CN107220851A

CN107220851A - 基于x13季节调整和因素回归的售电量预测方法及装置

Info

Publication number: CN107220851A
Application number: CN201710379825.2A
Authority: CN
Inventors: 刘建; 赵加奎; 陈雨泽; 方学民; 欧阳红; 方红旺; 朱平飞; 袁葆; 刘玉玺; 王树龙; 卢耀宗
Original assignee: State Grid Corp of China SGCC; State Grid Information and Telecommunication Co Ltd; Beijing China Power Information Technology Co Ltd
Current assignee: State Grid Corp of China SGCC; State Grid Information and Telecommunication Co Ltd; Beijing China Power Information Technology Co Ltd
Priority date: 2017-05-25
Filing date: 2017-05-25
Publication date: 2017-09-29
Also published as: WO2018214629A1

Abstract

本发明实施例公开了一种基于X13季节调整和因素回归的售电量预测方法及装置，对历史售电量数据进行预处理，利用X13季节调整算法将预处理后的售电量序列分解为趋势项、季节项和随机项；根据各子序列的影响因素和曲线特征采用预测算法分别进行预测，为保证趋势项预测精度和鲁棒性，采用多种算法分别进行预测；将各子序列的预测结果加和重构得到售电量预测结果，最后在多种预测结果中综合选择性能最优的预测结果；同时本发明实施例还充分考虑了一些影响因素对各分解项的影响；因此，采用本实施例的方案得到的预测结果精度更高。

Description

基于X13季节调整和因素回归的售电量预测方法及装置

技术领域

本发明涉及电力的领域，尤其涉及一种基于X13季节调整和因素回归的售电量预测方法及装置。

背景技术

售电量预测是国家电网公司营销部一项重要的基础性工作，月度售电量预测对于国家电网公司合理的确定销售电量总定额、分解售电量销售指标、制定有序用电方案、指导发电厂和输配电网的合理运行、推动电力市场发展和建设都具有十分重要的意义。

现有技术中，通常会采用单一方法或者组合方法进行预测，例如单一方法主要包括：灰度系统预测法、时间序列预测法和回归分析法等；组合方法一般是指在最大信息利用的基础上，集结了多种单一模型包含的信息，进行最优组合。传统的方法虽然在一定程度上对售电量进行了预测，但是预测的精度不理想。

发明内容

有鉴于此，本发明实施例公开了一种基于X13季节调整和因素回归的售电量预测方法及装置，解决了现有技术中精度不高的问题。

本实施例公开的基于X13季节调整和因素回归的售电量预测方法，所述方法包括：

对历史售电量数据进行预处理，得到预处理后的历史售电量数据；

依据X13季节调整方法将所述预处理后的历史售电数据分解为趋势项、季节项和随机项三个序列；

依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值；其中，所述相关行业为所述历史售电量数据对应的行业；

依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值；

依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值；

将待预测时间售电量的趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；

采用层次分析法AHP对所述第一售电量进行择优处理，得到第二售电量预测值。

可选的，所述对历史售电量数据进行预处理，得到预处理后的历史售电量数据，包括：

采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；

采用分箱法从所述除去异常值的历史售电量数据中筛选出建模数据。

可选的，所述依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值，包括：

依据所述趋势项、相关行业对应的因素和多个预设的机器学习算法，建立多个趋势项预测模型；其中，所述相关行业为所述历史售电量数据对应的行业；

采用L_1/2稀疏迭代算法对相关行业对应的因素进行预测，得到所述因素的预测值；

将所述因素的预测值分别代入到所述多个趋势预测模型中，并分别计算每个趋势预测模型对应的待预测时间售电量的趋势项预测值。

可选的，所述依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值，包括：

采用L_1/2稀疏迭代算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值。

可选的，所述依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值，包括：

依据所述随机项、混合专家模型算法和预设的随机项因素建立随机预测模型；

获取所述预设的随机项因素的预测值；

将所述随机项因素的预测值代入到所述随机项的预测模型中，计算待预测时间的售电量随机项预测值。

可选的，所述采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据，包括：

从所述历史售电量数据中确定疑似异常点；将所述疑似异常点作为目标点；

将历史售电量数据中相连的数据点进行差分运算，得到历史售电量数据的差分序列和目标点的两个相关点；其中，所述相关点为与所述目标点与相邻的两个点进行差分的结果；

从所述历史售电量数据的差分序列中中除去所述目标相关点，并对除去目标相关点的历史售电量数据的差分序列进行分箱处理，得到售电量数据差分序列的正常范围；

判断两个所述目标相关点是否均不在所述售电量数据差分序列的正常范围内；

若两个所述目标相关点均不在所述正常范围内，则所述目标点为异常值并利用历史均值代替所述目标点，得到除去异常值的历史售电量数据；

可选的，所述采用分箱法从所述历史售电量数据中筛选出建模数据，包括：

从所述除去异常值的历史售电量数据中获取各个年份的历史售电量数据；并计算各个年份的历史售电量增速；

对所述连续n年的增长率进行分箱操作，得到增长率的正常范围；所述连续n年为距离当前年份最近的n年；所述n≥2；

判断第n+p年的增长率是否在所述增长率的正常范围内；p为从1开始递增的正整数；

若连续n+p年的增长率不在所述增长率的正常范围内，将连续n+p年的历史售电量数据筛选出来作为建模数据；

若连续n+p年的增长率在所述增长率的正常范围，将p在当前数值的基础上加1，并返回执行判断第n+p年的增长率是否在所述增长率的正常范围内。

本发明实施例还公开了一种基于X13季节调整和因素回归的售电量预测装置，所述装置可以包括：

预处理单元，用于对历史售电量数据进行预处理，得到预处理后的历史售电量数据；

分解单元，用于依据X13季节调整方法将所述预处理后的历史售电数据分解为趋势项、季节项和随机项三个序列；

趋势项预测单元，用于依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值；其中，所述相关行业为所述历史售电量数据对应的行业；

季节项预测单元，用于依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值；

随机项预测单元，用于依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值；

加和重构单元，用于将待预测时间售电量的趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；

择优处理单元，用于采用层次分析法AHP对所述第一售电量进行择优处理，得到第二售电量预测值。

可选的，所述预处理单元，包括：

异常值处理单元，用于采用分箱法从所述历史售电量数据中识别出预设的异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；

建模数据筛选单元，用于采用分箱法从所述除去异常值的历史售电量数据中筛选出建模数据。

可选的，所述趋势项预测单元，包括:

趋势项预测模型建立子单元，用于依据所述趋势项、相关行业对应的因素和多个预设的机器学习算法，建立多个趋势项预测模型；其中，所述相关行业为所述历史售电量数据对应的行业；

因素值预测子单元，用于采用L_1/2稀疏迭代算法对相关行业对应的因素进行预测，得到所述因素的预测值；

趋势项预测值计算子单元，用于将所述因素的预测值分别代入到所述多个趋势预测模型中，并分别计算每个趋势预测模型对应的待预测时间售电量的趋势项预测值。

本实施例中，对售电量进行预测时，首先对历史售电量数据进行预处理，利用X13季节调整算法将预处理后的售电量序列分解为趋势项、季节项和随机项三个子序列，然后根据各子序列的影响因素和曲线特征采用预测算法分别进行预测，由于趋势项量级大，对最终结果影响大，为保证预测精度和预测鲁棒性，趋势项预测采用多种算法分别进行预测。再后，将各子序列的预测结果加和重构得到售电量预测结果，最后在多种预测结果中综合选择性能最优的预测结果；同时本发明实施例还充分考虑了一些影响因素对各分解项的影响；因此，采用本实施例的方案得到的预测结果精度更高。

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的前提下，还可以根据提供的附图获得其他的附图。

图1示出了本发明实施例提供的一种基于X13季节调整和因素回归的售电量预测方法的流程示意图；

图2示出了本发明实施例提供的一种采用X13季节调整对历史售电量数据分解后的示意图；

图3示出了本发明实施例提供的一种基于X13季节调整和因素回归的售电量预测方法的流程示意图；

图4示出了本发明实施例提供的一种基于X13季节调整和因素回归的售电量预测方法的流程示意图；

图5示出了本发明实施例提供的一种基于X13季节调整和因素回归的售电量预测装置的结构示意图；

图6示出了SVM回归通过定义硬-ε带超平面示意图；

图7示出了正类点集D⁺和负类点集D^-的二分类示意图；

图8示出了混合专家结构示意图。

具体实施方式

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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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他实施例，都属于本发明保护的范围。

参考图1，示出了本发明实施例提供的基于X13季节调整和因素回归的售电量预测方法的流程示意图，在本实施例中，所述方法可以包括：

S101：对历史售电量数据进行预处理，得到预处理后的历史售电量数据；

历史售电量数据中会存在一些异常高或者异常低的数据点，这些点若是直接用于建模会影响模型的泛化能力，造成预测精度下降，因此需要将这些异常数据进行处理，并且，由于经济发展周期或其它影响因素的变化，较早年份的售电量趋势可能和距离现在较近的年份有较大的差异，因此需要对售电量数据进行筛选，因此，对历史售电量数据进行预处理具体可以包括两方面：

第一方面：采用分箱法从所述历史售电量数据中识别出预设的异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；

第二方面：采用分箱法从所述除去异常值的历史售电量数据中筛选出建模数据。

其中，第一方面具体可以包括：

从所述历史售电量数据中确定疑似异常点；将所述疑似异常带你作为目标点；

将历史售电量数据中相邻的数据点进行差分运算，得到历史售电量数据的差分序列和目标点的两个相关点；其中，所述相关点为与所述目标点与相邻的两个点进行差分的结果；

从所述历史售电量数据的差分序列中除去所述目标相关点，并对除去目标相关点的历史售电量数据的差分序列进行分箱处理，得到售电量数据差分序列的正常范围；

若两个所述目标相关点均不在所述正常范围内，则所述目标点为预设的异常值并利用历史均值代替所述目标点，得到除去异常值的历史售电量数据；

举例说明：

假设记历史售电量数据记为确定的疑似异常点即目标点为

计算历史售电量数据的差分序列：得到{U(i)|i＝1,2,...,n-1}；

其中，目标点对应的目标相关点为U(i)和U(i-1)；

对除去目标相关点的历史售电量数据的差分序列进行分箱处理操作，如以下公式1)和公式2):

1)P_up＝A+1.5*(A-C)；

2)P_douw＝C-1.5*(A-C)；

其中P_up为上边界，P_down为下边界，A为上四分位数，C为下四分位数，即P_up，P_down为所述售电量数据差分序列的正常范围。

判断目标点是否异常，也就是判断U(i)和U(i-1)是否在售电量数据差分序列的正常范围内；

若U(i)和U(i-1)都不在售电量数据差分序列的正常范围内，则判定目标点为异常值，否则不是异常值；识别出异常值后，利用历史均值代替该目标点。得到异常值处理后的月度售电量历史数据{Q(i)|i＝1,2,...,n}。

第二方面具体可以包括：

举例说明：本实施例中，假设获取到的连续m+1年的历史售电量数据为2年，则可以计算出1年的增长率，例如：获取的为2016年和2015年这两年的数据，则只可以得到2016年对2015年的增长率。

对于X13季节调整算法要求数据至少3年，因此，在本实施例中假设获取的m+1年可以为3年；

第一步假设获取到的各个年份的售电量历史数据{Y(i)|i＝1,2,...,m}；m表示为距离当前最近的年份；

采用如下公式3)，计算历史年度增长率绝对值{S(i)|i＝2,3,...,m}：

3)

第二步利用{S(i)|i＝m-1,m}执行分箱，得到连续2年增速的正常范围；假设，距离当前最近的年份为2016年，则连续两年的增速为2016年对2015年的增速和2015年对2014年的增速；

第三步判断S(m-2)是否在分箱边界内，若不在，则选择近三年售电量数据参与建模；例如：若2014年对2013年的增速不在增速的正常范围内，则参与建模的数据包括：2016年、2015年和2014年；

否则判断S(m-3)是否在分箱边界内，若不在，则选择近四年售电量数据参与建模，以此类推。

记经过数据筛选之后的月度售电量数据为{Q(i)|i＝1,2,...,n}。

S102：依据X13季节调整方法将所述预处理后的历史售电数据分解为趋势项、季节项和随机项三个序列；

由于月度售电量受经济发展、季节变化、温度和假日等因素的影响，直接预测难度较大。在本实施例中，可以在对历史售电量数据进行了预处理后，将该历史售电量数据分解为趋势项、季节项和随机项三个子序列。

举例说明:利用X13季节调整对预处理后的历史售电量数据分解后可以通过公式4)表示：

4)Q(i)＝Q^t(i)+Q^s(i)+Q^r(i)；

其中，{Q(i)|i∈1,2,...,n}表示预处理后的历史售电量数据，{Q^t(i)|i∈1,2,...,n}为售电量趋势项，{Q^s(i)|i∈1,2,...n,}为售电量季节项，{Q^r(i)|i∈1,2,...n,}为售电量随机项。

如图2所示，示出了某历史售电量数据分解曲线。从图中可以看出，分解得到的趋势项较为平稳，发展变化主要受经济发展状况的影响。季节项规律性较强，主要反映季节对售电量的影响，因此只依靠算法就能得到高精度的预测，故不考虑影响因素。随机项有一定的波动，反映了节假日、温度等因素的影响。

S103：依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值；其中，所述相关行业为所述历史售电量数据对应的行业；

本实施例中，月度售电量趋势项曲线较为平滑，主要受到经济因素的影响，同时由于趋势项占历史售电量数据比重较大，为了保证预测精度，可以采用多种机器学习算法建立趋势项预测模型，例如可以采用SVM、L_1/2稀疏迭代、回声状态网络和极限学习机四种算法，参考图3，S103具体可以包括：

S301：依据所述趋势项、相关行业对应的因素和多个预设的机器学习算法，建立多个趋势项预测模型；其中，所述相关行业为所述历史售电量数据对应的行业；

S302：采用L_1/2稀疏迭代算法对相关行业对应的因素进行预测，得到所述因素的预测值；

S303：将所述因素的预测值分别代入到所述多个趋势预测模型中，并分别计算每个趋势预测模型对应的待预测时间售电量的趋势项预测值。

本实施例中，需要说明的是，所述趋势项对应的相关因素可以是技术人员预先设置的，或者可以是从预先设置的表格中获取的。例如，在本实施例中，技术人员预先设置了售电量建模考虑的因素，如下表一所示，从表一中可以获取到不同行业对应的趋势项相对应的影响因素。

表一

举例说明：

第一步假设售电量趋势项数据序列为{Q^t(i)|i∈1,2,...,n}；

第二步从表1中取得行业对应的影响因素，记为{E(i)|i∈1,2,...,n}，若某行业影响因素多于一个，则E(i)＝{E¹(i),E²(i),...,E^m(i)|i∈1,2,...,n,m∈1,2,...,k}，其中m表示影响因素的个数，如居民趋势项预测考虑人均可支配收入，则m＝1；工业趋势项预测考虑第二产业GDP增速、工业增加值增速两个指标，则m＝2，以此类推。

第三步建立趋势项预测模型。记j＝1表示SVM，j＝2表示L_1/2稀疏迭代，j＝3表示回声状态网络，j＝4表示极限学习机。参照公式5)建立如下趋势项预测模型：

5)Q^t(i)＝f_j(E(i),Q^t(i-1),Q^t(i-2),...,Q^t(i-12)),j＝1,2,3,4；

第四步利用L_1/2稀疏迭代实现因素数据的预测，得到因素数据的预测值其中l表示预测步长，即待预测时间长度，例如可以为1个月或者两个月等。

第五步得到趋势项四种预测结果。将因素预测值代入公式5)中，可以得到趋势项预测结果

S104：依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值；

本实施例中，售电量的季节项规律性较强，每年同月值波动较小且趋势变化较为平稳，本文利用L_1/2稀疏迭代实现售电量季节项的预测。

举例说明：

第一步假设季节项记为{Q^s(i)|i∈1,2,...,n}。

第二步利用L_1/2稀疏迭代算法建立季节项预测模型，如公式6)所示：

6)Q^s(i)＝f_L1/2(Q^s(i-1),Q^s(i-2),...,Q^s(i-12))；

第三步得到季节项预测结果其中l表示预测步长即待预测时间长度。

S105：依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值。

本实施例中，由于售电量的随机项波动较大但是幅值较小，主要会受到一些随机项因素的影响，这些随机项因素例如可以包括：节假日和气温，为了保证随机项的预测效果，本实施例中可以采用混合专家模型算法预测随机项，参考图4，S105具体可以包括：

S401：依据所述随机项、混合专家模型算法和预设的随机项因素建立随机预测模型；

S402：获取所述预设的随机项因素的预测值；

S403：将所述随机项因素的预测值代入到所述随机项的预测模型中，计算待预测时间的售电量随机项预测值。

举例说明：

第一步：假设随机项序列为{Q^r(i)|i∈1,2,...,n}；

第二步：分别记节假日天数和平均气温数据为{H(i)|i∈1,2,...,n}和{T(i)|i∈1,2,...,n}。

第三步：利用混合专家模型得到随机项预测模型，如公式7)所示，其中每个专家可以采用SVM算法。

7)Q^r(i)＝f(H(i),T(i),Q^r(i-1),Q^r(i-2),...,Q^r(i-12))；

第四步：获取因素的预测值。

由于节假日天数可以直接通过国家政府网站查询得到，故情报值即预测值为{H(i)|i∈1,2,...,l}。平均温度可利用L_1/2稀疏迭代预测得到，得到的平均温度预测值为

第五步：将因素预测值代入公式7)得到随机项预测结果其中l表示预测步长。

本实施例中，需要说明的是S103、S104、S105的步骤可以是同时执行的，也可以是依据预设的顺序依次执行的。

S106：将待测月售电量的趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；

举例说明：本实施例中，经过S101-S105的处理，分别得到了预测步长l(即待预测时间为l)期内的趋势项、季节项和随机项预测值，其中趋势项包括四种预测值，然后可以通过加和重构的方式计算第一售电量预测值，如公式8)所示：

8)

S107：采用层次分析法AHP对所述第一售电量进行择优处理，得到第二售电量预测值。

本实施例中，对趋势项、季节项、随机项经过预测重构，得到了售电量的多种预测结果，需要从中选择出最优的预测结果。择优的目的就是综合考虑预测误差、预测趋势和预测曲线形态等方面，选择出最具预测性能的预测曲线,本发明采用基于AHP的综合评价方法进行择优。

本实施例中，对售电量进行预测时，首先对历史售电量数据进行预处理，利用X13季节调整算法将预处理后的售电量序列分解为趋势项、季节项和随机项三个子序列，然后根据各子序列的影响因素和曲线特征采用预测算法分别进行预测，由于趋势项量级大，对最终结果影响大，为保证预测精度和预测鲁棒性，趋势项预测采用多种算法分别进行预测。再后，将各子序列的预测结果加和重构得到售电量预测结果，最后在多种预测结果中综合选择性能最优的预测结果。同时本发明充分考虑了影响因素对各分解项的影响，包括经济因素、天气因素、假日因素，故在气候条件、节假日等外在因素的影响下仍能准确预测。因此，采用本实施例的方案得到的预测结果精度更高。

参考图5，示出了本发明实施例提供的一种基于X13季节调整和因素回归的售电量预测装置的结构示意图，在本实施例中，所述装置可以包括：

预处理单元501，用于对历史售电量数据进行预处理，得到预处理后的历史售电量数据；

分解单元502，用于依据X13季节调整方法将所述预处理后的历史售电数据分解为趋势项、季节项和随机项三个序列；

趋势项预测单元503，用于依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值；其中，所述相关行业为所述历史售电量数据对应的行业；

季节项预测单元504，用于依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值；

随机项预测单元505，用于依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值；

加和重构单元506，用于依据每一项预测值的不同权重，将待测月售电量的趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；

择优处理单元507，用于采用层次分析法AHP对所述第一售电量进行择优处理，得到第二售电量预测值。

可选的，所述预处理单元，包括：

异常值处理单元，用于采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；

可选的，所述趋势项预测单元，包括:

可选的，季节项预测单元，包括：

季节项预测子单元，用于采用L_1/2稀疏迭代算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值。

可选的，所述随机项预测单元，包括：

随机项模型建立子单元，用于依据所述随机项、混合专家模型算法和预设的随机项因素建立随机预测模型；

预测值获取子单元，用于获取所述预设的随机项因素的预测值；

随机项预测子单元，用于将所述随机项因素的预测值代入到所述随机项的预测模型中，计算待预测时间的售电量随机项预测值。

可选的，所述异常值处理单元，包括：

异常值确定子单元，用于从所述预处理后的历史售电量数据中确定疑似异常点；将所述疑似异常点作为目标点；

相关点计算子单元，用于将历史售电量数据中相连的数据点进行差分运算，得到历史售电量数据的差分序列和目标点的两个相关点；其中，所述相关点为与所述目标点与相邻的两个点进行差分的结果；

第一分箱子单元，用于从所述历史售电量数据的差分序列中除去所述目标相关点，并对除去目标相关点的历史售电量数据的差分序列进行分箱处理，得到售电量数据差分序列的正常范围；

第一判断子单元，用于判断两个所述目标相关点是否均不在所述售电量数据差分序列的正常范围内；

替换子单元，用于若两个所述目标相关点均不在所述正常范围内，则所述目标点为异常值并利用历史均值代替所述目标点，得到出去异常值的历史售电量数据。

可选的，所述建模数据筛选单元，包括：

第一获取子单元，用于从所述除去异常值的历史售电量数据中获取各个年份的历史售电量数据，并计算各个年份的历史售电量增长率；

第二分箱子单元，用于对所述连续n年的增长率进行分箱操作，得到增长率的正常范围；所述连续n年为距离当前年份最近的n年；所述连续n年为距离当前年份最近的n年；所述n≥2；

第二判断子单元，用于判断第n+p年的增长率是否在所述增长率的正常范围内；p为从1开始递增的正整数；

筛选子单元，用于若连续n+p年的增长率不在所述增长率的正常范围内，将连续n+p年的历史售电量数据筛选出来作为建模数据；

返回子单元，用于若连续n+p年的增长率在所述增长率的正常范围，将p在当前数值的基础上加1，并返回执行判断第n+p年的增长率是否在所述增长率的正常范围内。

通过本实施例的装置，对售电量进行预测时，首先对历史售电量数据进行预处理，利用X13季节调整算法将预处理后的售电量序列分解为趋势项、季节项和随机项三个子序列，然后根据各子序列的影响因素和曲线特征采用预测算法分别进行预测，由于趋势项量级大，对最终结果影响大，为保证预测精度和预测鲁棒性，趋势项预测采用多种算法分别进行预测。再后，将各子序列的预测结果加和重构得到售电量预测结果，最后在多种预测结果中综合选择性能最优的预测结果。同时本发明充分考虑了影响因素对各分解项的影响，包括经济因素、天气因素、假日因素，故在气候条件、节假日等外在因素的影响下仍能准确预测。因此，采用本实施例的装置得到的预测结果精度更高。

为了更加清楚的对本发明实施例进行解释，现对本发明实施例中涉及到的一些计算方法进行介绍：

1、X13季节调整

季节分解的常规方法如下：首先，对原时间序列用移动平均法计算趋势项；其次，基于3*3移动平均法计算出季节项；最后用原时间序列减去趋势项和季节项之和得到随机项。常规方法仅仅是对时间序列进行了粗略分解，当时间序列变化复杂时，其分解效果往往不再理想。基于此，目前已出现了多种更优秀的季节调整方法，X13法就是其中应用较普遍的一种，其基本思路是采用中心化移动加权平均法逐项分解，与季节调整的常规方法主要区别在于它的各分量序列是通过多次迭代和分解完成的，更能准确地对时间序列进行分解。其中，趋势项反映了时间序列的长期趋势性变动；季节项反映时间序列在不同年份相同月份季节周期变化；随机项反映时间序列非季节项的气象等其他不规律变化。X13季节调整可将月度售电量曲线分解为趋势项、季节项和随机项三个子序列。

2、SVM回归算法

SVM(英文全称：support vector machine，中文全称：支持向量机)回归是支撑向量在函数回归领域的应用。SVM回归的样本点只有一类，所寻求的最优超平面是使所有样本点离超平面的“总偏差”最小。这时样本点都在两条边界线之间，求最优回归超平面同样等价于求最大间隔。

给定数据集D：xi∈R^m,yi∈R，回归问题的本质是寻找函数f(x)，以便推断任一个模式x对应的y值。

SVM回归通过定义硬-ε带超平面(如图6所示)，即数据集D中所有样本点均满足：-ε≤y_i-f(x_i)≤ε,i＝1,2,...N，将回归问题转换成，寻找最优硬-ε带超平面，如公式9)所示：

9)

求解该优化问题，又可以转化成求解正类点集D+和负类点集D-的二分类问题(如图7所示)，其中

10)

3、L_1/2稀疏性回归

给定数据集：x_i∈R^m,y_i∈R，回归问题的本质是从学习机器F中寻找最优的函数f^*以最好的地逼近x,y之间的未知关系，目前比较流行的方法是采用L_p正则化框架的方法，如下：

11)

其中l(.,.)为损失函数，当预测值和实际值接近时，损失函数最小。λ为控制机器复杂度的正则化参数。||f||_p为解的某种范数，代表了对解的某种期望(如光滑性、稀疏性等)。通常求解回归问题时，经常会遇到过拟合的问题，正则化框架充分考虑了这种情况，通过增加||f||_p来对解增加某种约束，降低过拟合的风险。

当时，即L_1/2稀疏性，一方面保证了可解性，另一方面保证了解的稀疏性。

4、回声状态网络回归

ESN(英文全称：Echo State Network,中文全称：回声状态网络)的核心思想是：使用具有大规模处理单元的随机稀疏网络作为储备池，将输入信号从低维的输入空间映射到高维的状态空间，在高维的状态空间中对网络的部分连接权进行训练，而其他连接权随机产生，并在网络训练过程中保持不变。

假设回声状态网络由K个输入单元、N个储备池处理单元、和L个输出单元构成。则回声状态网络的基本方程为式12)和式13)：

12)x(n+1)＝f(W_inu(n+1)+Wx(n))；

13)y(n+1)＝f_out(W_outu(n+1)+Wx(n+1))；

式中：u(n),x(n),y(n)分别为ESN的输入变量、状态变量和输出变量；f(.)和f_out(.)分别为储备池处理单元和输出单元的激活函数向量。输入单元通过W_in与储备池的处理单元连接，W表示储备池内部处理单元之间的连接权值，W_out为储备池与输出单元的连接权值。此外，W_in和W经初始化后保持不变，W_out需要通过训练获得。

5、极限学习机回归

ELM(英文全称：Extreme Learning Machine，中文全称：极限学习机)是人工神经网络领域新兴的一种算法，如果激活函数可以无穷可微，只需要在训练之前设置适当的隐含层节点数，为输入权和隐含层偏差进行随机赋值，再通过最小二乘法来得到输出层权值。与传统的神经网络学习方法相比，极限学习机不需要多次迭代，也不需要在迭代中确定参数，计算量和搜索空间都大大降低。

设训练样本的向量为{(x₁,y₁),(x₂,y₂),...,(x_N,y_N)}，其中x_i∈Rⁿ为输入向量即网络训练集，y_i∈R^m为训练的期望输出向量。隐含层节点数目为激励函数为g(x)的SLFN的统一模型为：

14)

其中：a_i＝[a_i1,a_i2,...,a_in]^T是连接第i个单隐层节点和输入节点之间的权重；b_i是网络的第i个隐含层节点的偏置值；β_i＝[β_i1,β_i2,...,β_im]^T是第i个隐含层节点和输出节点之间的权重。激励函数g(x)可以是“Sigmoid”、“Tanh”或“RBF”等。

公式14)的N个方程的矩阵形式可写为Hβ＝Y，即将数据集映射到隐含层的特征空间中。其中H称为极限学习机的隐含层输出矩阵：

进而，可以通过最小二乘法得到方程组的解β＝H^*Y，其中H^*是输出矩阵H的Moore-Penrose广义逆矩阵。求出β后就完成了极限学习机的训练过程。极限学习机算法的步骤可以概括为:

1)随机赋值隐含层和输入层的权重a、隐含层节点的偏置值

2)计算隐含层输出矩阵H；

3)通过β＝H^*Y求出输出层权重。

6、混合专家模型

如图8所示为一个ME(英文全称：mixture of experts,中文全称：混合专家)模型。它由K个专家网络或是简称专家的监督模块组成，并且有一个信令分配网络(gatingnetwork)，在专家网络中充当协调者的角色，负责分散信息(从训练数据中搜集)给不同的专家，使得专家概率产生模型在输入空间不同的区域上达到较好的效果。

专家k的输出是输入向量x和该神经元突触权值w_k的内积，即

15)

门阀由单层的k个神经元组成，每个神经元被指派给一个特定的专家，通常其神经元是非线性的，并定义门阀的激活函数如下:

16)

其中，u_k是输入向量x和突触权值向量a_k的内积，即进一步，令y_k代表输入向量为x时第k个专家的输出，则ME模型的整体输出是：

17)

对于给定的ME模型和训练样本，训练的目的使得式(2-6)整体误差最小：

18)

其中，对于第l个样本x_l,y_l网络的实际输出；d_l表示期望输出；L为训练样本的个数。

7、层次分析法

择优采用AHP综合评价算法，根据AHP的层次结构将售电量预测结果择优问题按层次结构分为目标层、准则层及方案层：

目标层：包括1个目标，即选取最具预测性能的预测曲线。

准则层：包括3个评价指标：模型的训练误差、预测趋势相似度和预测趋势可信度。指标含义如下所示：

1)模型训练误差反映了预测模型模拟的趋势和历史售电量数据匹配的程度，如公式19)所示：

19)

其中Q(j)是j时刻的历史值，F(j)是j时刻的拟合值，N是拟合值个数。

2)预测趋势相似度反映了预测模型当前预测结果与历史售电量曲线形态的相似度，如公式20)所示：

20)

其中x_j是历史i时刻的真实值，y_j是预测模型j时刻的预测值，和分别是x_j，y_j均值。

3)预测趋势可信度是对预测模型当前预测结果符合历史曲线趋势变化的度量，如公式21)所示：

21)

其中r为预测的年度累计售电量与上一年历史累计售电量之比，为历史年度累计比的最小值和最大值构成的区间。

方案层：包括4种方案，即SVM、L_1/2稀疏迭代回归、极限学习机以及回声状态网络四种算法下的售电量预测结果。

继而构建目标层对准则层的判断矩阵，并求取权重向量。

需要注意的是，AHP模型的判断矩阵需要进行一致性检验。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims

1.一种基于X13季节调整和因素回归的售电量预测方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述对历史售电量数据进行预处理，得到预处理后的历史售电量数据，包括：

3.根据权利要求1所述的方法，其特征在于，所述依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值，包括：

4.根据权利要求1所述的方法，其特征在于，所述依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值，包括：

5.根据权利要求1所述的方法，其特征在于，所述依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值，包括：

获取所述预设的随机项因素的预测值；

将所述随机项因素的预测值代入到所述随机项的预测模型中，计算待预测时间售电量的随机项预测值。

6.根据权利要求2所述的方法，其特征在于，所述采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据，包括：

若两个所述目标相关点均不在所述正常范围内，则所述目标点为异常值并利用历史均值代替所述目标点，得到除去异常值的历史售电量数据。

7.根据权利要求2所述的方法，其特征在于，所述采用分箱法从所述历史售电量数据中筛选出建模数据，包括：

从所述除去异常值的历史售电量数据中获取各个年份的历史售电量数据，并计算各个年份的历史售电量增长率；

8.一种基于X13季节调整和因素回归的售电量预测装置，其特征在于，所述装置包括：

9.根据权利要求8所述的装置，其特征在于，所述预处理单元，包括：

10.根据权利要求8所述的装置，其特征在于，所述趋势项预测单元，包括:

趋势项预测模型建立子单元，用于依据所述趋势项、所述相关行业对应的因素和多个预设的机器学习算法，建立多个趋势项预测模型；其中，所述相关行业为所述历史售电量数据对应的行业；