CN106447108A - 一种考虑业扩报装数据的用电需求分析预测方法 - Google Patents
一种考虑业扩报装数据的用电需求分析预测方法 Download PDFInfo
- Publication number
- CN106447108A CN106447108A CN201610860782.5A CN201610860782A CN106447108A CN 106447108 A CN106447108 A CN 106447108A CN 201610860782 A CN201610860782 A CN 201610860782A CN 106447108 A CN106447108 A CN 106447108A
- Authority
- CN
- China
- Prior art keywords
- electricity
- curve
- variable
- business process
- growth
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000004458 analytical method Methods 0.000 title claims abstract description 46
- 238000009434 installation Methods 0.000 title abstract 5
- 230000012010 growth Effects 0.000 claims abstract description 80
- 230000001932 seasonal effect Effects 0.000 claims abstract description 29
- 230000001419 dependent effect Effects 0.000 claims abstract description 11
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000012417 linear regression Methods 0.000 claims abstract description 7
- 230000005611 electricity Effects 0.000 claims description 105
- 230000008569 process Effects 0.000 claims description 37
- 230000001052 transient effect Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012512 characterization method Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000033001 locomotion Effects 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000052 comparative effect Effects 0.000 abstract 1
- 238000011038 discontinuous diafiltration by volume reduction Methods 0.000 description 22
- 230000008859 change Effects 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 5
- 238000012271 agricultural production Methods 0.000 description 4
- 238000012098 association analyses Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003698 anagen phase Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000003111 delayed effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- NRTLIYOWLVMQBO-UHFFFAOYSA-N 5-chloro-1,3-dimethyl-N-(1,1,3-trimethyl-1,3-dihydro-2-benzofuran-4-yl)pyrazole-4-carboxamide Chemical compound C=12C(C)OC(C)(C)C2=CC=CC=1NC(=O)C=1C(C)=NN(C)C=1Cl NRTLIYOWLVMQBO-UHFFFAOYSA-N 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000003467 diminishing effect Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 230000009605 growth rhythm Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000005303 weighing 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas 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)
Abstract
本发明公开了一种考虑业扩报装数据的用电需求分析预测方法，包括以下步骤：确定新增用户户数和新增用电设备容量，计算容量增长率与环比增长率；利用S型生长曲线构建业扩报装后的用电趋势，利用主元分析法得到业扩用电生长曲线，以瞬时生长率为基值，拐点为识别依据，进行曲线的分阶段解读；对用电量和业扩报装进行转换，利用census X12算法对解释变量和因变量进行季节性分解，将原始变量分解为趋势循环项(TC)、季节因素(SF)和随机项(IR)；分析两变量趋势项之间的相关性再进行线性回归，考虑季节因素后，确认用电量的预测值。本发明可以得到量化的容量释放规律以及报装容量与用户电量的关系，从而精确的进行电量预判。
Description
技术领域
本发明涉及一种考虑业扩报装数据的用电需求分析预测方法。
背景技术
由于受国家政策、生产成本、销售情况、市场前景、业扩趋势的影响，不能对业扩新增容量、电量、负荷做出精确的预测判断。由于业扩新装需要较长的时间过程，不能准确的把握新增容量的释放规律，电量增长点的规律以及电量什么时候达到正常水平，容量的增长对全省电量的影响等等。即，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。对历史数据进行统计，找出新增报装与售电量增长之间的关系，有助于电网企业对未来售电量的增长变化进行更准确的预计。
但是目前业扩报装的相关研究主要关注点是政策的制定和管理制度的完善，很少从量测技术、数学模型、算法演练上做深入的研究，例如基于S-曲线的负荷预测方法，基于业务扩大信息的区域用电大户简单直观的提高未来3-5年内负荷预测的准确性。但是对未来几年的预测，若想更精细的进行预测，还需要进行月度的分析。
发明内容
本发明为了解决上述问题，提出了一种考虑业扩报装数据的用电需求分析预测方法，该方法提出了售电市场分析预测指标体系的分析理念和总体框架，并在此基础上发展了市场占有分析、市场集中度分析、典型用户分析、报装跟踪等具有鲜明营销工作特色的新指标，以期全面、深入地评价售电市场的总体发展状况。该指标体系为实现营销工作的规范化、科学化、高效化提供了支撑。
为了实现上述目的，本发明采用如下技术方案：
一种考虑业扩报装数据的用电需求分析预测方法，包括以下步骤：
(1)确定新增用户户数和新增用电设备容量，计算容量增长率与环比增长率；
(2)利用S型生长曲线构建业扩报装后的用电趋势，利用主元分析法得到业扩用电生长曲线，以瞬时生长率为基值，拐点为识别依据，进行曲线的分阶段解读；
(3)对用电量和业扩报装进行转换，利用census X12算法对解释变量和因变量进行季节性分解，将原始变量分解为趋势循环项(TC)、季节因素(SF)和随机项(IR)；
(4)分析两变量趋势项之间的相关性再进行线性回归，考虑季节因素后，确认用电量的 预测值。
所述步骤(1)中，通过计算新增数量和容量及其增长率，以确认未来用电市场增长的趋势。
所述步骤(1)中，把握总量数值，同时掌握总量的构成情况，从不同地区、不同用电类别、不同行业、各电压等级和各个产业多个角度分析总量与其构成分量的关系。
所述步骤(2)中，选用Logistic、Gompertz或Von Bertanlanffy曲线对用电量的生长趋势进行描述。
所述步骤(2)中，基于最大电量、参数、瞬时生长速度与时间尺度来确认用电量的生长趋势。
所述步骤(2)中，曲线中的拐点就是曲线变化速率的转折点，也是二阶导数为零的点，其表征曲线的变化趋势，当二阶导数为零时，达到各自的拐点月份，其对应的电量即为拐点电量。
所述步骤(3)中，利用业扩报装后的用电趋势曲线，结合瞬间生长率和相对生长率，从生长变化率层面强调用电的趋势特点，以瞬时生长率为基值，衡量曲线的波动特性。
所述步骤(3)中，利用主元分析法通过不同角度分析变量，采用线性结合方式将原始信息集合起来，形成互不相关且涵盖绝大部分数据信息的综合变量。
所述步骤(3)中，应用于业扩生长曲线将不同客户的电量作为原始变量，进行分时间、分客户的双向提取，得到主元将选取的典型客户提升到客户所代表的整体层面上来，以业扩报装数据作为解释变量，用电量作为因变量。
所述步骤(3)中，假设数据的样本空间为s，每个样本的观测的指标个数为m，主元分析法的数学模型可表示为：
其中输出矩阵y1，y2，…ym为原始数据的关键信息，就是主元，系数矩阵A是指原始变量与主元之间的关联系数，状态矩阵x1，x2，…xm是指因子变量，也就是原始变量，这里指不同行业客户的用电量。
所述步骤(4)中，用电量和报装都具有一定的季节性，以月份度作为时间观测单位的时 间序列通常具有以年为单位的周期性变化，这是由于季节因素影响造成的，称为季节性变化，在分析客观性影响因素时，将季节要素从原序列中剔除，进行季节调整。
本发明的有益效果为：本发明从数值量化、趋势解读、关联分析三种层面上，采用典型的“S”型生长曲线拟合业扩报装后电量增长趋势曲线，并采用主元分析法的方法分析行业业扩电量趋势；利用census X12算法对全社会用电量和报装进行转换和分解，分析报装容量与全社会用电量的关联分析，分别用于各地市、不同用电类别、不同行业、各电压等级和各个产业进行多角度全方位的分析，可以得到量化的容量释放规律以及报装容量与用户电量的关系，从而精确的进行电量预判。
附图说明
图1是按行业统计新增数量百分比饼图；
图2是按用电类别统计新增数量百分比饼图；
图3是按产业统计新增数量百分比饼图；
图4是大工业用电高压新装后用电趋势；
图5(a)是大工业用电瞬时生长率示意图；
图5(b)是大工业用电相对生长率示意图；
图6是大工业用电报装生长曲线；
图7是全行业用电量与报装容量散点图；
图8是全行业用电量分解图；
图9是全行业报装容量分解图。
具体实施方式：
下面结合附图与实施例对本发明作进一步说明。
特征分析：
1)新增用户户数和新增用电设备容量。新增数量及其占总数量的比重预示了未来售电市场增长的势头，也在一定程度上反映了营销部门市场开拓的效果。
指标1：新增数量百分比UR＝新增数量/总新增数量 (1.1)
指标2：新增容量增长率CR＝新增设备容量/总容量 (1.2)
指标3：新减容量增长率DR＝新减设备容量/总容量 (1.3)
指标4：新增容量环比增长率CGR＝(新增设备容量-去年新增设备容量)/去年新增设备容量 (1.4)
指标5：新减容量环比增长率DGR＝(新减设备容量-去年新减设备容量)/去年新减设备容量 (1.5)
2)把握总量数值，同时掌握总量的构成情况。可以从不同地区、不同用电类别、不同行业、各电压等级和各个产业多个角度分析总量与其构成分量的关系。通过这样的分析，营销部门能够预计售电市场未来收入、均价、利润等关键指标的变化趋势。
1.2.2趋势解读：
生长曲线之前广泛应用于描述动植物的生长过程，其相关分析实质上要把不同时期的信息综合成少数几个参数。生长曲线可分为三类：一是表示报酬递减表现的方程，如指数函数；另一是描述光滑S型曲线，有一个固定拐点的方程如Logistic、Gompertz，还有一类也描述光滑S型曲线，但拐点可变的方程，如Von Bertanlanffy。
通过趋势分析可见客户完成业扩报装(新装为主)后用电趋势呈现出S型生长曲线特性，利用主元分析法得到业扩用电生长曲线，以瞬时生长率为基值，拐点为识别依据，实现曲线的分阶段解读，从而可以分析出报装完成后容量的释放规律。
1、S型生长曲线
S型曲线被广泛应用于动植物的生长规律的分析，是描述生物生长趋势的曲线，也叫生长曲线，其中最具有代表性有3种曲线模型：Logistic、Gompertz和Von Bertanlanffy，每种曲线都是Richard曲线Qt＝α(1-βe-kt)1/(1-γ)的特殊表达形式，其数学模型和参考指标见表1.1。
表1.1生长曲线拟合的三种非线性模型及其特性
其中，Qt为电量；α为最大电量；β为参数；k为瞬时生长速度；t为时间尺度，本发明以月份为周期。曲线趋势呈典型的“S”型，曲线中的拐点就是曲线变化速率的转折点，也是数 学模型中二阶导数为零的点，可以表征曲线的变化趋势，当二阶导数为零时，达到各自的拐点月份，其对应的电量即为拐点电量。各模型的拐点电量、拐点月份以及最大周期增量的数学模型如表1.1所示。分析得Logistic曲线的拐点电量为α/2，为最大电量的一半，且发生在(lnβ)/k月份；Gompertz曲线拐点月份和Logistic曲线一致，而拐点电量为α/e，相当于36.8％α；Von Bertanlanffy曲线趋势相对平缓，拐点月份在(ln 3β)/k，彼时电量值为8α/27，相当于29.6％α。
为了进一步分析业扩用电生长曲线特性，除了常用指标拐点时间和拐点量值之外，还考虑了其他指标：
1)瞬时生长率，着重体现生长速度的变化趋势，以为计算依据；
2)相对生长率，单位时间内初值占末值的比率，体现了净用电量的有效增长。
通过以上指标可以从生长变化率层面强调用电的趋势特点，以瞬时生长率为基值，衡量曲线的波动特性，相比曲线模型为基值的拐点判断，更容易发现曲线的内在规律。
2、主元分析法
主元分析法是一种多元统计分析方法，将多指标转化为几个综合指标，通过不同角度分析变量，采用线性结合方式将原始信息集合起来，形成互不相关且涵盖绝大部分数据信息的综合变量。应用于业扩生长曲线将不同客户的电量作为原始变量，进行分时间、分客户的双向提取，这样得到主元才能更好的将选取的典型客户提升到客户所代表的整体层面上来。
假设数据的样本空间为s，每个样本的观测的指标个数为m，主元分析法的数学模型可表示为：
其中输出矩阵y1，y2，…ym为原始数据的关键信息，就是主元，系数矩阵A是指原始变量与主元之间的关联系数，状态矩阵x1，x2，…xm是指因子变量，也就是原始变量，这里指不同行业客户的用电量。
主元的思想就是化零为整，化繁为简，将多维、多元变量按照特定需求进行整合，实现降维、降阶。主元的求取过程中，总方差不变，第一主元是指方差比较大的元，其偏离平衡点的距离越大，离散程度越大，包含的数据信息越多；第二主元是指次大方差的元；等等依次类推。然后对主元提取设定一个门槛值(如90％)，只对占全部方差比重90％的n个主元分析，这样就把原来的m个指标整合为n个指标。
1.3.3关联分析
电量的预测是电力负荷预测的其中一项内容，只有对电量进行细致准确的预测才能为统调用电量、负荷等其他指标的预测提供参考依据。业扩报装对于电量的预测工作有着先行意义，是直接影响因素，长期以来两者都只有定性关的关系，没有有效的方法实现定量分析并建立模型。
由于用电量和报装都具有一定的季节性，对用电量和报装进行转换，本发明利用census X12算法对解释变量和因变量进行季节性分解。将原始变量分解为趋势循环项(TC)、季节因素(SF)和随机项(IR)。通过分析两变量趋势项之间的相关性再进行线性回归。在考虑了季节因素之后，得到最终预测值。将报装容量和用户电量联系起来，并完成相对准确的预测。
以月份度作为时间观测单位的时间序列通常具有以年为单位的周期性变化，这是由于季节因素影响造成的，称为季节性变化。季节性变动不仅由于气候因素的直接影响，同时社会制度及风俗习惯也存在季节变动。由于季节性波动非常显著，通常会掩盖发展中的客观规律，对我们的分析和预测工作造成影响，因此必须去掉季节波动的影响，将季节要素从原序列中剔除，进行季节调整。
1.3实例分析
1.3.1特征分析
1.3.1.1地域分析
将2013年A省17地市报装情况进行统计，包括新增报装户数、原有容量、新增容量、新减容量。根据统计情况分别计算1.2.1中介绍的五项指标，计入表1.2中。
表1.2 A省17地市业扩报装情况统计表
指标1新增数量百分比：
从表中可以看出A7、A13、A2、A14及A6五个地市的新增用户数量最多，占了总新增户数的一半以上，可见经济增长速度较快。
指标2新增容量增长率：
增加的容量中A6、A2、A17综合三年占原有容量比例较大，增加的容量较多。
指标3新减容量增长率：
新减容量中可以看出A6、A4、A12的减容量比较多。可见A6新增减容量都比较多。
指标4、指标5新增/减容量环比增长率：
从表中可以看出，A1、A2、A3、A4、A5新增容量连续增加。
1.3.1.2行业类别
表1.3 A省八大行业业扩报装情况统计表
指标1新增数量百分比：
图1按行业统计新增数量百分比饼图
从图中可以看出工业占总新增户数的一半左右，可见工业在A省整个用电情况的比重较大。
指标2新增容量增长率：
增加的容量中可以看出信息传输、计算机服务和软件业增长很快，原有容量比例较大，增加的容量较多。
指标3新减容量增长率：
新减容量中可以看出农、林、牧、渔业和工业在三年的减少容量比较多，可见第三产业发展较农业工业发展更为迅速。
指标4、指标5新增/减容量环比增长率：
从表中可以看出，各行业容量变化没有连续的增加和减少。
1.3.1.3用电类别
表1.4 A省用电类别业扩报装情况统计表
指标1新增数量百分比：
图2按用电类别统计新增数量百分比饼图
从图中可以看出一般工商业的新装情况占所有用电类别的百分之七十以上，从用电情况也能看出一般工商业的迅速发展。
指标2新增容量增长率：
增加的容量中可以看出农业生产用电新装占原有容量的比重越来越大，一般工商业持续增长。
指标3新减容量增长率：
新减容量中可以看出农业排灌和农业生产用电每年减少的容量相对与原有总容量很多。但农业生产用电新增容量也很多，因此只是用户变动比较频繁。
指标4、指标5新增/减容量环比增长率：
从表中可以看出，只有农业生产用电连续两年新增容量持续增长。
1.3.1.4电压等级
表1.5 A省各电压等级业扩报装情况统计表
指标1新增数量百分比：
10kv新装占所有新装数量的绝大部分。
指标2新增容量增长率：
增加的容量中可以看出220kv、10kv的新增容量均持续增长。
指标3新减容量增长率：
新减容量中可以看出新减容量10kv电压等级也是相对最多的，从数量上、报装情况上都可以看出10kv是所有电压等级中最活跃也是最复杂的。
指标4、指标5新增/减容量环比增长率：
从表中可以看出，没有电压等级连续两年新/减增容量持续增长。注意到220kv环比指标存在突变，是由于数据中11年新减容量相比12、13年小很多，可能是因为报装情况由各地市手动录入存在很大的随机因素。
1.3.1.5产业划分
根据产业与行业的从属关系，划分第一、第二、第三产业。
表1.6产业与各行业的划分关系
表1.7 A省用产业扩报装情况统计表
指标1新增数量百分比：
从图3中可以看出从数量上第二产业新装占到所有新装数量一半。
新减容量中可以看出各产业的容量减少规律性不明显，但从总体上可以看出容量的减少情况有所减缓。
指标4、指标5新增/减容量环比增长率：
从表中可以看出，就最近三年的情况来看第三产业的新增减容量都连续增长的，可见随着经济发展，第三产业在全行业中扮演着越来越活跃的角色。
1.3.2趋势解读--报装后用电量趋势分析
1、典型用户报装后用电量趋势分析
由于受国家政策、生产成本、销售情况、市场前景、业扩趋势的影响，不能对业扩新增容量、电量、负荷做出精确的预测判断。再次，业扩新装需要较长的时间过程，目前的技术手段和决策方法的限制，不能准确的把握新增容量的释放规律、电量增长点的规律、容量的增长对全省电量的影响等等。对于新装业务，客户在完成报装后需要进行用电设备等各方面的调试，并不能马上达到稳定的用电状态，这段调试期客户的用电量是我们要分析的重点。
为此，本发明以A省2011年到2014年8月份的业扩报装数据为依据，以高压新装业务为例，选取数据中大工业用电的三个典型企业，分析其新装后一年的用电量规律。通过对典型企业的趋势分析，如图4所示：3个典型企业完成新装业务后用电基本呈S型生长特性，也符合生物生长的趋势。
2、典型客户业扩生长曲线拟合
本发明以A省营销部量测数据为喜剧，选取用电类别为大工业用电的新装业务，筛选归纳出送电后12个月的用电量，按电量排序，去除客户用电曲线不符合规律的数据，如因为市场原因减产或政策影响实行节能减排导致电量下降的，以电量环比大于零为基准，最后筛选出十名典型客户，代表大工业用电新装后用电趋势。
对十名客户报装后的电量采用Logistic、Gompertz和Von Bertanlanffy模型，利用SPSS16.0统计分析软件进行循环迭代，拟合计算出各模型参数的最优估计值A、B、K，收敛标准为10-8，并根据参数估计值推算出模型的拐点月份、拐点电量及拟合度R2，见表1.8。
表1.8生长曲线模型参数估计值及拟合度
通过表格中部分拐点月份过大可以看出部分筛选数据仍存在一定错误，可能原因是由于统计时人工输入错误或企业同时进行其他类别的业扩项目，影响用电量，使部分分析数据有明显纰漏。但仍可以看出一些有用的结论：十个客户中，有六个客户对VonBertanlanffy模型拟合程度较好，除去拐点月份过大的企业三和企业七，虽然各企业的偏好模型不尽相同，但是拐点月份基本上在3.3个月。
3、主元提取
采用SPSS16.0统计分析软件对Von Bertanlanffy模型拟合业扩生长曲线进行主元提取。可以得到主成分得分值表，见表1.9。然后根据拟合值得到新装后1-12月的主元电量，见表1.10。
表1.9主成分得分值表
表1.10主元电量
4、大工业用电业扩生长曲线拟合
对主元电量进行Logistic、Gompertz和Von Bertanlanffy模型拟合，三种模型对主元电量的拟合效果都极好，Logistic模型拟合度为0.998，Gompertz和Von Bertanlanffy模型拟合度均为1。Von Bertanlanffy模型拐点月份为4月，拐点电量为623.45万kwh。针对Von Bertanlanffy模型进行各项指标的解读，画出该模型下瞬时生长率和相对生长率变化情况，如图5(a)、图5(b)。
分析生长率模型可知，Von Bertanlanffy模型在5月之前处于加速生长期，之后处于减速生长期。在加速生长期内可以看出其增加速度在不断减缓，拐点附近瞬时增长率达峰值，不再增加。在减速生长期瞬时增长率不断下降最后可能趋于零，用电量趋于稳定。
针对拟合度为1的Von Bertanlanffy模型，大工业用电整体的生长曲线见图6。加速生长期为1-5月，减速生长期为6-12月，最后稳定在1334万kwh。前期每月投入电量分别为7.94％、22.39％、38.81％、55.98％、69.42％。可见大工业用电在五个月就可以基本实现新装容量的释放，在用电设备调试方面进度较快，进入稳定状态。
1.3.3关联分析--报装容量与电量关系
由于用电量和报装都具有一定的季节性，对用电量和报装进行转换，即利用census X12 算法对解释变量和因变量进行季节性分解。将原始变量分解为趋势循环项(TC)、季节因素(SF)和随机项(IR)。通过分析两变量趋势项之间的相关性再进行线性回归。在考虑了季节因素之后，得到最终预测值。将报装容量和用户电量联系起来，并完成相对准确的预测。
基于业扩报装全行业用电量的分析预测
统计A省2011年-2014年上半年各月度全行业报装容量和用电量情况，观察两个指标的散点图并寻找对应关系。
1.对因变量进行分解
将2011年-2014年上半年全行业用电量(Power usage of the whole industry)因变量QHY利用E-view软件中的X12算法分解为趋势循环项QHY_TC、季节因素QHY_SF和随机项QHY_IR。如图8所示。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不断增加。季节因素呈规律性变化，在2月份呈现低谷，这是由于正月全行业大规模停产，导致用电量下降。
2.对自变量进行分解
将2011年-2014年上半年全行业报装容量(expansion of the whole industry)自变量EWI利用E-view软件中的X12算法分解为趋势循环项EWI_TC、季节因素EWI_SF和随机项EWI_IR。如图9所示。从循环趋势项可见报装容量在2012年下半年有轻微的下降趋势，可以得知全行业在2012年下半年至2013年新装容量整体基本持平没有明显增长的趋势。随机项基本跟随报装曲线，这是由于业扩报装本身具有很强随机性，加上各供电公司录入数据时存在很大的不稳定因素。
3.趋势循环项相关性分析及线性回归
将自变量趋势循环项(EWI_TC)和因变量趋势循环项(QWI_TC)进行相关性分析。计算结果如表1.11。所有计算结果都在单侧0.01检验水平下显著相关。且相关性均较好，在因变量滞后3个周期的时候两变量的相关性最强。
相关性最强的时候是在自变量趋势项滞后6个月之后。
表1.11两变量趋势循环项相关系数
将EWI_TC(-3)作为自变量，QWI_TC作为因变量进行一元线性回归。得到公式4.8.1。得到的回归模型的残差不存在序列相关性和异方差，R2较高，可以很好的拟合趋势循环变量的关系。式中0.216可以代表增电量系数，常数代表可存电量取值。
YTC＝0.216XTC(-S)+2144598.512
R2＝0.885(1.7)
4.电量预测
将上述方程计算得到的全行业电量趋势循环项拟合值与分解得到的季节因素和随机项进行加和，得到全行业电量拟合值，与实际值对比，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2986527.214万千瓦时，实际用电量为3067010.534万千瓦时，误差为2.62％；六月份预测用电量3019921.841万千瓦时，实际用电量3079281.457千瓦时，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)
1.一种考虑业扩报装数据的用电需求分析预测方法，其特征是：包括以下步骤：
(1)确定新增用户户数和新增用电设备容量，计算容量增长率与环比增长率；
(2)利用S型生长曲线构建业扩报装后的用电趋势，利用主元分析法得到业扩用电生长曲线，以瞬时生长率为基值，拐点为识别依据，进行曲线的分阶段解读；
(3)对用电量和业扩报装进行转换，利用census X12算法对解释变量和因变量进行季节性分解，将原始变量分解为趋势循环项(TC)、季节因素(SF)和随机项(IR)；
(4)分析两变量趋势项之间的相关性再进行线性回归，考虑季节因素后，确认用电量的预测值。
2.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(1)中，通过计算新增数量和容量及其增长率，以确认未来用电市场增长的趋势。
3.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(1)中，把握总量数值，同时掌握总量的构成情况，从不同地区、不同用电类别、不同行业、各电压等级和各个产业多个角度分析总量与其构成分量的关系。
4.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(2)中，选用Logistic、Gompertz或Von Bertanlanffy曲线对用电量的生长趋势进行描述。
5.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(2)中，基于最大电量、参数、瞬时生长速度与时间尺度来确认用电量的生长趋势。
6.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(2)中，曲线中的拐点就是曲线变化速率的转折点，也是二阶导数为零的点，其表征曲线的变化趋势，当二阶导数为零时，达到各自的拐点月份，其对应的电量即为拐点电量。
7.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(3)中，利用业扩报装后的用电趋势曲线，结合瞬间生长率和相对生长率，从生长变化率层面强调用电的趋势特点，以瞬时生长率为基值，衡量曲线的波动特性。
8.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(3)中，利用主元分析法通过不同角度分析变量，采用线性结合方式将原始信息集合起来，形成互不相关且涵盖绝大部分数据信息的综合变量；
所述步骤(3)中，应用于业扩生长曲线将不同客户的电量作为原始变量，进行分时间、分客户的双向提取，得到主元将选取的典型客户提升到客户所代表的整体层面上来，以业扩报装数据作为解释变量，用电量作为因变量。
9.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(3)中，假设数据的样本空间为s，每个样本的观测的指标个数为m，主元分析法的数学模型可表示为：
