CN104123600B - 一种面向典型行业大数据的电力经理指数趋势预测方法 - Google Patents
一种面向典型行业大数据的电力经理指数趋势预测方法 Download PDFInfo
- Publication number
- CN104123600B CN104123600B CN201410398967.XA CN201410398967A CN104123600B CN 104123600 B CN104123600 B CN 104123600B CN 201410398967 A CN201410398967 A CN 201410398967A CN 104123600 B CN104123600 B CN 104123600B
- Authority
- CN
- China
- Prior art keywords
- index
- electric power
- attribute
- power consumption
- discrete
- 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
- 238000000034 method Methods 0.000 title claims abstract description 83
- 230000005611 electricity Effects 0.000 claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 23
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 238000010219 correlation analysis Methods 0.000 claims abstract description 4
- 238000000528 statistical test Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 47
- 230000008569 process Effects 0.000 claims description 31
- 238000011156 evaluation Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 15
- 230000008901 benefit Effects 0.000 claims description 12
- 230000002844 continuous effect Effects 0.000 claims description 11
- 238000011835 investigation Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000013461 design Methods 0.000 claims description 7
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000000205 computational method Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000007423 decrease Effects 0.000 claims description 4
- 238000011144 upstream manufacturing Methods 0.000 claims description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000001744 unit root test Methods 0.000 claims description 3
- 238000005303 weighing Methods 0.000 claims description 2
- 230000009286 beneficial effect Effects 0.000 claims 1
- 239000006185 dispersion Substances 0.000 claims 1
- 238000012544 monitoring process Methods 0.000 abstract description 12
- 238000011161 development Methods 0.000 abstract description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 3
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 2
- 238000003490 calendering Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004335 scaling law Methods 0.000 description 2
- 238000003723 Smelting Methods 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 239000013064 chemical raw material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 235000013305 food Nutrition 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种面向典型行业大数据的电力经理指数趋势预测方法,包括(1)采用相关性分析对影响行业用电量的指标进行筛选;(2)对筛选出的指标利用统计检验和粗糙集理论进行检验和优化,建立行业电力监测指标体系模型;(3)提出基于电力经理指数(Electrical Manager's Index,简称EMI)的构建和预测方法,并基于电力经理指数预测行业用电趋势。本发明能够监测行业用电动态变化、分析其所处状态以及预见其发展趋势,掌握电力市场供求变化的规律,为电力市场营销决策提供可靠的依据。
Description
技术领域
本发明属于电力系统负荷预测领域的方法,具体是一种面向典型行业大数据的电力经理指数趋势预测方法。
背景技术
随着信息技术的发展,信息系统在各领域快速拓展,电力行业的信息化促使电力数据迅速增长和不断融合,电力大数据时代已经到来。电力行业数据量大、类型多、价值高,贯穿电力工业生产及管理等环节。因此,应当积极投入到数据挖掘与分析运用中,挖掘数据价值,实践大数据战略,为电力企业决策与管理提供科学指导。
经济波动及形势变化对人民生活、企业生产和社会发展有着重要的影响。及时、准确掌握经济变化信息,对于政府政策的制定、企业生产的调整具有积极的作用。宏观监测指标体系及一些量化指数(如CPI、PPI、PMI等指数)的建立,能够及时反映经济的变动情况和变动程度、监测经济的发展动态及预测经济的发展趋势。例如:供需不平衡对市场经济运行的高效性、稳定性有着重要的影响,所以提出CPI、PPI指数来判断供需平衡程度,估算通货膨胀(或紧缩)风险;为了能够监测经济的发展动态、反映商业活动的现实情况,因此提出PMI指数作为一个先行指标监测经济运行、预测经济走势和转折点。
同样地,电力市场中也存在与市场经济中相类似的一些问题。电力供求的矛盾是电力市场的基本矛盾之一,对电力市场运行的高效性、稳定性有着重要的影响。企业作为电力市场的主要组成要素,其经济效益的波动和变化会影响行业的电力需求数量,导致电力市场的供需不平衡,从而影响着电力部门的市场决策。因此,需要运用科学的方法对电力市场供求变化进行研究,监测其动态变化、分析其所处状态以及预见其发展趋势,掌握电力市场供求变化的规律,为电力市场营销决策提供可靠的依据。
发明内容
本发明的目的在于提供一种面向典型行业大数据的电力经理指数趋势预测方法,监测行业用电动态变化、分析其所处状态以及预见其发展趋势,掌握电力市场供求变化的规律,为电力市场营销决策提供可靠的依据。
为实现上述目的,本发明的技术方案是:一种面向典型行业大数据的电力经理指数趋势预测方法,包括如下步骤,
步骤S1:采用相关性分析对影响行业用电量的指标进行筛选;
步骤S2:对筛选出的指标利用统计检验和粗糙集理论进行检验和优化,建立行业电力监测指标体系模型;
步骤S3:提出基于电力经理指数的构建和预测方法,并基于电力经理指数预测行业用电趋势。
在本发明实施例中,在所述步骤S1中,所述影响行业用电量的指标包括业扩报装类、电量类、行业效益类和市场行情类4大类;其中,业扩报装类指标包括扩容容量、减容销户容量、暂停容量、净扩容容量、扩容企业数、减容销户企业数、暂停企业数和净扩容企业数;电量类指标包括实际用电量;行业效益类指标包括订单量、产量、库存量、订单完成量、生产线规模和设备数量;市场行情类指标包括产品价格、价格空间、行业政策、上游行业政策和行业市场。
在本发明实施例中,所述步骤S2的具体实现过程如下,
步骤S21:对筛选出的指标进行有效性检验和优化;
步骤S22:指标权重计算;
步骤S23:综合评分。
在本发明实施例中,所述步骤S21对筛选出的指标进行有效性检验和优化的具体过程如下,
(1)对于连续型指标:
将连续型指标看作时间序列,用统计学方法检验各指标与目标之间的有效关系,具体即:
首先,采用相关性检验,检测出负荷用电数据与电力指标相关程度的大小;其次,通过单位根检验,检验时间序列的平稳性;再而,采用协整检验,检验指标之间的长期稳定的比例关系;最后,通过格兰杰检验,检验指标之间的因果关系,得到最终的指标;
(2)对于离散型指标:
采用粗糙集理论中的重要度概念对离散型指标进行有效性检验和优化,具体步骤如下:
(a)建立综合评价信息系统和决策表;
(b)确定离散各属性区间,根据各属性区间大小对指标数据进行离散化处理;
(c)确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
(d)导出条件属性集合正域posC(D),条件属性集合基数card[posC(D)],
(e)计算D对C的依赖程度rc(D)及D对C-{ci}的依赖程度即
rC(D)=card[posC(D)]/card(U)
(f)计算条件属性对于决策属性的重要程度σ(ci),即若某项指标的重要程度σ(ci)小于一阈值,则剔除该指标。
在本发明实施例中,所述步骤S22中,采用组合权重计算方法对指标权重进行计算,即分别采用相容矩阵层次分析法和粗糙集理论计算权重,通过组合权重计算得到两种方法的组合权重。
在本发明实施例中,所述采用相容矩阵层次分析法计算权重的方法,具体如下,
(1)判断矩阵的构造:
构造判断矩阵A=(aij),且判断矩阵A=(aij)的元素满足:
其中,标度数值aij表示指标Y的下级指标Xi与Xj的相对重要关系系数;该些赋值通过1~9标度法给出;
(2)一致性处理:
一般认为指标之间具有传递性,即已知Xi与Xj的相对重要关系系数aij,Xi与Xk的相对重要关系系数aik,则可以根据aij和aik得到Xj与Xk的相对重要关系系数即可得,一致性条件为:
aijajk=aik(i,j,k=1,2,…,n)
但判断矩阵内的元素是根据指标重要性将指标两两比较来确定的,因此,不能绝对保证判断矩阵的一致性;故而,层次分析法提出,当判断矩阵的随机一致性比率时,即可说明判断矩阵具有可接受的一致性,其中,C.I.为一致性指标,R.I.为平均随机一致性指标,λmax为矩阵的最大特征值,n为Y的下级指标个数;
R.I.的取值为:
若n=3,则R.I.=0.58;
若n=4,则R.I.=0.90;
若n=5,则R.I.=1.12;
若n=6,则R.I.=1.24;
若n=7,则R.I.=1.32;
若n=8,则R.I.=1.41;
若n=9,则R.I.=1.45;
若n=10,则R.I.=1.49;
若n=11,则R.I.=1.51;
为减少反复构造判断矩阵的工作量,保证判断矩阵的一致性,从而简化确定指标权重的过程,此处采用基于相容矩阵的层次分析法;
将任何一个判断矩阵A=(aij)利用公式迭代变换为相容矩阵B=(bij)后,且满足bii=1,bij=1/bji,bij=bik·bkj。
(3)权重计算:
权重wj的计算公式为:
其中,
在本发明实施例中,所述采用的粗糙集理论计算权重的方法,具体如下:
(1)建立综合评价信息系统和决策表;
(2)确定离散属性区间,根据各属性区间大小对指标数据进行离散化处理;
(3)确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
(4)导出条件属性集合正域为posC(D),求条件属性集合的基数为card[posC(D)],
(5)计算D对C的依赖程度rc(D)及D对C-{ci}的依赖程度即
rC(D)=card[posC(D)]/card(U)
(6)计算条件属性对于决策属性的重要程度,即
(7)利用重要度计算各评价指标的客观权重系数为
在本发明实施例中,所述采用的组合权重的方法,即采用乘法合成的方法将各种权重进行组合,即将各权重计算方法得出的某一指标的权重进行相乘,然后归一化处理,最终得到组合权重,具体如下:
假设有m个指标,q种方法求得的权重w,则组合权重为:
其中,θj为指标的组合权重,j=1,2,…,m;k=1,2,…,q。
在本发明实施例中,所述步骤S23中,所述综合评分,即按照权重汇总各指标值,以获得评价对象的综合评价分值,用于考核评判对象,具体如下:
选用线性模型对各指标归一化指标值汇总,最后得到综合评分;
其中,y为系统综合评分值,wj为评价指标值xj的权重系数,0≤wj≤1,j=1,2,...,m。
在本发明实施例中,所述步骤S3中的基于电力经理指数预测用电趋势的具体步骤为:
(1)数据汇总:
对行业中用电大户企业和典型企业进行市场数据调研,采用等频率划分算法将各项数据与上月相比的变化百分比进行区间离散化,即将离散属性区间按基本持平、0%-25%、25%-75%和75%以上进行划分,并将基本持平的离散化等级定为50作为一个基数,离散化等级以10作为一个梯度变化;
按照离散等级数,将同一属性各等级所含有的企业数进行汇总,统计每个属性下各离散化等级的个数;
(2)单个指标等级数计算:
①对于连续型指标:
根据调研的电力统计数据计算出指标的净变化量和总变化量,按下述公式采用不加权的方法得出百分比并按照所划分的离散区间对计算出的百分比进行离散,得到离散等级数:
其中,若DI1>0,则表明本月用电量可能上升;若DI1<0,则表明本月用电量可能下降;
②对于离散型指标:
根据各项市场统计数据的离散等级数和统计出来的各属性中相应等级的企业数,按下述公式采用加权的方法得出加权后的离散等级数:
其中,DI2等级数所对应的百分比可根据所划分的离散区间得到;
(3)综合指数计算:
(a)月环比指数的计算:
电力经理指数EMI是一个综合指数,由各指数的离散等级数加权而成,即
EMI=∑(权重系数×指标离散等级数)
根据每月的统计数据,按上述公式计算出的EMI指数即为EMI的月环比指数;
(b)定基指数的计算:
由各期月环比指数连乘计算,公式为:
其中,K1、K2、…、Kt分别表示基期至报告期间各期的月环比指数;
(c)指数的换算:
(4)荣枯分水线:
EMI=50为荣枯分水线;若EMI大于50,则表示行业用电需求在增长;若EMI低于50,则表示行业用电需求在下降;EMI偏离50的程度表示行业用电量变化的大小,朝大于50的方向偏离越大,则表明行业用电需求将大大增加;朝小于50的方向偏离越大,则表明行业用电需求将大大减小。
相较于现有技术,本发明具有以下有益效果:
(1)本发明能够适应于未来行业用电趋势预测且具有先行作用;
(2)评价结果客观、合理;
(3)满足电网发展和工程实际投资的需求。
附图说明
图1为本发明设计思路的结构框图。
图2为本发明涉及的行业电力监测指标体系框架图。
图3为行业电力监测指标体系的层次化结构模型框架图。
图4为具体实施方式中连续型指标检验优化步骤流程图。
图5为具体实施方式中离散型指标检验优化步骤流程图。
图6为具体实施方式中大工业2013年各月用电量变化趋势图。
图7为具体实施方式中高耗能行业2013年各月用电量变化趋势图。
图8为具体实施方式中出口型行业2013年各月用电量变化趋势图。
图9为具体实施方式中重点大型企业2013年各月用电量变化趋势图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本发明一种面向典型行业大数据的电力经理指数趋势预测方法,包括如下步骤:
(一)采用相关性分析对影响行业用电量的指标进行筛选;
(二)对筛选出的指标利用统计检验和粗糙集理论进行检验和优化,建立行业电力监测指标体系模型;
(三)提出基于电力经理指数(Electrical Manager's Index,简称EMI)的构建和预测方法,并基于电力经理指数预测行业用电趋势。
如图2所示,本发明方法所述的步骤(一)中所述的影响行业用电量的指标具体为:
根据不同的用电表现把影响行业用电量的因素分为4类:业扩报装类、电量类、行业效益类和市场行情类;其中,业扩报装类指标包括扩容容量、减容销户容量、暂停容量、净扩容容量、扩容企业数、减容销户企业数、暂停企业数、净扩容企业数;电量类指标包括实际用电量;行业效益类指标包括订单量、产量、库存量、订单完成量、生产线规模、设备数量;市场行情类指标包括产品价格、价格空间、行业政策、上游行业政策、行业市场。
本发明方法所述的步骤(二)中的建立行业电力监测指标体系模型的具体步骤为:
(S1)指标有效性检验和优化:
(1)对于连续型指标:
如图4所示,本发明把连续型指标看作时间序列,用统计学方法检验各指标与目标之间的有效关系。首先采用相关性检验,剔除关联度小的指标;再通过格兰杰检验得到最终的指标。因为格兰杰检验能够检验出两个时间序列间的因果关系,作为因的指标变化在时间序列上先于作为果的指标,因此通过格兰杰检验后的指标不仅能够有效的反映实际目标,而且具有快速性和先行性的优点。具体步骤如下:
首先,采用相关性检验,检测出负荷用电数据与电力指标相关程度的大小;其次,通过单位根检验,检验时间序列的平稳性;再而,采用协整检验,检验指标之间的长期稳定的比例关系;最后,通过格兰杰检验,检验指标之间的因果关系,得到最终的指标;
(2)对于离散型指标:
如图5所示,本发明用粗糙集理论中的重要度概念对离散型指标进行有效性检验和优化,具体步骤如下:
①建立综合评价信息系统和决策表;
②确定离散各属性区间,根据各属性区间大小对指标数据进行离散化处理;
③确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
④导出条件属性集合正域posC(D),条件属性集合基数card[posC(D)],
⑤计算知识D(决策属性指标)对知识C(评价指标集合)的依赖程度rc(D)及知识D对知识C-{ci}的依赖程度即
rC(D)=card[posC(D)]/card(U)
⑥计算条件属性对于决策属性的重要程度σ(ci),即
(S2)指标权重计算:
所述指标权重计算方法为组合权重计算方法,分别采用相容矩阵层次分析法和粗糙集理论计算权重,通过组合权重计算,得到两种方法的组合权重。
(1)所述的采用的相容矩阵层次分析法步骤为:
①判断矩阵的构造:
根据行业电力监测指标体系的层次化结构模型(如图3所示),构造判断矩阵A=(aij)。其中,标度数值aij表示指标Y的下级指标Xi与Xj的相对重要关系系数。这些赋值通过咨询与调研得到,采用1~9标度法给出。aij的数字标度及其意义如表1所示:
表1 数字标度及其意义
矩阵A=(aij)的元素满足:
②一致性处理:
一般地认为指标之间应该具有传递性,即已知X1与X2的相对重要关系系数a12,X1与X3的相对重要关系系数a13,则可以根据a12和a13得到X2与X3的相对重要关系系数推广到一般地情况,一致性条件为:
或aijajk=aik,(i,j,k=1,2,…,n)
但判断矩阵内的元素是根据指标重要性将指标两两比较来确定的,因此,不能绝对保证判断矩阵的一致性;故而,层次分析法提出,当判断矩阵的随机一致性比率时,即可说明判断矩阵具有可接受的一致性,其中,C.I.为一致性指标,R.I.为平均随机一致性指标,λmax为矩阵的最大特征值,n为Y的下级指标个数;
R.I.的取值情况如表2所示:
表2 判断矩阵RI参考取值表
n | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 |
RI | 0.58 | 0.90 | 1.12 | 1.24 | 1.32 | 1.41 | 1.45 | 1.49 | 1.51 |
但是,层次分析法要求每一组指标的判断矩阵都必须通过一致性检验,如果C.R.>0.10时认为判断矩阵的一致性不被接受,就需要重新赋值、仔细修正,直至一致性检验通过为止。这一过程需要反复构造判断矩阵,在指标数量较大、指标层次较多的情况下,无疑大大增加了指标赋权工作的工作量。因此,本权利中采用基于相容矩阵的层次分析法。通过对层次分析法构造的判断矩阵进行相容矩阵变换,不仅能减少反复构造判断矩阵的工作量,而且能保证判断矩阵的一致性,从而简化确定指标权重的过程。
将任何一个判断矩阵A=(aij)利用下式进行迭代变换为相容矩阵B=(bij)后,都可满足一致性条件bij=bik·bkj。
因此,相容矩阵分析方法的基本思路就是将判断矩阵A=(aij)中的元素aij进行修正,使其成为满足一致性条件的判断矩阵B=(bij),并且,B=(bij)满足bii=1,bij=1/bji,bij=bik·bkj。
③权重计算:
权重wj的计算公式为:
其中,
(2)所述采用的粗糙集理论步骤为:
①建立综合评价信息系统和决策表;
②确定离散各属性区间,根据各属性区间大小对指标数据进行离散化处理;
③确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
④导出条件属性集合正域为posC(D),求条件属性集合的基数为
⑤计算知识D(决策属性指标)对知识C(评价指标集合)的依赖程度rC(D)及知识D对知识C-{ci}的依赖程度
rC(D)=card[posC(D)]/card(U)
⑥计算条件属性对于决策属性的重要程度,即
⑦利用重要度计算各评价指标的客观权重系数为
(3)所述的采用的组合赋权方法步骤为:
采用乘法合成的方法将各种权重进行组合,即将不同赋权方法得出的某一指标的权重进行相乘,然后归一化处理,最终得到组合权重。
假设有m个指标,q种方法求得的权重w,则组合权重为:
其中,θj为指标的组合权重;j=1,2,…,m;k=1,2,…,q。
(S3)综合评分:
按照权重汇总各指标值,以获得评价对象的综合评价分值,用于考核评判对象,选用线性模型对各指标归一化指标值汇总,最后得到综合评分;
其中,0≤wj≤1,j=1,2,...,m。y为系统综合评分值,wj为评价指标值xj的权重系数。
本发明方法所述的步骤(三)中的基于电力经理指数预测用电趋势的具体步骤为:
(1)数据汇总:
对行业中用电大户企业和典型企业进行市场数据调研,采用等频率划分算法将各项数据与上月相比的变化百分比按照表3进行区间离散化。考虑到变化百分比越大的企业数会越少,为了使每个属性值域划分为的区间包含等数量的对象,因此将离散属性区间按基本持平、0%-25%、25%-75%和75%以上进行划分,本文将基本持平的离散化等级定为50作为一个基数,离散化等级以10作为一个梯度变化。
表3 离散化区间
离散属性区间 | 离散化等级 |
减少75%以上 | 20 |
减少25%-75% | 30 |
减少0%-25% | 40 |
基本持平 | 50 |
增加0%-25% | 60 |
增加25%-75% | 70 |
增加75%以上 | 80 |
按照离散后的等级数,将同一属性各等级所含有的企业数进行汇总,统计每个属性下各等级(20、30、…、80)的个数。
(2)单个指标等级数计算:
①对于连续型指标:
根据调研的电力统计数据计算出指标的净变化量和总变化量,采用不加权的方法得出百分比并按照上述离散区间对计算出的百分比进行离散,得到离散等级数。计算方式如下:
其中,如果DI1为正数,说明本月用电量可能上升;如果DI1为负数,说明本月用电量可能下降。
②对于离散型指标:
根据各项市场统计数据的离散等级数和统计出来的各属性中相应等级的企业数,采用加权的方法得出加权后的等级数,计算方式如下:
其中,DI2等级数所对应的百分比可以根据离散化区间表得到。
(3)综合指数计算:
①月环比指数的计算
EMI是一个综合指数,由各指数的离散等级数加权而成,即
EMI=∑(权重系数×指标离散等级数)
根据每月的统计数据,由此方式计算出的EMI指数即为EMI的月环比指数。
②定基指数的计算
由各期月环比指数连乘计算,公式为:
其中,K1、K2、…、Kt分别表示基期至报告期间各期的月环比指数。
③指数的换算方法
(4)荣枯分水线:
EMI指数50为荣枯分水线。一般来说,如果EMI大于50表示行业用电需求在增长;EMI低于50表示行业用电需求在下降。EMI偏离50的程度表示行业用电量变化的大小,朝大于50的方向偏离越大说明行业用电需求将大大增加,朝小于50的方向偏离越大说明行业用电需求将大大减小,如:EMI略大于50,说明用电需求在缓慢上升,EMI略小于50说明用电需求缓慢下降。
以下为基于某省典型行业2012年1月份至2013年8月份电力统计数据和168家重点大型企业市场统计数据,基于电力经理指数对典型行业各月的用电趋势进行预测。
(1)筛选影响行业用电量的指标。
行业电力监测指标体系采用层次化结构模型设计,通过对某省典型行业生产及用电特点的调研和数据分析,根据不同的用电表现把业扩报装类、电量类、行业效益类和市场行情类作为一级指标。相应地,各大类相关组成元素作为指标体系的二级指标,并归到相应的一级指标下。其中业扩报装类指标包括扩容容量、减容销户容量、暂停容量、净扩容容量、扩容企业数、减容销户企业数、暂停企业数、净扩容企业数,电量类指标包括实际用电量,行业效益类指标包括订单量、产量、库存量、订单完成量、生产线规模、设备数量,市场行情类指标包括产品价格、价格空间、行业政策、上游行业政策、行业市场;
(2)通过统计学和粗糙集优化检验,建立行业电力监测指标体系。
对于连续型指标,通过相关有效性检验和格兰杰检验,得到对行业用电量有先行性影响的指标,如表4所示。
表4 格兰杰检验结果
其中,A为申请净扩容容量;B为申请净扩容企业数;C为完成净扩容容量;D为完成净扩容企业数;E为用电量。
对于离散型指标,通过粗糙集理论对调研的168家企业数据进行离散、检验和优化,得出重要度较高的指标,如表5所示。
表5 优化检验结果
其中,总基数为168;决策属性基数为119。
通过上述检验和优化,得到14个二级指标,再结合层次分析法和粗糙集法得到各指标的权值,最终形成一个完整的行业电力监测指标体系,如表6所示。
表6 行业电力监测指标体系
(3)基于电力经理指数预测典型行业用电趋势。
图6为大工业各月用电趋势预测结果和实际用电变化结果,并且利用定基指数计算方法和指数换算方法可得2012年1月至2013年9月的用电量变化指数:
其中,K1、K2、…、K20分别为2012年2月至2013年9月预测的月环比指数。根据调研数据可知,2013年1月至9月行业用电量与2012年全年行业用电量相比减少了20.26%,符合EMI指数的预测。
图7为高耗能行业用电趋势预测结果与实际用电变化结果。其中,包括黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、非金属矿物制品业和化学原料及化学制品制造业。
图8为出口型行业用电趋势预测结果与实际用电变化结果。其中,包括纺织行业、服装行业和食品行业。
图9为重点大型企业用电趋势预测结果与实际用电变化结果。其中,包括机械行业、电子行业和化工行业。
从具体实施例的结果上看,本发明提出的面向典型行业大数据的电力经理指数趋势预测方法具有可行性、有效性和先行性,能够较好的预测各月份典型行业用电量的变化趋势。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (8)
1.一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:包括如下步骤,
步骤S1:采用相关性分析对影响行业用电量的指标进行筛选;
步骤S2:对筛选出的指标利用统计检验和粗糙集理论进行检验和优化,建立行业电力监测指标体系模型;该步骤具体实现过程如下,
步骤S21:对筛选出的指标进行有效性检验和优化;
步骤S22:指标权重计算;
步骤S23:综合评分;
所述步骤S21对筛选出的指标进行有效性检验和优化的具体过程如下,
(1)对于连续型指标:
将连续型指标看作时间序列,用统计学方法检验各指标与目标之间的有效关系,具体即:
首先,采用相关性检验,检测出负荷用电数据与电力指标相关程度的大小;其次,通过单位根检验,检验时间序列的平稳性;再而,采用协整检验,检验指标之间的长期稳定的比例关系;最后,通过格兰杰检验,检验指标之间的因果关系,得到最终的指标;
(2)对于离散型指标:
采用粗糙集理论中的重要度概念对离散型指标进行有效性检验和优化,具体步骤如下:
(a)建立综合评价信息系统和决策表;
(b)确定离散各属性区间,根据各属性区间大小对指标数据进行离散化处理;
(c)确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
(d)导出条件属性集合正域posC(D),条件属性集合基数card[posC(D)],
(e)计算D对C的依赖程度rc(D)及D对C-{ci}的依赖程度即
rC(D)=card[posC(D)]/card(U)
(f)计算条件属性对于决策属性的重要程度σ(ci),即若某项指标的重要程度σ(ci)小于一阈值,则剔除该指标;
步骤S3:提出基于电力经理指数的构建和预测方法,并基于电力经理指数预测行业用电趋势。
2.根据权利要求1所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:在所述步骤S1中,所述影响行业用电量的指标包括业扩报装类、电量类、行业效益类和市场行情类4大类;其中,业扩报装类指标包括扩容容量、减容销户容量、暂停容量、净扩容容量、扩容企业数、减容销户企业数、暂停企业数和净扩容企业数;电量类指标包括实际用电量;行业效益类指标包括订单量、产量、库存量、订单完成量、生产线规模和设备数量;市场行情类指标包括产品价格、价格空间、行业政策、上游行业政策和行业市场。
3.根据权利要求1所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述步骤S22中,采用组合权重计算方法对指标权重进行计算,即分别采用相容矩阵层次分析法和粗糙集理论计算权重,通过组合权重计算得到两种方法的组合权重。
4.根据权利要求3所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述采用相容矩阵层次分析法计算权重的方法,具体如下,
(1)判断矩阵的构造:
构造判断矩阵A=(aij),且判断矩阵A=(aij)的元素满足:
其中,标度数值aij表示指标Y的下级指标Xi与Xj的相对重要关系系数;该些赋值通过1~9标度法给出;
(2)一致性处理:
一般认为指标之间具有传递性,即已知Xi与Xj的相对重要关系系数aij,Xi与Xk的相对重要关系系数aik,则可以根据aij和aik得到Xj与Xk的相对重要关系系数即可得,一致性条件为:
aijajk=aik(i,j,k=1,2,…,n)
但判断矩阵内的元素是根据指标重要性将指标两两比较来确定的,因此,不能绝对保证判断矩阵的一致性;故而,层次分析法提出,当判断矩阵的随机一致性比率时,即可说明判断矩阵具有可接受的一致性,其中,C.I.为一致性指标,R.I.为平均随机一致性指标,λmax为矩阵的最大特征值,n为Y的下级指标个数;
R.I.的取值为:
若n=3,则R.I.=0.58;
若n=4,则R.I.=0.90;
若n=5,则R.I.=1.12;
若n=6,则R.I.=1.24;
若n=7,则R.I.=1.32;
若n=8,则R.I.=1.41;
若n=9,则R.I.=1.45;
若n=10,则R.I.=1.49;
若n=11,则R.I.=1.51;
为减少反复构造判断矩阵的工作量,保证判断矩阵的一致性,从而简化确定指标权重的过程,此处采用基于相容矩阵的层次分析法;
将任何一个判断矩阵A=(aij)利用公式迭代变换为相容矩阵B=(bij)后,且满足bii=1,bij=1/bji,bij=bik·bkj;
(3)权重计算:
权重wj的计算公式为:
其中,
5.根据权利要求4所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述采用的粗糙集理论计算权重的方法,具体如下:
(1)建立综合评价信息系统和决策表;
(2)确定离散属性区间,根据各属性区间大小对指标数据进行离散化处理;
(3)确定等类集合U/ind(C),U/(D),U/ind(C-{ci}),其中,U表示论域,C为评价指标集合,ind(C)为C的等价关系,C-{Ci}表示剔除指标Ci后的评价指标集合,D为决策属性指标;
(4)导出条件属性集合正域为posC(D),求条件属性集合的基数为card[posC(D)],
(5)计算D对C的依赖程度rc(D)及D对C-{ci}的依赖程度即
rC(D)=card[posC(D)]/card(U)
(6)计算条件属性对于决策属性的重要程度,即
(7)利用重要度计算各评价指标的客观权重系数为
6.根据权利要求5所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述采用的组合权重的方法,即采用乘法合成的方法将各种权重进行组合,即将各权重计算方法得出的某一指标的权重进行相乘,然后归一化处理,最终得到组合权重,具体如下:
假设有m个指标,q种方法求得的权重w,则组合权重为:
其中,θj为指标的组合权重,j=1,2,…,m;k=1,2,…,q。
7.根据权利要求1所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述步骤S23中,所述综合评分,即按照权重汇总各指标值,以获得评价对象的综合评价分值,用于考核评判对象,具体如下:
选用线性模型对各指标归一化指标值汇总,最后得到综合评分;
其中,y为系统综合评分值,wj为评价指标值xj的权重系数,0≤wj≤1,j=1,2,...,m。
8.根据权利要求1所述的一种面向典型行业大数据的电力经理指数趋势预测方法,其特征在于:所述步骤S3中的基于电力经理指数预测用电趋势的具体步骤为:
(1)数据汇总:
对行业中用电大户企业和典型企业进行市场数据调研,采用等频率划分算法将各项数据与上月相比的变化百分比进行区间离散化,即将离散属性区间按基本持平、0%-25%、25%-75%和75%以上进行划分,并将基本持平的离散化等级定为50作为一个基数,离散化等级以10作为一个梯度变化;
按照离散等级数,将同一属性各等级所含有的企业数进行汇总,统计每个属性下各离散化等级的个数;
(2)单个指标等级数计算:
①对于连续型指标:
根据调研的电力统计数据计算出指标的净变化量和总变化量,按下述公式采用不加权的方法得出百分比并按照所划分的离散区间对计算出的百分比进行离散,得到离散等级数:
其中,若DI1>0,则表明本月用电量可能上升;若DI1<0,则表明本月用电量可能下降;
②对于离散型指标:
根据各项市场统计数据的离散等级数和统计出来的各属性中相应等级的企业数,按下述公式采用加权的方法得出加权后的离散等级数:
其中,DI2等级数所对应的百分比可根据所划分的离散区间得到;
(3)综合指数计算:
(a)月环比指数的计算:
电力经理指数EMI是一个综合指数,由各指数的离散等级数加权而成,即
EMI=∑(权重系数×指标离散等级数)
根据每月的统计数据,按上述公式计算出的EMI指数即为EMI的月环比指数;
(b)定基指数的计算:
由各期月环比指数连乘计算,公式为:
其中,K1、K2、…、Kt分别表示基期至报告期间各期的月环比指数;
(c)指数的换算:
(4)荣枯分水线:
EMI=50为荣枯分水线;若EMI大于50,则表示行业用电需求在增长;若EMI低于50,则表示行业用电需求在下降;EMI偏离50的程度表示行业用电量变化的大小,朝大于50的方向偏离越大,则表明行业用电需求将大大增加;朝小于50的方向偏离越大,则表明行业用电需求将大大减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410398967.XA CN104123600B (zh) | 2014-08-14 | 2014-08-14 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410398967.XA CN104123600B (zh) | 2014-08-14 | 2014-08-14 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123600A CN104123600A (zh) | 2014-10-29 |
CN104123600B true CN104123600B (zh) | 2017-03-08 |
Family
ID=51769002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410398967.XA Active CN104123600B (zh) | 2014-08-14 | 2014-08-14 | 一种面向典型行业大数据的电力经理指数趋势预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123600B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104636827A (zh) * | 2015-01-30 | 2015-05-20 | 武汉科技大学 | 一种矿山成本主控因素决策的方法 |
CN104881718B (zh) * | 2015-06-02 | 2018-06-12 | 国家电网公司 | 基于多尺度经济先行指标的区域电力景气指数构建方法 |
CN106780125B (zh) * | 2016-12-08 | 2019-12-06 | 国网浙江杭州市富阳区供电公司 | 一种基于月均用电量的采集异常紧急程度计算方法 |
CN106711998B (zh) * | 2016-12-08 | 2019-05-03 | 国网浙江杭州市富阳区供电公司 | 一种基于异常持续时间的采集异常紧急程度计算方法 |
CN106771862B (zh) * | 2016-12-08 | 2019-01-01 | 国网浙江省电力公司 | 一种网格与空间距离相结合的采集异常故障点聚合方法 |
CN106803125B (zh) * | 2016-12-08 | 2018-11-16 | 国网浙江省电力公司 | 一种基于标准用电户折算的采集异常紧急程度计算方法 |
CN106682817B (zh) * | 2016-12-08 | 2019-12-10 | 国网浙江杭州市富阳区供电公司 | 一种采集异常紧急程度的判定方法 |
CN107301471A (zh) * | 2017-06-07 | 2017-10-27 | 前海梧桐(深圳)数据有限公司 | 基于大数据的行业趋势精准预测方法及其系统 |
TWI662424B (zh) * | 2017-12-25 | 2019-06-11 | 帆宣系統科技股份有限公司 | 領先輔助參數的選擇方法以及結合關鍵參數及領先輔助參數進行設備維護預診斷的方法 |
CN111612277A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 用于预测行业用电量的空间协同预测方法 |
CN112348281A (zh) * | 2020-11-23 | 2021-02-09 | 国网北京市电力公司 | 电力数据的处理方法和装置 |
CN113469531A (zh) * | 2021-07-02 | 2021-10-01 | 国网北京市电力公司 | 电力客户状态监控方法、装置、电子设备及可读存储介质 |
CN113822702B (zh) * | 2021-08-30 | 2023-10-20 | 国网辽宁省电力有限公司阜新供电公司 | 突发事件下的行业间用电量需求关联分析系统及方法 |
CN113822714A (zh) * | 2021-09-23 | 2021-12-21 | 广西电网有限责任公司 | 一种考虑价格变化因素的行业用电量预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963997A (zh) * | 2010-11-03 | 2011-02-02 | 上海海事大学 | 一种基于连续条件属性的粗糙集论域空间降维方法 |
CN103208086A (zh) * | 2013-01-21 | 2013-07-17 | 云南电网公司电网规划研究中心 | 一种准确计及风电贡献的电力电量平衡方法 |
CN103258069A (zh) * | 2012-11-30 | 2013-08-21 | 武汉华中电力电网技术有限公司 | 一种钢铁行业电力需求的预测方法 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
-
2014
- 2014-08-14 CN CN201410398967.XA patent/CN104123600B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101963997A (zh) * | 2010-11-03 | 2011-02-02 | 上海海事大学 | 一种基于连续条件属性的粗糙集论域空间降维方法 |
CN103258069A (zh) * | 2012-11-30 | 2013-08-21 | 武汉华中电力电网技术有限公司 | 一种钢铁行业电力需求的预测方法 |
CN103208086A (zh) * | 2013-01-21 | 2013-07-17 | 云南电网公司电网规划研究中心 | 一种准确计及风电贡献的电力电量平衡方法 |
CN103324980A (zh) * | 2013-04-25 | 2013-09-25 | 华北电力大学(保定) | 一种风电场风速预测方法 |
Non-Patent Citations (1)
Title |
---|
论采购经理指数对经济运行的指示功能;王雅璨;《统计与决策》;20061130(第22期);第2页左栏12行-第3页左栏13行 * |
Also Published As
Publication number | Publication date |
---|---|
CN104123600A (zh) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123600B (zh) | 一种面向典型行业大数据的电力经理指数趋势预测方法 | |
Tabak et al. | Directed clustering coefficient as a measure of systemic risk in complex banking networks | |
Sheu | Dynamic relief-demand management for emergency logistics operations under large-scale disasters | |
CN106845846A (zh) | 大数据资产评估方法 | |
CN103632203A (zh) | 一种基于综合评价的配电网供电区域划分方法 | |
CN102930482A (zh) | 一种县域配电网投资效果评估方法 | |
CN104680313A (zh) | 城市高耗能企业监测筛选方法 | |
Wang et al. | Coal miners’ livelihood vulnerability to economic shock: Multi-criteria assessment and policy implications | |
CN102385723A (zh) | 一种重要电力用户应急电源配置方法 | |
CN106447108A (zh) | 一种考虑业扩报装数据的用电需求分析预测方法 | |
CN106447198A (zh) | 一种基于业扩报装数据的用电量核对方法 | |
CN106056307A (zh) | 一种基于综合赋权法的电能替代技术综合效益评估方法 | |
Kuzminov et al. | Economic coenosis stability: methodology and findings | |
CN113344449A (zh) | 一种预测月尺度工业需水量的方法 | |
Ezzahid et al. | Financial development and total factors productivity channel: Evidence from Africa | |
CN105913366A (zh) | 一种基于工业电力大数据的区域工业景气指数构建方法 | |
CN105303302A (zh) | 一种电网评价指标关联性分析方法、设备以及计算设备 | |
CN106651425A (zh) | 一种考虑业扩报装数据的用户偷电、漏电行为监测方法 | |
Chang et al. | A hybrid method to measure the operational performance of fast food chain stores | |
Deng et al. | Comprehensive evaluation method of urban water resources utilization based on dynamic reduct | |
Lu | Measuring the capital charge for operational risk of a bank with the large deviation approach | |
CN111967747A (zh) | 一种电力用户停电影响评估方法、装置及存储介质 | |
Birgün et al. | Fuzzy productivity measurement in production systems | |
Lu et al. | Study on urban water security evaluation based on the vague set similarity model | |
CN104978604A (zh) | 一种基于业务能力模型的模拟仿真方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |