同时刻指数计算单元,用于计算各周期同时刻的指数Iks;以及
季节指数计算单元,用于计算季节指数Ij。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474089.0A CN103530701B (zh) | 2013-10-12 | 2013-10-12 | 一种基于季节指数法的用户月用电量预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310474089.0A CN103530701B (zh) | 2013-10-12 | 2013-10-12 | 一种基于季节指数法的用户月用电量预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530701A CN103530701A (zh) | 2014-01-22 |
CN103530701B true CN103530701B (zh) | 2016-06-22 |
Family
ID=49932694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310474089.0A Active CN103530701B (zh) | 2013-10-12 | 2013-10-12 | 一种基于季节指数法的用户月用电量预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530701B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955821A (zh) * | 2014-04-01 | 2014-07-30 | 华为技术有限公司 | 一种充值方法和充值终端以及充值服务器 |
CN104134102B (zh) * | 2014-07-30 | 2017-09-22 | 国家电网公司 | 基于leap模型的电网中长期电力需求分布预测方法 |
CN105844342A (zh) * | 2016-03-15 | 2016-08-10 | 国网山东省电力公司济宁供电公司 | 一种短期电力市场预测系统及方法 |
CN107394890A (zh) * | 2017-07-03 | 2017-11-24 | 三峡大学 | 一种电量调度方法及装置 |
CN107679648A (zh) * | 2017-09-08 | 2018-02-09 | 上海电力学院 | 布谷鸟搜索优化二次移动平均法的月度用电量预测方法 |
CN109390873A (zh) * | 2018-11-30 | 2019-02-26 | 贵州电网有限责任公司 | 一种利用输电线路通道内点云数据来预测树障威胁的方法 |
CN109784542A (zh) * | 2018-12-19 | 2019-05-21 | 广东电网有限责任公司 | 一种季节性的支持向量回归模型的月用电量预测方法 |
CN111144662A (zh) * | 2019-12-31 | 2020-05-12 | 贵州电网有限责任公司 | 一种面向配电设备运维的配网负荷推算与预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5355147B2 (ja) * | 2009-02-27 | 2013-11-27 | 株式会社東芝 | 排出係数算定器および排出係数算定方法 |
-
2013
- 2013-10-12 CN CN201310474089.0A patent/CN103530701B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于季节指数和灰色预测的月电量预测模型;刘秋华;《南京工程学院学报》;20060331;第2页第1节 * |
面向对象的电力系统综合负荷预测软件开发及应用;史鹏飞;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110815;正文第22页倒数第二段、第29页第3.2.2节 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530701A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103530701B (zh) | 一种基于季节指数法的用户月用电量预测方法和系统 | |
Wang et al. | China’s natural gas production and consumption analysis based on the multicycle Hubbert model and rolling Grey model | |
Günay | Forecasting annual gross electricity demand by artificial neural networks using predicted values of socio-economic indicators and climatic conditions: Case of Turkey | |
Xu et al. | A hybrid procedure for MSW generation forecasting at multiple time scales in Xiamen City, China | |
Melikoglu | Vision 2023: Forecasting Turkey's natural gas demand between 2013 and 2030 | |
Xu et al. | Discrete time–cost–environment trade-off problem for large-scale construction systems with multiple modes under fuzzy uncertainty and its application to Jinping-II Hydroelectric Project | |
CN102792542A (zh) | 发电量预测装置和其方法及程序 | |
CN107358318A (zh) | 基于GM(1,1)模型和灰色Verhulst模型的城市用电量预测方法 | |
CN102682218A (zh) | 一种工业用户电力能效评估方法 | |
CN106503851A (zh) | 一种改进的基于小波分析的短期电力负荷预测方法 | |
Wang et al. | Will Trump's coal revival plan work?-Comparison of results based on the optimal combined forecasting technique and an extended IPAT forecasting technique | |
CN108416466A (zh) | 复杂特性影响的电力负荷预测方法、计算机信息处理系统 | |
CN103606013A (zh) | 一种基于支持向量机的用户年度用电量预测方法 | |
CN106327028A (zh) | 一种终端能源消耗量预测方法及装置 | |
Katara et al. | A time series analysis of electricity demand in Tamale, Ghana | |
CN107944612A (zh) | 一种基于arima和相空间重构svr的母线净负荷预测方法 | |
Salam et al. | Energy consumption prediction model with deep inception residual network inspiration and LSTM | |
Zhou et al. | Forecast load impact from demand response resources | |
CN109447332A (zh) | 一种适用于s型负荷曲线的中长期电力负荷组合预测方法 | |
CN103679289B (zh) | 基于多元回归外推法的电力负荷预测方法 | |
Sigauke | Modelling electricity demand in South Africa | |
Tartibu et al. | Forecasting net energy consumption of South Africa using artificial neural network | |
CN107679666A (zh) | 一种基于Shapley值及经济发展的用电预测方法 | |
CN111832785A (zh) | 一种电能替代潜力的预测方法和系统 | |
Mtembo et al. | A novel econometric model for peak demand forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |