CN107862414A - 电网投资预测方法及系统 - Google Patents

电网投资预测方法及系统 Download PDF

Info

Publication number
CN107862414A
CN107862414A CN201711178541.3A CN201711178541A CN107862414A CN 107862414 A CN107862414 A CN 107862414A CN 201711178541 A CN201711178541 A CN 201711178541A CN 107862414 A CN107862414 A CN 107862414A
Authority
CN
China
Prior art keywords
electric grid
signals
grid investment
imf
prediction result
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
Application number
CN201711178541.3A
Other languages
English (en)
Inventor
刘开俊
韩丰
李晖
彭冬
薛雅玮
张鹏飞
龙望成
赵朗
李金颖
李金超
朱少闻
向宇伟
徐谦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power University
State Grid Economic and Technological Research Institute
Original Assignee
State Grid Corp of China SGCC
State Grid Zhejiang Electric Power Co Ltd
North China Electric Power University
State Grid Economic and Technological Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Zhejiang Electric Power Co Ltd, North China Electric Power University, State Grid Economic and Technological Research Institute filed Critical State Grid Corp of China SGCC
Priority to CN201711178541.3A priority Critical patent/CN107862414A/zh
Publication of CN107862414A publication Critical patent/CN107862414A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • 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)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种电网投资预测方法及系统，所述预测方法包含：获取电网投资时间序列信号，通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号和余项；将所述IMF信号的特征时间尺度大小进行比较，获得高频分量IMF信号和低频分量IMF信号；通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；通过回归模型分析所述余项，获得第三预测结果；根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。

Description

电网投资预测方法及系统
技术领域
本发明涉及投资预测领域，尤指一种电网投资预测方法及系统。
背景技术
现有的关于电网投资预测的研究，主要从两个思路对电网投资进行预测。部分研究是通过分析电网投资历年的变化趋势，对未来的电网投资进行直接的预测。这种预测方法简单且需要的数据较少，但在预测过程中没有考虑电网投资的变化是多种因素共同作用的，因此在预测精度上存在明显不足。还有一部分研究是基于考虑不同因素对电网投资量的影响，然后通过研究电网投资与因素之间的依存关系从而对电网投资进行预测。由于各个影响因素的在未来的变化趋势较容易掌握，因此通过研究电网投资与因素之间的关系能有效提高预测精度。
电网投资的影响因素主要有GDP总量、社会总用电量和能源生产总量，能源消费总量等，又逐渐被细分为第二产业比例、第三产业比例、人均用电量、能源结构等多个因素。由于影响电网投资的因素众多，简单的线性回归以及时间序列则很难满足预测精度的要求。
发明内容
本发明目的在于基于经验模态分解理论使用混合预测方法，利用各因素变化量影响之下电网投资时间序列的发展趋势，从而对电网投资进行更为精确的预测。
为达上述目的，本发明具体提供一种电网投资预测方法，所述方法包含：获取电网投资时间序列信号，通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号和余项；将所述IMF信号与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号；通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；通过回归模型分析所述余项，获得第三预测结果；根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
在上述电网投资预测方法中，优选的，所述通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果包含：根据所述高频分量IMF信号，利用所述神经网络分析所述高频分量，获得第一预测结果。
在上述电网投资预测方法中，优选的，将所述IMF信号与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号包含：将所述IMF信号的特征时间尺度大小与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号；其中高于所述预定阈值的所述IMF信号为低频分量IMF信号，低于所述预定阈值的所述IMF信号为高频分量IMF信号。
在上述电网投资预测方法中，优选的，所述通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号包含：利用EMD方法中IMF信号定义，筛选所述电网投资时间序列信号中符合IMF信号定义的信号，获得符合所述IMF信号定义的复数个IMF信号。
在上述电网投资预测方法中，优选的，所述利用EMD方法中IMF信号定义，筛选所述电网投资时间序列信号中符合IMF信号定义的信号包含：根据所述电网投资时间序列信号获得所述电网投资时间序列信号的极大值点和极小值点，通过三次样条差值函数分别绘制所述极大值点和所述极小值点所对应的上包络线和下包络线；计算所述上包络线和所述下包络线的均值，获得均值包络线；通过原始序列减去所述均值包络线，获得待测序列；根据所述待测序列获得复数个IMF信号。
在上述电网投资预测方法中，优选的，所述通过EMD方法将所述电网投资变化量序列信号分解为余项包含：将所述原始序列减去复数个IMF信号，获得筛选序列；当所述筛选序列为单调函数时，所述筛选序列为余项。
在上述电网投资预测方法中，优选的，所述通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果包含：通过时间序列预测方法中的向量自回归模型分析所述低频分量IMF信号，获得第二预测结果；其中所述向量自回归模型如下：
Xt＝a0+a1Xt-1+a2Xt-2…+apXt-p+εt-b1εt-1-b2εt-2…-bqεt-q；
式子中，ai为自回归参数，bi为滑动平均参数。{εt}为白噪声序列。称此模型为ARMA(p,q)模型，称适合此模型的{Xt}为ARMA(p,q)序列。
在上述电网投资预测方法中，优选的，所述通过回归模型分析所述余项，获得第三预测结果包含：通过回归模型中的线性回归模型分析所述余项，获得第三预测结果；其中所述线性回归模型如下：
y＝β0+β1x1+β2x2+…+βpxp+ε；
其中，βi是p+1个未知参数，β0称为回归常数，β1…βp称为回归系数。y称为被解释变量(因变量)，xi是p个可以精确测量并控制的一般变量，成为解释变量(自变量)。本例中，y为电网投资预测值；xi为各个自变量的观测值；ε为残差，服从正太分布；βi为通过数学统计法获得的未知参数。
本发明还提供一种电网投资预测系统，所述系统包含：EMD数据分解模块、比较模块、预测模块和统计模块；所述EMD数据分解模块用于获取电网投资变化量序列信号，通过EMD方法将所述电网投资变化量序列信号分解为复数个IMF信号和余项；所述比较模块用于将所述IMF信号的特征时间尺度大小,获得高频分量IMF信号和低频分量IMF信号；所述预测模块用于通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；通过回归模型分析所述余项，获得第三预测结果；所述统计模块用于根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
通过本发明所提供的电网投资预测方法及系统，利用EMD模型将电网投资时间序列分解为2个IMF分量和一个余项，每个新序列携带着特有的特征信息，根据其特征采用合适的方法进行预测；根据已有数据的拟合结果可知，基于EMD理论的混合方法预测在解决电网投资预测问题时更为精确且有效。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，并不构成对本发明的限定。在附图中：
图1A为本发明一实施例所提供的电网投资预测方法的流程示意图；
图1B为本发明一实施例所提供的电网投资预测方法的IMF信号获取流程图；
图2为本发明一实施例所提供的数据预处理图；
图3为本发明一实施例所提供的BP神经网络拟合图；
图4为本发明一实施例所提供的时间序列拟合图；
图5为本发明一实施例所提供的多元线性回归拟合图；
图6为本发明一实施例所提供的电网投资拟合图；
图7为本发明一实施例所提供的混合预测模型流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。
经验模态分解，即EMD是由Huang于1998年提出的一种新型自适应信号时频处理方法，主要用来解决非线性、非平稳问题；EMD理论自提出后，已经在交通、地震、医学、机械故障诊断等领域得到广泛运用；在解决预测问题时，EMD表现出异于普通预测方法的优点。
请参考图1A所示，本发明具体提供一种电网投资预测方法，所述方法包含：S101获取电网投资时间序列信号，通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号和余项；S102将所述IMF信号的特征时间尺度大小进行比较，获得高频分量IMF信号和低频分量IMF信号；S103通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；S104通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；S105通过回归模型分析所述余项，获得第三预测结果；S106根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
在上述实施例中，通过EMD方法将信号分解为n个IMF和余项，其中，IMF蕴含着周期性信息，余项表示原始信号的趋势分量，再将IMF以及余项按照频率从高到低排序，第i个分量记为IMFi，余项记为u(t)。由于原始序列x(t)的不同频率的IMF分量和趋势项分量蕴含不同的本质特征，且拥有不同的规律信息，因此可对不同分量采取不同的预测方法，采用比较IMF信号的特征时间尺度大小进行高频、低频的划分；其中高频较高分量表明了电网投资变化量在长期过程中的一种潜在的周期性，这种周期性可能跟我国的五年规划有关，也可能是由于经济发展的内在规律所决定，高频分量的波动性比较强，因此可以采用人工神经网络进行预测；低频率分量则表示一种偶然性，可能由重大社会事件造成，低频分量的随机性比较大，可以采用时间序列预测方法；趋势项即余项是序列在长期发展中保持稳定的部分，可以采用简单的回归模型进行预测；最后，将各个分量的预测结果相加便可以得到较精准的最终预测结果。
在本发明一实施例中，上述步骤S102包含：将所述IMF信号的特征时间尺度大小与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号；其中高于所述预定阈值的所述IMF信号为低频分量IMF信号，低于所述预定阈值的所述IMF信号为高频分量IMF信号。具体的，分解得到的IMF分量是基于序列(信号)本身的局部的特征时间尺度，各个分量表征了原序列不同时间尺度(或频率)的振荡变化，趋势项(余项)集中反映了序列的非平稳性，在一定程度上表现原序列的总趋势；分解得到的信号特征时间尺度最小的为高频IMF分量，表明了电网投资变化量在长期过程中的一种潜在的周期性，这种周期性可能跟我国的五年规划有关，也可能是由于经济发展的内在规律所决定，高频分量的波动性比较强，因此可以采用人工神经网络进行预测；分解得到的信号特征时间尺度较大的为低频IMF信号，低频率分量表示一种偶然性，可能由重大社会事件造成，低频分量的随机性比较大，可以采用时间序列预测方法；趋势项即余项是序列在长期发展中保持稳定的部分，可以采用简单的回归模型进行预测；最后，将各个分量的预测结果相加便可以得到较精准的最终预测结果。
在上述实施例中，各个IMF分量分别表征不同的特征时间尺度。特征时间尺度是指：连续两个极大值点或两个极小值点之间的时间间隔；或者局部的极大值和极小值的时间间隔；或者连续两个穿零点之间的时间间隔。用连续两个极值之间的时间间隔作为本征模态的时间尺度，不仅能细致地分辨出不同尺度的振荡分量，而且可用于数值全为正或者全为负的、没有穿零点的序列。
在本发明一优选实施例中，上述步骤S103中还包含：根据所述高频分量IMF信号，利用神经网络模型分析所述高频分量，获得第一预测结果。在该实施例中，神经网络模型是一种模拟人脑信息处理机制的数学模型，具有学习和记忆的功能。在BP神经网络的训练过程中，调整网络的权值算法是误差的反向传播的学习算法，BP神经网络的结构简单，可调整参数多，且操作性较好。
在EMD方法中，一个本征模函数必须满足两个条件：(1)在整个时间范围内，IMF的极值点个数与零点个数相等，或者相差一个。(2)由IMF极大值点形成的上包络线和由极小值点形成的下包络线的均值包络线线与横坐标重合。
基于上述原理，在本发明一优选实施例中，上述步骤S101还包含：根据所述电网投资时间序列信号获得所述电网投资时间序列信号的极大值点和极小值点，通过三次样条差值函数分别绘制所述极大值点和所述极小值点所对应的上包络线和下包络线；计算所述上包络线和所述下包络线的均值，获得均值包络线；通过原始序列减去所述均值包络线，获得待测序列；根据所述待测序列获得复数个IMF信号；将所述原始序列减去复数个IMF信号，获得筛选序列；当所述筛选序列为单调函数时，所述筛选序列为余项。
当然，实际工作中，可假设被研究信号为时间序列x(t)，为了获得该序列的IMF及余项，需要将其按照下面的步骤进行筛选：
(1)找出x(t)的极大值点和极小值点，用三次样条插值函数分别绘出序列的上包络线和下包络线。
(2)对上下包络线求均值从而得到均值包络线，记为k(t)。
(3)用原始序列减去均值包络线，得到一个新的序列w(t)：
w(t)＝x(t)-k(t)；
若w(t)满足IMF的条件，则该序列为x(t)的第一个IMF；若不满足条件，则以w(t)为原始序列，重复进行步骤(1)～(3)，直到得到序列m1(t)满足IMF的条件，则m1(t)为x(t)的第一个IMF分量。
(4)将m1(t)从原始序列中分离出，将得到的余项u(t)＝x(t)-m1(t)作为新的原始序列重复上述步骤。当余项为单调函数时，停止筛选过程。此时，原始序列x(t)被分解为n个IMF和一个余项；具体请参考图1B所示。
在本发明一优选的实施例中，步骤S104还包含：将所述低频分量IMF信号带入所述向量自回归模型中，计算获得第二预测结果；
实际工作中，所述向量自回归模型的基本模型如下：
Xt＝a0+a1Xt-1+a2Xt-2…+apXt-p+εt-b1εt-1-b2εt-2…-bqεt-q；
式子中，ai为自回归参数，bi为滑动平均参数。{εt}为白噪声序列。称此模型为ARMA(p,q)模型，称适合此模型的{Xt}为ARMA(p,q)序列。
在本发明一优选的实施例中，步骤S105还包含：将所述余项带入所述线性回归模型中，计算获得第三预测结果。在该实施例中，线性回归方法可用来模拟一个因变量y与多个解释变量x之间的关系，被称为多元线性回归或多元线性回归。多元线性回归模型如下所示：
y＝β0+β1x1+β2x2+…+βpxp+ε；
其中，βi是p+1个未知参数，β0称为回归常数，β1…βp称为回归系数。y称为被解释变量(因变量)，xi是p个可以精确测量并控制的一般变量，成为解释变量(自变量)。本例中，y为电网投资预测值；xi为各个自变量的观测值；ε为残差，服从正太分布；βi为通过数学统计法获得的未知参数。
本发明还提供一种电网投资预测系统，所述系统包含：EMD数据分解模块、比较模块、预测模块和统计模块；所述EMD数据分解模块用于获取电网投资变化量序列信号，通过EMD方法将所述电网投资变化量序列信号分解为复数个IMF信号和余项；将所述IMF信号的特征时间尺度大小进行比较，获得高频分量IMF信号和低频分量IMF信号；所述预测模块用于通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；通过回归模型分析所述余项，获得第三预测结果；所述统计模块用于根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
为更清楚的说明本发明所提供的电网投资预测方法，以下以具体实例对上述方法做详细说明：
根据1990年至2015年《中国统计年鉴》和《中国能源统计年鉴》获得的数据。
利用matlab等工具，对上述数据进行预处理，将历年电网投资额作为原始序列进行分解。所得结果如图2所示。
将第一产业总产值，第二产业总产值，第三产业总产值；人均用电量，火电发电装机容量，水电发电装机容量，能源总生产量，能源总消费量，电力、热力、燃气生产和供应业新增固定资产，R&D经费支出作为输入变量，IMF1的值作为输出变量，采用BP神经网络方法预测电网投资序列IMF1的值。通过BP神经网络拟合的IMF1值如图3所示。
(2)使用自回归方法预测IMF2，通过反复试验，建立ARMA(4,4)模型预测IMF2。拟合图如图4所示。
(3)从图2可以看出，余项较为稳定，近乎一条斜线，因此可对其做关于年份的线性回归预测。利用多元线性回归模型来拟合余项，所的拟合图如图5所示。
上述两个IMF分量和余项通过上述预测方法分别可得到一组拟合值，三组拟合值对应年份叠加得到1990年到2015年的电网投资的拟合值。比较电网投资的预测值与电网投资的实际值，观察混合方法预测的误差率(误差率＝|预测值-实际值|/实际值×100％)，验证预测的精确性，获得电网投资的拟合图和历年电网投资预测误差率，结果如图6和表1(电网投资预测误差率)所示。
表1
年份 1990 1991 1992 1993 1994 1995 1996
误差率 278.40％ 41.66％ 132.38％ 93.50％ 15.23％ 22.66％ 0.79％
年份 1997 1998 1999 2000 2001 2002 2003
误差率 11.24％ 6.33％ 0.59％ 12.34％ 5.16％ 9.98％ 18.38％
年份 2004 2005 2006 2007 2008 2009 2010
误差率 2.98％ 5.71％ 5.24％ 5.61％ 0.34％ 4.23％ 5.83％
年份 2011 2012 2013 2014 2015
误差率 1.11％ 4.70％ 12.24％ 0.19％ 0.60％
通过计算容易发现，随着年份的增长，利用混合方法预测电网投资额的误差率有较大幅度的降低，除个别年份外，基本将误差率控制在6％以下，验证了该方法有较好的的预测精度。为了对波动性较大的电网投资变动情况进行预测，本发明使用EMD模型将电网投资变化量序列分解为2个IMF分量和一个余项，每个新序列携带着特有的特征信息，根据其特征采用合适的方法进行预测，根据已有数据的拟合结果可知，基于EMD理论的混合方法预测在解决电网投资预测问题时更为精确且有效。混合预测方法流程如图7所示。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种电网投资预测方法，其特征在于，所述预测方法包含：
获取电网投资时间序列信号，通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号和余项；
将所述IMF信号与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号；
通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；
通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；
通过回归模型分析所述余项，获得第三预测结果；
根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
2.根据权利要求1所述的电网投资预测方法，其特征在于，所述通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果包含：根据所述高频分量IMF信号，利用神经网络模型分析所述高频分量，获得第一预测结果。
3.根据权利要求1所述的电网投资预测方法，其特征在于，将所述IMF信号与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号包含：将所述IMF信号的特征时间尺度大小与预定阈值比较，获得高频分量IMF信号和低频分量IMF信号；其中高于所述预定阈值的所述IMF信号为低频分量IMF信号，低于所述预定阈值的所述IMF信号为高频分量IMF信号。
4.根据权利要求1所述的电网投资预测方法，其特征在于，通过EMD方法将所述电网投资时间序列信号分解为复数个IMF信号包含：利用EMD方法中IMF信号定义，筛选所述电网投资时间序列信号中符合IMF信号定义的信号，获得符合所述IMF信号定义的复数个IMF信号。
5.根据权利要求4所述的电网投资预测方法，其特征在于，所述利用EMD方法中IMF信号定义，筛选所述电网投资时间序列信号中符合IMF信号定义的信号包含：
根据所述电网投资时间序列信号获得所述电网投资时间序列信号的极大值点和极小值点，通过三次样条差值函数分别绘制所述极大值点和所述极小值点所对应的上包络线和下包络线；
计算所述上包络线和所述下包络线的均值，获得均值包络线；
通过原始序列减去所述均值包络线，获得待测序列；
根据所述待测序列获得复数个IMF信号。
6.根据权利要求5所述的电网投资预测方法，其特征在于，所述通过EMD方法将所述电网投资时间序列信号分解为余项包含：将所述原始序列减去复数个IMF信号，获得筛选序列；当所述筛选序列为单调函数时，所述筛选序列为余项。
7.根据权利要求1所述的电网投资预测方法，其特征在于，所述通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果包含：通过时间序列预测方法中的向量自回归模型分析所述低频分量IMF信号，获得第二预测结果；其中所述向量自回归模型如下：
Xt＝a0+a1Xt-1+a2Xt-2…+apXt-p+εt-b1εt-1-b2εt-2…-bqεt-q；
式子中，ai为自回归参数，bi为滑动平均参数，{εt}为白噪声序列，Xt为ARMA(p，q)序列。
8.根据权利要求1所述的电网投资预测方法，其特征在于，所述通过回归模型分析所述余项，获得第三预测结果包含：通过回归模型中的线性回归模型分析所述余项，获得第三预测结果；其中所述线性回归模型如下：
y＝β0+β1x1+β2x2+…+βpxp+ε；
其中，y为电网投资预测值；xi为各个自变量的观测值；ε为残差，服从正太分布；βi为通过数学统计法获得的未知参数。
9.一种电网投资预测系统，其特征在于，所述系统包含：EMD数据分解模块、比较模块、预测模块和统计模块；
所述EMD数据分解模块用于获取电网投资序列信号，通过EMD方法将所述电网投资序列信号分解为复数个IMF信号和余项；
所述比较模块用于将所述IMF信号的特征时间尺度大小，获得高频分量IMF信号和低频分量IMF信号；
所述预测模块用于通过神经网络预测方法分析所述高频分量IMF信号，获得第一预测结果；通过时间序列预测方法分析所述低频分量IMF信号，获得第二预测结果；通过回归模型分析所述余项，获得第三预测结果；
所述统计模块用于根据所述第一预测结果、所述第二预测结果和所述第三预测结果，获得电网投资预测结果。
CN201711178541.3A 2017-11-23 2017-11-23 电网投资预测方法及系统 Pending CN107862414A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711178541.3A CN107862414A (zh) 2017-11-23 2017-11-23 电网投资预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711178541.3A CN107862414A (zh) 2017-11-23 2017-11-23 电网投资预测方法及系统

Publications (1)

Publication Number Publication Date
CN107862414A true CN107862414A (zh) 2018-03-30

Family

ID=61702400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711178541.3A Pending CN107862414A (zh) 2017-11-23 2017-11-23 电网投资预测方法及系统

Country Status (1)

Country Link
CN (1) CN107862414A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633844A (zh) * 2019-08-25 2019-12-31 天津大学 基于emd和ann的建筑能源系统模拟预测方法及应用
CN113131523A (zh) * 2019-12-31 2021-07-16 国网能源研究院有限公司 一种分品种电力供应预测方法及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110633844A (zh) * 2019-08-25 2019-12-31 天津大学 基于emd和ann的建筑能源系统模拟预测方法及应用
CN110633844B (zh) * 2019-08-25 2023-02-24 天津大学 基于emd和ann的建筑能源系统模拟预测方法及应用
CN113131523A (zh) * 2019-12-31 2021-07-16 国网能源研究院有限公司 一种分品种电力供应预测方法及系统

Similar Documents

Publication Publication Date Title
Liu et al. Towards a limits of acceptability approach to the calibration of hydrological models: Extending observation error
CN105117602B (zh) 一种计量装置运行状态预警方法
CN108492555A (zh) 一种城市路网交通状态评价方法及装置
CN105976077A (zh) 一种输变电工程造价动态控制目标计算系统及计算方法
Li et al. Traffic flow data forecasting based on interval type-2 fuzzy sets theory
CN106874581A (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
CN104574209B (zh) 一种城网配变重过载中期预警模型的建模方法
CN106685674A (zh) 网络事件预测以及建立网络事件预测模型的方法和装置
CN109117380A (zh) 一种软件质量评价方法、装置、设备及可读存储介质
CN104091216A (zh) 基于果蝇优化最小二乘支持向量机的交通信息预测方法
CN106910017A (zh) 一种基于用户行为数据挖掘的电能体验分析方法和系统
CN113837383B (zh) 模型训练方法、装置、电子设备及存储介质
CN104616212A (zh) 继电保护系统可靠性分析方法与系统
CN113762486A (zh) 换流阀故障诊断模型的构建方法、装置和计算机设备
CN105046453A (zh) 一种引入云模型进行评价选择的建设工程项目群构建方法
CN108241900A (zh) 工程项目建设周期预测方法、装置和系统
CN104820901A (zh) 基于生产现场数据的服装一线员工技能评价方法
CN107862414A (zh) 电网投资预测方法及系统
CN109635996A (zh) 房价走势前瞻模型构建方法、装置及存储介质
CN112613542A (zh) 一种基于双向lstm的企业除污设备负荷辨识方法
CN103208036B (zh) 一种基于电力用户数据的短期负荷预测方法
Jiménez et al. A closed-loop data-driven optimization framework for the unit commitment problem: A Q-learning approach under real-time operation
CN114648235A (zh) 一种基于数据画像的工业数据质量量化分析报告生成方法
CN106528774A (zh) 一种配网项目管理趋势预测方法和装置
CN110222905A (zh) 一种预测人流量的方法及装置

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: 20180330

RJ01 Rejection of invention patent application after publication