其中输出矩阵y1，y2，…ym为原始数据的关键信息，就是主元，系数矩阵A是指原始变量与主元之间的关联系数，状态矩阵x1，x2，…xm是指因子变量，也就是原始变量，这里指不同行业客户的用电量。
10.如权利要求1所述的一种考虑业扩报装数据的用电需求分析预测方法，其特征是：所述步骤(4)中，用电量和报装都具有一定的季节性，以月份度作为时间观测单位的时间序列通常具有以年为单位的周期性变化，这是由于季节因素影响造成的，称为季节性变化，在分析客观性影响因素时，将季节要素从原序列中剔除，进行季节调整。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610860782.5A CN106447108A (zh) | 2016-09-28 | 2016-09-28 | 一种考虑业扩报装数据的用电需求分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610860782.5A CN106447108A (zh) | 2016-09-28 | 2016-09-28 | 一种考虑业扩报装数据的用电需求分析预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN106447108A true CN106447108A (zh) | 2017-02-22 |
Family
ID=58169999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610860782.5A Pending CN106447108A (zh) | 2016-09-28 | 2016-09-28 | 一种考虑业扩报装数据的用电需求分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106447108A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214629A1 (zh) * | 2017-05-25 | 2018-11-29 | 北京中电普华信息技术有限公司 | 售电量预测方法及装置、计算机存储介质 |
| CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
| CN113269361A (zh) * | 2021-05-20 | 2021-08-17 | 国网甘肃省电力有限公司酒泉供电公司 | 一种基于电力用户关联性分析的用电量增长预测方法 |
| CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
| CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
| CN115186895A (zh) * | 2022-07-11 | 2022-10-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于业扩报装的行业用电量预测方法 |
| CN116385210A (zh) * | 2023-06-06 | 2023-07-04 | 江苏图南数字科技有限公司 | 一种基于物联网的供电能耗监测系统 |
-
2016
- 2016-09-28 CN CN201610860782.5A patent/CN106447108A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018214629A1 (zh) * | 2017-05-25 | 2018-11-29 | 北京中电普华信息技术有限公司 | 售电量预测方法及装置、计算机存储介质 |
| CN109376953A (zh) * | 2018-11-21 | 2019-02-22 | 国网冀北电力有限公司 | 一种中长期电量预测方法及系统 |
| CN113361750A (zh) * | 2021-05-17 | 2021-09-07 | 国网安徽省电力有限公司淮北供电公司 | 一种基于业扩报装大数据的售电量预测方法 |
| CN113269361A (zh) * | 2021-05-20 | 2021-08-17 | 国网甘肃省电力有限公司酒泉供电公司 | 一种基于电力用户关联性分析的用电量增长预测方法 |
| CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
| CN114676896B (zh) * | 2022-03-16 | 2023-06-16 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
| CN115186895A (zh) * | 2022-07-11 | 2022-10-14 | 国网江苏省电力有限公司南通供电分公司 | 一种基于业扩报装的行业用电量预测方法 |
| CN116385210A (zh) * | 2023-06-06 | 2023-07-04 | 江苏图南数字科技有限公司 | 一种基于物联网的供电能耗监测系统 |
| CN116385210B (zh) * | 2023-06-06 | 2023-08-15 | 江苏图南数字科技有限公司 | 一种基于物联网的供电能耗监测系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| Zhang et al. | A new approach for crude oil price analysis based on empirical mode decomposition | |
| Sun et al. | Probabilistic peak load estimation in smart cities using smart meter data | |
| Wu et al. | Measuring the performance of thermal power firms in China via fuzzy Enhanced Russell measure model with undesirable outputs | |
| CN110082699A (zh) | 一种低压台区智能电能表运行误差计算方法及其系统 | |
| CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| Tang et al. | GM (1, 1) based improved seasonal index model for monthly electricity consumption forecasting | |
| Nikmanesh et al. | Macroeconomic determinants of stock market volatility: An empirical study of Malaysia and Indonesia | |
| 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 | |
| CN111798333A (zh) | 一种用能评估与用电安全分析方法和系统 | |
| CN113450031B (zh) | 居民智慧用能服务潜在台区选取方法及装置 | |
| CN111127099A (zh) | 一种基于大数据的电商用户分析系统及其分析方法 | |
| Yang et al. | Innovation and Market Value in Newly‐Industrialized Countries: The Case of Taiwanese Electronics Firms | |
| Cruces | Income fluctuation, poverty and well-being over time: theory and application to Argentina | |
| CN114004654A (zh) | 基于大数据分析的互联网卡用户画像构建方法及系统 | |
| Mardiana et al. | Forecasting gasoline demand in Indonesia using time series | |
| CN116701965A (zh) | 一种基于birch聚类算法的企业用户全景碳画像方法 | |
| CN111724049B (zh) | 一种潜在电力能效服务客户的研判方法 | |
| Boccanfuso et al. | Parametric and nonparametric income distribution estimators in CGE micro-simulation modeling | |
| CN114169802A (zh) | 电网用户需求响应潜力分析方法、系统及存储介质 | |
| Krukovets et al. | Short-Run Forecasting of Core Inflation in Ukraine: a Combined ARMA Approach | |
| CN113450141A (zh) | 一种基于电力大客户群体售电量特征的智能预测方法及装置 | |
| Popeangă | Data mining smart energy time series | |
| Liu et al. | Efficient electricity sales forecasting based on curve decomposition and factor regression |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |