CN107992991A - 基于外部环境因素和协整理论的年度售电量预测方法 - Google Patents
基于外部环境因素和协整理论的年度售电量预测方法 Download PDFInfo
- Publication number
- CN107992991A CN107992991A CN201711081387.8A CN201711081387A CN107992991A CN 107992991 A CN107992991 A CN 107992991A CN 201711081387 A CN201711081387 A CN 201711081387A CN 107992991 A CN107992991 A CN 107992991A
- Authority
- CN
- China
- Prior art keywords
- msub
- mrow
- sales amount
- electricity sales
- variable
- 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 58
- 238000000034 method Methods 0.000 title claims abstract description 49
- 230000007613 environmental effect Effects 0.000 title claims abstract description 14
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000011161 development Methods 0.000 claims abstract description 7
- 238000001744 unit root test Methods 0.000 claims abstract description 6
- 238000009826 distribution Methods 0.000 claims abstract description 5
- 238000007689 inspection Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 17
- 238000012937 correction Methods 0.000 claims description 12
- 238000007476 Maximum Likelihood Methods 0.000 claims description 10
- 230000010354 integration Effects 0.000 claims description 7
- 230000007774 longterm Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 101100356682 Caenorhabditis elegans rho-1 gene Proteins 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 claims description 2
- 238000012795 verification Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 3
- 230000000694 effects Effects 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000686 essence Substances 0.000 description 2
- 238000013213 extrapolation Methods 0.000 description 2
- 206010068052 Mosaicism Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002773 nucleotide Substances 0.000 description 1
- 125000003729 nucleotide group Chemical group 0.000 description 1
- 238000005381 potential energy Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 210000003765 sex chromosome Anatomy 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- G06Q10/06—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
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (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
本发明公开了一种基于外部环境因素和协整理论的年度售电量预测方法,包括以下步骤:S1:选取外部变量和数据预处理,选取经济发展水平、产业结构、人口增长、城市化进程、居民消费及能源消费等维度,得到售电量函数,同时将选取的变量数据对数化,S2:对变量的时间序列进行平稳性检测,平稳性检测所用的单位根检验为ADF检验,ADF检验构造了一个类似于t‑分布的统计量τ=(ρ‑1)/Sρ,其中Sρ是统计量ρ的标准差。本发明基于协整理论和外部经济等数据,提出在电网年度售电量预测过程中的多变量建模的一种方法,对于克服传统建模技术缺陷,提升预测精度有积极的引导作用。
Description
技术领域
本发明涉及中长期售电量预测技术领域,尤其涉及一种基于外部环境因素和协整理论的年度售电量预测方法。
背景技术
目前广泛用于售电量分析预测的建模方法有弹性系数法、时间序列法、指数平滑法等,这些传统的建模技术在进行模型界定时,通常要求所分析的时间序列数据是平稳的。而通常情况下,经济时间序列都是非平稳的,尽管模型结果有可能具有很高的拟合度和显著的统计量,但是根据这些统计量得到的推断可能是不正确的,导致产生无意义的虚假回归。由于这些统计量可能不再具有通常的标准分布,因此有必要考虑模型的界定条件。
为解决上述问题,提出一种处理非平稳数据的方法——“协整理论”。协整理论的提出使得两个或多个非平稳经济时间序列在建模时能够克服传统建模技术缺陷,根据所建立的均衡关系取得较好的预测效果。对“协整”建立的均衡关系进行误差修正,从而得到预测效果较好的综合预测模型。而在此理论基础上进一步提出的格兰杰定理解决了“协整”与误差修正之间的因果关联性问题,并对时间序列中的“协整关系”提出严谨的定理证明及具体的可操作框架。特别是近年来,“协整理论”不仅引起学术界的广泛兴趣,而且被更广泛地运用到经济因素对多种变量建模和分析预测的领域。
发明内容
基于背景技术存在的技术问题,本发明提出了基于外部环境因素和协整理论的年度售电量预测方法。
本发明提出的基于外部环境因素和协整理论的年度售电量预测方法,包括以下步骤:
S1:选取外部变量和数据预处理,选取经济发展水平、产业结构、人口增长、城市化进程、居民消费及能源消费等维度,得到售电量函数,同时将选取的变量数据对数化;
S2:对变量的时间序列进行平稳性检测,平稳性检测所用的单位根检验为ADF检验,ADF检验构造了一个类似于t-分布的统计量τ=(ρ-1)/Sρ,其中Sρ是统计量ρ的标准差,在存在单位根假设的条件下,τ-统计量不再具有正常的t分布,但是在样本容量很大的情况下,τ-统计量收敛于标准维纳过程的泛函;
S3:协整检验,提出协整关系模型,协整检验的方法是Engle-Granger两步检验法和极大似然法;
S4:误差修正,因果关系检验,因果关系为Granger因果关系,因果关系在判定“同阶平稳序列”的“协整关系”后,将考虑误差修正并提出“协整关系”模型;
S5:根据模型进行预测结果分析,根据对数预测结果折算出相应的中长期年度售电量预测结果,并通过预测结果的准确性对模型进行评价。
优选的,所述S1中,售电量函数可以用下式表示:
Q=f(GDP,M3,PP,U,CPI,EC,EG),式中:Q表示为售电量,GDP表示为生产总值,M3表示为第三产业产值占比,PP表示为人口,U表示为城市化率,CPI表示为居民消费价格指数,EC表示为能源消费,EG表示为单位能耗。
优选的,所述S2中,ADF检验法采用如下回归式检验xt是否具有单位根:
其中:β0和a0是参数,T表示线性时间趋势,m为滞后项系数,εt为随机扰动项,m=1,2,3或者根据实验来确定。
优选的,所述S3中,Engle-Granger两步检验法通常适用于单方程的“协整”检验,主要利用OLS方法求出估计方程,其实质就是检验“协整”相关序列中是否存在单位根。
优选的,所述S3中,极大似然法是一种在VAR模型下用极大似然估计来检验多变量间“协整关系”的方法,且极大似然法对变量间的“协整关系”进行分析,具体方式如下:
Xt=A1Xt-1+…+AkXt-k+ξt ξ~IN(0,Ω)
其中,Xt是n维向量,N为差分操作符,每一个Ak都是n x n的参数矩阵,写成向量误差纠正模型(VECM)的形式:
其中,
优选的,所述S4中,Granger因果关系检验为验证“协整关系”中各变量间的因果关系了,且Granger因果关系应用到Granger表现定理。
本发明的有益效果为基于协整理论和外部经济等数据,提出在电网年度售电量预测过程中的多变量建模的一种方法,对于克服传统建模技术缺陷,提升预测精度有积极的引导作用。
附图说明
图1为本发明提出的基于外部环境因素和协整理论的年度售电量预测方法的流程示意图。
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。
实施例
参考图1,本实施例中提出了基于外部环境因素和协整理论的年度售电量预测方法,包括以下步骤:
S1:选取外部变量和数据预处理,对经济发展水平、产业结构、人口增长、城市化进程、居民消费及能源消费的分析,得到售电量函数,售电量函数可以用下式表示:
Q=f(GDP,M3,PP,U,CPI,EC,EG)
式中,Q表示为售电量,GDP表示为生产总值,M3表示为第三产业产值占比,PP表示为人口,U表示为城市化率,CPI表示为居民消费价格指数,EC表示为能源消费,EG表示为单位能耗,同时将选取的变量数据对数化,得到最终模型,最终模型中建模因素的选取会根据不同经济因素与售电量的相关性确定最终的预测方案,选取的变量数据取自某省的1980-2011年期间,另有少量数据取自某省的1990-2011年;
S2:对变量的时间序列进行平稳性检测,在具体应用协整理论进行分析时,采用ADF检验方法对变量的时间序列进行单位根检验,ADF检验方法可以通过对三个内置模式进行检验,且三个内置模式为水平检验、一阶差分检验和二阶差分检验,如果其中任何一个检验模型中ADF大于临界值,则可以认为该序列没有单位根,即为不平稳序列,运用计量经济学软件——Eviews6.0得出检验结果参见表1和表2所示:
表1 ADF单位根检验-水平检验结果
表1中各变量按时间排列的对数序列经过ADF水平检验后,售电量LNQ作为被解释变量是不平稳序列,ADF检验的水平检验结果如表1所示,解释变量中单位能耗LNEG的ADF水平值检验小于任何一种可能性范围,因此LNEG为平稳序列,
表2 ADF单位根检验-一阶差分检验结果
接下来对所有非平稳解释变量序列进行ADF检验,ADF检验的检验结果显示售电量的一阶差分序列ΔLNQ的ADF值为小于10%的显著性水平,可以确定该序列的90%以上为平稳序列,因此售电量LNQ的一阶差分序列为平稳序列,在此基础上需确定其他解释变量同为一阶差分序列且平稳的其他解释变量因素可以与被解释变量LNQ进行“协整关系”检验,当判断LNQ、LNGDP、LNPP、LNM3、LNU和LNCPI是I(1)的一阶差分序列序列后,将LNQ与其余序列进行“协整关系”检验,由于“协整关系”检验中多变量的属性,因此运用极大似然法来确定模型中需“协整”向量的个数,Schwarz信息标准法常被用来确定VAR中适当的滞后长度,由此确定的最佳滞后数为1,经反复试验推理,在添加LNCPI变量建立与LNQ“协整关系”检验时,模型近似于满秩矩阵,无法得出与其他解释变量同一“协整关系”的模型,以下“协整检验”中将认为剔除LNCPI变量,即在关联售电量时不考虑居民消费价格指数,用极大似然法得到的结果见表3和表4:
表3“协整检验”迹统计量结果
表4“协整检验”极大值统计量结果
经过上述检验,在某省的1980-2011年的样本区间内,根据数据序列的平滑程度,选取可协整的20个相关观测值,各个变量之间存在着一致的长期均衡关系,其“协整向量”的系数估计如下式所示:
β‘={1,-0.980339,-3.223634,0.559490,0.205115}
式中的变量已根据序列特性做了规范化处理,由于各变量都是对数形式,这些解释变量反映了与被解释变量之间的长期弹性,因此方程可表示为:
LNQ=0.980339LNGD+3.223634LNPP-0.559490LNM-0.205115LNU
以上结果表明,在样本区间内,模型中各变量存在着稳定的长期均衡关系,同预估的经济因素与售电量的相关性影响一致,参考实际情况进行误差修正,其‘协整模型’方程如下式所示:
LNQ=0.980339LNGD+3.223634LNPP-0.559490LNM-0.205115LNU+C
GDP和人口是售电量呈现较高增长的主要因素,GDP的对数每变化一个单位,售电量的对数将对应变化0.980339个单位;人口的对数每增加一个单位,售电量的对数将增长3.223634个单位;而第三产业占比的对数每增加一个单位,售电量将与之反方向变动0.559490个单位,那么上述变量是否可以作为引起售电量变化的关键因素去预测未来某省的电力市场走势,或者售电量的变化是否会对其他变量产生影响,以下的Granger因果关系检验会对此形成定量的判断,检验结果见表5:
表5 Granger因果关系检验结果
以表5中第一行结果为例进行分析,原假设“GDP变化不是引起Q变化的原因”的概率是41.88%,而原假设“Q变化不是引起GDP变化的原因”的概率为83.17%,显然,GDP更可能作为引起电量Q变化的原因,所以在10%的显著性水平下可以拒绝原假设,则可推断某省的社会经济发展可以促进全省售电量的增长,另外其他各关系量也有此类关系,人口PP增长也是引起售电量Q变化的直接原因,第三产业占比M与售电量Q变化可视作互为影响因素,售电量Q对整个地区的城市化率U的影响不大,同样城市化率U对售电量Q的影响程度也不明显,综合上述分析,某省的售电量和经济发展之间存在着近似单向的Granger因果关系,表明电力市场的变化可以反映出经济的发展状态;
S3:协整检验,提出“协整关系”模型,协整关系模型方程可以用来对全社会用电量的对数数据进行预测,这一过程的首要问题是确定方程LNQ=0.980339LNGD+3.223634LNPP-0.559490LNM-0.205115LNU中各变量的趋势,长期预测的趋势数据选自发展超前于某省的不同地区、不同国家的时间点对应加权平均值的外推变量,或某一地区、国家的趋势类似时间点的外推变量,其预测结果见表6:
表6全社会用电量对数数据预测结果
在得到初步的预测结果后,建立误差修正模型对以上结果进行修正,以得到相对准确的最终预测结论;
S4:误差修正,因果关系检验,因果关系为Granger因果关系,因果关系根据Granger表现定理,当变量间存在“协整关系”时一定存在一个与之等价的误差修正模型,在长期均衡方程的基础上,经过检验得到的ECM的综合方程如下:
ΔLNQ=0.251881ΔLNGDP+0.71332ΔLNM-0.51751ΔLNM-
0.149698E(-1)
根据Hendry提出的由一般到特殊的建模方法,逐渐剔除一些变量,不同时期的“协整”方程可基于ECM综合方程进行自定义化修正,修正后的拟合优度R2=0.415,对数似然函数值Log likelihood为310.0605,AIC和SC值较小,分别为-2.90和-2.55,这意味着预测结果向平衡快速收敛,短期内售电量的变化不会影响与之相对应的变量间长期关系,误差修正模型修正结果如表7所示:
表7误差修正后的全社会用电量对数数据结果
S5:根据模型进行预测结果分析,参照以上部分对全社会用电量各年的对数数据预测结果,可折算出某省的售电量2010-2040年的预测值,当在预测过程中,各项经济指标预测结果如表8所示:
表8经济指标预测结果
因此根据前述分析,推测某省的经济情况在2040年附近达到远景饱和状态,具体数值如表9所示:
表9饱和经济情况
根据以上各项经济指标预测值对某省的全社会用电量数值的影响,可预测出各年用电量如表10所示:
表10全社会用电量预测结果(单位:亿千瓦时)
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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,均应包含在本发明的保护范围之内。
Claims (6)
1.基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,包括以下步骤:
S1:选取外部变量和数据预处理,选取经济发展水平、产业结构、人口增长、城市化进程、居民消费及能源消费等维度,得到售电量函数,同时将选取的变量数据对数化;
S2:对变量的时间序列进行平稳性检测,平稳性检测所用的单位根检验为ADF检验,ADF检验构造了一个类似于t-分布的统计量τ=(ρ-1)/Sρ,其中Sρ是统计量ρ的标准差,在存在单位根假设的条件下,τ-统计量不再具有正常的t分布,但是在样本容量很大的情况下,τ-统计量收敛于标准维纳过程的泛函;
S3:协整检验,提出协整关系模型,协整检验的方法是Engle-Granger两步检验法和极大似然法;
S4:误差修正,因果关系检验,因果关系为Granger因果关系,因果关系在判定“同阶平稳序列”的“协整关系”后,将考虑误差修正并提出“协整关系”模型;
S5:根据模型进行预测结果分析,根据对数预测结果折算出相应的中长期年度售电量预测结果,并通过预测结果的准确性对模型进行评价。
2.根据权利要求1所述的基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,所述S1中,售电量函数可以用下式表示:
Q=f(GDP,M3,PP,U,CPI,EC,EG)
式中:Q表示为售电量,GDP表示为生产总值,M3表示为第三产业产值占比,PP表示为人口,U表示为城市化率,CPI表示为居民消费价格指数,EC表示为能源消费,EG表示为单位能耗。
3.根据权利要求1所述的基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,所述S2中,ADF检验法采用如下回归式检验xt是否具有单位根:
<mrow>
<msub>
<mi>&Delta;x</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<msub>
<mi>&beta;</mi>
<mn>0</mn>
</msub>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>0</mn>
</msub>
<mi>T</mi>
<mo>+</mo>
<msub>
<mi>a</mi>
<mn>1</mn>
</msub>
<msub>
<mi>x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&beta;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&Delta;x</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&epsiv;</mi>
<mi>t</mi>
</msub>
</mrow>
其中:β0和a0是参数,T表示线性时间趋势,m为滞后项系数,εt为随机扰动项,m=1,2,3或者根据实验来确定。
4.根据权利要求1所述的基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,所述S3中,Engle-Granger两步检验法通常适用于单方程的“协整”检验,主要利用OLS方法求出估计方程,其实质就是检验“协整”相关序列中是否存在单位根。
5.根据权利要求1所述的基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,所述S3中,极大似然法是一种在VAR模型下用极大似然估计来检验多变量间“协整关系”的方法,且极大似然法对变量间的“协整关系”进行分析,具体方式如下:
Xt=A1Xt-1+…+AkXt-k+ξt ξ~IN(0,Ω)
其中,Xt是n维向量,N为差分操作符,每一个Ak都是n x n的参数矩阵,写成向量误差纠正模型(VECM)的形式:
<mrow>
<msub>
<mi>&Delta;X</mi>
<mi>t</mi>
</msub>
<mo>=</mo>
<mo>&Pi;</mo>
<msub>
<mi>X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>k</mi>
</mrow>
</msub>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mrow>
<mi>k</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msub>
<mi>&Gamma;</mi>
<mi>i</mi>
</msub>
<msub>
<mi>&Delta;X</mi>
<mrow>
<mi>t</mi>
<mo>-</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>+</mo>
<msub>
<mi>&xi;</mi>
<mi>I</mi>
</msub>
</mrow>
其中,
6.根据权利要求1所述的基于外部环境因素和协整理论的年度售电量预测方法,其特征在于,所述S4中,Granger因果关系检验为验证“协整关系”中各变量间的因果关系,且Granger因果关系应用到Granger表现定理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081387.8A CN107992991A (zh) | 2017-11-07 | 2017-11-07 | 基于外部环境因素和协整理论的年度售电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711081387.8A CN107992991A (zh) | 2017-11-07 | 2017-11-07 | 基于外部环境因素和协整理论的年度售电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107992991A true CN107992991A (zh) | 2018-05-04 |
Family
ID=62030643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711081387.8A Pending CN107992991A (zh) | 2017-11-07 | 2017-11-07 | 基于外部环境因素和协整理论的年度售电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107992991A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612277A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 用于预测行业用电量的空间协同预测方法 |
CN111897852A (zh) * | 2020-07-01 | 2020-11-06 | 中国建设银行股份有限公司 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
CN112508219A (zh) * | 2020-09-17 | 2021-03-16 | 武汉筑信科技有限公司 | 基于多元时序滞后协整回归模型的复杂趋势预测技术 |
CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
CN113837497A (zh) * | 2021-11-04 | 2021-12-24 | 云南电网有限责任公司电力科学研究院 | 一种基于时间序列的电力消费预测方法及系统 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
-
2017
- 2017-11-07 CN CN201711081387.8A patent/CN107992991A/zh active Pending
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612277A (zh) * | 2020-05-29 | 2020-09-01 | 云南电网有限责任公司 | 用于预测行业用电量的空间协同预测方法 |
CN111897852A (zh) * | 2020-07-01 | 2020-11-06 | 中国建设银行股份有限公司 | 异常数据的确定方法、装置、电子设备及可读存储介质 |
CN112508219A (zh) * | 2020-09-17 | 2021-03-16 | 武汉筑信科技有限公司 | 基于多元时序滞后协整回归模型的复杂趋势预测技术 |
CN112686470A (zh) * | 2021-01-18 | 2021-04-20 | 国网河北省电力有限公司经济技术研究院 | 电网饱和负荷预测方法、装置及终端设备 |
CN113837497A (zh) * | 2021-11-04 | 2021-12-24 | 云南电网有限责任公司电力科学研究院 | 一种基于时间序列的电力消费预测方法及系统 |
CN116523687A (zh) * | 2023-06-26 | 2023-08-01 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
CN116523687B (zh) * | 2023-06-26 | 2023-10-03 | 国网能源研究院有限公司 | 考虑多因素的用电增长驱动力分解方法、装置和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107992991A (zh) | 基于外部环境因素和协整理论的年度售电量预测方法 | |
CN109615226B (zh) | 一种运营指标异常监测方法 | |
CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
CN107992968B (zh) | 基于集成时间序列分析技术的电能表计量误差预测方法 | |
CN111046564B (zh) | 两阶段退化产品的剩余寿命预测方法 | |
CN112287608A (zh) | 一种基于模糊综合评价的大坝安全预测系统及方法 | |
CN103389472B (zh) | 一种基于nd-ar模型的锂离子电池循环寿命的预测方法 | |
CN111813084A (zh) | 一种基于深度学习的机械装备故障诊断方法 | |
WO2021093362A1 (zh) | 一种蒸发过程出料苛性碱浓度测量装置精度补偿方法 | |
Khan et al. | A new class of transmuted inverse Weibull distribution for reliability analysis | |
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN108717585A (zh) | 一种远期电力需求预测方法 | |
CN116307215A (zh) | 一种电力系统的负荷预测方法、装置、设备及存储介质 | |
CN115758290A (zh) | 一种基于lstm的风机齿轮箱高速轴温度趋势预警方法 | |
CN103353295B (zh) | 一种精确预测大坝坝体垂直变形量的方法 | |
Zhang et al. | Joint monitoring of post-sales online review processes based on a distribution-free EWMA scheme | |
CN103996076B (zh) | 电力需求的变化预警方法和系统 | |
CN113552855B (zh) | 工业设备动态阈值设定方法、装置、电子设备及存储介质 | |
CN117010942A (zh) | 基于神经网络和线性模型的农产品销售预测方法和系统 | |
Atukeren | The relationship between the F-test and the Schwarz criterion: implications for Granger-causality tests | |
Shi et al. | Application on stock price prediction of Elman neural networks based on principal component analysis method | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN114386196B (zh) | 一种板带力学性能预测准确性评估方法 | |
CN111859798A (zh) | 基于双向长短时神经网络的流程工业故障诊断方法 | |
Cui | A long-term electrical power load forecasting model based on grey feed-back modification |
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: 20180504 |
|
RJ01 | Rejection of invention patent application after publication |