CN107330548A - 基于时间序列模型的居民用电预测方法 - Google Patents
基于时间序列模型的居民用电预测方法 Download PDFInfo
- Publication number
- CN107330548A CN107330548A CN201710458268.3A CN201710458268A CN107330548A CN 107330548 A CN107330548 A CN 107330548A CN 201710458268 A CN201710458268 A CN 201710458268A CN 107330548 A CN107330548 A CN 107330548A
- Authority
- CN
- China
- Prior art keywords
- time series
- electricity
- electricity consumption
- years
- series models
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 11
- 230000001932 seasonal effect Effects 0.000 claims abstract description 15
- 230000012010 growth Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 7
- 230000007774 longterm Effects 0.000 claims abstract description 7
- 238000007405 data analysis Methods 0.000 claims abstract description 4
- 238000010276 construction Methods 0.000 abstract description 4
- 238000007726 management method Methods 0.000 abstract description 3
- 230000007773 growth pattern Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (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
本发明涉及数据分析的技术领域,更具体地,涉及基于时间序列模型的居民用电预测方法。基于时间序列模型的居民用电预测方法,包括以下步骤:通过历史数据进行分析建模,充分利用历年用电数据,在长期增长趋势的情况下,考虑季节波动和温度影响,通过时间序列模型预测用电量。本发明为辅助计划建设部门、财务部门进行电网规划建设及财务预算管理,对未来用电量预测。该局利用时间序列模型,根据历年居民用户的增长情况、居民用电量等数据,按季度、年度进行居民用电预测。
Description
技术领域
本发明涉及数据分析的技术领域,更具体地,涉及基于时间序列模型的居民用电预测方法。
背景技术
传统的电量预测,主要是利用当前用户规模、当前用电量、当前经济指标数据如GDP等数据进行预估,对于预测目标值,并没有构建严谨的目标值与条件值的关系,更多是通过以往的经验来主观预估,且GDP等经济指标数据的统计来源也包括用电量,故以此作为预估条件,难以达到预测的准确率要求。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提供基于时间序列模型的居民用电预测方法,分析影响居民电量的关键因素,建立预测模型,对未来用电量按季度、年度进行预测。
本发明的技术方案是:基于时间序列模型的居民用电预测方法,包括以下步骤:
通过历史数据进行分析建模,充分利用历年用电数据,在长期增长趋势的情况下,考虑季节波动和温度影响,通过时间序列模型预测用电量。
用电量预测主要是辅助辅助计划建设部门、财务部门进行电网规划建设及财务预算管理,预测不准确,对于未来的电网建设投资、项目资源分配等造成影响,针对上述传统方法存在的问题,需分析影响居民电量的关键因素,建立预测模型,对未来用电量按季度、年度进行预测。
与现有技术相比,有益效果是:通过历史数据进行分析建模,充分利用历年用电数据,在长期增长趋势的情况下,考虑季节波动和温度影响,通过时间序列模型预测用电量。为辅助计划建设部门、财务部门进行电网规划建设及财务预算管理,对未来用电量预测。该局利用时间序列模型,根据历年居民用户的增长情况、居民用电量等数据,按季度、年度进行居民用电预测。
附图说明
图1是本发明用电量与时间数据示意图。
图2是本发明温度和电量的关系示意图。
图3是本发明预测结果时序图。
图4是本发明时间序列模型图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
本发明中,分析2008年至2016年用户及用电量数据,发现惠州供电局居民用户数量从2008年开始,逐步快速增长,近三年更以年均11.37万的速度增长用户量。用户量从2008年的98.5万户 到2015年的178万。居民电量也从17亿增长到2015年的35.7亿实现年均9.75%的增长率增长。
通过分析历年电量的用户分布情况,发现由于新增有效用户的不断投入,带动了惠州市居民电量的增长。例如2015年的居民电量中,2013到2015年立户投入使用的客户用电量为4亿占总电量的10.9%。2009年以前的立户的用户用电量量从16.2亿增长到24.2亿。
通过分析发现影响居民电量增长的因素主要有新增的有效用户,自然增长(从本质来说是科技、经济等综合因素带来生活水平的提高),以及高温效应。
其中,对于新增用户的电量影响,经分析惠州市新增有效用户电量在2-4年的范围内有个快速增长的过程,而新用户转化为有效用户大概需要3年的时间完成,故以三年内的新增用户数作为模型的因素之一。而对于自然增长的电量影响,为消除季节波动因素,将居民电量数据统计粒度设为年,同时只取2008年以前立户的用户做分析,数据显示基本呈现线性上涨的趋势,如图1所示。
如图2所示,对于温度影响,惠州市居民季度用电特征如下图所示。从历年的数据来看居民用电数据明显表现出季节增长的特点。1、2季度用电少,3季度用电高峰,4季度用电次高峰,计算脉冲效采用的是动态Arimamax模型,根据协方差,来计算温度和电量的关系。
通过历史数据进行分析建模,充分利用历年用电数据,在长期增长趋势的情况下,考虑季节波动和温度影响,通过时间序列模型预测用电量。将历年的真实值与预测值进行对比,预测偏差均在5%以下,其中以2016年数据为例,2016年第一季度真实电量为798230793千瓦时,预测偏差为2% 。2016年第二季度实际电量877553308千瓦时,偏差0.3%。第三季度实际电量为1391626677千瓦时,偏差为1.2%。第四单季度实际电量为1023968475千瓦时,偏差为0.97%。预测结果时序如图3所示。模型可以稳健的按季度预测居民电量。
时间序列模型是指将同一统计指标的数值按其发生的时间先后顺序排列而成的数列。时间序列分析的主要目的是根据已有的历史数据对未来进行预测。构成时间序列的要素包括长期趋势、季节变动、循坏变动和不规律变动。
在本案例中,居民电量数据符合构成时间序列模型的几个要素,包括了电量自然增长的长期趋势、随四季变动的电量波动、每年存在周期性循环以及随机扰动。如图4所示。
同时,根据历史数据分析,该时间序列模型受温度、自然增长、季节因素、和近3年投入的有效用户影响。
综合模型结果,有以下公式:
新增用户电量 y= (787.26n3 – 15797n2 + 106267n – 201384)*10000
(n为近3年投入的有效户数单位为万);
R² = 0.9997;
季节调整因素(0.81,0.83,1.30,1.05);
季度总电量=exp(-2.40455+0.07583*温度+ɛ+x (t-4))+y*季节因素;
S为上一期电量,x上一年同期电量
季度总电量=exp(-0.33866+0.013539*温度+s+x)+y*季节因素。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (2)
1.基于时间序列模型的居民用电预测方法,其特征在于,包括以下步骤:
通过历史数据进行分析建模,充分利用历年用电数据,在长期增长趋势的情况下,考虑季节波动和温度影响,通过时间序列模型预测用电量。
2.根据权利要求1所述的基于时间序列模型的居民用电预测方法,其特征在于:根据历史数据分析,该时间序列模型受温度、自然增长、季节因素、和近3年投入的有效用户影响;
综合模型结果,有以下公式:
新增用户电量 y= (787.26n3 – 15797n2 + 106267n – 201384)*10000
n为近3年投入的有效户数单位为万;
R² = 0.9997;
季节调整因素(0.81,0.83,1.30,1.05);
季度总电量=exp(-2.40455+0.07583*温度+ɛ+x (t-4))+y*季节因素;
S为上一期电量,x上一年同期电量
季度总电量=exp(-0.33866+0.013539*温度+s+x)+y*季节因素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710458268.3A CN107330548A (zh) | 2017-06-16 | 2017-06-16 | 基于时间序列模型的居民用电预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710458268.3A CN107330548A (zh) | 2017-06-16 | 2017-06-16 | 基于时间序列模型的居民用电预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330548A true CN107330548A (zh) | 2017-11-07 |
Family
ID=60195556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710458268.3A Pending CN107330548A (zh) | 2017-06-16 | 2017-06-16 | 基于时间序列模型的居民用电预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330548A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002986A (zh) * | 2018-07-16 | 2018-12-14 | 浙江电腾云光伏科技有限公司 | 一种电力区域销纳能力分析方法 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
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 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN104268641A (zh) * | 2014-09-15 | 2015-01-07 | 华南理工大学 | 一种考虑三级行业划分的电量预测方法 |
JP2016081452A (ja) * | 2014-10-22 | 2016-05-16 | 株式会社日立製作所 | 卸電力価格予測システムおよび卸電力価格予測方法 |
CN105809288A (zh) * | 2016-03-09 | 2016-07-27 | 国网上海市电力公司 | 基于固定效应模型的用电量预测方法 |
CN105844371A (zh) * | 2016-05-19 | 2016-08-10 | 北京中电普华信息技术有限公司 | 一种用电客户短期负荷需求预测方法及装置 |
-
2017
- 2017-06-16 CN CN201710458268.3A patent/CN107330548A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102930354A (zh) * | 2012-11-06 | 2013-02-13 | 北京国电通网络技术有限公司 | 一种小区用电预测方法及装置 |
CN104268641A (zh) * | 2014-09-15 | 2015-01-07 | 华南理工大学 | 一种考虑三级行业划分的电量预测方法 |
JP2016081452A (ja) * | 2014-10-22 | 2016-05-16 | 株式会社日立製作所 | 卸電力価格予測システムおよび卸電力価格予測方法 |
CN105809288A (zh) * | 2016-03-09 | 2016-07-27 | 国网上海市电力公司 | 基于固定效应模型的用电量预测方法 |
CN105844371A (zh) * | 2016-05-19 | 2016-08-10 | 北京中电普华信息技术有限公司 | 一种用电客户短期负荷需求预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李英惠等: "基于时间序列模型的售电量预测方法", 《山东电力技术》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109002986A (zh) * | 2018-07-16 | 2018-12-14 | 浙江电腾云光伏科技有限公司 | 一种电力区域销纳能力分析方法 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260803B (zh) | 一种系统用电量预测方法 | |
WO2018082523A1 (zh) | 一种负荷周期的模式识别方法 | |
Wang et al. | Stochastic DG placement for conservation voltage reduction based on multiple replications procedure | |
CN103259285B (zh) | 含大规模风电电力系统的短期运行优化方法 | |
CN109858728B (zh) | 基于分行业用电特性分析的负荷预测方法 | |
CN109858673A (zh) | 一种光伏发电系统功率预测方法 | |
CN104638636B (zh) | 一种电力日负荷特性指标预测方法 | |
CN104598985B (zh) | 电力负荷预测方法 | |
CN102509173B (zh) | 一种基于马尔科夫链的电力系统负荷准确预测方法 | |
CN104091293B (zh) | 基于用电结构变动的电网长期负荷特性预测方法 | |
CN109636035A (zh) | 负荷预测模型创建方法及装置、电力负荷预测方法及装置 | |
CN110109971A (zh) | 一种低压台区用户用电负荷特性分析方法 | |
CN107330548A (zh) | 基于时间序列模型的居民用电预测方法 | |
CN106682784A (zh) | 一种智能电网大数据的分析方法与系统 | |
CN103310284A (zh) | 经济负荷和降温负荷的确定方法及负荷确定装置 | |
CN109858668B (zh) | 一种雷电气候下电力负荷区域协调预测方法 | |
CN104134102B (zh) | 基于leap模型的电网中长期电力需求分布预测方法 | |
Dong et al. | Improving the accuracy of wind speed statistical analysis and wind energy utilization in the Ningxia Autonomous Region, China | |
CN105678415A (zh) | 一种分布式电源配电网的净负荷预测方法 | |
Yang et al. | Short-term wind power prediction based on multi-parameters similarity wind process matching and weighed-voting-based deep learning model selection | |
Shabbir et al. | Machine learning and deep learning techniques for residential load forecasting: A comparative analysis | |
CN105574325A (zh) | 一种结合人口指标的中长期用电量预测方法 | |
CN104850612A (zh) | 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法 | |
CN108053074A (zh) | 一种用电量影响率的计算方法及系统 | |
Albayrak | ARIMA forecasting of primary energy production and consumption in Turkey: 1923–2006 |
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 |
Application publication date: 20171107 |
|
RJ01 | Rejection of invention patent application after publication |