CN106469331A - 一种电网售电量的预测系统及其方法 - Google Patents
一种电网售电量的预测系统及其方法 Download PDFInfo
- Publication number
- CN106469331A CN106469331A CN201510501981.2A CN201510501981A CN106469331A CN 106469331 A CN106469331 A CN 106469331A CN 201510501981 A CN201510501981 A CN 201510501981A CN 106469331 A CN106469331 A CN 106469331A
- Authority
- CN
- China
- Prior art keywords
- prediction
- sales amount
- algorithm
- electrical network
- selection
- 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
Abstract
本发明涉及一种电网售电量的预测系统,其包括:时间选择单元,用于接收外部的选择信息,相应挑选售电数据的时间范围;粒度选择单元,用于接收外部的选择信息,相应的粒度选择器包括用电类别、电压等级、地区和行业类别,各粒度选择器可单选或复选;算法选择单元,用于接收外部的选择信息,相应选择对应的预测算法;预测期数配置单元,用于接收外部的配置信息,对预测的期数进行配置;自动预测单元,用于根据选择的时间、粒度类别、算法和预测期数,自动产生预测值;趋势图生成单元,用于根据自动预测单元的预测结果,自动生成趋势图。同时,本发明还提供了一种应用上述预测系统的预测方法。
Description
技术领域
本发明涉及一种预测系统,特别是一种电网售电量的预测系统;本发明还提供了一种电网售电量的预测方法。
背景技术
销售量的预测是电网公司全面预算编制的起点,长期以来售电量的预测均是电网公司依据历史经验及GDP增长等指标人为预测,这种方式取决于预测人的经验和对未来趋势的把握,有一定的应用价值,然而不是十分严谨,也缺乏合理的科学评价指标,随着国网公司精细化管理工作的深入推进,售电量的预测也不能这么粗糙,尤其是面对电改的严峻形势,直接影响电网公司的投融资规划。因此,需要提供一种科学合理的预测工具是售电量预测精度的重要保证。
现有的技术中,大部分使用一些通用分析工具,比如SAS,可以做时间序列预测。但是需要用户每次都将数据汇总成一定的格式,再用此类工具预测,如此便捷性不高,影响了处理的效率。
发明内容
本发明在于克服现有技术的缺点与不足,提供一种便捷快速的电网售电量的预测系统及其方法。
本发明是通过以下的技术方案实现的:一种电网售电量的预测系统,其包括:
时间选择单元,用于接收外部的选择信息,相应挑选售电数据的时间范围;
粒度选择单元,用于接收外部的选择信息,相应的粒度选择器包括用电类别、电压等级、
地区和行业类别,各粒度选择器可进行单选或复选;
算法选择单元,用于接收外部的选择信息,相应选择对应的预测算法;
预测期数配置单元,用于接收外部的配置信息,对预测的期数进行配置;
自动预测单元,用于根据选择的时间、粒度类别、算法和预测期数,自动产生预测值;
趋势图生成单元,用于根据自动预测单元的预测结果,自动生成趋势图。
相比于现有技术,本发明通过提供一个完整的电网售电量的预测系统,更加系统,方便于用户的操作使用。而且,本发明提供不同算法的对比,使决策者更加容易抉择。同时,本发明仅需要提供电量数据,由用户自行选择时间范围和类别,大大的提高了使用的便捷性。
作为本发明的进一步改进,所述时间选择单元在未接受到外部选择信息时,默认值为系统数据可选范围最近的连续5个期间。
作为本发明的进一步改进,所述算法选择单元中可供选择的算法包括:平滑预测法和自相关法;所述平滑预测法包括:一次移动平均法、一次指数平滑法、线性二次移动平均法、二次指标平滑法、霍尔特双参数线性指数平滑法、布朗二次多项式指数平滑法、温特线性和季节性指数平滑法;所述自相关法包括:平均移动模型、自回归模型和自回归滑动平均模型。
作为本发明的进一步改进,所述算法选择单元包括自动选择模块,用于自动根据所选售电数据信息选择推荐算法。
作为本发明的进一步改进,所述自动选择模块根据预测类型、数据的周期性和平稳性,以及样本观察数量值相应产生对应的算法。
一种电网售电量的预测方法,其特征在于:包括以下步骤:
步骤1:对需要进行预测的电网售电量的数据进行选择;
步骤2:选择相应的算法,并自动生成预测方案;
步骤3:对预测方案进行对比分析。
作为本发明的进一步改进,所述步骤1中,包括以下步骤:
步骤11:选择需要进行预测的电网售电量的时间范围;
步骤12:选择用电类别、电压等级、地区和行业类型,可进行单选或复选。
进一步,所述步骤2中,包括以下步骤:
步骤21:判断是否使用推荐算法;若是使用推荐算法,并执行下一步;若否,则选择相应算法后执行下一步;
步骤22:配置预测期数;
步骤23:根据选择的数据、算法和配置的预测期数,自动产生售电量的预测值,并通过趋势图的方式展现给用户;
步骤24:对预测方案进行保存。
进一步,所述步骤21中,在产生推荐算法时,通过依次对预测类型、数据周期性和平稳性,以及样本的观察值数量进行判断,再产生相应的算法。
进一步,所述步骤3中,通过对不同算法的方案的预测值趋势拟合图、预测误差率、误差正太分布检测图和方差齐性检测图进行比对分析。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1是本发明的电网售电量的预测系统的连接框图。
图2是本发明的电网售电量的预测方法的流程图。
图3是本发明的推荐算法的产生步骤流程图。
具体实施方式
请参阅图1,其为本发明的电网售电量的预测系统的连接框图。本发明提供了一种电网售电量的预测系统,其包括:时间选择单元1、粒度选择单元2、算法选择单元3、自动预测单元4和趋势生成单元5。
所述时间选择单元1,用于接收外部的选择信息,相应挑选售电数据的时间范围,并发送至自动预测单元。具体的,所述时间选择单元在未接受到外部选择信息时,默认值为系统数据可选范围最近的连续5个期间,因为少于5个期间,缺乏足够的样本,会使统计误差大大增加。
所述粒度选择单元2,用于接收外部的选择信息,相应的粒度选择器包括用电类别、电压等级、地区和行业类别,各粒度选择器可单选或复选,并发送至自动预测单元。具体的,粒度之间可以交叉选择,比如A地区钢铁行业;在选择完后,用户能够看到数据的实际趋势图。
所述算法选择单元3,用于接收外部的选择信息,相应选择对应的预测算法,并发送至自动预测单元。
具体的,所述算法选择单元中可供选择的算法包括:平滑预测法和自相关法;所述平滑预测法包括:一次移动平均法、一次指数平滑法、线性二次移动平均法、二次指标平滑法、霍尔特双参数线性指数平滑法、布朗二次多项式指数平滑法、温特线性和季节性指数平滑法;所述自相关法包括:平均移动模型、自回归模型和自回归滑动平均模型。
进一步,由于时间序列方面的算法有很多,对于不懂算法的用户会比较难以选择,为了解决此问题。所述算法选择单元包括一自动选择模块,用于自动根据所选售电数据信息自动选择一推荐算法。具体的,本发明的电网售电量预测系统会依据所选数据的趋势情况,比如是否有明显的季节周期性、是否有强自相关性等,自动选择合适的算法,推荐给用户,相关的算法参数也会有默认值。
所述预测期数配置单元4,用于接收外部的配置信息,对预测的期数进行配置,并发送至自动预测单元;
所述自动预测单元5,用于根据选择的时间、粒度类别、算法和预测期数,自动产生预测值;具体的,所述自动选择模块根据预测类型、数据的周期性和平稳性,以及样本观察数量值相应产生对应的算法。
所述趋势图生成单元6,用于根据自动预测单元的预测结果,自动生成趋势图。
相应地,本发明还提供了一种应用于上述电网售电量的预测系统的预测方法,其包括以下步骤:
步骤S1:对需要进行预测的电网售电量的数据进行选择;具体的,所述步骤S1中,包括以下步骤:
步骤S11:选择需要进行预测的电网售电量的时间范围;
步骤S12:选择用电类别、电压等级、地区和行业类型,可进行单选或复选。
步骤S2:选择相应的算法,并自动生成预测方案;具体的,所述步骤S2中,包括以下步骤:
步骤S21:判断是否使用推荐算法;若是使用推荐算法,并执行下一步;若否,则选择相应算法后执行下一步;
步骤S22:配置预测期数;
步骤S23:根据选择的数据、算法和配置的预测期数,自动产生售电量的预测值,并通过趋势图的方式展现给客户;
步骤S24:对预测方案进行保存。
进一步,所述步骤S21中,在产生推荐算法时,通过依次对预测类型、数据周期性和平稳性,以及样本的观察值数量进行判断,再产生相应的算法,其具体包括以下步骤:
步骤S211:判断预测类型,由所选数据情况判断,日、周、旬、月为短期预测,季、半年、年为长期预测;
当进行短期预测时,筛选的算法为:一次移动平均法、一次指数平滑法、线性二次移动平均法、二次指标平滑法、霍尔特双参数线性指数平滑法和布朗二次多项式指数平滑法。然后再执行步骤S212,进行平稳性判断。
当进行长期预测时,筛选的算法为:温特线性和季节性指数平滑法、平均移动模型、自回归模型和自回归滑动平均模型,之后再执行步骤S213,进行平稳性和周期性判断。
步骤S212:进行平稳性判断,当具有平稳性时,自动选择一次移动平均法、一次指数平滑法、线性二次移动平均法。当不具备平稳性时,选择二次指标平滑法、霍尔特双参数线性指数平滑法和布朗二次多项式指数平滑法。
具体的,在本实施例中,其判断方法为:在对于平稳性正式的检验称作“单位根测试”,可以在R语言中可以使用fUnitRoots包中的adfTest函数或unitrootTest函数,如果p-value值小于0.05,说明有95%的概率是平稳性的,如果p-value大于0.05说明没有理由拒绝是非平稳性的。
例如:先随机生成均值为0,方差为1,符合正态分布的数据,检验其平稳性;再生成一个非平稳序列,检验其平稳性。
步骤S213:进行平稳性和周期性判断,当同时具备平稳性和周期性时,选择温特线性和季节性指数平滑法。当不具备平稳性或周期性时,执行步骤S214。
具体的,在本实施例中,其判断方法为:
对于平稳性判断,在对于平稳性正式的检验称作“单位根测试”,可以在R语言中可以使用fUnitRoots包中的adfTest函数或unitrootTest函数,如果p-value值小于0.05,说明有95%的概率是平稳性的,如果p-value大于0.05说明没有理由拒绝是非平稳性的。
对于周期性判断,可以使用R中“decompose()”函数来估计,此函数返回的结果是一个列表对象,里面包含了估计出的季节性部分,趋势部分和不规则部分,他们分别对应的列表对象元素名为“seasonal”、“trend”、和“random”。如果Seasonal部分存在,则说明存在周期性。
步骤S214:对样本观测值的数量进行判断,当超过50个时,则选择自回归滑动平均模型;当小于等于50个时,选择平均移动模型和自回归模型。
步骤S3:对预测方案进行对比分析。
进一步,所述步骤S3中,通过对不同算法的方案的预测值趋势拟合图、预测误差率、误差正太分布检测图和方差齐性检测图进行比对分析。
相比于现有技术,本发明通过提供一个完整的电网售电量的预测系统,更加系统,方便于用户的操作使用。而且,本发明提供不同算法的对比,使决策者更加容易抉择。同时,本发明仅需要提供电量数据,由用户自行选择时间范围和类别,大大的提高了使用的便捷性。
本发明并不局限于上述实施方式,如果对本发明的各种改动或变形不脱离本发明的精神和范围,倘若这些改动和变形属于本发明的权利要求和等同技术范围之内,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种电网售电量的预测系统,其特征在于:包括:
时间选择单元,用于接收外部的选择信息,相应挑选售电数据的时间范围;
粒度选择单元,用于接收外部的选择信息,相应的粒度选择器包括用电类别、电压等级、地区和行业类别,各粒度选择器可单选或复选;
算法选择单元,用于接收外部的选择信息,相应选择对应的预测算法;
预测期数配置单元,用于接收外部的配置信息,对预测的期数进行配置;
自动预测单元,用于根据选择的时间、粒度类别、算法和预测期数,自动产生预测值;
趋势图生成单元,用于根据自动预测单元的预测结果,自动生成趋势图。
2.根据权利要求1所述电网售电量的预测系统,其特征在于:所述时间选择单元在未接受到外部选择信息时,默认值为系统数据可选范围最近的连续5个期间。
3.根据权利要求1所述电网售电量的预测系统,其特征在于:所述算法选择单元中可供选择的算法包括:平滑预测法和自相关法;所述平滑预测法包括:一次移动平均法、一次指数平滑法、线性二次移动平均法、二次指标平滑法、霍尔特双参数线性指数平滑法、布朗二次多项式指数平滑法、温特线性和季节性指数平滑法;所述自相关法包括:平均移动模型、自回归模型和自回归滑动平均模型。
4.根据权利要求3所述电网售电量的预测系统,其特征在于:所述算法选择单元包括一自动选择模块,用于自动根据所选售电数据信息选择推荐算法。
5.根据权利要求4所述电网售电量的预测系统,其特征在于:所述自动选择模块根据预测类型、数据的周期性和平稳性,以及样本观察数量值相应产生对应的算法。
6.一种电网售电量的预测方法,其特征在于:包括以下步骤:
步骤1:对需要进行预测的电网售电量的数据进行选择;
步骤2:选择相应的算法,并自动生成预测方案;
步骤3:对预测方案进行对比分析。
7.根据权利要求6所述电网售电量的预测方法,其特征在于:所述步骤1中,包括以下步骤:
步骤11:选择需要进行预测的电网售电量的时间范围;
步骤12:选择用电类别、电压等级、地区和行业类型,可进行单选或复选。
8.根据权利要求7所述电网售电量的预测方法,其特征在于:所述步骤2中,包括以下步骤:
步骤21:判断是否使用推荐算法;若是使用推荐算法,并执行下一步;若否,则选择相应算法后执行下一步;
步骤22:配置预测期数;
步骤23:根据选择的数据、算法和配置的预测期数,自动产生售电量的预测值,并通过趋势图的方式展现给用户;
步骤24:对预测方案进行保存。
9.根据权利要求8所述电网售电量的预测方法,其特征在于:所述步骤21中,在产生推荐算法时,通过依次对预测类型、数据周期性和平稳性,以及样本的观察值数量进行判断,再产生相应的算法。
10.根据权利要求9所述电网售电量的预测方法,其特征在于:所述步骤3中,通过对不同算法的方案的预测值趋势拟合图、预测误差率、误差正太分布检测图和方差齐性检测图进行比对分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501981.2A CN106469331A (zh) | 2015-08-14 | 2015-08-14 | 一种电网售电量的预测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510501981.2A CN106469331A (zh) | 2015-08-14 | 2015-08-14 | 一种电网售电量的预测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106469331A true CN106469331A (zh) | 2017-03-01 |
Family
ID=58213671
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510501981.2A Pending CN106469331A (zh) | 2015-08-14 | 2015-08-14 | 一种电网售电量的预测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106469331A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214586A (zh) * | 2018-09-27 | 2019-01-15 | 国网河南省电力公司濮阳供电公司 | 基于Holt-Winters模型的地区电网售电量预测方法 |
CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
CN111198499A (zh) * | 2019-12-25 | 2020-05-26 | 南京南瑞水利水电科技有限公司 | 同期算法实时评估方法、系统及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810538A (zh) * | 2014-02-14 | 2014-05-21 | 国家电网公司 | 售电量分配方法和装置 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
-
2015
- 2015-08-14 CN CN201510501981.2A patent/CN106469331A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810538A (zh) * | 2014-02-14 | 2014-05-21 | 国家电网公司 | 售电量分配方法和装置 |
CN104537433A (zh) * | 2014-12-18 | 2015-04-22 | 国网冀北电力有限公司 | 基于存量容量与业扩报装特征的售电量预测方法 |
Non-Patent Citations (2)
Title |
---|
孙治: "利用软件实现短期电量预测的专家系统算法", 《电力需求侧管理》 * |
熊磊: "分类负荷售电量的预测系统研究", 《中国优秀硕士学位论文全文数据库工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214586A (zh) * | 2018-09-27 | 2019-01-15 | 国网河南省电力公司濮阳供电公司 | 基于Holt-Winters模型的地区电网售电量预测方法 |
CN110968628A (zh) * | 2019-11-18 | 2020-04-07 | 广东卓维网络有限公司 | 一种用于给移动终端提供电量数据的后台管理系统 |
CN111198499A (zh) * | 2019-12-25 | 2020-05-26 | 南京南瑞水利水电科技有限公司 | 同期算法实时评估方法、系统及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9390388B2 (en) | Systems and methods for measuring and verifying energy usage in a building | |
US9348392B2 (en) | Systems and methods for measuring and verifying energy savings in buildings | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
CN102402726A (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
JP2011065636A (ja) | 変数スコアリングを使用するモデル最適化システム | |
CN110457867A (zh) | 一种基于机器学习的时间序列数据填补与还原方法 | |
CN104699890B (zh) | 一种城网配变重过载短期预警模型的建模方法 | |
CN107015900B (zh) | 一种视频网站的服务性能预测方法 | |
Martens et al. | Integrating corrective actions in project time forecasting using exponential smoothing | |
CN105144174A (zh) | 生物体年龄预测装置及方法 | |
KR20140053444A (ko) | 시장규모예측장치, 시장규모예측방법 및 시장규모를 예측하는 프로그램을 저장하는 저장매체 | |
CN106469331A (zh) | 一种电网售电量的预测系统及其方法 | |
Salari et al. | A better project performance prediction model using fuzzy time series and data envelopment analysis | |
CN110222905A (zh) | 一种预测人流量的方法及装置 | |
Chen et al. | Real-time forecasting and visualization toolkit for multi-seasonal time series | |
Hyndman | Forecasting: An Overview. | |
KR20140037384A (ko) | 소셜 네트워크 서비스 데이터에 기반한 상품 수요 예측 장치 및 방법 | |
CN102109837B (zh) | 钢铁企业焦炉煤气柜位预测平衡方法 | |
CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
Shikhina et al. | Investigation of autoregressive forecasting models for market electricity price | |
Hartmann et al. | CSAR: The cross-sectional autoregression model | |
Jain et al. | Analysis of Time Series Forecasting Techniques for Indian Automotive Industry | |
CN107862476A (zh) | 一种基于数据分析的计量用表需求计算方法 | |
CN106651055A (zh) | 一种短期售电量预测方法及系统 | |
Sinitsyna et al. | Some practical aspects of electric power consumption time series analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170301 |