CN106651058A - 一种用电量预测模型优化方法及装置 - Google Patents
一种用电量预测模型优化方法及装置 Download PDFInfo
- Publication number
- CN106651058A CN106651058A CN201710017259.0A CN201710017259A CN106651058A CN 106651058 A CN106651058 A CN 106651058A CN 201710017259 A CN201710017259 A CN 201710017259A CN 106651058 A CN106651058 A CN 106651058A
- Authority
- CN
- China
- Prior art keywords
- speedup
- prediction
- average
- enterprise
- power consumption
- 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 91
- 230000005611 electricity Effects 0.000 title claims abstract description 48
- 238000005457 optimization Methods 0.000 title claims abstract description 38
- 230000008569 process Effects 0.000 claims description 24
- 238000004458 analytical method Methods 0.000 claims description 15
- 230000005654 stationary process Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000011161 development Methods 0.000 abstract description 10
- 230000008859 change Effects 0.000 abstract description 6
- 238000004088 simulation Methods 0.000 description 18
- 238000011156 evaluation Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003012 network analysis Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000007704 transition Effects 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P80/00—Climate change mitigation technologies for sector-wide applications
- Y02P80/10—Efficient use of energy, e.g. using compressed air or pressurized fluid as energy carrier
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例公开了一种用电量预测模型优化方法及装置,本发明实施例通过充分考虑每一年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量和GDP的增速对用电量的影响,有效把握各种类型电力用户用电量预测的关键点,降低了算法的复杂程度,减少数据需求量,大大地提高可操作性,且克服了目前预测方法只研究用电量本身发展变化规律的问题,使预测结果更客观、更准确;预测结果精度高,可为供电企业提供营销决策支持,保证电网安全经济运行以及电力市场稳健发展可降低算法的复杂程度,减少数据需求量,大大地提高可操作性。
Description
技术领域
本发明涉及用电量预测领域,尤其涉及一种用电量预测模型优化方法及装置。
背景技术
受经济转型、产业结构调整、人口迁移频繁等因素的影响,电网的总用电量也相应发生变化。电量预测是电力市场中的一项基本工作,结合行业用电特点来正确地进行电量预测,为供电企业提供营销决策支持,对电网的安全经济运行以及电力市场的建设和发展都具有十分重要的意义。目前我国根据电价类型和负荷特性将电力用户划分为居民用户、商业用户、工业用户、非工业用户和其他用户共五类。其他用户是指除了居民用户、商业用户、工业用户和非工业用户以外的用户,例如农业生产用户和稻田排灌用户。目前,用电量预测方法主要存在以下两点问题,一是追求对电网总电量原始数据的拟合精度,二是追求基于大容量样本前提的复杂算法,而忽视了每一年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量和GDP增速的影响。在电量预测工作中,由于每一年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量和GDP增速对居民用户和商业用户两类用户的用电量影响较大,导致该两类用户的用电量可能与工业用户、非工业用户和其他用户这三类用户的用电量发展规律存在较大差异,如果一味追求数据的拟合精度,会降低预测方法的泛化性;如果过于追求复杂算法,则会由于数据需求量太大而降低可操作性。以上问题不利于供电企业对于各个地区用电量进行预测以及提高预测结果精度。
因此,提供一种采用新方法进行中长期用电量预测是本领域技术人员需要解决的问题。
