CN105023066A - 一种基于季节调整的业扩报装分析预测系统及方法 - Google Patents

Abstract

本发明公开了一种基于季节调整的业扩报装分析预测系统及方法，包括：首先对客户电量进行季节调整，以剔除季节性波动对电量增长趋势的影响，寻求时间序列的内在规律，筛选出具有代表性的典型客户，通过主元分析法得到客户群新装容量的释放规律。其次对报装容量和售电量分别进行季节调整，采用灰色关联分析法找到其趋势循环项关联度最强的月份，完成售电量预测。本发明有益效果：考虑到典型客户用电量受到季节因素的影响，其季节性波动的复杂性会掩盖经济发展过程中的客观规律，使序列的预测变得复杂、困难，因此要将季节因素和其他随机因子从原序列中剔除，使所选择的典型客户能够真正意义上的代表客户群的电量变化情况。

Description

一种基于季节调整的业扩报装分析预测系统及方法

技术领域

本发明涉及电力系统业扩报装技术领域，具体涉及一种基于季节调整的业扩报装分析预测系统及方法。

背景技术

随着经济的发展，用电量逐年攀升，业扩报装相关业务也相应增加。同时，业扩报装固有的超前性和其不确定性也对电力市场的管理手段和技术提出了更高的要求。除了宏观上对业扩报装趋势的把握，还需要进一步量化分析报装容量的释放规律并对稳定后的电量进行预测。

由于受到季节因素的影响，报装容量和售电量的时间序列数据都存在明显波动，难以找到数据的增长规律，对于售电量预测结果的准确性会产生一定的影响。

现有技术中对于售电量与业扩报装容量的关系都是以定性分析为主，尚未建立售电量与业扩报装容量之间的关联模型，所以不能根据报装容量准确预测出未来短期内售电量的多少。

现有技术中虽然能够利用业扩信息提高未来3-5年内负荷预测的准确性，但还欠缺更为细致的月度分析。

现有技术中虽然能够初步推算行业接电后各月电量投运比例，但所选择的典型客户不能很好的代表客户群。

现有技术中虽然提供了一种构建全社会业扩报装容量与全社会用电量的建模方法，可预测未来1至2期的电量，但报装容量时间序列有部分呈下降趋势时不能完成预测。

由于新装业务完成开始供电后需要进行各方面的调试，逐步释放新装容量，最终用电量才会趋于稳定，因此电网企业实际售电量的增长往往要滞后于业扩报装的增长，新增报装容量也不会百分之百地转化为售电量的增长，不能对业扩新增容量、电量、负荷做出精确的预测判断，无法根据用电负荷的变化及时调整供电量，不能为未来短期内供电量的多少提供科学依据。

发明内容

本发明的目的就是为了解决上述问题，提出了一种基于季节调整的业扩报装分析预测系统及方法，该系统及方法通过剔除典型客户及客户群报装容量和电量时间序列中的季节性波动和其他随机因子，能够对未来短期内的业扩新增容量、售电量以及负荷做出精确的预测。

为了实现上述目的，本发明采用如下技术方案：

一种基于季节调整的业扩报装分析预测系统，其特征是，包括：

数据采集装置：将设定区域内各客户电能表采集到的数据上传并汇集至大数据库，数据采集装置通过数据通信接口从大数据库中分别采集所有客户群的用电数据以及高压新装后客户群的用电数据并存储；

第一数据筛选装置，接收数据采集装置的高压新装后客户群的用电数据，对客户群的用电量数据进行排序，根据用电量的大小筛选出能够代表客户群的典型客户；

第二数据筛选装置，根据筛选出的典型客户用电数据，对典型客户前N年的用电量数据进行季节调整，将季节因素和其他随机因子从原数据中剔除，得到各个典型客户用电状况的趋势循环项；

曲线拟合装置，所述曲线拟合装置包括：

典型客户电量增长趋势曲线拟合模块，接收第二数据筛选装置得到的典型客户用电状况的趋势循环项数据，采用生长曲线法拟合高压新装送电后电量增长趋势曲线；

客户群新装容量生长曲线拟合模块：接收高压新装送电后电量增长趋势曲线的拟合值，对拟合值进行主元提取，得到各典型客户的主元分值表并据此计算客户群新装后设定时间内的主元电量；根据主元电量拟合得到客户群新装容量生长曲线；

数据季节调整装置，接收数据采集装置的所有客户群的用电数据，分别将报装容量及其对应售电量按设定时间进行统计，得到两时间序列；对上述两时间序列分别进行季节调整，分别得到其趋势循环项、季节项和随机因子；

建立售电量和报装容量关联模型的装置，接收数据季节调整装置的数据，将售电量的趋势循环项设定为反映系统行为特征的参考数列，将报装容量趋势循环项设定为影响系统行为的比较数列；从预测的角度滞后参考数列，利用灰色关联分析方法寻找两数列曲线关联度最高时，参考数列滞后的月份；对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关联模型；

所述数据采集装置与第一数据筛选装置、第二数据筛选装置和曲线拟合装置依次连接；所述数据采集装置还与数据季节调整装置、建立售电量和报装容量关联模型的装置依次连接。

一种基于季节调整的业扩报装分析预测方法，包括如下步骤：

(1)数据获取与筛选：采集设定区域所有客户群的用电数据以及高压新装后客户群的用电数据，在高压新装后客户群的用电数据中，根据用电量的大小筛选出能够代表客户群的典型客户；

(2)采用X12方法分别对典型客户前N年的用电量数据进行季节调整，将季节因素和其他随机因子从原数据中剔除，得到各个典型客户用电状况的趋势循环项；

(3)选择步骤(2)中各个典型客户高压新装后设定时间内用电状况的趋势循环项，采用生长曲线法拟合高压新装送电后电量增长趋势曲线；

(4)利用主元分析法对步骤(3)中典型客户高压新装后电量增长趋势的拟合值进行主元提取；得到各典型客户的主元分值表并据此计算客户群新装后设定时间内的主元电量；

(5)拟合得到客户群新装容量生长曲线并进行分析得到客户群新装容量释放规律；

(6)根据步骤(1)中采集到的设定区域所有客户群的用电数据，分别将报装容量及其对应售电量按设定时间进行统计，得到两时间序列；对上述两时间序列分别进行季节调整，分别得到其趋势循环项、季节项和随机因子；

(7)将售电量的趋势循环项设定为反映系统行为特征的参考数列，将报装容量趋势循环项设定为影响系统行为的比较数列；从预测的角度滞后参考数列，利用灰色关联分析方法寻找两数列曲线关联度最高时，参考数列滞后的月份；

(8)对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关系；

(9)根据两趋势循环项之间的关系，完成利用报装容量对售电量的短期月度预测工作。

所述步骤(2)的具体方法为：

1)设定用电量时间序列Q(t)，利用中心化12项移动平均的方法初始估计趋势循环项，消除以年为单位的周期性变动；

2)选用加法模型，消除趋势循环项后得到季节项与随机因子的和序列Q_SI(t)：

Q_SI(t)＝Q_SF(t)+Q_IR(t)＝Q(t)-Q_TC(t)；

3)利用3*3移动平均估计季节项Q_SF(t)；

4)消除季节项得到趋势循环项与随机因子的和序列Q_TCI(t)：

Q_TCI(t)＝Q_TC(t)+Q_IR(t)＝Q(t)-Q_SF(t)；

5)利用Henderson移动平均法精确估计得到趋势循环项序列Q_TC(t)；

其中，Q_SF(t)为季节项序列，Q_IR(t)为随机因子序列，Q_TC(t)为势循环项序列。

所述步骤1)中初始估计趋势循环项的方法具体为：

${Q_{TC}}_{\left(t\right)}^{\left(1\right)}=\frac{1}{24}(Q_{(t-6)}+2Q_{(t-5)}+\mathrm{...}+2Q_{(t+5)}+Q_{(t+6)});$

其中，表示趋势循环项的初始估计、Q_(t-6)表示向前移动6个单位后的用电量时间序列、Q_(t+6)表示向后移动6个单位后的用电量时间序列。

所述步骤3)中利用3*3移动平均估计季节项的方法具体为：

$Q_{SF\left(t\right)}=\frac{1}{9}(Q_{SI(t-24)}+2Q_{SI(t-12)}+3Q_{SI\left(t\right)}+2Q_{SI(t+12)}+Q_{SI(t+24)});$

其中，Q_SF(t)表示季节项的估计、Q_SI(t-24)表示向前移动24个单位后季节项与随机因子的和序列、Q_SI(t+24)表示向后移动24个单位后季节项与随机因子的和序列。

所述步骤5)中精确估计得到趋势循环项序列的方法具体为：

$Q_{TC}\left(t\right)=\underset{j=-H}{\overset{H}{\Σ}}{h}_j^{2H+1}{Q}_{TCI}(t+j);$

其中，j表示前后调整的项数、H表示前后调整的最大项数、h为Henderson加权移动平均系数。

所述步骤(3)中选用Logistic模型进行生长曲线的拟合：

生长曲线具体模型表达式及其指标如表1：

表1

其中，拐点月份为加减速生长临界点，瞬时生长率反映生长速度的变化，相对生长率体现净用电量增长趋势。

所述步骤(4)中利用主元分析法对所筛选出的典型客户电量趋势项进行主元提取的方法具体为：

设Q＝(q_ij)_n×12＝(Q₁,Q₂,...,Q₁₂)为所述步骤(3)中典型客户高压新装后设定时间段内电量增长趋势的拟合值，其中q_ij为第i个客户新装后第j个月的电量，Q_m为第m个月各客户电量；

首先利用下式对原数据进行标准化处理，排除数量级和量纲对结果的影响；

$q_{ij}^{\′}=(q_{ij}-{\stackrel{\‾}{q}}_i)/S_i$

其中，为第i个典型客户各月电量的均值，S_i为第i个典型客户各月电量的标准差；

标准化后的电量增长趋势拟合值矩阵同样由新装后设定时间段内各客户的用电量列向量构成，即Q′＝(Q′₁,Q′₂,...,Q′₁₂)；

然后计算相关系数矩阵R＝(r_ij)_12×12；

其中，cov(q′_i,q′_j)为数据阵中Q′_i和Q′_j的协方差，S′_i、S′_j分别为数据阵中Q′_i和Q′_j的标准差；Q′_i和Q′_j分别代表标准化后的电量增长趋势拟合值矩阵中第i个和第j个客户的用电量列向量。

计算相关系数阵R的特征值，若特征值中有m个大于0，则有m个主元P＝(P₁,P₂,...,P_m)＝Q′A；

其中，A＝(a₁,a₂,...,a_m)为m个特征值对应的正交特征向量矩阵，Q′＝(Q′₁,Q′₂,...,Q′₁₂)为标准化后的电量增长趋势拟合值矩阵；

最后，计算特征值λ_i对应主元p_i的贡献率c_i：

当前k个主元的贡献率达90％以上时则可用这k个主元代替原数据。

所述步骤(7)的具体方法为：

设参考数列为q_t，比较数列为e_t，t＝1,2,...,n；t为月份；

计算q_t与e_t的关联系数ζ_t；

根据关联系数计算两数列关联度，关联度最高时两数列相差的月份t为可利用报装容量预测售电量的月份。

所述计算q_t与e_t的关联系数ζ_t的方法为：

${\mathrm{\ζ}}_t=\frac{{\min }_t\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}{\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|};$

其中，ρ∈(0,∞)，为分辨系数。

计算两数列关联度的方法为：

$r=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{\mathrm{\ζ}}_t.$

本发明的有益效果是：

(1)考虑到典型客户用电量受到季节因素的影响，其季节性波动的复杂性会掩盖电量数据的客观规律，使序列的预测变得复杂、困难，因此本方法对原始采集数据进行处理和筛选，将季节因素和其他随机因子从原序列中剔除，使所选择的典型客户能够真正意义上的代表客户群的电量变化情况，使得预测结果更加准确。

(2)本方法通过建立报装容量与售电量之间的关联模型，即售电量趋势循环项和报装容量趋势循环项之间的关系，实现了利用报装容量对售电量的短期月度预测工作，为电网企业及时准确地调整发电量以及供电设备的扩建提供了理论依据，减少不必要的投资，从一定程度上降低了生产成本。

(3)本方法可以利用报装容量实现对未来1-2个月电网企业售电量的短期月度预测，所选用的灰色关联分析方法不受数据本身和曲线走势的影响，可用于报装容量与售电量趋势项单调性不同时关联度的分析，更具工程实用性。

(4)同时还可以将该分析预测方法分别用于不同地市、用电类别、行业、电压等级和产业，有助于电网企业对未来售电市场的变化进行更精细化的分析预测。

附图说明

图1为本发明基于季节调整的业扩报装分析预测系统结构示意图；

图2为新装容量释放规律确定流程图；

图3为售电量预测流程图；

图4为本发明实施例典型客户季节调整后电量及趋势循环项曲线；

图5为本发明实施例新装生长曲线；

图6为本发明实施例电量投入比例及速度示意图；

图7为本发明实施例季节调整前后客户群电量趋势对比图；

图8为本发明实施例季节调整前时间序列折线图；

图9为本发明实施例报装容量季节调整后趋势循环项、季节项和随机因子序列；

图10为本发明实施例售电量季节调整后趋势循环项、季节项和随机因子序列；

图11为本发明实施例全行业售电量预测值与实际值对比示意图。

具体实施方式：

下面结合附图与实施例对本发明做进一步说明：

如图1所示，本发明提供的一种基于季节调整的业扩报装分析预测系统，可用于现代电力市场中业扩报装容量释放规律的研究和售电量的预测。具体包括：数据采集装置、第一数据筛选装置、第二数据筛选装置、曲线拟合装置、数据季节调整装置以及建立售电量和报装容量关联模型的装置；

所述数据采集装置与第一数据筛选装置、第二数据筛选装置和曲线拟合装置依次连接；所述数据采集装置还与数据季节调整装置、建立售电量和报装容量关联模型的装置依次连接。

对各装置的具体工作原理作如下介绍：

1、数据采集装置：通过数据通信接口采集设定区域所有客户群的用电数据以及高压新装后客户群的用电数据并分别存储至所有客户群用电数据库服务器和高压新装后客户群用电数据库服务器。上述用电数据通过区域内各用户的电能表上传并汇集至大数据库，数据采集装置通过数据通信接口从大数据库中采集得到。

2、第一数据筛选装置，接收数据采集装置的高压新装后客户群的用电数据，对客户群的用电量数据进行排序，根据用电量的大小筛选出能够代表客户群的典型客户；

在高压新装后客户群的用电数据中，根据用电量的大小筛选出能够代表客户群的典型客户；本实施例筛选出新装后用电量排名前20的典型客户来代表所选客户群的用电情况。

3、第二数据筛选装置，根据筛选出的典型客户用电数据，对典型客户前N年的用电量数据进行季节调整，将季节因素和其他随机因子从原数据中剔除，得到各个典型客户用电状况的趋势循环项；

采用X12方法分别对典型客户历年(至少为前3年)用电量进行季节调整，得到各个典型客户用电状况的趋势循环项。

季节调整的数学模型如下：

以电量时间序列Q(t)为例，首先估计并消除趋势循环项Q_TC(t)，然后估计并消除季节项Q_SF(t)，多次重复前两步，得到最终的季节调整结果。由于没有固定方法估计随机因子Q_IR(t)，因此在最终确定趋势循环项和季节项之后才能得到随机因子。其中趋势循环项的初始估计利用式(1)中心化12项移动平均的方法，消除以年为单位的周期性变动。

${Q_{TC}}_{\left(t\right)}^{\left(1\right)}=\frac{1}{24}(Q_{(t-6)}+2Q_{(t-5)}+\mathrm{...}+2Q_{(t+5)}+Q_{(t+6)})---\left(1\right)$

选用加法模型，利用式(2)消除趋势循环项后得到季节项与随机因子的和序列。

Q_SI(t)＝Q_SF(t)+Q_IR(t)＝Q(t)-Q_TC(t)          (2)

利用式(3)中的3*3移动平均估计季节项。

$Q_{SF\left(t\right)}=\frac{1}{9}(Q_{SI(t-24)}+2Q_{SI(t-12)}+3Q_{SI\left(t\right)}+2Q_{SI(t+12)}+Q_{SI(t+24)})---\left(3\right)$

利用式(4)消除季节项得到趋势循环项与随机因子的和序列。

Q_TCI(t)＝Q_TC(t)+Q_IR(t)＝Q(t)-Q_SF(t)           (4)

后续趋势循环项的精细估计均利用式(5)所示Henderson移动平均法，得到趋势循环项序列。

$Q_{TC}\left(t\right)=\underset{j=-H}{\overset{H}{\Σ}}{h}_j^{2H+1}{Q}_{TCI}(t+j)---\left(5\right)$

季节项的估计可一直采用式(3)，最终确定并消除季节项后，利用式(5)确定最终趋势循环项，利用式(4)得到最终的随机因子序列。

4、曲线拟合装置，所述曲线拟合装置包括：

(1)典型客户电量增长趋势曲线拟合模块，接收第二数据筛选装置得到的典型客户用电状况的趋势循环项数据，采用生长曲线法拟合高压新装送电后电量增长趋势曲线；

优选Logistic模型进行生长曲线的拟合，其数学模型表达式及分析指标见表1，其中拐点月份为加减速生长临界点，瞬时生长率反映生长速度的变化，相对生长率体现净用电量增长趋势。由于经过季节调整的曲线都较为光滑，因此拟合度都在0.95以上，可见生长曲线可以很好的拟合新装后用电趋势项。

表1Logistic模型表达式及其指标

(2)客户群新装容量生长曲线拟合模块：接收高压新装送电后电量增长趋势曲线的拟合值，对拟合值进行主元提取，得到各典型客户的主元分值表并据此计算客户群新装后设定时间内的主元电量；根据主元电量拟合得到客户群新装容量生长曲线；

利用主元分析法对所筛选出的典型客户电量趋势项进行主元提取，使其提升到客户群的层面。具体数学模型如下：

设Q＝(q_ij)_n×12＝(Q₁,Q₂,...,Q₁₂)为所选典型客户新装供电后经季节调整的12个月的电量趋势项，其中q_ij为第i个客户新装后第j个月的电量，Q_m为第m个月各客户电量。首先利用式(6)对原数据进行标准化处理，排除数量级和量纲对结果的影响。

$q_{ij}^{\′}=(q_{ij}-{\stackrel{\‾}{q}}_i)/S_i---\left(6\right)$

其中，为第i个典型客户各月电量的均值，S_i为第i个典型客户各月电量的标准差。标准化后的数据阵同样可由新装后12个月各客户的电量列向量构成，即Q′＝(Q′₁,Q′₂,...,Q′₁₂)。

然后根据式(7)计算相关系数矩阵R＝(r_ij)_12×12。

$r_{ij}=\frac{\mathrm{cov}(q_i^{\′},q_j^{\′})}{S_i^{\′}\·S_j^{\′}}---\left(7\right)$

其中cov(q′_i,q′_j)为数据阵中Q′_i和Q′_j的协方差，S′_i、S′_j分别为数据阵中Q′_i和Q′_j的标准差。

计算相关系数阵R的特征值，若有m个大于0的特征值，则有m个主元P＝(P₁,P₂,...,P_m)＝QA。其中，A＝(a₁,a₂,...,a_m)为各特征值对应的正交特征向量矩阵。

最后利用式(8)计算特征值λ_i对应主元p_i的贡献率c_i。若前k个主元的贡献率达90％以上则可用这k个主元代替原数据，达到降维的目的。

$c_i={\mathrm{\λ}}_i/\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i---\left(8\right)$

得到各企业的主元分值表并据此计算客户群新装后12个月内的主元电量；根据主元电量Logistic模型进行生长曲线的拟合，得到客户群新装容量生长曲线。

上述曲线拟合装置可以通过MATLAB等曲线拟合工具实现。

5、数据季节调整装置，接收数据采集装置的所有客户群的用电数据，分别将报装容量及其对应售电量按设定时间进行统计，得到两时间序列；对上述两时间序列分别进行季节调整，分别得到其趋势循环项、季节项和随机因子；

数据季节调整装置选用通用CPU处理器加载季节调整模型即可实现，季节调整模型与第二数据筛选装置中的季节调整模型一致。

6、建立售电量和报装容量关联模型的装置，接收数据季节调整装置的数据，将售电量的趋势循环项设定为反映系统行为特征的参考数列，将报装容量趋势循环项设定为影响系统行为的比较数列；从预测的角度滞后参考数列，利用灰色关联分析方法寻找两数列曲线关联度最高时，参考数列滞后的月份；对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关联模型；

将客户群售电量的趋势循环项QHY_TC(t)确定为反映系统行为特征的参考数列，客户群报装容量趋势循环项EWI_TC(t)为影响系统行为的比较数列。从预测的角度滞后参考数列，利用灰色关联分析方法寻找两序列曲线关联度最高时参考数列和比较数列滞后的月份，具体数学模型如下：

设参考数列为q_t，比较数列为e_t，t＝1,2,...,n；分别表示各月的售电量和报装容量。与e_t的关联系数ζ_t计算公式如式(9)。

${\mathrm{\ζ}}_t=\frac{{\min }_t\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}{\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}---\left(9\right)$

其中ρ∈(0,∞)，称为分辨系数，根据文献^[15]中的计算方法，结合本文数据取ρ＝1.10，使分析结果更加客观。

关联系数是两数列各个时刻的关联程度，仍是一个数列，用式(10)所示平均值表示两数列关联度。

$r=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{\mathrm{\ζ}}_t---\left(10\right)$

确定关联度最高时，参考数列和比较数列滞后的月份，举例说明，如果滞后的月份为3，则可利用报装容量对三个月之后的售电量进行预测。

对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关联模型。

本发明提出了一种基于季节调整的业扩报装分析预测方法，包括如下步骤：

附图2为新装容量释放规律计算流程图，针对高压新装后客户群的容量释放规律的说明如下：

1)高压新装后客户群的容量释放规律的研究中，首先筛选出新装后用电量排名前20的典型客户来代表所选客户群的用电情况，然后采用X12方法分别对典型客户历年(至少为前3年)用电量进行季节调整，得到各个典型客户用电状况的趋势循环项，若该项是逐月递增的，我们就认为该客户的电量变化趋势符合筛选条件，可以代表该客户群。季节调整的数学模型如下：

以电量时间序列Q(t)为例，首先估计并消除趋势循环项Q_TC(t)，然后估计并消除季节项Q_SF(t)，多次重复前两步，得到最终的季节调整结果。由于没有固定方法估计随机因子Q_IR(t)，因此在最终确定趋势循环项和季节项之后才能得到随机因子。其中趋势循环项的初始估计利用式(1)中心化12项移动平均的方法，消除以年为单位的周期性变动。

${Q_{TC}}_{\left(t\right)}^{\left(1\right)}=\frac{1}{24}(Q_{(t-6)}+2Q_{(t-5)}+\mathrm{...}+2Q_{(t+5)}+Q_{(t+6)})---\left(1\right)$

选用加法模型，利用式(2)消除趋势循环项后得到季节项与随机因子的和序列。

Q_SI(t)＝Q_SF(t)+Q_IR(t)＝Q(t)-Q_TC(t)        (2)

利用式(3)中的3*3移动平均估计季节项。

$Q_{SF\left(t\right)}=\frac{1}{9}(Q_{SI(t-24)}+2Q_{SI(t-12)}+3Q_{SI\left(t\right)}+2Q_{SI(t+12)}+Q_{SI(t+24)})---\left(3\right)$

利用式(4)消除季节项得到趋势循环项与随机因子的和序列。

Q_TCI(t)＝Q_TC(t)+Q_IR(t)＝Q(t)-Q_SF(t)           (4)

后续趋势循环项的精细估计均利用式(5)所示Henderson移动平均法，得到趋势循环项序列。

$Q_{TC}\left(t\right)=\underset{j=-H}{\overset{H}{\Σ}}{h}_j^{2H+1}{Q}_{TCI}(t+j)---\left(5\right)$

季节项的估计可一直采用式(3)，最终确定并消除季节项后，利用式(5)确定最终趋势循环项，利用式(4)得到最终的随机因子序列。至此电量的季节性整完毕，同理可将报装容量代入进行季节调整。

2)生长曲线被广泛应用于动植物生长规律的分析，有Logistic、Gompertz和Bertanlanffy三种典型模型。这三种模型均可较好的拟合生长曲线，但不同生长指标对应的最优拟合模型不同。针对新装电量增长趋势，拟合度最高的是Logistic模型，本实施例优选Logistic模型进行生长曲线的拟合，其数学模型表达式及分析指标见表1，其中拐点月份为加减速生长临界点，瞬时生长率反映生长速度的变化，相对生长率体现净用电量增长趋势。由于经过季节调整的曲线都较为光滑，因此拟合度都在0.95以上，可见生长曲线可以很好的拟合新装后用电趋势项。

表1 Logistic模型表达式及其指标

3)利用主元分析法对所筛选出的典型客户电量趋势项进行主元提取，使其提升到客户群的层面。其具体步骤如下：

设Q＝(q_ij)_n×12＝(Q₁,Q₂,...,Q₁₂)为所选典型客户新装供电后经季节调整的12个月的电量趋势项，其中q_ij为第i个客户新装后第j个月的电量，Q_m为第m个月各客户电量。首先利用式(6)对原数据进行标准化处理，排除数量级和量纲对结果的影响。

$q_{ij}^{\′}=(q_{ij}-{\stackrel{\‾}{q}}_i)/S_i---\left(6\right)$

其中，为第i个典型客户各月电量的均值，S_i为第i个典型客户各月电量的标准差。标准化后的数据阵同样可由新装后12个月各客户的电量列向量构成，即Q′＝(Q′₁,Q′₂,...,Q′₁₂)。

然后根据式(7)计算相关系数矩阵R＝(r_ij)_12×12。

$r_{ij}=\frac{\mathrm{cov}(q_i^{\′},q_j^{\′})}{S_i^{\′}\·S_j^{\′}}---\left(7\right)$

其中cov(q′_i,q′_j)为数据阵中Q′_i和Q′_j的协方差，S′_i、S′_j分别为数据阵中Q′_i和Q′_j的标准差。

计算相关系数阵R的特征值，若有m个大于0的特征值，则有m个主元P＝(P₁,P₂,...,P_m)＝QA。其中，A＝(a₁,a₂,...,a_m)为各特征值对应的正交特征向量矩阵。

最后利用式(8)计算特征值λ_i对应主元p_i的贡献率c_i。若前k个主元的贡献率达90％以上则可用这k个主元代替原数据，达到降维的目的。

$c_i={\mathrm{\λ}}_i/\underset{i=1}{\overset{m}{\Σ}}{\mathrm{\λ}}_i---\left(8\right)$

得到各企业的主元分值表并据此计算客户群新装后12个月内的主元电量。最后，用Logistic模型拟合得到客户群新装生长曲线并进行新装容量释放规律分析。

附图3为利用报装容量对电网企业售电量预测流程图，针对售电量预测的说明如下：

1)在利用报装容量预测售电量的过程中，首先分别将报装容量及其对应售电量按月度进行统计，得到两时间序列EWI(t)和QHY(t)，并利用上述方法进行季节调整，分别得到其趋势循环项EWI_TC(t)和QHY_TC(t)、季节项EWI_SF(t)和QHY_SF(t)和随机因子EWI_IR(t)和QHY_IR(t)。

2)在剔除季节性波动和随机因子之后，将全行业售电量的趋势循环项QHY_TC(t)确定为反映系统行为特征的参考数列，全行业报装容量趋势循环项EWI_TC(t)为影响系统行为的比较数列。从预测的角度滞后参考数列，利用灰色关联分析方法寻找两序列曲线关联度最高时参考数列和比较数列滞后的月份，具体方法如下：

设参考数列为q_t，比较数列为e_t，t＝1,2,...,n；分别表示各月的售电量和报装容量。与e_t的关联系数ζ_t计算公式如式(9)。

${\mathrm{\ζ}}_t=\frac{{\min }_t\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}{\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}---\left(9\right)$

其中ρ∈(0,∞)，称为分辨系数，根据文献^[15]中的计算方法，结合本文数据取ρ＝1.10，使分析结果更加客观。

关联系数是两数列各个时刻的关联程度，仍是一个数列，用式(10)所示平均值表示两数列关联度。

$r=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{\mathrm{\ζ}}_t---\left(10\right)$

确定关联度最高时，参考数列和比较数列滞后的月份，举例说明，如果滞后的月份为3，则可利用报装容量对三个月之后的售电量进行预测。

对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关系。

利用两趋势循环项之间的线性关系，将报装容量代入计算得到对应月份的售电量趋势循环项，再加上售电量的季节因素和随机因子，即可完成利用报装容量对售电量的短期月度预测工作。

算例分析

本发明以2011年至2014年业扩报装容量及电量数据为依据，从新装容量释放规律探究和售电量预测两个层面对业扩报装数据进行分析。

1、新装容量释放规律

对电量排名在前20的客户电量进行季节调整，以电量最高的客户为例，剔除季节项和随机因子，仅保留新装后12个月的电量趋势项，如图4。可见其电量趋势项呈S型增长，可用生长曲线进行拟合。

对典型客户进行季节调整后，再剔除数据不全和新装供电后12个月内趋势循环项不是逐月递增的客户，余下10名典型客户。用Logistic模型分别进行迭代拟合，如表2所示。由于经过季节调整的曲线较为光滑，因此拟合度都在0.95以上，可见生长曲线可以很好的拟合新装后用电趋势项。

表2 Logistic模型拟合结果

利用Logistic曲线中各典型客户的电量变化情况进行主元分析，得到特征值λ＝11.029，对应主元贡献率为91.91％，故可用这一个主元代替原数据。得到各客户的主元分值表，如表3。并计算所选客户代表的大工业用电新装后电量趋势项变化情况，即主元电量。再对主元电量进行Logistic拟合，根据拟合值画出代表大工业用电的新装生长曲线，如图5。计算拐点月份为6.8月，拐点电量为3719万Kwh。根据生长曲线的瞬时生长率和相对生长率可知，调试期前期瞬时生长率不断升高，7个月附近瞬时增长率达峰值，不再增加，与拐点月份相符。而相对生长率不断下降趋于零，最终用电量趋于稳定。

表3主元分值

计算大工业用电新装供电后各月份电量投入比例和投入速度，如图6。可知加速生长期为1-7月，其趋势循环项各月分别投入电量的11.45％、15.99％、21.93％、29.43％、38.41％、48.56％、59.28％，减速生长期8-11月各月投入电量的69.84％、79.54％、87.89％、94.70％。电量投入速度和瞬时生长率变化情况类似。可见大工业用电高压新装业务在调试期内11个月已完成90％以上投运容量的释放。在用电设备调试方面进度较快，可快速进入稳定用电。

将新装生长曲线与之前未进行季节调整时，筛选条件为新装后各月电量逐月递增的典型客户得到的结果进行对比，如图7。可以发现，同一批数据，同样的客户群，所选的典型客户不同，结果也是完全不一样。从电量来看，未进行季节调整的客户群新装生长曲线电量明显低于季节调整后客户群生长曲线。在大工业用电客户群中，不受季节影响的客户其容量都较小，因此未进行季节调整筛选出的典型客户新装后电量也远远达不到客户群平均水平。这说明之前所选取的典型客户并不能很好的代表大工业用电这一客户群。然后从加速生长期来看，之前5个月就可以完成投入70％以上的电量。而进行季节调整后，7个月仅完成59％的电量投入。可以说明，新装容量越高，其调试过程越长，容量释放的也相对较慢。因此引入季节调整可以提高所选典型客户的代表性，使典型客户更好的代表客户群新装后的用电趋势。

2、售电量预测

绘制2011年-2014年上半年各月度全行业报装容量和售电量两个指标的时间序列折线图，如图8，难以看出两者之间的关系。因此需要引入季节调整，将没有规则的曲线化为平滑的趋势循环项。

将全行业报装容量EWI(t)和全行业售电量QHY(t)进行季节调整，得到其趋势循环项、季节项和随机因子，如图9、图10。由图可知报装容量趋势循环项在2012年年终有轻微的下降趋势，且2013年报装容量整体基本持平没有明显增长的趋势；随机因子基本跟随报装曲线，这是由于业扩报装本身具有很强随机性或者部分报装数据录入管理不规范所导致。售电量趋势循环项稳步上升，可以看出全行业用电量随着时间经济的发展不断增加；季节项规律性变化，在2月份呈现低谷，这是由于农历新年正月全行业大规模停产，导致售电量下降。将存在明显季节性波动的曲线调整为平滑的趋势循环项，突出了两曲线的内在联系。

对两趋势循环项进行灰色关联分析，在售电量趋势循环项滞后3个月的时候相关度最大，如表5。之前选择计算相关系数来表示关联度。相关系数反映变量之间线性相关程度，有方向。因此分析时由于报装容量部分呈现下降趋势，单调性与电量趋势不同，不能计算出结果。但灰色关联分析方法不受数据本身影响，故仍可以分析得到两曲线关联度。

表5趋势循环项关联度

将EWI_TC(-3)作为自变量，QHY_TC(0)作为因变量进行线性回归，得到公式(11)。得到的回归模型拟合度R²＝0.885，可以很好的拟合两变量的关系。

QWI_TC＝0.216EWI_TC(-3)+2144598.512            (11)

将上述方程计算得到的全行业售电量趋势循环项拟合值与季节项相加，得到全行业售电量预测值，与实际值对比，如图11。可以看出两曲线重合度很高，转折点也可基本吻合。通过以上方法拟合得到的2014年5月用电为298.65万千瓦时，实际用电量为306.70万千瓦时，误差为2.62％；六月份预测用电量301.99万千瓦时，实际用电量307.93万千瓦时，误差1.93％。作为短期预测月度的预测，可以较为准确的预测未来2-3个月的电量，之后的预测应重新进行建模工作。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (10)

1.一种基于季节调整的业扩报装分析预测系统，其特征是，包括：

数据采集装置：将设定区域内各客户电能表采集到的数据上传并汇集至大数据库，数据采集装置通过数据通信接口从大数据库中分别采集所有客户群的用电数据以及高压新装后客户群的用电数据并存储；

第一数据筛选装置，接收数据采集装置的高压新装后客户群的用电数据，对客户群的用电量数据进行排序，根据用电量的大小筛选出能够代表客户群的典型客户；

第二数据筛选装置，根据筛选出的典型客户用电数据，对典型客户前N年的用电量数据进行季节调整，将季节因素和其他随机因子从原数据中剔除，得到各个典型客户用电状况的趋势循环项；

曲线拟合装置，所述曲线拟合装置包括：

典型客户电量增长趋势曲线拟合模块，接收第二数据筛选装置得到的典型客户用电状况的趋势循环项数据，采用生长曲线法拟合高压新装送电后电量增长趋势曲线；

客户群新装容量生长曲线拟合模块：接收高压新装送电后电量增长趋势曲线的拟合值，对拟合值进行主元提取，得到各典型客户的主元分值表并据此计算客户群新装后设定时间内的主元电量；根据主元电量拟合得到客户群新装容量生长曲线；

数据季节调整装置，接收数据采集装置的所有客户群的用电数据，分别将报装容量及其对应售电量按设定时间进行统计，得到两时间序列；对上述两时间序列分别进行季节调整，分别得到其趋势循环项、季节项和随机因子；

建立售电量和报装容量关联模型的装置，接收数据季节调整装置的数据，将售电量的趋势循环项设定为反映系统行为特征的参考数列，将报装容量趋势循环项设定为影响系统行为的比较数列；从预测的角度滞后参考数列，利用灰色关联分析方法寻找两数列曲线关联度最高时，参考数列滞后的月份；对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关联模型；

所述数据采集装置与第一数据筛选装置、第二数据筛选装置和曲线拟合装置依次连接；所述数据采集装置还与数据季节调整装置、建立售电量和报装容量关联模型的装置依次连接。

2.一种如权利要求1所述的基于季节调整的业扩报装分析预测系统的工作方法，其特征是，包括如下步骤：

(1)数据获取与筛选：采集设定区域所有客户群的用电数据以及高压新装后客户群的用电数据，在高压新装后客户群的用电数据中，根据用电量的大小筛选出能够代表客户群的典型客户；

(2)采用X12方法分别对典型客户前N年的用电量数据进行季节调整，将季节因素和其他随机因子从原数据中剔除，得到各个典型客户用电状况的趋势循环项；

(3)选择步骤(2)中各个典型客户高压新装后设定时间内用电状况的趋势循环项，采用生长曲线法拟合高压新装送电后电量增长趋势曲线；

(4)利用主元分析法对步骤(3)中典型客户高压新装后电量增长趋势的拟合值进行主元提取；得到各典型客户的主元分值表并据此计算客户群新装后设定时间内的主元电量；

(5)拟合得到客户群新装容量生长曲线并进行分析得到客户群新装容量释放规律；

(6)根据步骤(1)中采集到的设定区域所有客户群的用电数据，分别将报装容量及其对应售电量按设定时间进行统计，得到两时间序列；对上述两时间序列分别进行季节调整，分别得到其趋势循环项、季节项和随机因子；

(7)将售电量的趋势循环项设定为反映系统行为特征的参考数列，将报装容量趋势循环项设定为影响系统行为的比较数列；从预测的角度滞后参考数列，利用灰色关联分析方法寻找两数列曲线关联度最高时，参考数列滞后的月份；

(8)对滞后的售电量趋势循环项和报装容量趋势循环项进行线性回归，得到两趋势循环项之间的关系；

(9)根据两趋势循环项之间的关系，完成利用报装容量对售电量的短期月度预测工作。

3.如权利要求2所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤(2)的具体方法为：

1)设定用电量时间序列Q(t)，利用中心化12项移动平均的方法初始估计趋势循环项，消除以年为单位的周期性变动；

2)选用加法模型，消除趋势循环项后得到季节项与随机因子的和序列Q_SI(t)：

Q_SI(t)＝Q_SF(t)+Q_IR(t)＝Q(t)-Q_TC(t)；

3)利用3*3移动平均估计季节项Q_SF(t)；

4)消除季节项得到趋势循环项与随机因子的和序列Q_TCI(t)：

Q_TCI(t)＝Q_TC(t)+Q_IR(t)＝Q(t)-Q_SF(t)；

5)利用Henderson移动平均法精确估计得到趋势循环项序列Q_TC(t)；

其中，Q_SF(t)为季节项序列，Q_IR(t)为随机因子序列，Q_TC(t)为势循环项序列。

4.如权利要求3所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤1)中初始估计趋势循环项的方法具体为：

${Q_{TC}}_{\left(t\right)}^{\left(1\right)}=\frac{1}{24}(Q_{(t-6)}+2Q_{(t-5)}+\mathrm{...}+2Q_{(t+5)}+Q_{(t+6)});$

其中，表示趋势循环项的初始估计、Q_(t-6)表示向前移动6个单位后的用电量时间序列、Q_(t+6)表示向后移动6个单位后的用电量时间序列。

5.如权利要求3所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤3)中利用3*3移动平均估计季节项的方法具体为：

$Q_{SF\left(t\right)}=\frac{1}{9}(Q_{SI(t-24)}+2Q_{SI(t-12)}+3Q_{SI\left(t\right)}+2Q_{SI(t+12)}+Q_{SI(t+24)});$

其中，Q_SF(t)表示季节项的估计、Q_SI(t-24)表示向前移动24个单位后季节项与随机因子的和序列、Q_SI(t+24)表示向后移动24个单位后季节项与随机因子的和序列。

6.如权利要求3所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤5)中精确估计得到趋势循环项序列的方法具体为：

$Q_{TC}\left(t\right)=\underset{j=-H}{\overset{H}{\Σ}}{h}_j^{2H+1}{Q}_{TCI}(t+j);$

其中，j表示前后调整的项数、H表示前后调整的最大项数、h为Henderson加权移动平均系数。

7.如权利要求1所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤(4)中利用主元分析法对所筛选出的典型客户电量趋势项进行主元提取的方法具体为：

设Q＝(q_ij)_n×12＝(Q₁,Q₂,...,Q₁₂)为所述步骤(3)中典型客户高压新装后设定时间段内电量增长趋势的拟合值，其中q_ij为第i个客户新装后第j个月的电量，Q_m为第m个月各客户电量；

首先利用下式对原数据进行标准化处理，排除数量级和量纲对结果的影响；

$q_{ij}^{\′}=(q_{ij}-{\stackrel{\‾}{q}}_i)/S_i$

其中，为第i个典型客户各月电量的均值，S_i为第i个典型客户各月电量的标准差；

标准化后的电量增长趋势拟合值矩阵同样由新装后设定时间段内各客户的用电量列向量构成，即Q′＝(Q′₁,Q′₂,...,Q′₁₂)；

然后计算相关系数矩阵R＝(r_ij)_12×12；

其中，cov(q′_i,q′_j)为数据阵中Q′_i和Q′_j的协方差，S′_i、S′_j分别为数据阵中Q′_i和Q′_j的标准差；Q′_i和Q′_j分别代表标准化后的电量增长趋势拟合值矩阵中第i个和第j个客户的用电量列向量；

计算相关系数阵R的特征值，若特征值中有m个大于0，则有m个主元P＝(P₁,P₂,...,P_m)＝QA；

其中，A＝(a₁,a₂,...,a_m)为m个特征值对应的正交特征向量矩阵，Q′＝(Q′₁,Q′₂,...,Q′₁₂)为标准化后的电量增长趋势拟合值矩阵；

最后，计算特征值λ_i对应主元p_i的贡献率c_i：

当前k个主元的贡献率达90％以上时则可用这k个主元代替原数据。

8.如权利要求1所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述步骤(7)的具体方法为：

设参考数列为q_t，比较数列为e_t，t＝1,2,...,n；t为月份；

计算q_t与e_t的关联系数ζ_t；

根据关联系数计算两数列关联度，关联度最高时两数列相差的月份t为可利用报装容量预测售电量的月份。

9.如权利要求8所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，所述计算q_t与e_t的关联系数ζ_t的方法为：

${\mathrm{\ζ}}_t=\frac{{\min }_t\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|}{\left|q_t-e_t\right|+{\mathrm{\ρmax}}_t\left|q_t-e_t\right|};$

其中，ρ∈(0,∞)，为分辨系数。

10.如权利要求8所述的一种基于季节调整的业扩报装分析预测系统的工作方法，其特征在于，计算两数列关联度的方法为：

$r=\frac{1}{n}\underset{t=1}{\overset{n}{\Σ}}{\mathrm{\ζ}}_t.$