CN108197764A - 预测电力企业综合能耗的方法及其设备 - Google Patents
预测电力企业综合能耗的方法及其设备 Download PDFInfo
- Publication number
- CN108197764A CN108197764A CN201810235383.9A CN201810235383A CN108197764A CN 108197764 A CN108197764 A CN 108197764A CN 201810235383 A CN201810235383 A CN 201810235383A CN 108197764 A CN108197764 A CN 108197764A
- Authority
- CN
- China
- Prior art keywords
- month
- value
- months
- energy consumption
- enterprise
- 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
- 238000005265 energy consumption Methods 0.000 title claims abstract description 188
- 238000000034 method Methods 0.000 title claims abstract description 55
- 239000013598 vector Substances 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims description 43
- 238000012545 processing Methods 0.000 claims description 20
- 238000012795 verification Methods 0.000 claims description 19
- 230000009977 dual effect Effects 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 9
- 238000012417 linear regression Methods 0.000 claims description 6
- 230000000737 periodic effect Effects 0.000 claims description 6
- 238000009499 grossing Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 description 60
- 230000008859 change Effects 0.000 description 11
- 239000003245 coal Substances 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000003860 storage Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 6
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004134 energy conservation Methods 0.000 description 3
- 239000003345 natural gas Substances 0.000 description 3
- IJGRMHOSHXDMSA-UHFFFAOYSA-N Atomic nitrogen Chemical compound N#N IJGRMHOSHXDMSA-UHFFFAOYSA-N 0.000 description 2
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000000295 fuel oil Substances 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012731 temporal analysis Methods 0.000 description 2
- 238000000700 time series analysis Methods 0.000 description 2
- 239000002028 Biomass Substances 0.000 description 1
- 239000003570 air Substances 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000010779 crude oil Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002283 diesel fuel Substances 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003344 environmental pollutant Substances 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 229910052757 nitrogen Inorganic materials 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 231100000719 pollutant Toxicity 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003313 weakening effect 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
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)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供了一种预测电力企业综合能耗的方法,包括:采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到电力企业在未来m个月度中每个月度的综合能耗趋势值;采用时间序列算法,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,确定企业所在省份在未来m个月度中每个月度的工业增加值预测值;采用支持向量回归模型确定电力企业在m个月度中每个月度的综合能耗值。
Description
技术领域
本申请涉及能耗测量领域,并且更具体地,涉及一种预测电力企业综合能耗的方法及其设备。
背景技术
电力行业是基础的能源行业,同时也是主要的能源资源消耗和污染物排放行业之一。随着工业化及城镇化的不断推进,我国的电力需求及电力行业规模也不断扩大,电力行业的能源消耗及环境污染等问题也日益突出。我国电力行业对原煤、燃油、天然气等能源的消费巨大,原煤消耗量约占全国煤炭消费总量的50%,二氧化硫排放量占全国排放总量的55%,是我国节能减排工作的重点领域。在当前我国节能减排的大环境下,进行电力企业综合能耗阶段性预测,对优化电力行业结构,提高电力行业节能及资源配置效率,及能耗监督管理等方面具有重要意义。
行业内已有的电力企业能耗预测方法有三类:
第一类是采用灰色预测模型进行电力企业能耗预测。该方法是将电力企业已知的历史能耗数据作为原始序列,再通过灰生成算法生成灰色序列,弱化原始序列的随机性以显示能耗数据的特征规律,再通过相应的微分方程模型预测未来一个阶段时期的能耗。灰色预测模型具有样本需求量少、计算工作量小、样本无需规律性分布等特点。但该方法也具有对历史数据依赖性较强,容错性小,不适合进行长期预测的缺陷。
第二类是采用时间序列预测模型的电力企业能耗预测。该方法基于对电力企业能耗数据在过去一段连续时期内的观测,以获得其在变化趋势上的基本模式,再对未来的能耗值进行预测。时间序列预测模型能够快速计算电力行业近期能耗的连续变化特征,但该方法对原始能耗数据的平稳性要求较高,且对时间跨度较大的预测存在较大的不确定性。
第三类是基于最小二乘回归分析模型进行电力企业的能耗预测。该方法首先假设某类变量因素与电力企业能耗量存在相关性,再通过最小二乘法求解变量参数获得多项式,然后进行拟合并分析拟合效果,获得合适的拟合模型后再进行能耗预测。该方法对相关自变量的依赖性较大,需要寻找高度相关的变量且预测精度不高,因此难以建立较为理想的预测模型。
因此,亟需一种更准确合理的预测企业电力综合能耗的方法。
发明内容
本申请提供一种预测电力企业综合能耗的方法,能够更合理准确的对电力企业综合能耗进行预测。
第一方面,提供一种预测企业电力综合能耗的方法,包括:采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值;采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值。
结合第一方面,在第一方面的第一种可能的实现方式中,所述采用参数估计法对企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,再将所述企业的s个历史月度中每个月度的综能耗值的80%数据作为训练集,剩余20%作为验证集;确定所述训练集变化稳定;确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;根据所述验证集,验证所述趋势函数方程满足目标误差阈值;根据所述趋势函数方程,确定所述企业在未来m个月度中每个于都的电力企业综合能耗趋势值。
结合第一方面及其上述实现方式,在第一方面的第二种可能的实现方式中,所述采用时间序列算法,根据所述s个历史月度中每个月度的电力需求,确定所述电力企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值,包括:根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t),式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t),其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
结合第一方面及其上述实现方式,在第一方面的第三种可能的实现方式中,所述采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值,包括:对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行支持向量回归模型训练,将所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归,确定所述电力企业在所述m个月度中每个月度的综合能耗。
结合第一方面及其上述实现方式,在第一方面的第二种可能的实现方式中,所述采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值,包括:确定表征月度的电力企业综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的一个样本点;确定最小化结构风险函数为:
其中ξi,ξi *为松弛变量;引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:
K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
第二方面,获取单元,所述获取单元用于获取电力企业的s个历史月度中每个月度的综合能耗值,以及该电力企业所在省份所述s个历史月度中每个月度的工业增加值及电力需求值;处理单元,所述处理单元用于采用参数估计法对所述电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能趋势值,其中,m,s为正整数;所处理单元用于采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值;所述处理单元还用于采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值。应理解,获取单元和确定单元还用于执行上述第一方面或第一方面任一种可能的方法。
第三方面,提供了一种装置,包括接收器、发送器、存储器和处理器,该存储器用于存储计算机程序,该接收器用于受处理器控制接收信号,该发送器用于受处理器控制发送信号,该处理器用于从存储器中调用并运行该计算机程序,使得该设备执行上述各方面所述的方法。
第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
第五方面,提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述各方面所述的方法。
在本申请实施例中,支持向量回归属于支持向量机算法的一种应用,能够较好的解决样本量小、非线性、过拟合、高维度、局部极小等问题,具有较好的稳定性及鲁棒性,泛化能力强,其在输入数据中有选择寻找支持向量的方式在计算速度上较神经网络等算法的全样本迭代方式更快,适用于电力企业月度综合能耗预测这样的复杂非线性系统。其次,省份月度电力需求及工业增加值是电力企业月度综合能耗的需求侧影响因素,且具有明显的规律变化特征,适用于时间序列分析,能够利用三参数时间序列模型较好的预测省份月度电力需求及工业增加值,利用参数估计算法模型即可获得电力企业月度综合能耗预测趋势。因此,本发明以省份月度电力需求、月度工业增加值、月度综合能耗趋势值作为输入变量,采用支持向量回归模型进行电力企业月度综合能耗预测。
附图说明
图1是本申请一个实施例的方法的示意性流程图。
图2是本申请一个实施例的电力企业综合能够的预测示意性流程图。
图3是本申请一个实施例支持向量回归预测结构的示意图。
图4是本申请另一个实施例的支持向量回归预测结构的示意图。
图5某省份电力需求预测效果示意图。
图6某省份工业增加值预测效果示意图。
图7某大型电力企业月度综合能耗预测曲线示意图。
图8是本申请一个实施例的设备的示意性框图。
图9是本申请另一实施例的装置的示意性结构框图。
具体实施方式
下面将结合附图,对本申请中的技术方案进行描述。
本发明提出了一种基于支持向量回归模型的电力企业综合能耗预测方法。本发明以GB/T 2589-2008《综合能耗计算通则》为标准计算电力企业综合能耗值(吨标准煤),分析电力企业综合能耗的月度趋势,并分析了近几年来我国省份月度电力需求及工业增加值的变化规律,采用参数估计算法计算电力企业月度综合能耗趋势值,利用水平项、趋势项、周期项三参数时间序列模型分析省份月度电力需求及工业增加值趋势,以综合能耗趋势值、省份电力需求趋势值、工业增加值趋势值作为变量输入建立支持向量回归模型进行电力企业月度综合能耗预测。
如图1所示,基于支持向量回归模型的电力企业能耗预测模型的建立过程主包括如下,包括:
步骤110,采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的电力企业综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数。
步骤120,采用时间序列算法,根据所述s个历史月度中每个月度的电力需求,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值。
步骤130,采用支持向量回归模型,采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定所述电力企业在m个月度中每个月度的综合能耗值。
其中,上述电力企业可以为某一省份的一个或多个电力企业,本申请不做限定。
在执行步骤110之前,需要进行模型分析前需要先进行电力企业综合能耗计算,电力企业的能耗是指发电机组、辅助系统及附属生产系统的用能,不包括生活用能及基建项目用能。电力企业消耗的能源主要有原煤、原油、天然气、生物质能等一次能源,精洗煤、天然气、柴油、燃料油、电力等二次能源,还包括在电力生产过程中所消耗的既不作原料使用也不进入产品,制取时又需要消耗能源的工作物质,如工业水、压缩空气、氧气、氮气等,按各类能源折标准煤系数计算等价煤耗获得综合能耗值。
电力企业根据不同时间周期上各类能源购进消费量与电力外供量之差计算该企业周期历史能耗数据,例如月度能耗、季度能耗等。电力需求、发电机组效率、国家节能管理政策等因素均能影响企业电力生产和能源消耗。其中电力需求是影响电力企业能耗最主要的因素之一。目前,电力需求随我国经济、工业化水平、城镇化水平的提高而持续增长,但在年内各月份的需求变化在不同年份间呈现出相似的规律。电力需求主要可分为居民用电需求和企业用电需求,工业企业作为电力消费的重要主体,工业增加值的变化对电力需求也具有间接影响,且我国年内工业增加值的变化也呈现出按月份规律变化的特点。因此,电力需求及工业增加值适合作为电力企业能耗预测的输入变量。
在本申请实施例中,支持向量回归属于支持向量机算法的一种应用,能够较好的解决样本量小、非线性、过拟合、高维度、局部极小等问题,具有较好的稳定性及鲁棒性,泛化能力强,其在输入数据中有选择寻找支持向量的方式在计算速度上较神经网络等算法的全样本迭代方式更快,适用于电力企业月度综合能耗预测这样的复杂非线性系统。其次,省份月度电力需求及工业增加值是电力企业月度综合能耗的需求侧影响因素,且具有明显的规律变化特征,适用于时间序列分析,能够利用三参数时间序列模型较好的预测省份月度电力需求及工业增加值,利用参数估计算法模型即可获得电力企业月度综合能耗预测趋势。因此,本发明以省份月度电力需求、月度工业增加值、月度综合能耗趋势值作为输入变量,采用支持向量回归模型进行电力企业月度综合能耗预测。
可选地,作为本申请一个实施例,所述采用参数估计法对对电力企业的s个历史月度中每个月度的综合能耗进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,包括:将所述电力企业的s个历史月度中每个月度的综合能耗值中的80%数据作为训练集,剩余20%作为验证集;确定所述训练集变化稳定;确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;根据所述验证集,验证所述趋势函数方程满足目标误差阈值;根据所述趋势函数方程,确定所述电力企业在s个历史月度中每个月度的综合能耗趋势值及在未来m个月度中每个月度的电力综合能耗趋势值。
如图2所示,采用参数估计法对月度电力企业综合能耗趋势值预测的过程如下:
第一步,模型训练集及验证集的划分,取收集的电力企业能耗历史数据集中80%的数据作为为训练集,剩余20%的数据定义为验证集,一般情况选择时间较为靠前的能耗数据作为训练集;
第二步,判断训练集数据变化率的稳定性,根据以下公式判断训练集数据变化率的稳定性:
式中,t为历史能耗数据按时间序列所定义的序号,Y为企业历史能耗数据,当n值恒定或在10%的范围内波动时,则认为训练集数据稳定变化,则进行第三步,否则重新划分训练集合验证集;
第三步,获得估计参数选定曲线:
Y=aebt
式中,a为估计参数,e为自然常数;将方程转换为直线方程:
lnY=ln a+bt,
令Y'=ln Y,a'=ln a
利用最小二乘法求解估计参数:
a=ea′
式中,是平均值。
第四步,评估趋势函数方程,将验证集中的t代入趋势函数方程,获得趋势值Yt,事先需要设置好目标误差阈值ε,预测值和验证实际值的绝对百分比误差大于目标误差阈值时,则可尝试从新划分训练集进行训练,若误差可接受,则可进行下一步,否则重新划分训练集和验证集,本发明将目标误差阈值ε设定为0.15。
第五步,能耗趋势值预测,根据预测所需的时间长度延伸t序列,再根据训练获得的趋势函数计算所对应的电力企业能耗趋势预测值。
可选地,作为本申请一个实施例,所述采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值,包括:根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)
其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
可选地,作为本申请一个实施例,所述采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值,包括:将所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,电力企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归,确定所述电力企业在所述m个月度中每个月度的综合能耗值。
本发明通过在支持向量机算法中引入ε不敏感损失函数将支持向量机算法应用于解决回归问题,支持向量回归寻求的是一个线性回归方程去拟合所有样本点,它寻求的最优超平面是使样本点离超平面总方差最小,支持向量回归结构如图3所示,图3示出了通过输入向量、支持向量、核函数、权值得到回归函数的流程图。
可选地,作为本申请一个实施例,所述采用支持向量回归模型,根据所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,确定所述企业在所述m个月度中每个月度的综合能耗值,包括:确定表征月度的电力企业综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;
引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;
引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的一个样本点;
确定最小化结构风险函数为:
其中ξi,ξi *为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
图4示出了本申请一个实施例电力企业月度综合能耗支持向量回归预测模型结构,包括:划分训练集及验证集、输入训练集、确定不敏感度ε和惩罚系数C,求解对偶化最优问题,计算ω和b值,进一步地,验证验证集并计算绝对百分比误差,如果绝对百分比误差小于误差阈值那么确定回归函数能够用于预测综合能耗,否则重新输入训练集重复上述步骤。
本发明选择将输入数据中80%的数据作为训练集数据,其余20%的数据作为验证集数据,误差阈值定义为0.05。
进一步地,可以通过建模质量评估,通过地方统计局官网数据对该省份月度电力需求及工业增加值进行收集,本发明对北京、浙江、河南等国内多个省份近四年的月度电力需求及工业增加值进行了收集分析,分析结果均显示电力需求及工业增加值呈现以年为周期的规律性变化,图5为其中某省份月度电力需求数据,也就是某省份电力需求预测效果(亿千瓦时),图中点状线条表示实际月度电力需求,×状线条为利用三参数时间序列算法进行预测的预测月度电力需求。图6为近四年某省份工业增加值数据,也就是某省份工业增加值预测效果(亿元),点状线条为工业增加值实际数据,×状线条为三参数时间序列算法对工业增加值的预测数据。图5及图6结果显示,月度电力需求及工业增加值能够通过三参数时间序列算法实现较为理想的预测以用于输入支持向量回归模型进行电力企业月度综合能耗的预测。
本发明以国家节能中心《重点用能单位能耗在线监测系统》项目相关数据进行预测模型算法的数据模拟和建模质量评估,该项目数据涵盖全国各省份万吨以上电力生产企业各类能源月度购进、库存、消费、外供等相关数据,本发明选用了北京、浙江、河南等地30家电力生产企业作为模拟对象,利用近3年的能源生产和消费数据进行预测算法的模拟实验。在此选取某大型电力企业为例,图7为支持向量回归预测模型的预测效果,也就是某大型电力企业月度综合能耗预测曲线(吨标准煤),实际月度综合能耗以点状线条表示,预测值以×状线条表示,预测结果与实际能耗数据趋势基本一致,曲线拟合程度较为理想。
进一步地,建立电力企业综合能耗预测模型的优化机制,由于经济规律、社会发展等因素的影响,电力企业综合能耗预测模型建立后,输入变量月度电力需求及工业增加值的变化规律会发生一定程度的改变,综合能耗趋势值变化也会受到企业设备更新、产业结构优化等因素的影响。因此,本发明制定一套模型的持续优化机制。
本发明所建立的电力企业综合能耗预测模型每隔一定周期后,可进行模型的自动离线优化。根据实际情况,在模型建立和投入应用后每隔一年,系统将预测企业最近一年的历史月度综合能耗及相关输入变量情况,作为预测模型新的训练样本,对模型重新进行学习训练,从而得到更加适用于当前情况下的电力企业综合能耗预测模型。
图8示出了本申请一个实施例的设备的示意性框图。如图8所示,该设备800包括:一种预测电力企业综合能耗的设备,其特征在于,包括:
获取单元810,所述获取单元810用于获取电力企业所在省份s个历史月度中每个月度的电力需求以及所述s个历史月度中每个月度的工业增加值;
处理单元820,所述处理单元820用于采用参数估计法对所述电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的电力综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;
所处理单元820用于采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值;
所述处理单元820还用于采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定电力企业在m个月度中每个月度的综合能耗值。
可选地,作为本申请一个实施例,所述处理单元810用于:将所述电力企业的s个历史月度中每个月度的综合能耗趋势值中的80%数据作为训练集,剩余20%作为验证集;确定所述训练集变化稳定;确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;根据所述验证集,验证所述趋势函数方程满足目标误差阈值;根据所述趋势函数方程,确定所述企业在未来m个月度中每个于都的电力综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值。
可选地,作为本申请一个实施例,所述处理单元810用于:根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
可选地,作为本申请一个实施例,所述处理单元810用于:将所述m个月度中每个月度的电力企业综合能耗趋势值、所述电力企业所在省份m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,电力企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归,确定所述企业在所述m个月度中每个月度的电力综合能耗。
可选地,作为本申请一个实施例,所述处理单元810用于:确定表征月度的电力企业综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的一个样本点;确定最小化结构风险函数为:
其中ξi,ξi *为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:其中,K(x,xi)为高斯径向基核函数:K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
图9示出了本申请另一装置的示意性结构图,该装置900能够执行本申请实施例提供的预测电力企业综合能耗的方法。其中,该装置900包括:处理器901、接收器902、发送器903、以及存储器904。其中,该处理器901可以与接收器902和发送器903通信连接。该存储器904可以用于存储该装置900的程序代码和数据。因此,该存储器904可以是处理器901内部的存储单元,也可以是与处理器901独立的外部存储单元,还可以是包括处理器901内部的存储单元和与处理器901独立的外部存储单元的部件。
可选的,装置900还可以包括总线905。其中,接收器902、发送器903、以及存储器904可以通过总线905与处理器901连接;总线905可以是外设部件互连标准(PeripheralComponent Interconnect,PCI)总线或扩展工业标准结构(Extended Industry StandardArchitecture,EISA)总线等。所述总线905可以分为地址总线、数据总线、控制总线等。为便于表示,图9中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器901例如可以是中央处理器(Central Processing Unit,CPU),通用处理器,数字信号处理器(Digital Signal Processor,DSP),专用集成电路(Application-Specific Integrated Circuit,ASIC),现场可编程门阵列(Field Programmable GateArray,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框,模块和电路。所述处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。
接收器902和发送器903可以是包括上述天线和发射机链和接收机链的电路,二者可以是独立的电路,也可以是同一个电路。
应理解,图8或图9示出的实施例可以实现上述实施例的一个或多个有益效果,为了简洁起见,在此不再赘述
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
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。
所述功能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,或者第二设备等)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-Osly Memory)、随机存取存储器(RAM,Rasdom 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,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种预测电力企业综合能耗的方法,其特征在于,包括:
采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;
采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述电力企业所在省在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述电力企业所在省份在未来m个月度中每个月度的工业增加值预测值;
采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定所述电力企业在m个月度中每个月度的综合能耗值。
2.根据权利要求1所述的方法,其特征在于,所述采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,包括:
将所述企业所在省的s个历史月度中每个月度的电力需求以及所述s个历史月度中每个月度的工业增加值中的80%数据作为训练集,剩余20%作为验证集;
确定所述训练集变化稳定;
确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;
根据所述验证集,验证所述趋势函数方程满足目标误差阈值;
根据所述趋势函数方程,确定所述企业在未来m个月度中每个于都的电力综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值。
3.根据权利要求1或2所述的方法,其特征在于,所述采用时间序列算法,根据所述企业所在省s个历史月度中每个月度的电力需求,确定所述企业所在省在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省在未来m个月度中每个月度的工业增加值预测值,包括:
根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)
其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,确定所述电力企业在所述m个月度中每个月度的综合能耗值,包括:
将所述电力企业s个月度中每个月度的综合能耗趋势值、所述s个月度中每个月度的电力需求预测值、以及所述s个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归获得支持向量回归模型,再根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,确定所述企业在所述m个月度中每个月度的电力综合能耗。
5.根据权利要求4所述的方法,其特征在于,所述采用支持向量回归模型,根据所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的省份电力需求预测值、以及所述m个月度中每个月度省份工业增加值预测值,确定所述电力企业在所述m个月度中每个月度的综合能耗值,包括:
确定表征月度的综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;
引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;
引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的每个样本;
确定最小化结构风险函数为:
其中ξi,为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:
K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
6.一种预测企业电力综合能耗的设备,其特征在于,包括:
获取单元,所述获取单元用于获取电力企业的s个历史月度中每个月度的综合能耗值,以及所述电力企业所在省所述s个历史月度中每个月度的工业增加值及电力需求值;
处理单元,所述处理单元用于采用参数估计法对所述电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;
所处理单元用于采用时间序列算法,根据所述电力企业所在省s个历史月度中每个月度的电力需求,确定所述电力企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省在未来m个月度中每个月度的工业增加值预测值;
所述处理单元还用于采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定所述电力企业在m个月度中每个月度的综合能耗值。
7.根据权利要求6所述的设备,其特征在于,所述处理单元用于:
将所述电力企业的s个历史月度中每个月度的综合能耗值中的80%数据作为训练集,剩余20%作为验证集;
确定所述训练集变化稳定;
确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;
根据所述验证集,验证所述趋势函数方程满足目标误差阈值;
根据所述趋势函数方程,确定所述企业在未来m个月度中每个月度的综合能耗趋势值及历史s个月度中每个月度的综合能耗趋势值。
8.根据权利要求6或7所述的设备,其特征在于,所述处理单元用于:
根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)
其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
9.根据权利要求6至8中任一项所述的设备,其特征在于,所述处理单元用于:
采用支持向量回归算法对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势拟合值、s个历史月度中企业所在省的电力需求值及工业增加值进行训练,将所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归,确定所述企业在所述m个月度中每个月度的电力企业综合能耗。
10.根据权利要求9所述的设备,其特征在于,所述处理单元用于:
确定表征月度的电力企业综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;
引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;
引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的一个样本点;
确定最小化结构风险函数为:
其中ξi,为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:
K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2017114069400 | 2017-12-22 | ||
CN201711406940 | 2017-12-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108197764A true CN108197764A (zh) | 2018-06-22 |
Family
ID=62595549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810235383.9A Pending CN108197764A (zh) | 2017-12-22 | 2018-03-21 | 预测电力企业综合能耗的方法及其设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108197764A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737240A (zh) * | 2020-05-25 | 2020-10-02 | 清远博依特智能科技有限公司 | 一种能耗归属日期的判断方法、装置及存储介质 |
CN111898826A (zh) * | 2020-07-31 | 2020-11-06 | 北京文思海辉金信软件有限公司 | 资源消耗预测方法、装置、电子设备及可读存储设备 |
CN111930526A (zh) * | 2020-10-19 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 负载预测方法、装置、计算机设备和存储介质 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN113344236A (zh) * | 2021-03-17 | 2021-09-03 | 陕西煤业新型能源科技股份有限公司 | 一种数据驱动的生产能耗预测方法及系统 |
CN115809783A (zh) * | 2022-12-09 | 2023-03-17 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法及装置 |
-
2018
- 2018-03-21 CN CN201810235383.9A patent/CN108197764A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111737240A (zh) * | 2020-05-25 | 2020-10-02 | 清远博依特智能科技有限公司 | 一种能耗归属日期的判断方法、装置及存储介质 |
CN111737240B (zh) * | 2020-05-25 | 2023-12-26 | 清远博依特智能科技有限公司 | 一种能耗归属日期的判断方法、装置及存储介质 |
CN111898826A (zh) * | 2020-07-31 | 2020-11-06 | 北京文思海辉金信软件有限公司 | 资源消耗预测方法、装置、电子设备及可读存储设备 |
CN111930526A (zh) * | 2020-10-19 | 2020-11-13 | 腾讯科技(深圳)有限公司 | 负载预测方法、装置、计算机设备和存储介质 |
CN112365280A (zh) * | 2020-10-20 | 2021-02-12 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN112365280B (zh) * | 2020-10-20 | 2024-04-19 | 国网冀北电力有限公司计量中心 | 电力需求的预测方法及装置 |
CN113344236A (zh) * | 2021-03-17 | 2021-09-03 | 陕西煤业新型能源科技股份有限公司 | 一种数据驱动的生产能耗预测方法及系统 |
CN115809783A (zh) * | 2022-12-09 | 2023-03-17 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法及装置 |
CN115809783B (zh) * | 2022-12-09 | 2023-09-29 | 国网江苏省电力有限公司扬州供电分公司 | 一种中大型能源用户分行业能效评价预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108197764A (zh) | 预测电力企业综合能耗的方法及其设备 | |
Olu-Ajayi et al. | Building energy consumption prediction for residential buildings using deep learning and other machine learning techniques | |
Ding et al. | Forecasting Chinese CO2 emissions from fuel combustion using a novel grey multivariable model | |
Li et al. | Modeling a hybrid methodology for evaluating and forecasting regional energy efficiency in China | |
Wang et al. | Coal overcapacity in China: multiscale analysis and prediction | |
Lin et al. | Estimating energy conservation potential in China’s energy intensive industries with rebound effect | |
CN108009667A (zh) | 一种能源需求总量及结构预测系统 | |
Zeng et al. | A novel multivariate grey model for forecasting the sequence of ternary interval numbers | |
Lu et al. | Feature extraction of meteorological factors for wind power prediction based on variable weight combined method | |
CN110837921A (zh) | 基于梯度提升决策树混合模型的房地产价格预测研究方法 | |
Meiying et al. | Time-series gas prediction model using LS-SVR within a Bayesian framework | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
Ye et al. | An environmental pollution management method based on extended belief rule base and data envelopment analysis under interval uncertainty | |
Lao et al. | The optimized multivariate grey prediction model based on dynamic background value and its application | |
CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
Li et al. | Mechanism of single variable grey forecasting modelling: integration of increment and growth rate | |
Xu et al. | Novel grey forecasting model with bi-level structure for application to logistic demand | |
Jiang et al. | Rule-based expert system to assess caving output ratio in top coal caving | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
Meifeng et al. | Forecasting gas consumption based on a residual auto-regression model and kalman filtering algorithm | |
He et al. | Combined forecasting of regional logistics demand optimized by genetic algorithm | |
Yang et al. | Extended belief rule-based system using bi-level joint optimization for environmental investment forecasting | |
Grenyer et al. | Multistep prediction of dynamic uncertainty under limited data | |
CN114519460A (zh) | 一种基于离散多变量灰色预测的电力预测系统 | |
Niu et al. | WPFSAD: Wind Power Forecasting System Integrating Dual-Stage Attention and Deep Learning |
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: 20180622 |