CN104657788B - 基于行业景气指数的重点行业用电量预测方法 - Google Patents
基于行业景气指数的重点行业用电量预测方法 Download PDFInfo
- Publication number
- CN104657788B CN104657788B CN201510058231.2A CN201510058231A CN104657788B CN 104657788 B CN104657788 B CN 104657788B CN 201510058231 A CN201510058231 A CN 201510058231A CN 104657788 B CN104657788 B CN 104657788B
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- power consumption
- key industry
- munderover
- 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 22
- 238000013277 forecasting method Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 22
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 11
- 230000001932 seasonal effect Effects 0.000 claims abstract description 11
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 4
- 238000007476 Maximum Likelihood Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 claims description 2
- 238000000151 deposition Methods 0.000 claims 1
- 238000005259 measurement Methods 0.000 claims 1
- 238000011161 development Methods 0.000 abstract description 2
- 239000002184 metal Substances 0.000 description 6
- 229910052751 metal Inorganic materials 0.000 description 6
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 5
- 206010019133 Hangover Diseases 0.000 description 5
- 238000003723 Smelting Methods 0.000 description 4
- 239000003245 coal Substances 0.000 description 4
- 238000005065 mining Methods 0.000 description 4
- 238000005406 washing Methods 0.000 description 4
- 241001123248 Arma Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000003490 calendering Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- -1 ferrous metals Chemical class 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 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
本发明提供一种基于行业景气指数的重点行业用电量预测方法，包括步骤：（1）获取重点行业景气指数和用电量历史数据；（2）对数据进行季节性调整和平稳性检验；（3）格兰杰因果检验判断行业景气指数与该行业用电量是否存在因果关系，并确定景气指数的最佳滞后期；（4）构建重点行业用电量时间序列ARIMA模型，并将重点行业景气指数指标引入到原ARIMA模型，构建回归模型；（5）以AIC准则为基础，筛选最佳模型；（6）模型推广应用，预测未来行业用电量。本发明以重点行业用电量为研究对象，通过引入行业景气指数，研究用电量及行业景气指数对用电量的影响程度，并结合时间序列模型，准确预测重点行业用电量，为未来电力行业的发展规划提供依据。
Description
技术领域
本发明涉及行业用电量预测技术领域，具体是一种基于行业景气指数的重点行业用电量预测方法。
背景技术
随着我国城市化和工业化进程的不断深化，电力消费需求急剧变化，用电量的波动与宏观经济的变化密切相关。用电量是反映实体经济未来运行态势的先行经济指标，关注社会电力消费对于规划电力行业的发展具有至关重要的意义。电力需求的准确与否，不仅会影响电网安全可靠供电，同时会影响电网经营企业的生产经营决策及经济效益。工业用电量在全社会用电量中的比重极大，占有十分重要的地位。工业行业众多，行业用电特性各不相同，工业结构调整必然会引起电力需求的变化。本发明考察安徽省重点行业的用电量，试图通过引入行业景气指数，来预测相应行业的月度用电量。
发明内容
本发明提供一种基于行业景气指数的重点行业用电量预测方法，通过该方法，能够根据行业用电量和行业景气指数的历史数据，准确合理预测出重点行业的用电量，为月度层面全社会电量分类预测提供支撑。
为解决上述技术问题，本发明采用如下技术方案：
一种基于行业景气指数的重点行业用电量预测方法，包括如下步骤：
(1)选取基月，读取历史样本区间月度重点行业用电量数据和重点行业景气指数数据；
(2)对获取的重点行业用电量历史数据进行季节性调整，并运用ADF方法，对调整后的时间序列数据进行平稳性检验，若数据无法通过平稳性检验，则进行差分处理后再进行平稳性检验，判断各个重点行业的景气指数与用电量是否平稳；
(3)通过格兰杰因果检验，判断各重点行业景气指数与用电量是否存在因果关系，在存在单向因果关系的条件下，确定行业景气指数相对于用电量的最佳滞后期；
(4)构建重点行业用电量时间序列模型ARIMA模型，反映各重点行业用电量自相关关系，再将重点行业景气指数引入到原ARIMA模型中，构建回归模型，公式如下：
其中，y表示行业用电量，x表示行业景气指数，s表示滞后期，c表示常数项，t表示时间，εt表示随机误差项；
(5)基于极大似然估计，以AIC准则为基础，对公式(1)所代表的若干种模型进行筛选，选出最佳模型；
(6)根据上述预测模型，对目标月度的重点行业用电量进行预测。
步骤(2)中，所述对重点行业用电量历史数据进行季节性调整，采用运用12步差分消除周期为12个月的季节因素。
步骤(3)中，判断行业景气指数是否是重点行业用电量的格兰杰原因，具体方法是：假设有关y和x每一变量的预测信息全部包含在时间序列数据之中，检验要求估计以下的回归：
其中白噪音u1t和u2t假定为不相关的；
式(2)假定当前y与y自身以及x的过去值有关，而式(3)假定当前x与x自身以及y的过去值有关；
对式(2)而言，其零假设H0：α1＝α2＝…＝αq＝0；
对式(3)而言，其零假设H0′：δ1＝δ2＝…＝δq＝0；
如果两组假设检验结果显示拒绝零假设H0：α1＝α2＝…＝αq＝0；同时不能拒绝零假设H0′：δ1＝δ2＝…＝δq＝0，则x是y的格兰杰原因；如果两组假设检验结果显示不能拒绝零假设H0，且拒绝零假设H0′，则y是x的格兰杰原因。
步骤(4)中，时间序列模型的识别是根据自相关函数(ACF)和偏自相关函数(PACF)来确定。
步骤(4)中，所述构建回归模型的具体方法为：引入各行业景气指数为解释变量，需要先生成滞后序列代入ARIMA模型，对构建的回归模型进行参数估计，并比较引入行业景气指数之前和之后的模型拟合误差率，如果引入行业景气指数后，拟合误差率更低，则该行业用电量可由基于行业景气指数的回归模型预测得到。
步骤(4)中，将重点行业景气指数指标引入到原ARIMA模型得到回归模型，由于24个月之前的行业景气指数所包含的信息难以传导到当前，因此最大滞后期选择24个月，公式如下：
其中，y表示行业用电量，x表示行业景气指数，c表示常数项，t表示时间，εt表示随机误差项。
步骤(5)中，所述选取最佳模型所运用的AIC准则，AIC值的计算公式为：
AIC＝2k-2ln(L)
其中：k是参数的数量，L是似然函数，假设条件是模型的误差服从独立正态分布，AIC准则是最小信息准则，可以同时给出回归模型阶数和参数的最佳估计。
步骤(5)中，还要对选择出的最佳模型进行特征根分析，每个模型的特征根均在单位圆内，说明模型是平稳的。
由以上技术方案可知，本发明以重点行业月度用电量为历史数据建立自回归模型，并利用行业景气指数建立回归模型，可对目标月度的重点行业用电量进行更加准确的预测，从而辅助目标月度工业用电量的预测；由于预测是建立在理论模型基础之上，所以预测结果更加可靠，准确性更高；对建立的回归模型进行统计学意义上的检验，可以进一步提高预测的合理性。
附图说明
图1为本发明的方法流程图；
图2为本发明实施例中黑色金属冶炼与压延业、煤炭开采与洗选业模型的拟合情况图。
具体实施方式
下面结合附图对本发明的一种优选实施方式作详细的说明。
本发明提供一种基于行业景气指数的重点行业用电量预测方法，以重点行业月度用电量为历史数据建立自回归模型，并利用行业景气指数建立回归模型，可对目标月度的重点行业用电量进行更加准确的预测，从而辅助目标月度工业用电量的预测。
下面以安徽省2013年10月-2014年9月重点行业用电量预测为例进一步说明本发明。
S1、获取安徽省历史样本数据
安徽省重点行业用电量数据来自安徽省全社会用电量统计数据，共获取2010年1月-2014年9月化学原料及化学制品加工业、非金属矿物制品业、黑色金属冶炼及压延加工业、有色金属冶炼及压延加工业、煤炭开采与洗选业五个重点耗电行业的全国行业景气指数与用电量的历史样本数据。
S2、对获取的安徽省重点行业用电量历史数据进行季节性调整和平稳性检验
运用12步差分消除周期为12个月的季节因素，对原始序列在2009年1月-2013年9月的数据进行季节性调整，根据调整结果观察发现有效地消除了季节效应，序列呈现出非季节的特征；
对调整后的时间序列数据进行平稳性检验，检验假设(H0：序列存在单位根，即是非平稳的序列；H1：序列的特征根均在单位圆内，即是平稳序列)，使用ADF检验判断5个重点行业景气指数与用电量是否平稳，结果显示数据通过了平稳性检验。
S3、格兰杰因果检验，判断安徽省各重点行业景气指数与用电量是否存在因果关系；
为了判断将行业景气指数引入模型是否可靠，需要通过格兰杰因果检验判断各行业景气指数与用电量是否存在因果关系。用电量分析结果如表1所示，有色金属加工行业的景气指数不是该行业用电量的格兰杰原因。
表1
由表1可知，对各重点行业景气指数与用电量进行格兰杰因果关系检验，检验行业景气指数是否是行业用电量的格兰杰原因，如果格兰杰因果检验的p值小于显著性水平α，则行业景气指数是行业用电量的格兰杰原因，反之，则行业景气指数不是行业用电量的格兰杰原因。
S4、构建时间序列模型ARIMA模型，反映各重点行业用电量自相关关系；将重点行业景气指数指标引入到原ARIMA模型中，构建回归模型。
对于时间序列模型AR(p)、MA(q)和ARMA(p，q)的识别，主要根据自相关函数(ACF)和偏自相关函数(PACF)来确定，采用表2的识别标准；
| ACF | PACF | 选择模型 |
| 拖尾 | P阶截尾 | AR(p) |
| q阶截尾 | 拖尾 | MA(q) |
| 拖尾 | 拖尾 | ARMA(p，q) |
表2
运用Eviews软件对5个重点行业的用电量做自相关图和偏自相关图分析，得出5个行业的时间序列数据符合自相关拖尾特征，所以可运用ARMA(p,q)模型对其进行模拟，并从低阶逐步试探直到合适的模型为止。利用Eviews软件生成各行业用电量的自回归模型。
引入各行业景气指数为解释变量，利用Eviews软件生成滞后序列代入模型，对构建的模型进行参数估计，并比较引入行业景气指数之前和之后的模型拟合误差率，如果引入行业景气指数后，拟合误差率更低，则该行业用电量可由基于行业景气指数的回归模型预测得到。5个重点行业中，黑色金属冶炼及压延加工业、煤炭开采与洗选业可由引入行业景气指数的回归模型预测得到，预测模型估计结果如表3所示。
表3
由表3可知，首先未引入行业景气指数，得到重点行业用电量的自回归方程，在格兰杰因果关系检验的基础上，引入行业景气指数，重新建立回归方程，并运用AIC准则筛选出最佳模型。
S5、模型预测检验；
根据上文得到的重点行业用电量预测模型，预测2013年10月-2014年9月的安徽省重点行业用电量，计算各行业模型预测的误差率，见表4；
表4
由表4可知，运用该方法，预测黑色金属冶炼及压延加工业、煤炭开采与洗选业2013年10月至2014年9月的行业用电量，并与实际值进行比较，得到预测误差率。结果显示，预测误差率在6％左右。
S6、预测结果校核；
1)分析2个行业模型残差所做的自相关和偏相关函数图，可知2个行业模型的残差序列均可近似为白噪声序列，说明2个模型在统计上是显著的；同时，利用Eviews软件对2个模型分别做出的特征根图显示，每个模型的特征根均在单位圆内，说明模型是平稳的。
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内。
Claims (4)
1.一种基于行业景气指数的重点行业用电量预测方法，其特征在于，包括如下步骤：
(1)选取基月，读取历史样本区间月度重点行业用电量数据和重点行业景气指数数据；
(2)对获取的重点行业用电量历史数据进行季节性调整，并运用ADF方法，对调整后的时间序列数据进行平稳性检验，若数据无法通过平稳性检验，则进行差分处理后再进行平稳性检验，判断各个重点行业的景气指数与用电量是否平稳；
(3)通过格兰杰因果检验，判断各重点行业景气指数与用电量是否存在因果关系，在存在单向因果关系的条件下，确定行业景气指数相对于用电量的最佳滞后期；
(4)构建重点行业用电量时间序列模型ARIMA模型，反映各重点行业用电量自相关关系，再将重点行业景气指数引入到原ARIMA模型中，构建回归模型，公式如下：
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>n</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>+</mo>
<mi>c</mi>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，y表示行业用电量，x表示行业景气指数，α、β是根据样本数据回归拟合得到的系数，m、n表示滞后期，s表示最大的滞后期，c表示常数项，t表示时间，εt表示随机误差项；
时间序列模型的识别是根据自相关函数ACF和偏自相关函数PACF来确定；
所述构建回归模型的具体方法为：引入各行业景气指数为解释变量，需要先生成滞后序列代入ARIMA模型，对构建的回归模型进行参数估计，并比较引入行业景气指数之前和之后的模型拟合误差率，如果引入行业景气指数后，拟合误差率更低，则该行业用电量可由基于行业景气指数的回归模型预测得到；
将重点行业景气指数指标引入到原ARIMA模型得到回归模型，最大滞后期选择24个月，公式如下：
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>m</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>24</mn>
</munderover>
<mrow>
<msub>
<mi>&alpha;</mi>
<mi>m</mi>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>m</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>n</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mn>24</mn>
</munderover>
<mrow>
<msub>
<mi>&beta;</mi>
<mi>n</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>n</mi>
</mrow>
</msub>
</mrow>
<mo>+</mo>
<mi>c</mi>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
</mrow>
其中，y表示行业用电量，x表示行业景气指数，c表示常数项，t表示时间，εt表示随机误差项；
(5)基于极大似然估计，以AIC准则为基础，对公式(1)所代表的若干种模型进行筛选，选出最佳模型；
(6)根据上述预测模型，对目标月度的重点行业用电量进行预测。
2.根据权利要求1所述的重点行业用电量预测方法，其特征在于，步骤(2)中，对重点行业用电量历史数据进行季节性调整，采用运用12步差分消除周期为12个月的季节因素。
3.根据权利要求1所述的重点行业用电量预测方法，其特征在于，步骤(3)中，判断行业景气指数是否是重点行业用电量的格兰杰原因，具体方法是：假设有关y和x每一变量的预测信息全部包含在时间序列数据之中，检验要求估计以下的回归：
<mrow>
<msub>
<mi>y</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msub>
<mi>&alpha;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>q</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mrow>
<mn>1</mn>
<msup>
<mi>t</mi>
<mn>4</mn>
</msup>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>x</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>s</mi>
</munderover>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>y</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>j</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>u</mi>
<mrow>
<mn>2</mn>
<msup>
<mi>t</mi>
<mn>4</mn>
</msup>
</mrow>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，y为重点行业用电量，x为行业景气指数，α、β、γ、δ是根据样本数据回归拟合得到的系数，t代表当期的期数，下标i、j为滞后期数，q和s为变量最大的滞后期数，白噪音u1t和u2t假定为不相关的；
式(2)假定当前y与y自身以及x的过去值有关，而式(3)假定当前x与x自身以及y的过去值有关；
对式(2)而言，其零假设H0：α1＝α2＝…＝αq＝0；
对式(3)而言，其零假设H0′：δ1＝δ2＝…＝δq＝0；
如果两组假设检验结果显示拒绝零假设H0：α1＝α2＝…＝αq＝0；同时不能拒绝零假设H0′：δ1＝δ2＝…＝δq＝0，则x是y的格兰杰原因；如果两组假设检验结果显示不能拒绝零假设H0，且拒绝零假设H0′，则y是x的格兰杰原因。
4.根据权利要求1所述的重点行业用电量预测方法，其特征在于，步骤(5)中，所述选取最佳模型所运用的AIC准则，AIC值的计算公式为：
AIC＝2k-2ln(L)
其中：k是参数的数量，L是似然函数，假设条件是模型的误差服从独立正态分布，AIC准则是最小信息准则，同时给出回归模型阶数和参数的最佳估计。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510058231.2A CN104657788B (zh) | 2015-02-04 | 2015-02-04 | 基于行业景气指数的重点行业用电量预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201510058231.2A CN104657788B (zh) | 2015-02-04 | 2015-02-04 | 基于行业景气指数的重点行业用电量预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104657788A CN104657788A (zh) | 2015-05-27 |
| CN104657788B true CN104657788B (zh) | 2018-04-03 |
Family
ID=53248885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201510058231.2A Active CN104657788B (zh) | 2015-02-04 | 2015-02-04 | 基于行业景气指数的重点行业用电量预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104657788B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN105930982B (zh) * | 2016-05-11 | 2018-01-19 | 中国南方电网有限责任公司电网技术研究中心 | 电力景气指数的测算方法和系统 |
| CN105956716A (zh) * | 2016-05-20 | 2016-09-21 | 国网安徽省电力公司经济技术研究院 | 一种基于行业经济与用电关系的全社会用电量预测方法 |
| CN106022525B (zh) * | 2016-05-24 | 2018-03-30 | 中国南方电网有限责任公司电网技术研究中心 | 基于景气指数指标的电力规划方案确定方法及装置 |
| CN106447075B (zh) * | 2016-08-18 | 2017-09-15 | 中国南方电网有限责任公司电网技术研究中心 | 行业用电需求预测方法与系统 |
| CN106815680B (zh) * | 2016-12-30 | 2018-03-30 | 中国南方电网有限责任公司电网技术研究中心 | 基于景气指数指标的电力规划方案的确定方法及装置 |
| CN107633331A (zh) * | 2017-09-26 | 2018-01-26 | 北京福布罗科技有限公司 | 时间序列模型建立方法及装置 |
| CN108287867B (zh) * | 2017-12-19 | 2021-11-23 | 顺丰科技有限公司 | 行业景气指数生成方法、装置、设备及其存储介质 |
| CN108389631A (zh) * | 2018-02-07 | 2018-08-10 | 平安科技（深圳）有限公司 | 水痘发病预警方法、服务器及计算机可读存储介质 |
| CN108596384A (zh) * | 2018-04-19 | 2018-09-28 | 国网山东省电力公司济宁供电公司 | 预缴纳电费的方法和装置 |
| CN109376953B (zh) * | 2018-11-21 | 2022-09-23 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
| CN112116265A (zh) * | 2020-09-25 | 2020-12-22 | 国网上海市电力公司 | 一种电力数据驱动的行业景气指数构建方法 |
| CN112651553A (zh) * | 2020-12-24 | 2021-04-13 | 航天科工网络信息发展有限公司 | 一种城市大气污染预警监管和决策分析的方法 |
| 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 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103413188B (zh) * | 2013-09-04 | 2016-06-01 | 国家电网公司 | 一种基于工业业扩报装的月度工业用电量预测方法 |
| CN103413187A (zh) * | 2013-09-04 | 2013-11-27 | 国家电网公司 | 一种基于弹性系数的年度电量预测方法 |
| CN104112163A (zh) * | 2014-04-24 | 2014-10-22 | 国家电网公司 | 一种电力预测景气指数的构造方法 |
-
2015
- 2015-02-04 CN CN201510058231.2A patent/CN104657788B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104657788A (zh) | 2015-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104657788B (zh) | 基于行业景气指数的重点行业用电量预测方法 | |
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Ye et al. | A data-driven bottom-up approach for spatial and temporal electric load forecasting | |
| CN105260803B (zh) | 一种系统用电量预测方法 | |
| Miller et al. | Mining electrical meter data to predict principal building use, performance class, and operations strategy for hundreds of non-residential buildings | |
| Xiao et al. | Impacts of data preprocessing and selection on energy consumption prediction model of HVAC systems based on deep learning | |
| WO2018176863A1 (zh) | 配电网可靠性投资经济效益分析方法及装置、存储介质 | |
| CN103413188B (zh) | 一种基于工业业扩报装的月度工业用电量预测方法 | |
| Chen et al. | Day-ahead prediction of hourly subentry energy consumption in the building sector using pattern recognition algorithms | |
| JP7114956B2 (ja) | 電力需要算出装置およびプログラム | |
| CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
| CN104881718A (zh) | 基于多尺度经济先行指标的区域电力景气指数构建方法 | |
| Benjamin et al. | Influencing factors on electricity demand in Chinese nonmetallic mineral products industry: A quantile perspective | |
| CN111199298A (zh) | 基于神经网络的洪水预报方法与系统 | |
| CN110533247A (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
| CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Gerossier et al. | A novel method for decomposing electricity feeder load into elementary profiles from customer information | |
| CN115470970A (zh) | 基于prophet-LightGBM组合模型的电量预测方法及系统 | |
| Xu et al. | Unveiling the comprehensive resources and environmental efficiency and its influencing factors: Within and across the five urban agglomerations in Northwest China | |
| CN114792196A (zh) | 一种电力综合评价方法及装置 | |
| Peiyi et al. | Analysis and research on enterprise resumption of work and production based on K-means clustering | |
| Chen et al. | Monthly Net Electricity Consumption Prediction Under High Penetration of Distributed Photovoltaic System | |
| CN111275247A (zh) | 一种基于多种影响因素的极限学习机月度电量预测方法 | |
| CN116523273B (zh) | 一种面向工业用户的需求响应特性分析方法 |
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 |