CN105389637A - 用于月度用电预测模型的有效工作日构建方法 - Google Patents

Abstract

本发明公开了一种用于月度用电预测模型的有效工作日构建方法，包括以下步骤：划分春节用电为三个时段，设春节前七天调整系数为c1，春节期间七天为c2，春节后七天为c3，则 计算c1，c2，c3三个数值作为调整系数的初始值；确定步长搜索调整系数的范围，并折算出春节所在月份内有效工作的天数，并进一步计算出日均售电量集，作为用电预测模型的输入数据进行预测，根据模型预测误差，确定最优调整系数c1’，c2’，c3’，从而确定有效工作日。日均售电量通过模型计算的预测值，乘以有效工作日，进而得到月度数据的预测值。本发明修正了春节在公历月份出现日期的波动带来的数据不准确，从而捕捉移动节假日效应，使数据核算准确。

Description

用于月度用电预测模型的有效工作日构建方法

技术领域

本发明涉及到用电预测领域，特别涉及一种用于月度用电预测模型的有效工作日构建方法。

背景技术

现有的用电预测模型有GM灰色预测模型、ARIMA模型、回归模型等。

1、GM灰色预测模型

基于用电数据本身的趋势，通过实际数据的累加生成灰色系统，得到规律较强的曲线之后，用指数曲线拟合生成模型，再利用生成模型得到的数据通过累加逆运算——累减生成得到还原模型，由还原模型作为预测模型。

2、电力弹性系数

一种系数计算法，把影响用电的因素(如气温)和用电量两者之间计算弹性系数，即气温每增加1％，带来用电量变量百分之多少。根据历史数据对弹性进行估算，把得到的弹性系数和新的气温变化结合，从而对新的用电量的变化进行估计和预测。

3、ARIMA模型

自回归移动平均模型(ARIMA)是基于用电量本身的自身规律进行刻画的模型。如果用电序列{y_t}的当前值不仅与自身过去值有关，而且还与其以前进入系统的外部冲击e存在一定依存关系，则在用模型刻画这种动态特征时，模型中既包括自身的滞后项，也包括过去的外部冲击。一般模型表达为ARIMA(p,d,q)其中，p为用电序列{y_t}的滞后阶数，q为外部冲击e的滞后阶数，d为差分次数。其一般结构为：

y_t＝φ₁y_t-1+φ₂y_t-2+…+φ_py_t-p+ε_t+θ₁ε_t-1+θ₂ε_t-2+…+θ_qε_t-q

利用滞后算子，此模型可写为：

Φ(B)y_t＝Θ(B)ε_t

实际中，为了保证数据的平稳性，常常先对数据进行差分，然后建立模型，即：Φ(B)B^dy_t＝Θ(B)ε_t，这就是ARIMA模型。

若序列的当前值还受到其他变量的影响，则需要建立ARIMA-X模型，即：

其中{y_t},{x_t}为平稳序列，或者经过差分后的平稳序列，{y_t}为用电量，{x_t}为影响用电的因素。

4、多元线性回归

为了刻画多个因素对用电的线性影响，线性回归模型可对用电量先估计系数后，在使用拟合的模型进行预测。其基本回归表达式为：

y_t＝b₀+b₁x_1t+b₂x_2t+...+b_qx_qt+e_t

其中q个x为影响用电的因素，y为用电量。通过最小二乘估计法，估计系数b。然后利用估计的系数和x的取值，以及方程式表达的关系，求得y的预测值。

5、随机森林模型

随机森林回归模型，由很多决策树回归组成的组合回归模型，且参数集是独立同分布的随机向量，在给定自变量X下，每个决策树回归模型都有一票投票权来选择最优的回归结果，最后输出所有的投票判别结果或是得到估计的平均值。

随机森林回归的基本方法是：首先利用自助法从原始训练集抽取k个样本，然后对k个样本分别建立k个决策树模型，得到k种回归结果；最后根据k种回归结果对每个记录进行投票表决决定其最终回归。不仅有效抑制训练样本噪音和解决属性缺失，还不容易出现过度拟合。在构建随机森林的过程中生成一个泛化误差的内部无偏估计，使预测结果更加精确。

使用上述模型进行预测时，由于农历节假日(如春节等)在公历月份中出现日期不同，月度数据会因此而波动。具体来讲，农历春节等假日在公历月份中出现的公历日往往各年不一样，我们称这种情况为移动节假日。因此，随着春节出现的公历月份不同，那么相应的月度用电数据会因为月度实际用电日数的差异，在各年的发生变动。这种数据波动会大大影响模型的预测精度。尤其是当春节横垮公历两个月首尾时，核算用电就更为复杂。

现有处理方式：其一，忽略这个影响，直接加总当月各日的用电数据作为月度用电，即直接使用月度实际数据预测。其二，如果春节横跨两个月首尾，则合并春节所在两个月份的数据，成为一个月的用电数据，在后期预测中只使用11个月的数据，进行预测。其三，使用调整系数，修正春节所在月份的数据。具体计算方法为：

当月用电＝Σ当月日用电量

合并月用电＝Σ春节所在月日用电

春节所在月份测算用电＝春节所在月份实际用电/调整系数

从上述问题和解决方式不难看出存在以下几点不足：

1、直接使用月度实际数据，因为数据变动而使数据统计信息不准确。在通常春节出现的1-3月里，数据在各年的变动不一样，例如可能在有的年份里2月用电是平均水平，有的年份里2月显著较低，因为后者的春节在2月里，春节前中后数据非正常水平，使得月度工作日里的有效用电量不足。1-3月的数据波动，带来后期核算用电增长数据的不稳定。

2、由于直接使用实际数据，难以克服移动节假日效应，致使对用电趋势预测时，波动剧烈。比如，今年春节出现在2月，再对3、4月进行预测时，2月的数据骤减，会影响到3、4月的数据预测值。又如，春节出现在2月，在使用1月数据对2月进行预测时，会出现用电预测值偏高的情况等。

3、简单的合并数据，虽然克服了春节期间的数据的波动，但是也损失了数据信息。开年的数据信息往往比较重要。另外，如果合并春节所在月份的数据，一般是两个月份的数据为一个月，那么相应预测时，其他输入变量的月份也需要相应调整，增加了数据处理的工作量。也增大了预测误差。

4、根据调整系数进行修正数据，往往调整系数缺乏统一的标准。导致修正的数据不稳定，没有统一的验证手段。设定的调整系数仅仅是对月度总量数据的调整，而没有针对春节假日出现在相应月份里的公历日进行核算，尤其遇到春节横跨两月首尾时，无法处理。

发明内容

本发明所要解决的技术问题是提供一种用于月度用电预测模型的有效工作日构建方法，该方法围绕预测模型展开，通过拟合效果和预测精度反向确定春节数据；可针对预测时类似数据问题进行处理，但凡涉及到类似春节数据的这种移动节假日的调整，以及使用节假日数据开展预测时都能够使用；调整系数可根据实际数据状况和预测模型的变化而滚动变化，灵活度高。

为解决上述技术问题，本发明采用的技术方案是：

一种用于月度用电预测模型的有效工作日构建方法，包括以下步骤：

划分春节用电为三个时段，前中后各一星期，分别为春节前七天，即除夕开始前七天，春节期间七天，即初一到初七，春节后七天，即初八到十五；

设春节前七天调整系数为c1，春节期间七天为c2，春节后七天为c3，则

以一定步长搜索不同时段的调整系数的范围，计算出的c1，c2，c3三个数值作为调整系数的初始值，在这个数值上下搜索，从而形成系数集合，形成c1、c2和c3的系数集合；

根据调整系数，折算出春节前中后三周所在月份内有效工作的天数，具体计算方法为，春节前一周的有效工作日＝c1×第i月春节前一周存在的天数，春节所在周的有效工作日＝c2×第i月春节所在周存在的天数，春节后一周的有效工作日＝c3×第i月春节后一周存在的天数，春节所在月份的有效工作日＝第i月非春节工作天数+第i月春节期间有效工作天数；

根据有效工作日集合计算出日均售电量集，并以此作为用电预测模型的输入值，进行预测，并根据模型预测误差，确定最优调整系数c1’，c2’，c3’；

根据最优调整系数计算的有效工作日所对应的日均售电量，作为模型输入量，计算出日均售电量的预测值，乘以通过调整后的有效工作日天数，就得到月度用电预测值。

根据上述方案，所述步长为0.1。

与现有技术相比，本发明的有益效果是：

1.既刻画了春节移动假日的数据波动，又克服了数据波动对预测精度的不利影响。

2.把春节期间的用电量，核算为正常工作日的用电水平，既有实际用电数据水平，又能反映正常工作日的水平。

3.把春节所在月份的用电核算为有效工作日用电水平，增加了月度之间环比和同比的可比性，增加了数据信息的反映。

4.下图为各种方式下对工业用电预测误差率的实际效果对比：春节调整前后预测误差率的对比。

附图说明

图1是本方法采用与否预测误差的对比图。

图2是本发明中状态空间模型的观测量与状态量对应关系示意图。

图3是本发明中状态空间模型基本流程示意图。

图4是发明用于月度用电预测模型的有效工作日构建方法流程示意图。

具体实施方式

1、划分春节三个时段时段

按照企业开工规律，把春节期间划分为三个时段，分别为春节前七天(除夕开始前七天)，春节期间的七天(初一)，春节后七天(初八开始)。无论春节是否跨月，或者在任何一个月份里，一般是1-3月，则可称为春节前中后三个时段。

2、确定不同时段的初始调整系数

设定春节前七天调整系数为c1，春节期间七天为c2，春节后七天为c3。春节前段的前一周，即春节前两周时，用电量是正常情况的用电。根据网供电日数据，计算近二至三年以来，春节前一周的平均用电量，并使两者相比得到一个比例，这个比例就作为春节前七天的调整初始系数c1，即表示春节前一周的用电量占春节前两周用电量的比重。春节中期调整初始系数c2，则是春节期间的用电量占春节前两周的用电量的比重。春节后期调整初始系数c3，则是春节后期的用电量占春节前两周的用电量的比重。

3、以步长0.1搜索不同时段的调整系数的范围

所有初始系数，根据0.1作为步长前后搜索，从而形成系数集合。如系数取值为c1，则按照每步长0.1向c1前后加减，形成新值c1±0.1，并以此值为基准继续以0.1的步长迭代。从而形成以c1为中心的系数集合。于是形成c1，c2和c3的系数集合。

4、根据调整系数集合，折算春节有效工作日集合

根据调整系数，折算出春节前中后三周所在月份内有效工作的天数。具体计算方法如下：

春节前一周的有效工作日＝c1*第i月春节前一周存在的天数

春节所在周的有效工作日＝c2*第i月春节所在周存在的天数

春节后一周的有效工作日＝c3*第i月春节后一周存在的天数

春节所在月份的有效工作日＝第i月非春节工作天数+第i月春节期间有效工作天数

6、根据售电量集，作为状态空间模型的输入值，进行预测。根据模型预测误差，确定最优调整系数。

根据以上按照步长为0.1的搜索，生成系数集合，根据系数集合得到有效工作日集合，从而得到日均售电量的集合。把这些集合数据作为预测模型的输入值，对日均有效电量进行预测，得到日均电量的预测值，选择误差最小的数据集合所确定的有效工作日作为最终的有效工作日数据，该工作日所依赖的调整系数就作为最终的调整系数。

7、根据最终的调整系数所确定的日均售电量作为输入值，给出日均售电量的预测值，再乘以有效工作日天数，推算出调整之后的月度售电预测值。

月售电量预测值＝日均售电量预测值*月有效工作日

Claims (3)

1.一种用于月度用电预测模型的有效工作日构建方法，其特征在于，包括以下步骤：

划分春节用电为三个时段，前中后各一星期，分别为春节前七天，即除夕开始前七天，春节期间七天，即初一到初七，春节后七天，即初八到十五；

设春节前七天调整系数为c1，春节期间七天为c2，春节后七天为c3，则

以确定步长搜索不同时段的调整系数的范围，计算出c1，c2，c3三个数值作为调整系数的初始值，在这个数值上下搜索，从而形成系数集合，形成c1、c2和c3的系数集合；

根据调整系数，折算出春节前中后三周所在月份内有效工作的天数，具体计算方法为，春节前一周的有效工作日＝c1×第i月春节前一周存在的天数，春节所在周的有效工作日＝c2×第i月春节所在周存在的天数，春节后一周的有效工作日＝c3×第i月春节后一周存在的天数，春节所在月份的有效工作日＝第i月非春节工作天数+第i月春节期间有效工作天数；

根据有效工作日集合和当月售电量计算出日均售电量，根据日均售电量集，作为用电预测模型的输入数据，进行预测，根据模型预测误差，确定最优调整系数c1’，c2’，c3’。

2.如权利要求1所述的用于月度用电预测模型的有效工作日构建方法，其特征在于，所述步长为0.1。

3.如权利要求1所述的用于用电预测模型的有效工作日构建方法，其特征在于，根据最终调整系数确定的有效工作日，计算日均售电量，得到日均售电量的预测值，然后乘以有效天数，计算出售电量的月度预测值。