发明内容
本发明实施例提供了一种用电量预测模型优化方法及装置,克服了目前预测方法只研究用电量本身发展变化规律的问题,使预测结果更客观、更准确,预测结果精度高。
本发明实施例提供了一种用电量预测模型优化方法,包括:
S1:通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
S2:通过图表分析对所述处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
S3:通过预置计算模型对所述用电量的平均增速、所述重工业企业数量的平均增速、所述轻工业企业数量的平均增速、所述机关院校数量的平均增速、所述人口数量的平均增速进行计算得到所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速;
S4:通过预置公式对所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速进行计算得到预测年度的用电量。
优选地,所述通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据之前还包括:
获取到所述预置地区范围的历史数据,并将所述预置地区范围的历史数据存入数据库。
优选地,所述预置地区范围的历史数据包括:用电量、重工业企业数量、轻工业企业数量、机关院校数量、人口数量和GDP。
优选地,所述计算模型为:
其中,Dn为用电量的预测增速;Zn为重工业企业数量的预测增速;Qn为轻工业企业数量的预测增速;Jn为机关院校数量的预测增速;Rn为人口数量的预测增速;a,b为权重;Gn-1为预测年度前一年的GDP;G0为平均GDP;D0为用电量的平均增速;Z0为重工业企业数量的平均增速;Q0为轻工业企业数量的平均增速;J0为机关院校数量的平均增速;R0为人口数量的平均增速。
优选地,所述预置公式为:
Mn=Mn-1×(1+ADn+BZn+CQn+DJn+ERn)
其中,Mn为预测年度的用电量;Mn-1为预测年度前一年的用电量;A,B,C,.D,.E为权重。
优选地,所述预置地区范围的历史数据为量化数据。
优选地,所述通过图表分析对所述处理后的数据进行结果统计具体为:
通过关联图、矩阵图、KJ法对所述处理后的数据进行结果统计。
优选地,所述a,b,A,B,C,D,E为梯形模糊数。
优选地,本发明实施例提供了一种用电量预测模型优化装置,包括:
处理单元,用于通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
统计单元,用于通过图表分析对所述处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
第一计算单元,用于通过预置计算模型对所述用电量的平均增速、所述重工业企业数量的平均增速、所述轻工业企业数量的平均增速、所述机关院校数量的平均增速、所述人口数量的平均增速进行计算得到所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速;
第二计算单元,用于通过预置公式对所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速进行计算得到预测年度的用电量。
优选地,本发明实施例提供的一种用电量预测模型优化装置还包括:
获取单元,用于获取到所述预置地区范围的历史数据,并将所述预置地区范围的历史数据存入数据库。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例提供了一种用电量预测模型优化方法及装置,其中,用电量预测模型优化方法包括:S1:通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;S2:通过图表分析对所述处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;S3:通过预置计算模型对所述用电量的平均增速、所述重工业企业数量的平均增速、所述轻工业企业数量的平均增速、所述机关院校数量的平均增速、所述人口数量的平均增速进行计算得到所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速;S4:通过预置公式对所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速进行计算得到预测年度的用电量。本发明实施例通过充分考虑每一年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量和GDP的增速对用电量的影响,有效把握各种类型电力用户用电量预测的关键点,降低了算法的复杂程度,减少数据需求量,大大地提高可操作性,且克服了目前预测方法只研究用电量本身发展变化规律的问题,使预测结果更客观、更准确;预测结果精度高,可为供电企业提供营销决策支持,保证电网安全经济运行以及电力市场稳健发展可降低算法的复杂程度,减少数据需求量,大大地提高可操作性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的一种用电量预测模型优化方法的流程示意图;
图2为本发明实施例提供的一种用电量预测模型优化方法的另一流程示意图;
图3为本发明实施例提供的一种用电量预测模型优化装置的结构示意图。
具体实施方式
本发明实施例提供了一种用电量预测模型优化方法及装置,克服了目前预测方法只研究用电量本身发展变化规律的问题,使预测结果更客观、更准确,预测结果精度高。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供的一种用电量预测模型优化方法的一个实施例,包括:
101、通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
102、通过图表分析对处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
103、通过预置计算模型对用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速进行计算得到用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速;
104、通过预置公式对用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速进行计算得到预测年度的用电量。
请参阅图2,本发明实施例提供的一种用电量预测模型优化方法的另一个实施例,包括:
201、获取到预置地区范围的历史数据,并将预置地区范围的历史数据存入数据库;
202、通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
203、通过图表分析对处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
204、通过预置计算模型对用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速进行计算得到用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速;
205、通过预置公式对用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速进行计算得到预测年度的用电量。
具体的,预置地区范围的历史数据包括:用电量、重工业企业数量、轻工业企业数量、机关院校数量、人口数量和GDP。
具体的,计算模型为:
其中,Dn为用电量的预测增速;Zn为重工业企业数量的预测增速;Qn为轻工业企业数量的预测增速;Jn为机关院校数量的预测增速;Rn为人口数量的预测增速;a,b为权重;Gn-1为预测年度前一年的GDP;G0为平均GDP;D0为用电量的平均增速;Z0为重工业企业数量的平均增速;Q0为轻工业企业数量的平均增速;J0为机关院校数量的平均增速;R0为人口数量的平均增速。
具体的,预置公式为:
Mn=Mn-1×(1+ADn+BZn+CQn+DJn+ERn)
其中,Mn为预测年度的用电量;Mn-1为预测年度前一年的用电量;A,B,C,.D,.E为权重。
具体的,预置地区范围的历史数据为量化数据。
具体的,通过图表分析对处理后的数据进行结果统计具体为:
通过关联图、矩阵图、KJ法对处理后的数据进行结果统计。
具体的,a,b,A,B,C,D,E为梯形模糊数。
上面是对一种用电量预测模型优化方法进行的详细说明,为便于理解,下面将以一具体应用场景对一种用电量预测模型优化方法的应用进行说明,应用例包括:
1、获取某一地区范围内每一年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量和GDP的历史数据并存入数据库,获取的历史数据均为量化数据,所述数据库中的数据实时更新,利用数据库DB触发器,用于监测数据库表,所述数据库以行存储方式存储所述数据库表的数据,其中,数据库中的数据实时更新,数据库包含DB触发器,用于监测数据库表,数据库以行存储方式存储数据库表的数据,且获取到的历史数据均为量化数据;
2、用差分方法对所述获取的历史数据序列平稳化处理;
3、使用图表分析对步骤2处理后的历史数据采用一元线性回归法、加权拟合直线方程法、累加线性拟合法、灰色预测模型、双曲线模型、对数曲线模型、S形曲线模型和倒指数曲线模型中的两种以上分别进行结果统计,然后计算出用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量平均增速、机关院校数量平均增速、人口数量平均增速,具体的,以上所述图表分析指使用关联图、矩阵图、KJ法对所述各项数据进行结果统计;
4、计算预测年度的用电量、重工业企业数量、轻工业数量、机关院校数量、人口数量的预测增速,计算模型如下:
其中,Dn:为预测年度用电量的增速;Zn:为预测年度重工业企业数量增速;Qn:为预测年度轻工业企业数量增速;Jn:为预测年度机关院校数量增速;Rn:为预测年度人口数量增速;a,b:为权重;Gn-1:为预测年度前一年的GDP;G0:为平均GDP;D0:为用电量的平均增速;Z0:为重工业企业数量平均增速;Q0:为轻工业企业数量平均增速;J0:为机关院校数量平均增速;R0:为人口数量平均增速;
5、计算预测年度的用电量:
Mn=Mn-1×(1+ADn+BZn+CQn+DJn+ERn)
Mn:预测年度的用电量;Mn-1:预测年度前一年的用电量;A,B,C,.D,.E为权重。
在本实施例中,a、b、A、B、C、D、E的权重为多个专家决定,充分考虑决策者和决策对象的不确定性,用梯形模糊数来表示。
决策者在给出各指标的权重和评价值意见时,将用到“语言变量”和“梯形模糊数”这两个基本概念。在评价过程中,专家采用评价值集W={非常低、低、较低、中等、较高、高、非常高}来对指标权重赋值,采用评价值集S={非常差、差、较差、中等、较好、好、非常好}来评价各指标下关于各备选点的评价值。权重集W和评价值集S的隶属度函数可用适当的梯形模糊数加以表示;
6、通过仿真软件提供的连接规则、工作模式、系统函数、分布函数从而完成步骤5构建模型的运行,仿真软件根据步骤5构建的模型得出电量预测量。
仿真模型的一次运行,只是对系统一次抽样的模拟。从这点来说,系统仿真方法不是一种系统优化的方法,即它不能求系统的最优解。但是,系统仿真可以让人们依据对系统模型动态运行的效果,多次修改参数,反复仿真。或者说,系统仿真是一种间接的系统优化方法。现在,人们越来越认识到,对于多目标、多因素、多层次的系统(物流系统正是这样的系统)来说,并不存在绝对意义上的最优解。优化只是相对而言的。即使是最优化方法,其本身由于若干的假设、抽象和简化所造成的误差,己经使“最”字打了折扣。因此,不单纯追求最优解,而寻求改善系统行为的途径和方法,应该说是更加有效的。系统仿真方法正是提供了这种环境,系统仿真技术应用越来越广泛。当然,系统仿真方法应用与发展的外部条件,首先是计算机软硬件技术的发展与支持。建立可信的系统模型是仿真最重要的前提,也是仿真中比较困难的部分。其次,仿真需要从实际系统收集大量的数据。仿真模型的每一个细节都以实际数据为依据。这要花费较多的时间。数据收集和分析的难度也较大,这些都会影响仿真的质量。借助仿真方法优化系统时,需要对每次仿真过程反映出的现象,进行深入的综合分析,提出改进建议,再仿真检验改进措施的效果。这种优化过程是很灵活的,优化路径常常是多种多样的。这就要求仿真者不仅对实际系统具有深入的了解,准确把握系统的多种目标,而且有综合的系统分析能力。系统通过仿真软件提供的连接规则、工作模式、系统函数、分布函数从而完成步骤4构建模型的运行,仿真软件根据步骤5构建的模型得出电量预测量。仿真模型的一次运行,只是对系统一次抽样的模拟。从这点来说,系统仿真方法不是一种系统优化的方法,即它不能求系统的最优解。但是,系统仿真可以让人们依据对系统模型动态运行的效果,多次修改参数,反复仿真。或者说,系统仿真是一种间接的系统优化方法。现在,人们越来越认识到,对于多目标、多因素、多层次的系统(物流系统正是这样的系统)来说,并不存在绝对意义上的最优解。优化只是相对而言的。即使是最优化方法,其本身由于若干的假设、抽象和简化所造成的误差,己经使“最”字打了折扣。因此,不单纯追求最优解,而寻求改善系统行为的途径和方法,应该说是更加有效的。系统仿真方法正是提供了这种环境,系统仿真技术应用越来越广泛。当然,系统仿真方法应用与发展的外部条件,首先是计算机软硬件技术的发展与支持。建立可信的系统模型是仿真最重要的前提,也是仿真中比较困难的部分。其次,仿真需要从实际系统收集大量的数据。仿真模型的每一个细节都以实际数据为依据。这要花费较多的时间。数据收集和分析的难度也较大,这些都会影响仿真的质量。借助仿真方法优化系统时,需要对每次仿真过程反映出的现象,进行深入的综合分析,提出改进建议,再仿真检验改进措施的效果。这种优化过程是很灵活的,优化路径常常是多种多样的。这就要求仿真者不仅对实际系统具有深入的了解,准确把握系统的多种目标,而且有综合的系统分析能力。
另外,本发明不考虑系统风险,即整个资本市场整体性风险,它依赖于整个经济的运行情况,投资者无法分散这种风险,而只考虑非系统风险,即投资者通过投资种类的选择使风险有所分散。
请参阅图3,本发明实施例提供的一种用电量预测模型优化装置的一个实施例,包括:
获取单元301,用于获取到预置地区范围的历史数据,并将预置地区范围的历史数据存入数据库;
处理单元302,用于通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
统计单元303,用于通过图表分析对处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
第一计算单元303,用于通过预置计算模型对用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速进行计算得到用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速;
第二计算单元304,用于通过预置公式对用电量的预测增速、重工业企业数量的预测增速、轻工业企业数量的预测增速、机关院校数量的预测增速、人口数量的预测增速进行计算得到预测年度的用电量。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用电量预测模型优化方法,其特征在于,包括:
S1:通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
S2:通过图表分析对所述处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
S3:通过预置计算模型对所述用电量的平均增速、所述重工业企业数量的平均增速、所述轻工业企业数量的平均增速、所述机关院校数量的平均增速、所述人口数量的平均增速进行计算得到所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速;
S4:通过预置公式对所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速进行计算得到预测年度的用电量。
2.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据之前还包括:
获取到所述预置地区范围的历史数据,并将所述预置地区范围的历史数据存入数据库。
3.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述预置地区范围的历史数据包括:用电量、重工业企业数量、轻工业企业数量、机关院校数量、人口数量和GDP。
4.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述计算模型为:
其中,Dn为用电量的预测增速;Zn为重工业企业数量的预测增速;Qn为轻工业企业数量的预测增速;Jn为机关院校数量的预测增速;Rn为人口数量的预测增速;a,b为权重;Gn-1为预测年度前一年的GDP;G0为平均GDP;D0为用电量的平均增速;Z0为重工业企业数量的平均增速;Q0为轻工业企业数量的平均增速;J0为机关院校数量的平均增速;R0为人口数量的平均增速。
5.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述预置公式为:
Mn=Mn-1×(1+ADn+BZn+CQn+DJn+ERn)
其中,Mn为预测年度的用电量;Mn-1为预测年度前一年的用电量;A,B,C,D,E为权重。
6.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述预置地区范围的历史数据为量化数据。
7.根据权利要求1所述的用电量预测模型优化方法,其特征在于,所述通过图表分析对所述处理后的数据进行结果统计具体为:
通过关联图、矩阵图、KJ法对所述处理后的数据进行结果统计。
8.根据权利要求4和5所述的用电量预测模型优化方法,其特征在于,所述a,b,A,B,C,D,E为梯形模糊数。
9.一种用电量预测模型优化装置,其特征在于,包括:
处理单元,用于通过差分方法对预置地区范围的历史数据进行序列平稳化处理,得到处理后的数据;
统计单元,用于通过图表分析对所述处理后的数据进行结果统计,得到用电量的平均增速、重工业企业数量的平均增速、轻工业企业数量的平均增速、机关院校数量的平均增速、人口数量的平均增速;
第一计算单元,用于通过预置计算模型对所述用电量的平均增速、所述重工业企业数量的平均增速、所述轻工业企业数量的平均增速、所述机关院校数量的平均增速、所述人口数量的平均增速进行计算得到所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速;
第二计算单元,用于通过预置公式对所述用电量的预测增速、所述重工业企业数量的预测增速、所述轻工业企业数量的预测增速、所述机关院校数量的预测增速、所述人口数量的预测增速进行计算得到预测年度的用电量。
10.根据权利要求9所述的用电量预测模型优化装置,其特征在于,还包括:
获取单元,用于获取到所述预置地区范围的历史数据,并将所述预置地区范围的历史数据存入数据库。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710017259.0A CN106651058A (zh) | 2017-01-10 | 2017-01-10 | 一种用电量预测模型优化方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710017259.0A CN106651058A (zh) | 2017-01-10 | 2017-01-10 | 一种用电量预测模型优化方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106651058A true CN106651058A (zh) | 2017-05-10 |
Family
ID=58842751
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710017259.0A Pending CN106651058A (zh) | 2017-01-10 | 2017-01-10 | 一种用电量预测模型优化方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106651058A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292455A (zh) * | 2017-07-31 | 2017-10-24 | 华自科技股份有限公司 | 用电量预测方法、装置、可读存储介质和计算机设备 |
CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
CN104598998A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济增长指标的能源需求量预测方法 |
CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
CN105574325A (zh) * | 2015-12-10 | 2016-05-11 | 华南理工大学 | 一种结合人口指标的中长期用电量预测方法 |
-
2017
- 2017-01-10 CN CN201710017259.0A patent/CN106651058A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
CN104598998A (zh) * | 2015-02-04 | 2015-05-06 | 国家电网公司 | 基于经济增长指标的能源需求量预测方法 |
CN105069536A (zh) * | 2015-08-19 | 2015-11-18 | 国网安徽省电力公司经济技术研究院 | 一种基于气温与经济增长的用电需求预测方法 |
CN105574325A (zh) * | 2015-12-10 | 2016-05-11 | 华南理工大学 | 一种结合人口指标的中长期用电量预测方法 |
Non-Patent Citations (1)
Title |
---|
劳咏昶: "浙江地区民营经济发展与电力需求相关性及预测研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107292455A (zh) * | 2017-07-31 | 2017-10-24 | 华自科技股份有限公司 | 用电量预测方法、装置、可读存储介质和计算机设备 |
CN111091232A (zh) * | 2019-11-25 | 2020-05-01 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
CN111091232B (zh) * | 2019-11-25 | 2023-02-03 | 黑龙江电力调度实业有限公司 | 一种考虑用电需求变化趋势的电力负荷预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Torfi et al. | Fuzzy AHP to determine the relative weights of evaluation criteria and Fuzzy TOPSIS to rank the alternatives | |
Zhao et al. | A case based reasoning approach on supplier selection in petroleum enterprises | |
Pacelli et al. | An artificial neural network approach for credit risk management | |
Sohn et al. | Decision tree based on data envelopment analysis for effective technology commercialization | |
CN102567391B (zh) | 一种分类预测混合模型的建立方法及装置 | |
CN106504015A (zh) | 一种结合bp神经网络的企业领域供应商推荐方法 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN107426759A (zh) | 新增基站数据业务量的预测方法和系统 | |
CN107766929A (zh) | 模型分析方法及装置 | |
Dwivedi et al. | A business intelligence technique for forecasting the automobile sales using Adaptive Intelligent Systems (ANFIS and ANN) | |
CN109657851A (zh) | 事件驱动型的股价预测方法、装置、设备及存储介质 | |
CN106407305A (zh) | 一种数据挖掘系统和方法 | |
Liu | An integrated fuzzy time series forecasting system | |
CN113807589A (zh) | 基于模型预测的运营商储能的滚动优化方法及装置 | |
Yang et al. | An intelligent weighted fuzzy time series model based on a sine-cosine adaptive human learning optimization algorithm and its application to financial markets forecasting | |
Afshar et al. | Fuzzy multi-objective optimization of finance-based scheduling for construction projects with uncertainties in cost | |
Hwang et al. | Web-based multi-attribute analysis model for make-or-buy decisions | |
CN106651058A (zh) | 一种用电量预测模型优化方法及装置 | |
CN110796296A (zh) | 多目标投资优化模型的构建方法、装置和计算设备 | |
CN107704944B (zh) | 一种基于信息论学习的股市波动区间预测模型的构建方法 | |
Hong et al. | Supply chain dynamic performance measurement based on BSC and SVM | |
Wong et al. | Comparisons of fuzzy time series and hybrid Grey model for non-stationary data forecasting | |
Su et al. | Decision-making in a single-period inventory environment with fuzzy demand | |
Alikhani et al. | Optimal demand response programs selection using CNN‐LSTM algorithm with big data analysis of load curves | |
Liu et al. | Supplier evaluation in supply chain environment based on radial basis function neural network |
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: 20170510 |