CN103745280A

CN103745280A - 用电量预测方法、装置及处理器

Info

Publication number: CN103745280A
Application number: CN201410038164.3A
Authority: CN
Inventors: 胡航海; 刘道新; 张健; 李鸿琪; 朱大勇
Original assignee: State Grid Corp of China SGCC; Beijing China Power Information Technology Co Ltd
Current assignee: State Grid Corp of China SGCC; State Grid Zhejiang Electric Power Co Ltd; Beijing China Power Information Technology Co Ltd
Priority date: 2014-01-26
Filing date: 2014-01-26
Publication date: 2014-04-23

Abstract

本申请公开了一种用电量预测方法、装置及处理器，该方法中，根据预设的预测模型，采用已知用电采集周期对应的历史直供用电量数据，或已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据进行预测，获取各已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果，并获取预测结果对应的平均相对误差；然后根据平均相对误差确定已知用电采集周期对应的标定预测模型；最后选取与待预测用电采集周期对应的标定预测模型，并通过标定预测模型，获取待预测用电采集周期对应的经营区用电量数据，和/或全社会用电量数据的预测值。通过该方法，能够在获取直供用电量后，就预测获取经营区用电量和全国用电量。

Description

用电量预测方法、装置及处理器

技术领域

本发明涉及用电领域，特别是涉及一种用电量预测方法、装置及处理器。

背景技术

作为一种重要能源，电力在日常生活以及工作中都起着举足轻重的作用，随着国民经济的快速发展，全社会用电量以及各个产业用电量也稳定增长，根据经济理论，电力需求取决于国民经济的发展，因此需要获取用电量，用电量的使用趋势不但影响电网经营企业的生产经营决策及经济效益，还会影响到社会经济的趋势分析。

在获取用电量时，通常将经营区直供用电单位所使用的电量称为直供用电量，所述直供用电量指的是国家电网公司全资分公司经营区域中的用电量，不含趸售、代管地区的用电，不含电厂厂用、自发自用电量；整个经营区的用电量称为经营区用电量，所述经营区用电量指的是国家电网公司全资分公司经营区域中的用电量，包括直供、趸售、代管地区用电、电厂厂用电量、自发自用电量，也就是说，经营区用电量=直供全社会用电量+趸售、代管地区全社会用电量+电厂厂用电量+自发自用电量，并且经营区用电量为全国用电量中重要的一部分；全国用电量通常由经营区域用电量、南方电网用电量和蒙西用电量等构成。

发明人在本申请的研究过程中发现，现有技术中，国家电网公司通常在较早的时间，如每月2号即可获取上月的直供用电量，但是需要再经过一段时间，才能获取经营区用电量和全国用电量。

发明内容

有鉴于此，本发明的目的在于提供一种用电量预测方法、装置及处理器，以解决现有技术中，能够在较早时间获取上月的直供用电量，但只有经过一段时间，才能获取经营区用电量和全国用电量的问题，具体实施方案如下：

一种用电量预测方法，所述用电量预测方法包括：

确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据；

根据预设的两个以上的预测模型和所述历史直供用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差；

选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型；

选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

优选的，所述用电量预测方法中，选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型之前，还包括：

获取各个已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据；

根据预设的其他类型的预测模型，以及所述预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述各个已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

将所述预测结果与所述各个已知用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差。

优选的，所述用电量预测方法还包括：

在获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值后，根据所述预测值对应的指标间的父子关系，对各分项指标对应的预测值进行调整，获取所述各分项指标的预测调整值。

优选的，所述对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

其中，F_k为第k个分项指标的预测调整值，F为合计项指标预测值，f_k为第k个分项指标的预测值，n为分项指标的数量，f_i为第i个分项指标预测值。

优选的，获取所述平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

其中，MPE为平均相对误差，t表示第t个已知用电采集周期，T为所述已知用电采集周期的开始时间，h为历史经营区用电量数据，和/或历史全国用电量数据的数量，

为第t个已知用电采集周期对应的预测结果；y_t为第t个已知用电采集周期对应的实际数据。

相应的，本申请还公开了一种用电量预测装置，所述用电量预测装置包括：

第一历史数据获取模块，用于确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据；

第一预测模块，用于根据预设的两个以上的预测模型和所述历史直供用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

第一平均相对误差获取模块，用于将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差；

标定预测模型获取模块，用于选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型；

第二预测模块，用于选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

优选的，所述用电量预测装置还包括：

第二历史数据获取模块，用于获取各个已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据；

第三预测模块，用于根据预设的其他类型的预测模型，以及所述预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述各个已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

第二平均相对误差获取模块，用于将所述预测结果与所述各个已知用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差。

优选的，所述用电量预测装置还包括：

预测调整模块，用于在获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值后，根据所述预测值对应的指标间的父子关系，对各分项指标对应的预测值进行调整，获取所述各分项指标的预测调整值。

优选的，所述预测调整模块对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

优选的，所述第一平均相对误差获取模块和第二平均相对误差获取模块中，获取所述平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

相应的，本发明还公开了一种处理器，所述处理器中集成有如上所述的用电量预测装置。

本申请公开了一种用电量预测方法、装置及处理器，该方法中提出的预测模型给出了基于直供区用电量预测经营区及全国用电量的方案，充分利用了直供用电数据的潜在价值，保证了经营区用电量和全国用电量的时效性，对电力统计工作有着重要的辅助作用。由于电力指标数量繁多，预测经营区域及全国用电的方法可以多种多样，但是直供区用电在经营区域用电中占比较大，且各种影响因素大致相同，因而基于直供区用电量预测经营区用电量和全国用电量的策略能够保证预测准确性，并且基于历史经营区用电量和历史全国用电量预测经营区用电量和全国用电的策略也能够保证预测准确性。

另外，本申请中，预测模型包括主预测模型，为了提高预测精度，还可以预设辅助预测模型，通过多种预测模型综合预测，且标定预测模型的选择基于对用电历史数据和算法的充分研究，具备合理性。在主预测模型和辅助预测模型的选取时，综合考虑了指标趋势、季节因素等多种影响用电指标数字特征的因素，采用具备不同特点的算法预测用电指标，能够极大提高预测数据的准确性，提高了统计工作的数据质量。

进一步的，本申请公开的方法还包括对各分项指标对应的预测值进行调整的方案，使分项指标预测值与合计指标预测值保持了指标间的父子关系，提高了预测精度。

本发明在实际应用中体现了良好的预测效果，对电力生产和经营决策有着重要意义，为电力数据与宏观经济数据的深度分析提供了很好的数据基础。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明实施例公开的一种用电量预测方法的工作流程示意图；

图2为本发明实施例公开的又一种用电量预测方法的工作流程示意图；

图3为本发明实施例公开的一种预测模型的平均相对误差比较示意图；

图4为本发明实施例公开的一种用电量预测装置的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了解决现有技术中，能够在较早时间获取上月的直供用电量，但只有经过一段时间，才能获取经营区用电量和全国用电量的问题，本申请公开了一种用电量预测方法、装置及处理器。

实施例一

本申请的实施例一公开了一种用电量预测方法，参见图1所示的工作流程示意图，所述用电量预测方法包括：

步骤S11、确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据。

现有技术中，通常每一个月统计一次用电量，因此通常用电采集周期为一个月，当然，也可以为其他时间，本申请对此不作限定。当用电采集周期为一个月时，所述已知用电采集周期通常为12个，分别对应12个不同的月份，或者为更多月份。

步骤S12、根据预设的两个以上的预测模型和所述历史直供用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果。

现有技术的预测模型包括多种形式，如回归模型、指数平滑、季节解构、时间序列X-12-ARIMA、ARMA模型、差分自回归移动平均ARIMA模型、灰色理论模型、模糊数学模型、神经网络模型等。本申请所利用的预测模型可从中进行选取，并且通常选择回归模型和RBF神经网络模型作为预测模型。当然，也可以选取其他形式的预测模型作为本申请的预测模型，本申请对此不做限定。

其中，径向基函数(RBF)神经网络是一种新颖有效的前馈式神经网络，它具有最佳逼近和全局最优的性能，同时训练方法快速易行，不存在局部最优问题，这些优点使得RBF网络在非线性时间序列预测中得到了广泛的应用。RBF网络是一种三层前向网络：第一层为输入层，由信号源节点组成。第二层为隐含层，隐单元的变换函数是一种局部分布的非负非线性函数，对中心点径向对称且衰减。第三层为输出层，网络的输出是隐单元输出的线性加权。

回归模型是对统计关系进行定量描述的一种数学模型。本申请采用的回归模型通常为为线性回归模型，线性回归模型是目前使用最多的预测方法之一，常通过自变量的线性变化来预测因变量的结果，分为一元线性回归和多元线性回归。

通过预设的预测模型，能够利用历史直供用电量数据，获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果。在预测时，通常采用根据历史直供用电量数据获取经营区用电量数据的预测结果，然后根据所述经营区用电量数据的预测结果，获取全国用电量数据的预测结果。

上述方法中，主要采用历史直供用电量数据进行预测，为了和其他预测模型进行区分，通常将步骤S12中采用的预测模型称为主预测模型。

步骤S13、将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差。

步骤S14、选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型。

其中获取平均相对平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

通常将平均相对误差最小时所采用的预测模型作为标定预测模型，以便能够根据所述标定预测模型，获取平均相对误差较小的预测结果。另外，还可以预设一个阈值，当平均相对误差小于该阈值时，则将小于所述阈值的平均相对误差对应的预测模型作为标定预测模型，这种情况下，标定预测模型可为一个或多个。

步骤S15、选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

通过步骤S14，能够获取已知用电采集周期对应的标定预测模型。这种情况下，通常不同的已知用电采集周期对应的标定预测模型不同。当对所述待预测用电采集周期进行预测时，需要选取与其对应的标定预测模型。

当用电采集周期为一个月时，根据以往采集到的历史数据可知，相同月份的用电量的波动趋势大致相同，因此通常认为相同月份的用电采集周期互相对应，例如，当所述待预测用电采集周期为2014年1月时，对应的标定预测模型为2013年1月这一已知用电采集周期对应的标定预测模型。

在选取相应的标定预测模型后，根据所述标定预测模型，即可实现对待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测。

在预测之前，利用历史数据对直供区用电量与经营区用电量进行对比，可得知二者之间具有以下特点：

（1）直供区用电量、经营区用电量二项指标趋势一致，多具有同步向上增长的特点；

（2）季节波动特点明显，每年的7、8月份为用最电高峰、12、1月为用电次高峰；

（3）直供区用电量占经营区用电量的60%左右。

根据以上三个特点，认为通过直供区用电量预测经营区用电量和全国用电量具有一定的可行性。

本申请的实施例一公开了一种用电量预测方法，该方法中，首先确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据；然后根据预设的预测模型和所述历史直供用电量数据进行预测，获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；然后将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差，并选择平均相对误差满足预设条件时对应的预测模型作为所述已知用电采集周期对应的标定预测模型；最后选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

通过该用电量预测方法，能够根据已知用电采集周期，获取平均相对误差满足预设条件的标定预测模型。当需要进行用电量的预测时，能够选取与待预测用电采集周期对应的标定预测模型，并通过对应的所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值，从而能够在获取直供用电量后，就预测获取经营区用电量和全国用电量。

进一步的，本申请中预测时选用的标定预测模型为平均相对误差满足预设条件时对应的预测模型，通过该标定模型进行预测时，获取到的预测结果平均相对误差较小，从而使所述待预测用电采集周期的预测值具有较高的预测精度。

另外，在进行预测时使用的预测类型通常包括逐期预测和统一预测两种方法。其中，逐期预测时将前n-1个已知用电采集周期划分为模型区，第n条为测试区；当采用统一预测时，将前n-12条记录划分为模型区，最后12条记录为测试区。

例如，假设选择2006年1月至2013年12月作为已知用电采集周期，预测2014年1月的数据，则模型区指2006年1月至2013年12月，预测区只2014年1月。再根据2006年1月至2014年1月的历史数据建立模型，预测2014年2月的数据，则模型区指2006年1月至2014年1月，预测区指2014年2月。这种每次预测一个用电采集周期的数据，这种情况为逐期预测。

类似的，如果根据2006年1月至2013年12月作为已知用电采集周期，预测2014年1月至2014年12月的数据，则模型区指2006年1月至2013年12月，预测区指的是2014年1月至2014年12月。每次预测所有待预测时间的数据，这种情况为统一预测。

将逐期预测和统一预测的预测结果进行对比，根据对比结果显示通常逐期预测的预测精度更高，因此本申请采用逐期预测的预测方法。

若在步骤S12中，采用的预测模型包括RBF神经网络模型时，通常需要对所述RBF神经网络模型的隐含层中心数进行设定。

影响RBF神经网络预测结果的最大因素就是隐含层中心数的设定。表1是用不同中心数构建的RBF神经网络模型对测试区数据进行测试的结果，模型区指的是已知用电采集周期，表1中的模型区为2006年1月-2012年10月，测试区指的是待预测用电采集周期，表1中的测试区为2012年11月-2013年10月。根据测试结果可见，40个中心在测试区平均相对误差最小为0.0312，其次是20个中心，平均相对误差为0.0509，而10个、30个、50个中心测试结果相对较差，特别是50个中心，平均相对误差达到0.9181。另外，考虑到过拟合的问题，通常为所述RBF神经网络模型选择20个隐含层中心数。

表1不同中心数所建模型对预测区的影响

进一步的，参见图2所示的工作流程示意图，本申请公开的用电量预测方法中，选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型之前，还包括：

步骤S21、获取各个已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据。

步骤S22、根据预设的其他类型的预测模型，以及所述预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述各个已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果。

步骤S23、将所述预测结果与所述各个已知用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差。

其中，在步骤S23中，获取平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

其中，MPE为平均相对平均相对误差，t表示第t个已知用电采集周期，T为所述已知用电采集周期的开始时间，h为历史经营区用电量数据，和/或历史全国用电量数据的数量，

步骤S21至步骤S23公开了一种获取平均相对误差的方法。该方法中，首先获取各个已知用电采集周期前的预设时间段，通常该预设时间段为已知用电采集周期前的24个月份或36个月份，并获取预设时间段内各个用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据，以便通过预设时间段对应的所述历史经营区用电量数据和其他类型的预测模型，获取已知用电采集周期的经营区用电量数据的预测结果，或通过预设时间段对应的所述历史全国用电量数据和其他类型的预测模型，获取已知用电采集周期的全国用电量数据的预测结果。

另外，所述其他类型的预测模型和步骤S12中采用的预测模型类型不同，为了进行区分，通常将其称为辅助预测模型。所述辅助预测模型包括多种形式，综合考虑指标趋势、季节因素等多种影响用电指标数字特征的因素，通常采用X-12-Arima模型、季节解构模型和指数平滑模型为辅助模型，当然，也可以选用其他种类的预测模型，本申请对此不做限定。

其中，X-12-Arima模型是由X12方法和时间序列模型组合而成的季节调整方法，该模型中通过用ARIMA模型(autoregressive integrated moving Average)延长原序列，弥补了移动平均法末端项补欠值的问题；季节解构模型是一个用来分析包含季节变化时间序列的工具，它将一个时间序列分解出如下四种因素：线性趋势、季节变化、循环变化和不规则因素。这四种因素与原时间序列的关系可以用乘法模型和加法模型两种形式组合；指数平滑模型是用序列过去值的加权均值来预测将来的值，序列中近期的数据被赋以较大的权重，远期的数据被赋以较小的权重。

参见图3所示的预测模型的平均相对误差比较示意图，该方法中，分别利用主预测模型和辅助预测模型实现用电量的预测。其中，在进行主预测时，将已知用电采集周期的历史直供用电量数据输入至主预测模型中，所述主预测模型通常包括回归模型和RBF神经网络模型，并分别获取结果1和结果2两个预测结果；在进行辅助预测时，获取已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，将其传输至辅助预测模型中，所述辅助预测模型通常包括X-12-Arima模型、季节解构模型和指数平滑模型，并分别获取结果3至结果5这三个预测结果；分别获取结果1至结果5这五个预测结果对应的平均相对误差，然后判断所述平均相对误差是否满足预设条件，并选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型；在有预测需求时，选取与待预测用电采集周期对应的标定预测模型，然后通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

例如，根据上述方法，确定13年1月份这一已知用电采集周期对应的标定预测模型为RBF神经网络模型，当14年1月份为待预测用电采集周期，需要预测待预测用电采集周期的经营区用电量数据，和/或全国用电量数据时，则确定其对应的标定预测模型为RBF神经网络模型，需要获取14年1月份的直供用电量数据，并将其传输至所述RBF神经网络模型，获取14年1月份的经营区用电量数据，和/或全社会用电量数据的预测值。

另外，若根据上述方法，确定13年2月份这一已知用电采集周期对应的标定预测模型为X-12-Arima模型，当14年2月份为待预测用电采集周期，则确定其对应的标定预测模型为X-12-Arima模型；若需要预测经营区用电量数据，则需要获取14年2月份之前，预设时间段内的经营区用电量数据，并将其传输至X-12-Arima模型，获取14年2月份的经营区用电量数据；若需要预测全国用电量数据，则需要获取14年2月份之前，预设时间段内的全国用电量数据，并将其传输至X-12-Arima模型，获取14年2月份的全国用电量数据。

参见表2所示的各种预测模型对应的预测结果的比较，表2中的模型区为2006年1月-2012年10月，测试区为2012年11月-2013年10月，5种测试模型下对应的预测结果，以及选取的标定预测模型如下表：

表25种预测模型预测结果比较

通过上述方法，本申请通过已知用电采集周期对应的历史直供用电量数据、相应的预测模型、预设的其他类型的预测模型，以及已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，确定各个已知用电采集周期的标定预测模型。当需要对用电量进行预测时，选取与待预测用电采集周期对应的标定预测模型进行预测，从而能够获取预测值。

并且，该方法中设置了多种预测模型，并分别通过历史直供用电量数据、历史经营区用电量数据，和/或历史全国用电量数据实现标定预测模型的选取，从而能够选取平均相对误差较小的预测模型为标定预测模型，保证了预测的精度。

进一步的，所述用电量预测方法还包括：

不同指标间的用电量具有父子关系，如：

全社会用电量=第一产业用电+第二产业用电+第三产业用电+城乡居民生活用电；

工业用电=轻工业用电+重工业用电；

城乡居民生活用电=城镇居民用电+乡村居民用电。

在根据步骤S15提供的方法，获取待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值后，为了提高预测的精度，还要调整各分项指标的预测值，使合计项指标对应的预测值为各分项指标的预测值之和，满足父子关系。

以经营区域全社会用电量为例，其分项指标包括经营区域第一产业用电量、经营区域第二产业用电量、经营区域第三产业用电量、经营区域居民用电量。由于各分项指标的预测值为按照上述方式分别预测得到，难以保证分项和与合计指标相等，因此需要对分项指标调整，使其满足父子关系。

所述对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

例如，当若需要调整的指标预测值包括第一产业用电量、第二产业用电量、第三产业用电量、居民用电量，以上指标的和需等于全社会用电量，而每个指标分别预测，为了满足父子关系，需要对各分项指标进行调整。调整方法，以第一产业用电量为例：

第一产业预测调整值=全社会用电量预测值*第一产业用电预测值/（第一产业用电预测值+第二产业用电预测值+第三产业用电预测值+城乡居民用电预测值）。

通过上述调整方式，能够获取各分项指标的预测调整值，从而使预测调整值具有更高的预测精度。

本申请公开了一种用电量预测方法，该方法中提出的预测模型给出了基于直供区用电量预测经营区及全国用电量的方案，充分利用了直供用电数据的潜在价值，保证了经营区用电量和全国用电量的时效性，对电力统计工作有着重要的辅助作用。由于电力指标数量繁多，预测经营区域及全国用电的方法可以多种多样，但是直供区用电在经营区域用电中占比较大，且各种影响因素大致相同，因而基于直供区用电量预测经营区用电量和全国用电量的策略能够保证预测准确性，并且基于历史经营区用电量和历史全国用电量预测经营区用电量和全国用电的策略也能够保证预测准确性。

实施例二

本申请的实施例二公开了一种用电量预测装置，参见图4所示的结构示意图，所述用电量预测装置包括：第一历史数据获取模块100、第一预测模块200、第一平均相对误差获取模块300、标定预测模型获取模块400和第二预测模块500。其中，

所述第一历史数据获取模块100，用于确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据；

所述第一预测模块200，用于根据预设的两个以上的预测模型和所述历史直供用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

所述第一平均相对误差获取模块300，用于将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差；

所述标定预测模型获取模块400，用于选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型；

所述第二预测模块500，用于选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

进一步的，所述用电量预测装置还包括：

所述第二历史数据获取模块，用于获取各个已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据；

所述第三预测模块，用于根据预设的其他类型的预测模型，以及所述预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述各个已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；

所述第二平均相对误差获取模块，用于将所述预测结果与所述各个已知用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差。

进一步的，所述用电量预测装置还包括：

进一步的，所述预测调整模块对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

进一步的，所述第一平均相对误差获取模块和第二平均相对误差获取模块中，获取所述平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

本申请公开了一种用电量预测装置，该装置中，首先利用第一历史数据获取模块确定待预测用电采集周期之前的各个已知用电采集周期，获取所述各个已知用电采集周期对应的历史直供用电量数据，并获取所述各个已知用电采集周期对应的历史经营区用电量数据，和/或历史全国用电量数据；然后通过第一预测模块对各个已知用电采集周期的用电量进行预测，分别获取对应所述已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；再通过第一平均相对误差获取模块，将所述预测结果与所述历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差；然后根据标定预测模型获取模块，确定标定预测模型；当需要预测用电量时，通过第二预测模块，选取与所述待预测用电采集周期对应的标定预测模型，并通过所述标定预测模型，获取所述待预测用电采集周期对应的经营区用电量数据，和/或全国用电量数据的预测值。

进一步的，所述用电量预测装置还能够利用第二历史数据获取模块，获取各个已知用电采集周期前预设时间段内的历史经营区用电量数据，和/或历史全国用电量数据；然后，根据预设的其他类型的预测模型，对所述各个已知用电采集周期的用电量进行预测，分别获取对应所述各个已知用电采集周期的经营区用电量数据，和/或全国用电量数据的预测结果；再通过第二平均相对误差获取模块，将将所述预测结果与所述各个已知用电采集周期的历史经营区用电量数据，和/或历史全国用电量数据相比较，获取二者间的平均相对误差，以便所述标定预测模型获取模块400根据所述第一平均相对误差获取模块300和所述第二平均相对误差获取模块获取到的平均相对误差，确定标识预测模型。

该装置具有良好的预测效果，能够在获取直供用电量后，就预测获取经营区用电量和全国用电量，对电力生产和经营决策有着重要意义，为电力数据与宏观经济数据的深度分析提供了很好的数据基础。

相应的，本申请还公开了一种处理器，所述处理器中集成有如上所述的用电量预测装置。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种用电量预测方法，其特征在于，所述用电量预测方法包括：

2.根据权利要求1所述的方法，其特征在于，所述用电量预测方法中，选择所述平均相对误差满足预设条件时对应的预测模型，作为所述已知用电采集周期对应的标定预测模型之前，还包括：

3.根据权利要求1所述的方法，其特征在于，所述用电量预测方法还包括：

4.根据权利要求3所述的方法，其特征在于，所述对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

5.根据权利要求1和2所述的方法，其特征在于，获取所述平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

6.一种用电量预测装置，其特征在于，所述用电量预测装置包括：

7.根据权利要求6所述的装置，其特征在于，所述用电量预测装置还包括：

8.根据权利要求6所述的装置，其特征在于，所述用电量预测装置还包括：

9.根据权利要求8所述的装置，其特征在于，所述预测调整模块对各分项指标对应的预测值进行调整的方法为：

F_{k} = F * (f_{k} / Σ_{i = 0}^{n} f_{i});

10.根据权利要求6和7所述的装置，其特征在于，所述第一平均相对误差获取模块和第二平均相对误差获取模块中，获取所述平均相对误差的方法为：

MPE = \frac{1}{h} Σ_{t = T + 1}^{T + h} | \frac{{\hat{y}}_{t} - y_{t}}{y_{t}} |;

11.一种处理器，其特征在于，所述处理器中集成有如权利要求6至权利要求10任一项的用电量预测装置。