CN104504479B - 两种考虑温度和经济增长因素的月度全社会用电量预测方法 - Google Patents
两种考虑温度和经济增长因素的月度全社会用电量预测方法 Download PDFInfo
- Publication number
- CN104504479B CN104504479B CN201510002223.6A CN201510002223A CN104504479B CN 104504479 B CN104504479 B CN 104504479B CN 201510002223 A CN201510002223 A CN 201510002223A CN 104504479 B CN104504479 B CN 104504479B
- Authority
- CN
- China
- Prior art keywords
- month
- predicted
- average temperature
- monthly
- value
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 39
- 239000003102 growth factor Substances 0.000 title claims abstract description 14
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000012417 linear regression Methods 0.000 claims description 7
- 238000011160 research Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000013341 scale-up Methods 0.000 claims description 2
- 238000013277 forecasting method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 13
- 238000011002 quantification Methods 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 238000013213 extrapolation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 3
- 238000009472 formulation Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了两种考虑温度和经济增长因素的月度全社会用电量预测方法,对月度全社会用电量进行预测时,建立考虑经济增长趋势因素的预测模型,经济增长趋势的量化方式可以是加入时间趋势项,也可以用由月度工业增加值增速转换得到的经济增长指数来表示。因为二产增加值增速与GDP增速走势高度一致,而规模以上工业增加值在二产增加值中占比很大,考虑到数据的可获得性,月度层面选用规模以上工业增加值增速表示月度经济增长趋势情况。
Description
技术领域
本发明涉及全社会用电量预测方法,特别涉及两种考虑温度和经济增长因素的月度全社会用电量预测方法。
背景技术
电力需求是经济发展的晴雨表,电力需求预测对电力部门及相关经济和能源部门的工作具有重要意义,全社会用电量是反映电力需求的重要指标之一。目前全社会用电量常用的预测方法包括趋势外推法,总量回归,ARIMA,增速外推,弹性系数,产值单耗法。王鹏飞(2005)利用我国1987-2002年年度数据,以GDP和总人口作为自变量,全社会用电量作为因变量,建立线性回归模型,预测我国未来年份的全社会用电量;陈莉(2006)运用甘肃省1999-2005年年度数据,采用总量回归法,并通过灰色系统理论中的GM(1,1)模型,预测出GDP的未来年份的预测值,从而进一步对甘肃省2006年到2010年的全社会用电量进行了预测;张璇(2012)通过分析我国2007年7月-2012年6月全社会用电量的月度数据,建立时间序列ARIMA乘积季节模型,对我国未来6个月的全社会用电量进行了预测。这些研究大多基于年度数据进行年度预测,其中,趋势外推法、ARIMA和增速外推都是根据过去和现在的发展趋势推断未来的一类方法,只能反映全社会用电量自身的变化趋势,无法反映和预测经济发展对其影响,因此无法准确预测未来的全社会用电量。传统弹性系数法和产值单耗法常用于预测年度全社会用电量,但是传统电力消费弹性系数法中GDP 增速是与去年可比价计算得到的,而用电量是实物量的增速,这种方法计算得出的弹性系数在历史区间内包含了价格因素,因此,用其与不含价格因素的变量进行比较是不合理的。产值单耗法亦是如此。本发明综合考虑温度和经济增长因素对全社会用电量的影响,建立考虑温度和经济增长因素的预测模型,对月度全社会用电量进行预测。
发明内容
本发明目的在于提供两种考虑温度和经济增长因素相结合的月度全社会用电量预测方法,通过构建月度全社会用电量与平均温度以及当月的经济增长指标之间的线性回归模型,可以预测月度全社会用电量。
本发明考虑温度和经济增长对全社会用电量的影响,对月度全社会用电量进行预测时,建立考虑经济增长趋势因素的预测模型,经济增长趋势的量化方式可以是加入时间趋势项,也可以用由月度工业增加值增速转换得到的经济增长指数来表示。因为二产增加值增速与GDP增速走势高度一致,而规模以上工业增加值在二产增加值中占比很大,考虑到数据的可获得性,月度层面选用规模以上工业增加值增速表示月度经济增长趋势情况。
本发明的技术方案为:
两种考虑温度和经济增长因素的月度全社会用电量预测方法,第一种考虑温度因素的月度全社会用电量预测方法,其包括以下步骤:
(1)获取历史期与预测月同月的全社会用电量、月平均温度数据,并将数据按照年份先后顺序排列;
(2)赋予时间趋势项:按照年份顺序,如数据样本从09-13年,则依次赋予时间趋势项1、2、3、4、5,预测期如为14年,赋予时间趋势项即6;
(3)建立加入时间趋势项的预测模型:以月度全社会用电量为因变量,时间趋势项和月平均温度为自变量,建立线性回归方程,即
其中,为月全社会用电量,为时间趋势项,为月平均温度,为常数项,为时间趋势项的系数,为的系数;
(4)求出预测月的平均温度预测值:取样本期月平均温度的平均值作为预测月的平均温度预测值;
(5)计算预测月的全社会用电量:根据上述预测模型回归得到的常数项和系数值,并将预测月的平均温度预测值、时间趋势项代入式中,可得到预测月全社会用电量的预测值。
第二种考虑经济增长因素的月度全社会用电量预测方法,其包括以下步骤:
(21)获取历史期与预测月同月的规模以上工业增加值增速数据,并将其折算成以基期为100的经济增长指数:
其中,为月度经济增长指数,为当月的规模以上工业增加值增速,为基期的经济增长指数;
(22)获取历史期与预测月同月的全社会用电量,以及月平均温度数据,并与步骤(21)中数据一起按照年份先后顺序排列;
(23)建立加入经济增长指数的预测模型:以月度全社会用电量为因变量,月平均温度和月度经济增长指数为自变量,建立线性回归方程,即
其中,为月全社会用电量,为月平均温度,为常数项,为的系数,为的系数;
(24)求出预测月的平均温度预测值:取样本期平均温度的平均值作为预测月的平均温度预测值;
(25)求预测月的经济增长指数:根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值,折算成预测月的经济增长指数;
(26)计算预测月的全社会用电量:根据步骤(23)回归得到的常数项和系数,并将预测月的平均温度预测值、经济增长指数预测值代入回归方程中,可计算得到预测月全社会用电量的预测值。
平均=(步骤(5)中的用电量预测值+步骤(5)中的用电量预测值)/2。
用电预测装置,所述装置包括 :
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月份历史全社会用电量数据,获取所述各个已知用电采集周期内的平均温度;获取所述各个已知用电采集周期内的工业增加值增速;获取所述各个已知用电采集周期内的经济增长指数;
第一预测模块,用于根据预设的两个以上的预测模型、所述历史用电量数据、月平均温度和时间趋势项,将历史数据获取模块中的、、i历史数据代入预测模块Eviews软件中,选用最小二乘法,求出A、B、C值,根据上述预测模型回归得到的常数项和系数值,并将预测月的平均温度预测值、时间趋势项代入式中,得到预测月全社会用电量的预测值;
第二预测模块,用于根据预设的两个以上的预测模型、所述历史用电量数据、月平均温度和时间趋势项,将历史数据获取模块中的、、I历史数据代入预测模块Eviews软件中,选用最小二乘法,求出A、B、C值,根据上述预测模型回归得到的常数项和系数值,预测月的平均温度预测值、经济增长指数预测值代入回归方程中,计算得到预测月全社会用电量的预测值;
控制器模块,用于获取第一预测模块和第二预测模块的参数,将第一预测模块和第二预测模块的参数显示在控制器模块的显示屏上,并计算两者的平均值。
由上述技术方案可知,本发明通过分别构建月度全社会用电量电量与平均温度、用时间趋势项或经济增长指数表示经济增长趋势的量化指标之间的线性回归方程,两种方法分别得到的预测值准确性均较高。更为重要的是通过将两种因素相结合求其平均值,经过多次试验得到的月度全社会用电量预测值,均进一步接近真的实测值,更加有利于于月度电力规划,以及电网生产调度与电网月度生产计划的制定。
附图说明
图1是本发明的第一种方法流程图;
图2是本发明的第二种方法流程图。
具体实施方式
实施例1:下面,结合具体实施例进一步说明本发明。
以安徽省14年6月全社会用电量预测为例,由下表可知,不同年份同月(夏季6-9月和冬季11-12、1-2月)的全社会用电量不仅受温度因素影响,还受经济增长因素的影响。本发明通过构建考虑温度和经济增长因素的月度全社会用电量预测模型,预测全社会用电量。如图1 所示,第一种考虑温度和经济增长的月度全社会用电量预测方法,包括以下步骤:
步骤1、本实施例中采用安徽省相关月度数据,以2007-2013年6月作为样本期,获取安徽省2007-2013年6月的全社会用电量、月平均温度数据,数据来源于安徽省统计局和安徽省电力经济技术研究院,并将数据按照年份先后顺序排列;
全社会用电量 | 平均温度 | 时间趋势项 | 规上工业增加值增速 | 经济增长指数(2006=100) | |
2007年6月 | 64.5832 | 25.4287 | 1 | 27.4% | 127.4000 |
2008年6月 | 70.4319 | 24.2947 | 2 | 26.3% | 160.9062 |
2009年6月 | 79.7043 | 26.8173 | 3 | 19.5% | 192.2829 |
2010年6月 | 89.9462 | 25.1867 | 4 | 23.8% | 238.0462 |
2011年6月 | 99.4835 | 25.2720 | 5 | 22.1% | 290.6545 |
2012年6月 | 111.9148 | 26.4084 | 6 | 16.3% | 338.0311 |
2013年6月 | 120.4648 | 25.3466 | 7 | 12.9% | 381.6372 |
表1
步骤2、赋予时间趋势项:数据样本期为 2007-2013年6月,依次赋予其时间趋势项1、2、3、4、5、6、7。预测期为2014年6月,赋予时间趋势项8。具体数据见表1;
步骤3、建立加入时间趋势项的预测模型:
其中,其中,为月全社会用电量,为时间趋势项,为月平均温度。回归方程的系数全部通过T检验,;
步骤4、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测值;
步骤5、将2014年6月的时间趋势项8、平均温度预测值25.536代入步骤S3的预测模型中,得到2014年6月全社会用电量预测值约为129.45亿千瓦时。
如图2所示,第二种考虑温度和经济增长的月度全社会用电量预测方法,包括以下步骤:
步骤21、获取2007-2013年6月的规模以上工业增加值增速数据,并将其折算成以2006年为100的经济增长指数:
步骤22、获取2007-2013年6月全社会用电量,以及月平均温度数据,并将这些数据与步骤步骤21中数据一起按照年份先后顺序排列,具体数据见表1;
步骤23、建立加入经济增长指数的预测模型:
其中,为月全社会用电量,为月平均温度,为月度经济增长指数。回归方程的系数全部通过T检验,,模型对历史数据拟合得非常好,可以解释99.9%的历史数据;
步骤24、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测的值;
步骤25、因为目前安徽省统计局已公布14年6月规模以上工业增加值增速为11.5%,折算成预测月的经济增长指数为425.525(如未公布,则根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值,折算成预测月的经济增长指数);
S26、将2014年6月的平均温度预测值、经济增长指数值代入步骤S23回归方程中,可得到14年6月全社会用电量预测值为130.48亿千瓦时。
平均=步骤(5)中的用电量预测值+步骤(5)中的用电量预测值/2。
平均=129.965亿千瓦时
2014年6月安徽省全社会用电量实际值为130.023亿千瓦时,上述两种方法的预测误差分别为-0.4407%、-0.3515%,准确性较高,更为重要的是经过控制器的计算单元求出的平均值129.965亿千瓦时,预测误差值为0.0446%,准确率提升了一个档次,更加准确的预测出月平均用电量,更加有利于于月度电力规划,以及电网生产调度与电网月度生产计划的制定。
实施例2:
步骤1、本实施例中采用河南省相关月度数据,以2007-2013年6月作为样本期,获取河南省2007-2013年6月的全社会用电量、月平均温度数据,数据来源于河南省统计局和河南省电力经济技术研究院,并将数据按照年份先后顺序排列;
步骤2、赋予时间趋势项:数据样本期为 2007-2013年6月,依次赋予其时间趋势项1、2、3、4、5、6、7。预测期为2014年6月,赋予时间趋势项8。具体数据见表1;
S3、建立加入时间趋势项的预测模型:
其中, 为月全社会用电量,为时间趋势项, 为月平均温度。回归方程的系数全部通过T检验, ;
步骤4、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测值;
步骤5、将2014年6月的时间趋势项8、平均温度预测值25.536代入步骤S3的预测模型中,得到2014年6月全社会用电量预测值约为246.82亿千瓦时。
如图2所示,第二种考虑温度和经济增长的月度全社会用电量预测方法,包括以下步骤:
步骤21、获取2007-2013年6月的规模以上工业增加值增速数据,并将其折算成以2006年为100的经济增长指数:
步骤22、获取2007-2013年6月全社会用电量,以及月平均温度数据,并将这些数据与步骤步骤21中数据一起按照年份先后顺序排列,具体数据见表1;
步骤23、建立加入经济增长指数的预测模型:
其中, 为月全社会用电量, 为月平均温度, 为月度经济增长指数。回归方程的系数全部通过T检验,,模型对历史数据拟合得非常好,可以解释99.9%的历史数据;
步骤24、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测的值;
步骤25、因为目前安徽省统计局已公布14年6月规模以上工业增加值增速为11.5%,折算成预测月的经济增长指数为425.525(如未公布,则根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值,折算成预测月的经济增长指数);
S26、将2014年6月的平均温度预测值、经济增长指数值代入步骤S23回归方程中,可得到14年6月全社会用电量预测值为248.68亿千瓦时。
平均=步骤(5)中的用电量预测值+步骤(5)中的用电量预测值/2。
平均=247.75亿千瓦时
2014年6月河南省全社会用电量实际值为247.86亿千瓦时,上述两种方法的预测误差分别为-0.4200%、-0.3308%,准确性较高,更为重要的是经过控制器的计算单元求出的平均值247.75亿千瓦时,预测误差值为0.0444%,准确率提升了一个档次,更加准确的预测出月平均用电量,更加有利于于月度电力规划,以及电网生产调度与电网月度生产计划的制定。
实施例3:
步骤1、本实施例中采用湖南省相关月度数据,以2007-2013年6月作为样本期,获取湖南省2007-2013年6月的全社会用电量、月平均温度数据,数据来源于湖南统计局和湖南电力经济技术研究院,并将数据按照年份先后顺序排列;
步骤2、赋予时间趋势项:数据样本期为 2007-2013年6月,依次赋予其时间趋势项1、2、3、4、5、6、7。预测期为2014年6月,赋予时间趋势项8。具体数据见表1;
步骤3、建立加入时间趋势项的预测模型:
其中,其中, 为月全社会用电量,为时间趋势项, 为月平均温度。回归方程的系数全部通过T检验,;
步骤4、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测值;
步骤5、将2014年6月的时间趋势项8、平均温度预测值25.536代入步骤S3的预测模型中,得到2014年6月全社会用电量预测值约为115.80亿千瓦时。
如图2所示,第二种考虑温度和经济增长的月度全社会用电量预测方法,包括以下步骤:
步骤21、获取2007-2013年6月的规模以上工业增加值增速数据,并将其折算成以2006年为100的经济增长指数:
步骤22、获取2007-2013年6月全社会用电量,以及月平均温度数据,并将这些数据与步骤步骤21中数据一起按照年份先后顺序排列,具体数据见表1;
步骤23、建立加入经济增长指数的预测模型:
其中, 为月全社会用电量, 为月平均温度, 为月度经济增长指数。回归方程的系数全部通过T检验,,模型对历史数据拟合得非常好,可以解释99.9%的历史数据;
步骤24、取2007-2013年6月平均温度的平均值25.536作为2014年6月平均温度预测的值;
步骤25、因为目前安徽省统计局已公布14年6月规模以上工业增加值增速为11.5%,折算成预测月的经济增长指数为425.525(如未公布,则根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值,折算成预测月的经济增长指数);
S26、将2014年6月的平均温度预测值、经济增长指数值代入步骤S23回归方程中,可得到14年6月全社会用电量预测值为116.68亿千瓦时。
平均=步骤(5)中的用电量预测值+步骤(5)中的用电量预测值/2。
平均=116.24亿千瓦时
2014年6月湖南省全社会用电量实际值为116.29亿千瓦时,上述两种方法的预测误差分别为-0.4215%、-0.3325%,准确性较高,更为重要的是经过控制器的计算单元求出的平均值116.24亿千瓦时,预测误差值为0.0430%,准确率提升了一个档次,更加准确的预测出月平均用电量,更加有利于于月度电力规划,以及电网生产调度与电网月度生产计划的制定。申请人对江西、河北、四川、重庆、天津、北京、广州、山西、湖北、新疆、辽宁等省市使用本发明的两种方法测得的预测值的误差分别为-0.4200%左右及0.3300%左右,更为重要的是本发明求得的平均值预测误差在0.0430%左右,准确率提升了一个档次,更加准确的预测出月平均用电量,更加有利于于月度电力规划,以及电网生产调度与电网月度生产计划的制定。
以上所述实施方式仅仅是对本发明的优选实施方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案作出的各种变形和改进,均应落入本发明的权利要求书确定的保护范围。
Claims (2)
1.两种考虑温度和经济增长因素的月度全社会用电量预测方法,其特征在于:第一种考虑温度因素的月度全社会用电量预测方法,其包括以下步骤:
(1)获取历史期与预测月同月的全社会用电量、月平均温度数据,并将数据按照年份先后顺序排列;
(2)按照年份顺序,赋予时间趋势项;
(3)建立加入时间趋势项的预测模型:以月度全社会用电量为因变量,时间趋势项和月平均温度为自变量,建立线性回归方程,即
其中,为月全社会用电量,为时间趋势项,为月平均温度,为常数项,为时间趋势项的系数,为的系数;
(4)求出预测月的平均温度预测值:取样本期月平均温度的平均值作为预测月的平均温度预测值;
(5)计算预测月的全社会用电量:根据上述预测模型回归得到的常数项和系数值,并将预测月的平均温度预测值、时间趋势项代入式中,可得到预测月全社会用电量的预测值;
第二种考虑经济增长因素的月度全社会用电量预测方法,其包括以下步骤:
(21)获取历史期与预测月同月的规模以上工业增加值增速数据,并将其折算成以基期为100的经济增长指数:
其中,为月度经济增长指数,为当月的规模以上工业增加值增速,为基期的经济增长指数;
(22)获取历史期与预测月同月的全社会用电量,以及月平均温度数据,并与步骤(21)中数据一起按照年份先后顺序排列;
(23)建立加入经济增长指数的预测模型:以月度全社会用电量为因变量,月平均温度和月度经济增长指数为自变量,建立线性回归方程,即
其中,为月全社会用电量,为月平均温度,为常数项,为的系数,为的系数;
(24)求出预测月的平均温度预测值:取样本期平均温度的平均值作为预测月的平均温度预测值;
(25)求预测月的经济增长指数:根据相关经济研究部门给出的预测月规模以上工业增加值增速预测值,折算成预测月的经济增长指数;
(26)计算预测月的全社会用电量:根据步骤(23)回归得到的常数项和系数,并将预测月的平均温度预测值、经济增长指数预测值代入回归方程中,可计算得到预测月全社会用电量的预测值;
平均=(步骤(5)中的用电量预测值+步骤(26)中的用电量预测值)/2。
2.如权利要求1中所述的两种考虑温度和经济增长因素的月度全社会用电量预测方法所使用的装置,其特征在于:包括: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月份历史全社会用电量数据,获取所述各个已知用电采集周期内的平均温度;获取所述各个已知用电采集周期内的工业增加值增速;获取所述各个已知用电采集周期内的经济增长指数;
第一预测模块,用于根据预设的两个以上的预测模型、所述历史用电量数据、月平均温度和时间趋势项,将历史数据获取模块中的、、i历史数据代入预测模块Eviews软件中,选用最小二乘法,求出A、B、C值,根据上述预测模型回归得到的常数项和系数值,并将预测月的平均温度预测值、时间趋势项代入式中,得到预测月全社会用电量的预测值;
第二预测模块,用于根据预设的两个以上的预测模型、所述历史用电量数据、月平均温度和时间趋势项,将历史数据获取模块中的、、i历史数据代入预测模块Eviews软件中,选用最小二乘法,求出A、B、C值,根据上述预测模型回归得到的常数项和系数值,预测月的平均温度预测值、经济增长指数预测值代入回归方程中,计算得到预测月全社会用电量的预测值;
控制器模块,用于获取第一预测模块和第二预测模块的参数,将第一预测模块和第二预测模块的参数显示在控制器模块的显示屏上,并计算两者的平均值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510002223.6A CN104504479B (zh) | 2015-01-05 | 2015-01-05 | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510002223.6A CN104504479B (zh) | 2015-01-05 | 2015-01-05 | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104504479A CN104504479A (zh) | 2015-04-08 |
CN104504479B true CN104504479B (zh) | 2018-04-27 |
Family
ID=52945874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510002223.6A Active CN104504479B (zh) | 2015-01-05 | 2015-01-05 | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104504479B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894112A (zh) * | 2016-03-29 | 2016-08-24 | 国网安徽省电力公司经济技术研究院 | 一种区域第三产业用电量预测方法 |
CN107248027A (zh) * | 2017-05-24 | 2017-10-13 | 国网安徽省电力公司 | 一种规上口径工业用电的统计核算方法 |
CN107220763A (zh) * | 2017-05-24 | 2017-09-29 | 国网安徽省电力公司 | 一种分离工业用电量中温度电量和经济电量的方法 |
CN109981327B (zh) * | 2017-12-28 | 2022-05-10 | 中移信息技术有限公司 | 一种业务量的预测方法及系统 |
CN111178658B (zh) * | 2019-09-26 | 2023-04-07 | 深圳市东深电子股份有限公司 | 一种基于大数据分析的计划用水的管理方法及系统 |
CN112467723A (zh) * | 2019-11-20 | 2021-03-09 | 乐清市泰博恒电子科技有限公司 | 一种基于大数据和数据库的电力网络处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509177A (zh) * | 2011-11-11 | 2012-06-20 | 国网信息通信有限公司 | 一种基于云平台的局部加权线性回归预测运算的方法 |
CN102779223A (zh) * | 2011-05-13 | 2012-11-14 | 富士通株式会社 | 短期电力负荷预测的方法及装置 |
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN103617457A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 电力系统中与温度有关的天气敏感负荷的预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4803212B2 (ja) * | 2008-05-28 | 2011-10-26 | ソニー株式会社 | データ処理装置、データ処理方法、及びプログラム |
-
2015
- 2015-01-05 CN CN201510002223.6A patent/CN104504479B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102779223A (zh) * | 2011-05-13 | 2012-11-14 | 富士通株式会社 | 短期电力负荷预测的方法及装置 |
CN102509177A (zh) * | 2011-11-11 | 2012-06-20 | 国网信息通信有限公司 | 一种基于云平台的局部加权线性回归预测运算的方法 |
CN103413254A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 中长期负荷预测研究与管理一体化应用系统 |
CN103617457A (zh) * | 2013-12-06 | 2014-03-05 | 国网山东省电力公司 | 电力系统中与温度有关的天气敏感负荷的预测方法 |
Non-Patent Citations (2)
Title |
---|
Parkpoom S J等.Analyzing the impact of climate change on future.《IEEE Transactions on Power Systems》.2008,第23卷(第3期),第1441-1448页. * |
基于线性回归方法的我国电力市场短期用电需求预测分析;黄元生等;《价值工程》;20111108(第31期);第17-18页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104504479A (zh) | 2015-04-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104504479B (zh) | 两种考虑温度和经济增长因素的月度全社会用电量预测方法 | |
CN105069536B (zh) | 一种基于气温与经济增长的用电需求预测方法 | |
CN103917997B (zh) | 节能评价装置、节能评价方法、服务器装置 | |
CN104091293B (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
CN103226736B (zh) | 基于聚类分析与灰靶理论的中长期电力负荷预测方法 | |
CN104616079A (zh) | 基于气温变化的电网日用电量预测方法 | |
JP2014215701A (ja) | 生産エネルギー管理システムおよびコンピュータプログラム | |
CN105701559A (zh) | 一种基于时间序列的短期负荷预测方法 | |
CN104504619B (zh) | 两种考虑温度和经济增长因素的月度统调用电量预测方法 | |
CN105825294A (zh) | 基于气象因素的电网电力负荷预测方法及系统 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN104112163A (zh) | 一种电力预测景气指数的构造方法 | |
CN110503471A (zh) | 一种用户最大需量估计方法 | |
Springmann et al. | Consumption-based adjustment of emissions-intensity targets: an economic analysis for China’s provinces | |
CN103487644A (zh) | 电能分项能耗计量方法和装置 | |
CN107480810B (zh) | 一种利用季节指数改进二次指数平滑的月用电量预测方法 | |
CN114529023A (zh) | 一种台区智能电能表的智慧型周期轮换方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Bansal | Inventory model for deteriorating items with the effect of inflation | |
CN104200283A (zh) | 一种基于因子-主属性模型的中长期电力负荷预测方法 | |
Aleksic et al. | Exergy-based life cycle assessment of smart meters | |
CN104063810A (zh) | 一种基于大数据的用电因素影响模型 | |
Ignatiadis et al. | Forecasting residential monthly electricity consumption using smart meter data | |
CN112241804A (zh) | 一种能源电力数据的宏观经济先行指数构建方法和系统 | |
CN111598349A (zh) | 一种短期用电量预测方法、装置及可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |