CN108320053A - 一种区域用电量预测方法、装置及系统 - Google Patents
一种区域用电量预测方法、装置及系统 Download PDFInfo
- Publication number
- CN108320053A CN108320053A CN201810065154.7A CN201810065154A CN108320053A CN 108320053 A CN108320053 A CN 108320053A CN 201810065154 A CN201810065154 A CN 201810065154A CN 108320053 A CN108320053 A CN 108320053A
- Authority
- CN
- China
- Prior art keywords
- consumption
- electricity consumption
- target area
- economic indicator
- electricity
- 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 203
- 238000013277 forecasting method Methods 0.000 title claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims description 40
- 238000010219 correlation analysis Methods 0.000 claims description 29
- 238000012360 testing method Methods 0.000 claims description 24
- 238000005265 energy consumption Methods 0.000 claims description 20
- 230000008676 import Effects 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 15
- 238000012706 support-vector machine Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000010354 integration Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000005457 optimization Methods 0.000 abstract description 8
- 238000011161 development Methods 0.000 description 41
- 238000004458 analytical method Methods 0.000 description 24
- 239000000523 sample Substances 0.000 description 21
- 230000008859 change Effects 0.000 description 12
- 230000012010 growth Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 10
- 230000000694 effects Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000007689 inspection Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 235000013305 food Nutrition 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 238000009412 basement excavation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 6
- 238000000611 regression analysis Methods 0.000 description 6
- 230000006872 improvement Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000000052 comparative effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 239000004568 cement Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000007340 echolocation Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- 238000001744 unit root test Methods 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 241000208125 Nicotiana Species 0.000 description 1
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 235000010210 aluminium Nutrition 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 235000013361 beverage Nutrition 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000004566 building material Substances 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003455 independent Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000010985 leather Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010561 standard procedure Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000009941 weaving 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (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
本发明公开了一种区域用电量预测方法、装置及系统,其中,区域用电量预测方法包括:筛选出对目标区域用电量影响的关键经济指标;将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。本技术方案采用改进的蝙蝠算法对SVM进行参数优化,以实现收敛速度快、全局最优、预测精度高的目标。
Description
技术领域
本申请涉及用电量预测技术领域,特别涉及一种区域用电量预测方法、装置及系统。
背景技术
电力行业的发展必须通过不断提高电网的运行效率来满足经济社会发展及人民生活用电的需求。正确的判断和预测未来的电力需求变化趋势对于电力企业准确、科学、合理的进行规划,提高电力系统运行的稳定性和经济性具有至关重要的意义。宏观经济同全社会用电量呈现出一定程度的波动相关性,以经济指标走势为参考依据,可以从社会发展角度判断电量的预期增长范围。从宏观环境来看,我国的电力需求变化与经济发展趋势具有密切关系,经济水平的提升可通过电力需求增长加以反映。因此,经济发展过程中的宏观总量、产业结构和地域特征等因素都会对电力需求产生影响。探究两者之间的关系,可以更好地把握电力需求未来的发展。因此,考虑并分析宏观经济信号,并对区域用电量预测方法进行研究具有重要理论价值和现实意义。
针对用电量预测方法,传统电力需求预测方法着重于电力需求时间序列内在规律,或电力需求时间序列与经济因素时间序列之间数学上的关联,如回归分析法、时间序列法、灰色预测法等。
回归分析法是利用数理统计原理,对大量的统计数据进行数学处理,并确定用电量或用电负荷与某些自变量例如人口、国民经济产值等之间的相关关系,建立一个相关性较好的数学模式即回归方程,并加以外推,用来预测今后的用电量。根据变量的个数,回归分析可以分为一元回归分析和多元回归分析。
时间序列预测法是应用较早、最为广泛、发展比较成熟的一种方法。它把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列,根据负荷的历史资料,建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性,在数学模型的基础上确立负荷预测的数学表达式,对未来的负荷进行预测。在时间序列法中常采用的技术有:卡尔曼滤波、状态估计、Box-Jenkins模型、自回归动平均模型等。其中,处理随机时间序列问题的最有效的方法是Box-Jenkins的时间序列法。
灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量,常用累加生成和累减生成的方法,将杂乱无章的原始数据整理成规律性较强的生成数据序列,形成灰色模型的微分方程。应用灰色理论进行负荷预测,具有样本少、计算简单、精度高和实用性好的优点。
在负荷预测问题中,对于回归分析法,必须预先人为给定回归线类型,若给定的不合适将直接影响预测精度。同时对不同的系统由于负荷特点不尽相同,也很难建立起具有通用性的负荷预测模型。回归分析有两个难点:一是回归变量的选取,应选取主要因素而忽略次要因素;二是变量因素的量化涉及到计量经济学的范畴,过于麻烦。
虽然时间序列法比回归法更适用于短期负荷预测,但这种经典方法建模过程比较复杂,因此限制了这种模型在实际短期负荷预测中的有效使用。该方法对历史数据准确性要求高,坏数据对预测影响很大,因此对坏数据处理要求严格;在天气和温度变化不大的时候,该模型容易取得比较满意的结果;当天气变化较大或遇到节假日等情况,这种方法存在较大的预测误差,而且预测步数越长,预测精度越差。
对于灰色预测法,其缺点是当数据离散程度较大时,由于数据灰度较大预测精度会较差,所以应用于电力系统中长期负荷预测中,仅仅是最近的几个数据精度较高,其它较远的数据只反映趋势值和规划值。
从理论上讲,灰色预测模型可以适用于任何非线性变化的负荷指标预测,但由于灰色预测模型是呈指数(增长或者递减)变化的模型,其预测精度与被预测对象的变化规律密切相关,当原始数据波动情况如上下连续波动、指数波动、倍数波动时,预测的精度就较差。
近年来,电力需求预测技术已经逐渐从传统预测方法过渡到人工智能预测技术。随着时代的发展,传统预测方法已经无法满足电力需求的预测精度,研究者们开始引入人工智能技术以改进传统的电力需求预测方法。神经网络算法和支持向量机是两种常用的人工智能预测技术。神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成,通过激励函数实现输入变量到输出变量之间的非线性映射。在预测时,神经网络法利用神经网络可以任意逼进非线性系统的特性,对历史曲线进行拟合。常用的神经网络模型有Kohonen模型、BP模型、RBF神经网络等。支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点。
神经网络算法存在收敛速度慢,计算效率低,计算结果易受初始网络权重和训练样本的影响等缺点,而且神经网络作为一种局部搜索的优化方法,其网络的权值是通过沿局部改善的方向逐渐进行调整的,这样会使算法陷入局部极值,权值收敛到局部极小点,从而导致网络训练失败。支持向量机方法较神经网络法有明显的优点,但是也存在收敛速度较慢、算法参数难以控制、易陷入局部最优等缺点,支持向量机预测的准确性受其参数设置的影响。
发明内容
本申请实施方式的目的是提供一种区域用电量预测方法、装置及系统,本技术方案采用改进的蝙蝠算法对SVM进行参数优化,以实现收敛速度快、全局最优、预测精度高的目标。
为实现上述目的,本申请实施方式提供一种区域用电量预测方法,包括:
筛选出对目标区域用电量影响的关键经济指标;
将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
优选地,所述预测模型建立的步骤包括:通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
优选地,还包括:
将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理,将归一化处理结果作为输入数据。
优选地,筛选出对目标区域用电量影响的关键经济指标的步骤为:
通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标,分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。
为实现上述目的,本申请实施方式还提供一种区域用电量预测装置,包括:
筛选单元,用于筛选出对目标区域用电量影响的关键经济指标;
预测单元,用于将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
优选地,还包括:预测模型建立单元;其中,所述预测模型建立单元用于通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
优选地,还包括:归一化处理单元;其中,
所述归一化处理单元,用于将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理,将归一化处理结果作为输入数据。
优选地,所述筛选单元具体用于通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标,分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。
为实现上述目的,本申请实施方式还提供一种区域用电量预测系统,所述系统包括:存储器和处理器,所述存储器中存储计算机程序,所述计算机程序被所述处理器执行时,实现以下功能:
筛选出对目标区域用电量影响的关键经济指标;
将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
优选地,建立预测模型,所述计算机程序被所述处理器执行时,还实现以下功能:
通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
由上可见,与现有技术相比较,本技术方案通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额等十二项宏观经济指标中筛选出对于目标区域全社会用电量最重要的关键经济指标,同时借助于SVM方法,采用改进的BA算法优化模型参数,分析关键宏观经济因素对用电量的影响,并对用电量的特征向量进行学习训练,经实验验证预测效果较理想,为区域用电量的准确预测提供了一种新思路。
附图说明
为了更清楚地说明本申请实施方式或现有技术中的技术方案,下面将对实施方式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申请中记载的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例提出的一种区域用电量预测方法流程图;
图2为A地区2005年至2016年的GDP与全社会用电量发展趋势图;
图3为A地区2005年至2016年的全社会用电量与产业结构发展趋势图;
图4为A地区2005年至2016年的全社会用电量与居民消费价格指数发展趋势图;
图5为A地区2005年至2016年的全社会用电量与商品零售价格指数发展趋势图;
图6为A地区2005年至2016年的全社会用电量与人口发展趋势图;
图7为A地区2005年至2016年的全社会用电量与城镇化水平发展趋势图;
图8为A地区2005年至2016年的全社会用电量与居民消费水平发展趋势图;
图9为A地区2005年至2016年的全社会用电量与全社会固定资产投资发展趋势图;
图10为A地区2005年至2016年的全社会用电量与城镇居民人均可支配收入指数发展趋势图;
图11为A地区2005年至2016年的全社会用电量与能耗强度发展趋势图;
图12为A地区2005年至2016年的全社会用电量与电耗强度发展趋势图;
图13为A区2005年至2016年的全社会用电量与进出口总额发展趋势图;
图14为本申请实施例的预测模型获取流程图;
图15为A地区2005年-2016年的用电量预测结果图;
图16为A地区2005年-2016年的用电量预测结果对比图;
图17为本申请实施例提出的一种区域用电量预测装置功能框图之一;
图18为本申请实施例提出的一种区域用电量预测装置功能框图之二;
图19为本申请实施例提出的一种区域用电量预测系统示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请中的技术方案,下面将结合本申请实施方式中的附图,对本申请实施方式中的技术方案进行清楚、完整地描述,显然,所描述的实施方式仅仅是本申请一部分实施方式,而不是全部的实施方式。基于本申请中的实施方式,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方式,都应当属于本申请保护的范围。
如图1所示,为本申请实施例提出的一种区域用电量预测方法流程图。包括:
步骤101):筛选出对目标区域用电量影响的关键经济指标。
宏观经济同全社会用电量呈现出一定程度的波动相关性,以经济指标走势为参考依据,可以从社会发展角度判断电量的预期增长范围。从宏观环境来看,我国的电力需求变化与经济发展趋势具有密切关系,经济水平的提升可通过电力需求增长加以反映。因此,经济发展过程中的宏观总量、产业结构和地域特征等因素都会对电力需求产生影响。探究两者之间的关系,可以更好地把握电力需求未来的发展。
对于GDP来说,在影响用电量的众多因素中,GDP是最重要的决定因素。随着经济的持续发展与增长,生产与人民日常生活对用电量的依赖性就会越来越强,同时这种电力消费的增长对GDP增长的作用越来越明显。一般来说,用电量与GDP之间具有稳定且显著的正相关关系,用电量与GDP增长的变化趋势基本保持一致,在经济发展情况越好的时候,GDP就越高,此时对电力的需求量就越大;当经济发展情况不好时,GDP就越低,此时对电力的需求量就越小。
收集了A地区2005年至2016年的GDP与全社会用电量数据进行相关分析,A地区2005年至2016年的GDP与全社会用电量发展趋势如图2所示。由图2可以看出用电量与GDP之间存在高度的正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的GDP与全社会用电量数据为样本,运用SPSS软件对两个变量进行相关分析,分析结果如表1-1所示:
表1-1用电量与GDP相关分析输出结果
从表1-1的输出结果中可以看出A地区的用电量与GDP之间存在高度的正相关关系,相关程度达到0.950。
对于产业结构来说,不同经济发展阶段对应着不同的产业结构,而产业结构和用电结构的改变必然影响着最终的用电需求。因为各产业对用电量的需求大小并不一致,导致产业结构会对用电量造成重要影响,像第二产业和第三产业对电力的需求就要比第一产业大。1978年改革开放以来,随着我国经济体制制度的不断完善,以及各项经济政策的实施,全国各地区、各区域的经济也都得到很大的提高。近年来,A地区在经济快速增长的同时,不断出台适时的经济政策来优化产业结构,以保证全市经济能够持续、稳定、健康地发展。
目前,A地区经济结构呈现“二、三、一”的产业特点,以重点用能行业为主第二产业发展形势最好,占比最大。2005年第二产业产值为2060.531亿元,所占比例为46.75%,2008年第二产业产值为3783.78亿元,所占比例为55.18%,到达占比高点,之后,第二产业产值所占比例波动式下降,到2016年,第二产业产值为6260.136亿元,所占比例为47.47%。由于A地区经济以第二产业为主,因此我们选取A地区第二产业的产业增加值占地区生产总值的比例作为统计指标,分析产业结构对用电量的影响。
收集了A地区2005年至2016年的全社会用电量与产业结构数据进行相关分析,A地区2005年至2016年的全社会用电量与产业结构发展趋势如图3所示。从图3中可以看出用电量与产业结构之间存在正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的全社会用电量与产业结构数据为样本,运用SPSS软件对两个变量进行相关分析,分析结果如表1-2所示:
表1-2用电量与产业结构相关分析输出结果
从表1-2的输出结果中可以看出A地区的用电量与产业结构之间存在高度的正相关关系,相关程度达到0.910。
对于价格指数来说,在对影响用电量的宏观经济指标的挖掘中,价格指数方面,本报告主要分析居民消费价格指数以及商品零售价格指数两项指标。
居民消费价格指数,简称CPI。居民消费价格指数是一个反映居民家庭一般所购买的消费品和服务项目价格水平变动情况的宏观经济指标。它是在特定时段内度量一组代表性消费商品及服务项目的价格水平随时间而变动的相对数,是用来反映居民家庭购买消费商品及服务的价格水平的变动情况。居民消费价格统计调查的是社会产品和服务项目的最终价格,一方面同人民群众的生活密切相关,同时在整个国民经济价格体系中也具有重要的地位。它是进行经济分析和决策、价格总水平监测和调控及国民经济核算的重要指标。由于其与社会经济的密切关系,因而其变动也会对全社会用电量造成影响。
商品零售价格指数简称RPI。商品零售价格指数是指反映一定时期内商品零售价格变动趋势和变动程度的相对数。商品零售价格指数分为食品、饮料烟酒、服装鞋帽、纺织品、中西药品、化妆品、书报杂志、文化体育用品、日用品、家用电器、首饰、燃料、建筑装潢材料、机电产品等十四个大类,国家规定304种必报商品,需要予以特别说明的是,从1994年起,国家、各省(区)和县编制的商品零售价格指数不再包括农业生产资料。计算零售价格指数,可以从一个侧面对上述经济活动进行观察和分析。零售物价的调整变动直接影响到城乡居民的生活支出和国家的财政收入,影响居民购买力和市场供需平衡,影响消费与积累的比例,进而影响电力需求。
收集了A地区2005年至2016年的全社会用电量、居民消费价格指数以及商品零售价格指数等数据进行相关分析,A地区2005年至2016年的全社会用电量与居民消费价格指数发展趋势以及A地区2005年至2016年的全社会用电量与商品零售价格指数发展趋势分别如图4、图5所示。从图4、图5中可以看出用电量与居民消费价格指数以及商品零售价格指数之间存在正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的全社会用电量、居民消费价格指数以及商品零售价格指数数据为样本,运用SPSS软件对变量进行两两相关分析,分析结果如表1-3、表1-4所示:
表1-3用电量与居民消费价格指数相关分析输出结果
表1-4用电量与商品零售价格指数相关分析输出结果
从表1-3与表1-4的输出结果中可以看出A地区的用电量与居民消费价格指数以及商品零售价格指数之间存在高度正相关关系,相关程度分别为0.860和0.873。
对人口来说,在对影响用电量的宏观经济指标的挖掘中,人口方面,本报告主要分析人口数量以及城镇化水平两项指标。
人口数量是经济社会中最基本的因素,人口的多少直接影响着电力需求,较快的人口增长也必将带来电力需求的较快增长。近些年来,随着我国各个地区居民收入和生活水平的不断提高,生活电力消费将伴随着人口增长、工业化和城市化而稳定增长。虽然我国的人口增长水平处于较低水平,但是由于我国人口基数较大,即使较低的增长也会导致电力需求的较明显增长,因此需要供给一定规模的电力,才能满足生活对电力日益增长的需求。同时,人口的不断增长,对经济和社会都形成了很大的压力,影响着中国现代化的进程,进而影响着我国的电力需求。因此人口数量无疑是影响我国电力需求的主要因素之一。
城镇化水平是指一个地区城镇化所达到的程度,它是衡量一个国家或地区社会经济发展水平的重要标志,通常以城镇常住人口占该地区常住总人口的比重来衡量,反映了人口向城镇聚集的过程和聚集程度。城镇人口在统计上有严格的界定标准,具体指居住在中心城、新城、小城镇的镇区及与城市基础设施相连通的村庄的人口。我国城镇化水平从改革开放到现在有了显著提高,现阶段正处在加大城镇化建设的进程中,需要改善人们的居住条件,建设公共交通通信等相关配套设施,这些将影响对水泥、钢材、电解铝等基础工业的投入,增加金属水泥等建材的生产,从而影响电力需求。
收集了A地区2005年至2016年的全社会用电量、人口以及城镇化率等数据进行相关分析,A地区2005年至2016年的全社会用电量与人口数量发展趋势以及A地区2005年至2016年的全社会用电量与城镇化水平发展趋势分别如图6、图7所示。
从图6、图7中可以看出用电量与人口以及城镇化水平之间存在正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的全社会用电量、人口以及城镇化水平数据为样本,运用SPSS软件对变量进行两两相关分析,分析结果如表1-5、表1-6所示:
表1-5用电量与人口相关分析输出结果
表1-6用电量与城镇化水平相关分析输出结果
从表1-5与表1-6的输出结果中可以看出A地区的用电量与人口以及城镇化水平之间存在一定的正相关关系,用电量与人口的相关程度较高,为0.899,用电量与城镇化水平的相关程度一般,为0.815。
对于居民生活水平来说,在对影响用电量的宏观经济指标的挖掘中,居民生活水平方面,本报告主要分析居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数三项指标。
居民消费水平是指居民在物质产品和劳务的消费过程中,对满足人们生存、发展和享受需要方面所达到的程度,通过消费的物质产品和劳务的数量和质量反映出来。居民消费水平,是按国内生产总值口径,即包括劳务消费在内的总消费进行计算的。
全社会固定资产投资(Total Investment in Fixed Assets)是以货币表现的建造和购置固定资产活动的工作量,它是反映固定资产投资规模、速度、比例关系和使用方向的综合性指标。固定资产投资是社会固定资产再生产的主要手段。通过建造和购置固定资产的活动,国民经济不断采用先进技术装备,建立新兴部门,进一步调整经济结构和生产力的地区分布,增强经济实力,为改善人民物质文化生活创造物质条件。这对我国的社会主义现代化建设具有重要意义。
城镇居民人均可支配收入是指反映居民家庭全部现金收入能用于安排家庭日常生活的那部分收入。它是家庭总收入扣除交纳的所得税、个人交纳的社会保障费以及调查户的记账补贴后的收入。从指标的含义上看,城镇居民可支配收入是指城镇居民的实际收入中能用于安排日常生活的收入。它是用以衡量城市居民收入水平和生活水平的最重要和最常用的指标。
由于电力需求与居民生活水平息息相关,因此我们需要对居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数与用电量的关系进行相关分析。
收集了A地区2005年至2016年的全社会用电量、居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数等数据进行相关分析,A地区2005年至2016年的全社会用电量与居民消费水平发展趋势、A地区2005年至2016年的全社会用电量与全社会固定资产投资发展趋势以及A地区2005年至2016年的全社会用电量与城镇居民人均可支配收入指数发展趋势分别如图8、图9、图10所示。
从图8、图9、图10中可以看出用电量与居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数之间存在正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的全社会用电量、居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数数据为样本,运用SPSS软件对变量进行两两相关分析,分析结果如表1-7、表1-8、表1-9所示:
表1-7用电量与居民消费水平相关分析输出结果
表1-8用电量与全社会固定资产投资相关分析输出结果
表1-9用电量与城镇居民人均可支配收入指数相关分析输出结果
从表1-7、表1-8、表1-9的输出结果中可以看出A地区的用电量与居民消费水平、全社会固定资产投资以及城镇居民人均可支配收入指数之间存在一定的正相关关系,用电量与居民消费水平的相关程度较高,为0.901,用电量与全社会固定资产投资以及城镇居民人均可支配收入指数的相关程度一般,分别为0.777和0.834。
对于能源消费水平来说,在对影响用电量的宏观经济指标的挖掘中,能源消费水平方面,本报告主要分析能耗强度以及电耗强度两项指标。
能耗强度是反映能源消费水平和节能降耗状况的主要指标,一次能源供应总量与国内生产总值(GDP)的比率,是一个能源利用效率指标。该指标说明一个国家经济活动中对能源的利用程度,反映经济结构和能源利用效率的变化。它直接反映经济发展对能源的依赖程度,以及一个国家(地区)经济发展与能源消费之间的强度关系,即每创造一个单位的社会财富需要消耗的能源数量。单位GDP能耗越大,则说明经济发展对能源的依赖程度越高。电力消费与能耗强度与息息相关,因而能耗强度是影响用电量的指标之一。
电耗强度,又称单位GDP电耗,指一定时期内,一个国家或地区每生产一个单位的国内生产总值所消耗的电力,该指标是反映一定时期内电力能源利用效率的重要指标。显然,电耗强度与全社会用电量有着密不可分的关系,是影响用电量的重要指标。
收集了A地区2005年至2016年的全社会用电量、能耗强度以及电耗强度等数据进行相关分析,A地区2005年至2016年的全社会用电量与能耗强度发展趋势以及A地区2005年至2016年的全社会用电量与电耗强度发展趋势分别如图11、图12所示。
从图11可以看出用电量与能耗强度之间存在负相关关系。从图12可以看出用电量与电耗强度之间存在正相关关系。为了进一步认证上述观点,我们以A地区2005年至2016年的全社会用电量、能耗强度以及电耗强度数据为样本,运用SPSS软件对变量进行两两相关分析,分析结果如表1-10、表1-11所示:
表1-10用电量与能耗强度相关分析输出结果
表1-11用电量与电耗强度相关分析输出结果
从表1-10的输出结果中可以看出A地区的用电量与能耗强度之间存在负相关关系,相关程度为-0.791。从表1-11的输出结果中可以看出A地区的用电量与电耗强度之间存在高度的正相关关系,相关程度为0.909。
对于进出口总额来说,进出口总额是指实际进出我国国境的货物总金额。进出口总额用以观察一个国家在对外贸易方面的总规模。我国规定出口货物按离岸价格统计,进口货物按到岸价格统计。进出口总额包括:对外贸易实际进出口货物,来料加工装配进出口货物,国家间、联合国及国际组织无偿援助物资和赠送品,华侨、港澳台同胞和外籍华人捐赠品,租赁期满归承租人所有的租赁货物,进料加工进出口货物,边境地方贸易及边境地区小额贸易进出口货物(边民互市贸易除外),中外合资企业、中外合作经营企业、外商独资经营企业进出口货物和公用物品,到、离岸价格在规定限额以上的进出口货样和广告品(无商业价值、无使用价值和免费提供出口的除外),从保税仓库提取在中国境内销售的进口货物,以及其他进出口货物。进出口总额在一定程度上可以反映经济的增长,因此可以作为影响用电量的因素之一。
收集了A地区2005年至2016年的全社会用电量和进出口总额等数据进行相关分析,A地区2005年至2016年的全社会用电量与进出口总额发展趋势如图13所示。
从图13以看出用电量与进出口总额之间存在正相关关系。为了进一步认证这一点,我们以A地区2005年至2016年的全社会用电量与进出口总额数据为样本,运用SPSS软件对两个变量进行相关分析,分析结果如表1-12所示:
表1-12用电量与进出口总额相关分析输出结果
从表1-12的输出结果中可以看出A地区的用电量与进出口总额之间存在正相关关系,但相关程度不高,仅为0.566。
根据前文对影响用电量的宏观经济指标的挖掘以及对A地区各个宏观经济指标与用电量之间的相关性分析,本报告选取相关系数在0.85以上的变量,对其进行数据平稳性检验以及变量协整关系检验,构建A地区电量需求函数如式2-1所示:
Q=f(GDP,M2,CPI,RPI,PP,CL,EP)(1)
式中,Q为全社会用电量;GDP为生产总值;M2为产业结构;CPI为居民消费价格指数;RPI为商品零售价格指数;PP为人口;CL为居民消费水平;EP为电耗强度。对样本数据的处理采取自然对数的形式.其建立的模型结果不影响最终结论。
平稳性检验就是对时间序列是否存在单位根进行检验,主要有2种方法:ADF检验和PP检验。在样本容量很大的情况下,本报告采用的单位根检验方法为ADF检验。本质上,对于任意变量xt,检验零假设xt-1(1)相当于检验Δxt是平稳的,ADF单位根检验过程基于最小二乘法回归式:
式中:β0、α0为参数;T为线性时间趋势;m为滞后项系数;εt为随机扰动项。这里,m=1,2,3,或者根据实验来确定。经ADF检验后,如果不能拒绝每个序列都不平稳的零假设.则进一步对所有变量的一阶差分进行检验;若此时的检验结果表明序列都是平稳的,也就说明该序列在一阶差分的情况下为平稳的状态;若不然,则需进一步差分,直至序列包含的所有数据在某一阶为平稳状态。
在ADF检验中以Q的平稳阶为基准,对其他因素进行检验。检验结果如表1-13所示,解释变量中商品零售价格指数LNRPI的ADF水平值检验小于任何一种可能性范围,因此LNRPI为平稳序列,不能与用电量LNQ进行“协整关系”检验。
表1-13时间序列平稳性检验结果
序列 | ADF | 1% | 5% | 10% | 状态 |
LNQ | 2.556 | -2.647 | -1.953 | -1.610 | 不平稳 |
LNGDP | 1.385 | -2.644 | -1.952 | -1.611 | 不平稳 |
LNM2 | 1.619 | -2.650 | -1.953 | -1.609 | 不平稳 |
LNCPI | 0.686 | -2.657 | -1.954 | -1.605 | 不平稳 |
LNRPI | -3.866 | -2.680 | -1.958 | -1.607 | 平稳 |
LNPP | 1.842 | -2.650 | -1.953 | -1.910 | 不平稳 |
LNCL | 1.998 | -2.650 | -1.953 | -1.610 | 不平稳 |
LNEP | 1.408 | -2.692 | -1.960 | -1.607 | 不平稳 |
由于Q为不平稳状态,因此需进一步对其一阶差分序列检验,判断各时间序列对应的一阶差分平稳性是否一致。检验结果如表1-14所示,在Q序列为平稳的状态的情况下,只有同样平稳的序列才具有“协整关系”,因此,人口PP、居民消费水平CL与电量间不具有“协整关系”,被排除。
表1-14一阶差分序列平稳性检验结果
最终可以进行协整的解释变量序列有生产总值GDP、产业结构M2、居民消费价格指数CPI以及电耗强度EP。
运用极大似然法(J-J)检验与模型建立的方式,来检验多变量间“协整关系”。在多元变量分析的基础上不仅提供了一个估计方法,还提出了检验“协整向量”个数及经济理论所设条件的显示条件。特别是当“协整向量”不止一个时,J-J方法更加方便有效。具体计算方式如下:
Xt=A1Xt-1+…+AkYt-k+ξt ξ~IN(0,Ω) (3)
式中:Xt为n维向量;N为差分操作符。每一个Ak都是n×n的参数矩阵。
数据处理时,首先运用Schwarz信息标准法确定自回归模型。确定最佳滞后数为l。然后运用J-J检验进行协整关系检测。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,因此,在“协整检验”中将剔除LNCPI变量,即在关联用电量时不考虑居民消费价格指数。经检验,生产总值、产业结构以及电耗强度与用电量之间均存在协整关系。
综上所述,通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额等十二项宏观经济指标中筛选出对于A地区全社会用电量最重要的关键经济指标,分别为GDP、产业结构以及电耗强度,最终确定A地区全社会用电量主要受GDP增长、产业结构调整以及电耗强度变动的影响,为A地区的电力需求预测提供条件。
步骤102):将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
在本实施例中,所述预测模型通过蝙蝠算法对支持向量机的参数进行优化获得。
对于本实施例来说,支持向量机SVM作为机器学习算法的一种,相比于神经网络算法有着更多的优势。它建立在统计学习的基础上,解决了神经网络中容易局部最优和泛化性能弱的缺点,有效克服“维数灾难”。其主要目标是建立一个超平面作为决策曲面,使得正例与反例的间隔边缘最大化。SVM的基本思想是将非线性的点集通过核函数映射到高维特征空间中化为线性可分。对于给定的训练样本集T,选择合适的精度参数ε>0,惩罚参数C>0以及合适的核参数δ。其中,惩罚参数是借由调节学习机器置信范围和经验风险的比例以提高学习机器的泛化能力;核参数δ是RBF核的宽度,它控制特征子空间分布的复杂程度。惩罚参数C和RBF核参数δ是影响SVM性能的主要参数,对惩罚参数C和RBF核参数δ的初始值进行优化可以达到优化SVM预测性能的效果。
对于本实施例来说,2010年剑桥一位教授提出的蝙蝠算法可通过模拟自然界中蝙蝠的捕猎模式进行寻优。在计算机进行问题的寻优时参考了蝙蝠群体利用回声定位改变位置寻找食物的过程,通过不断发射信号蝙蝠探寻更优的食物位置,最终蝙蝠群体聚集于最优食物位置。
根据蝙蝠捕猎的回声定位机制,定义蝙蝠的位置xi、飞行速度vi、回声频率Fi、响度Ai及脉冲发射率Ri,定义在D维搜索空间中,表示t时刻第i只蝙蝠的位置,表示此时刻的速度,则在下一时刻蝙蝠和的公式如下:
Fi=Fmin+(Fmax-Fmin)u (5)
其中,Fi表示蝙蝠个体的回声频率;Fmax和Fmin为频率的最大最小值;u为在[0,1]上均匀分布的随机扰动;x*为当前全局最优位置,也是当前最优解。
蝙蝠算法的全局搜索和局部搜索的变化是由脉冲发射率Ri决定,当u>Ri,则进行局部寻优,更新公式为:
xnew(i)=xold+εAt (8)
其中,xold表示当前最优解集中的任意一个解;At表示蝙蝠群体响度的平均值;ε∈[0,1],为随机向量。在初始时个体保持较强的响度和较低的脉冲发射率,在搜寻到食物后,则不断减小响度,增强脉冲发射率,令寻优食物较差的个体汇集到最优食物处。更新公式为:
其中,α为响度衰减系数,且0<α<1,γ>0为脉冲发射率增加系数,均为常量。当t→∞时,
如图14所示,为预测模型获取流程图。支持向量机SVM在进行样本训练前需要设置惩罚参数C和核参数δ,不同的参数对训练的效率及结果均有影响,进而改变预测的精度,因此使用蝙蝠算法对SVM的的惩罚参数C和核参数δ进行优化。其步骤包括:
(1)设置参数。蝙蝠算法参数包括最大迭代次数,蝙蝠群体数量,脉冲的响度,脉冲发射率。设置SVM参数范围,一般惩罚参数C范围为[10,1000],RBF核参数δ的范围为[0.01,10]较为合理。
(2)初始化群体。SVM的目标优化参数为惩罚参数C和RBF核参数δ,因此蝙蝠个体为(C,δ),则蝙蝠群体维度D=2,从而初始化群体位置lmin+Rand(1,D)(lmax-lmin)。lmin是蝙蝠群体中每个蝙蝠个体初始位置中的最小值,lmax是蝙蝠群体中每个蝙蝠个体初始位置中最大值。
(3)计算适应度。将蝙蝠群体中的各个个体(C,δ)对样本进行训练并对测试集进行预测,将预测相对误差作为适应度。
(4)生成新蝙蝠个体。根据式(5)和式(6)更新蝙蝠脉冲频率Fi和速度vi。在当前位置,当μ<Ri且适应度f(x*)<f(xi)时,由式(7)生成蝙蝠个体的新位置替代蝙蝠个体的旧位置,并使用式(9)和式(10)计算脉冲响度Ai和脉冲发射率Ri;当μ>Ri时,由式(8)生成蝙蝠个体的新位置替代蝙蝠个体的旧位置。
*
(5)判断输出。若达到最大迭代次数,则算法结束,输出最优参数x。否则,转到步骤(3)。
对于本技术方案来说,选取A地区的预测年前三年用电量、GDP、产业结构以及电耗强度等因素作为输入变量,A地区的全社会用电量为输出变量,依如下公式进行归一化处理。
其中,xi是样本数据,xmax是样本数据中的最大值,xmin是样本数据中的最小值。
上述归一化的数据中,将A地区的预测年前三年用电量和宏观经济影响因素的历史数据带入改进BA-SVM模型当中,使用SVM工具箱建立回归模型,调用训练函数对归一化后的历史数据进行训练,得出A地区2005年-2016年的用电量预测结果,如图15所示。
利用改进BA-SVM模型所得到的拟合输出值与实际值根据公式求解相对误差,相对误差公式为:
其中,Y表示实际值,表示拟合值。
经计算得出,A地区2005-2016年用电量拟合值与实际值的平均相对误差为1.03%。说明改进BA-SVM预测模型拟合精度较高,具有较强的非线性拟合能力和映射能力,能够较好的实现区域用电量的准确预测。
由SVM、BA-SVM以及改进BA-SVM预测模型分别预测A地区2005-2016年用电量,预测结果对比如图16及表2-1所示。
表2-1不同模型下A地区2005-2016年用电量预测误差对比
将表2-1中改进BA-SVM预测结果与SVM、BA-SVM预测结果对比发现,SVM模型平均相对预测误差为3.26%,BA-SVM平均相对预测误差为2.12%,改进BA-SVM平均相对预测误差为1.03%,说明改进的BA-SVM拟合程度优于SVM和BA-SVM,且具有更小的相对预测误差,说明改进的BA算法可以在很大程度上提高SVM模型预测精度。
如图17所示,为本申请实施例提出的一种区域用电量预测装置功能框图之一。包括:
筛选单元11,用于筛选出对目标区域用电量影响的关键经济指标;
预测单元22,用于将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
在本实施例中,区域用电量预测装置还包括:预测模型建立单元;其中,所述预测模型建立单元用于通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
如图18所示,为本申请实施例提出的一种区域用电量预测装置功能框图之二。在图17的基础上,区域用电量预测装置还包括:归一化处理单元33;其中,
所述归一化处理单元33,用于将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理,将归一化处理结果作为输入数据。
在本实施例中,优选地,所述筛选单元具体用于通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标,分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。
如图19所示,为本申请实施例提出的一种区域用电量预测系统示意图。所述系统包括:存储器a和处理器b,所述存储器a中存储计算机程序,所述计算机程序被所述处理器b执行时,实现以下功能:
筛选出对目标区域用电量影响的关键经济指标;
将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
在本实施例中,优选地,建立预测模型,所述计算机程序被所述处理器执行时,还实现以下功能:
通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
在本实施方式中,所述存储器包括但不限于随机存取存储器(Random AccessMemory,RAM)、只读存储器(Read-Only Memory,ROM)、缓存(Cache)、硬盘(Hard DiskDrive,HDD)或者存储卡(Memory Card)。
在本实施方式中,所述处理器可以按任何适当的方式实现。例如,所述处理器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、可编程逻辑控制器和嵌入微控制器的形式等等。
本说明书实施方式提供的区域用电量预测系统,其存储器和处理器实现的具体功能,可以与本说明书中的前述实施方式相对照解释,并能够达到前述实施方式的技术效果,这里便不再赘述。
本技术方案通过相关性分析,平稳性检验以及协整检验,进行宏观数据挖掘,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额等十二项宏观经济指标中筛选出对于A地区全社会用电量最重要的关键经济指标,分别为GDP、产业结构以及电耗强度,最终确定A地区全社会用电量主要受GDP增长、产业结构调整以及电耗强度变动的影响,为A地区的电力需求预测提供条件。
本技术方案借助于SVM方法,采用改进的BA算法优化模型参数,分析关键宏观经济因素对用电量的影响,并对用电量的特征向量进行学习训练,经实验验证预测效果较理想,为区域用电量的准确预测提供了一种新思路。
通过以上的实施方式的描述可知,本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在存储介质中,如ROM/RAM、磁碟、光盘等,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,或者网络设备等)执行本申请各个实施方式或者实施方式的某些部分所述的方法。
本说明书中的各个实施方式均采用递进的方式描述,各个实施方式之间相同相似的部分互相参见即可,每个实施方式重点说明的都是与其他实施方式的不同之处。尤其,针对客户端的实施方式来说,均可以参照前述方法的实施方式的介绍对照解释。
本申请可以在由计算机执行的计算机可执行指令的一般上下文中描述,例如程序模块。一般地,程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践本申请,在这些分布式计算环境中,由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中,程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
虽然通过实施方式描绘了本申请,本领域普通技术人员知道,本申请有许多变形和变化而不脱离本申请的精神,希望所附的权利要求包括这些变形和变化而不脱离本申请的精神。
Claims (10)
1.一种区域用电量预测方法,其特征在于,包括:
筛选出对目标区域用电量影响的关键经济指标;
将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
2.如权利要求1所述的方法,其特征在于,所述预测模型通过蝙蝠算法对支持向量机的参数进行优化获得。
3.如权利要求1所述的方法,其特征在于,还包括:
将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理,将归一化处理结果作为输入数据。
4.如权利要求1所述的方法,其特征在于,筛选出对目标区域用电量影响的关键经济指标的步骤为:
通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标,分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。
5.一种区域用电量预测装置,其特征在于,包括:
筛选单元,用于筛选出对目标区域用电量影响的关键经济指标;
预测单元,用于将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
6.如权利要求5所述的装置,其特征在于,还包括:预测模型建立单元;其中,
所述预测模型建立单元用于通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
7.如权利要求5所述的装置,其特征在于,还包括:归一化处理单元;其中,
所述归一化处理单元,用于将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理,将归一化处理结果作为输入数据。
8.如权利要求5所述的装置,其特征在于,所述筛选单元具体用于通过相关性分析,平稳性检验以及协整检验,从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标,分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。
9.一种区域用电量预测系统,其特征在于,所述系统包括:存储器和处理器,所述存储器中存储计算机程序,所述计算机程序被所述处理器执行时,实现以下功能:
筛选出对目标区域用电量影响的关键经济指标;
将所述关键经济指标作为输入数据输入至预测模型中,预测目标区域用电量。
10.如权利要求9所述的系统,其特征在于,建立预测模型,所述计算机程序被所述处理器执行时,还实现以下功能:
通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065154.7A CN108320053A (zh) | 2018-01-23 | 2018-01-23 | 一种区域用电量预测方法、装置及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810065154.7A CN108320053A (zh) | 2018-01-23 | 2018-01-23 | 一种区域用电量预测方法、装置及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108320053A true CN108320053A (zh) | 2018-07-24 |
Family
ID=62887484
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810065154.7A Pending CN108320053A (zh) | 2018-01-23 | 2018-01-23 | 一种区域用电量预测方法、装置及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108320053A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325622A (zh) * | 2018-09-26 | 2019-02-12 | 巢湖学院 | 一种电力系统负荷预测的方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110675060A (zh) * | 2019-09-24 | 2020-01-10 | 国网冀北电力有限公司信息通信分公司 | 基于大数据应用的能源供需分析预测平台 |
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 |
CN113159359A (zh) * | 2020-10-19 | 2021-07-23 | 国网能源研究院有限公司 | 一种贸易争端对总体用电量影响的预测方法及装置 |
CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
CN113610288A (zh) * | 2021-07-28 | 2021-11-05 | 华北电力大学 | 一种电力需求预测方法、装置及存储介质 |
CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
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 |
-
2018
- 2018-01-23 CN CN201810065154.7A patent/CN108320053A/zh active Pending
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325622A (zh) * | 2018-09-26 | 2019-02-12 | 巢湖学院 | 一种电力系统负荷预测的方法 |
CN109615139A (zh) * | 2018-12-14 | 2019-04-12 | 西安理工大学 | 一种基于文化遗传算法的居民中长期用电量预测方法 |
CN109711621A (zh) * | 2018-12-27 | 2019-05-03 | 浙江华云信息科技有限公司 | 基于判别分析和支持向量机结合的工业园区负荷预测方法 |
CN110298509B (zh) * | 2019-06-28 | 2023-05-23 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110298509A (zh) * | 2019-06-28 | 2019-10-01 | 佰聆数据股份有限公司 | 一种结合短期负荷预测的大工业行业用电优化方法 |
CN110675060A (zh) * | 2019-09-24 | 2020-01-10 | 国网冀北电力有限公司信息通信分公司 | 基于大数据应用的能源供需分析预测平台 |
CN113469396A (zh) * | 2020-03-30 | 2021-10-01 | 海南博川电力设计工程有限公司 | 一种电力系统短期电力负荷的预测方法 |
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 |
CN113159359A (zh) * | 2020-10-19 | 2021-07-23 | 国网能源研究院有限公司 | 一种贸易争端对总体用电量影响的预测方法及装置 |
CN113610288A (zh) * | 2021-07-28 | 2021-11-05 | 华北电力大学 | 一种电力需求预测方法、装置及存储介质 |
CN113869552A (zh) * | 2021-08-26 | 2021-12-31 | 国网河北省电力有限公司邢台供电分公司 | 基于蝙蝠算法优化的随机森林模型预测用电需求的方法 |
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 |
---|---|---|
CN108320053A (zh) | 一种区域用电量预测方法、装置及系统 | |
Liu et al. | An improved deep learning model for predicting stock market price time series | |
Zhong et al. | Super efficiency SBM-DEA and neural network for performance evaluation | |
Guo et al. | A deep learning model for short-term power load and probability density forecasting | |
He et al. | Analysis on provincial industrial energy efficiency and its influencing factors in China based on DEA-RS-FANN | |
Hamzaçebi et al. | Forecasting of Turkey’s monthly electricity demand by seasonal artificial neural network | |
Wang et al. | Forecasting stochastic neural network based on financial empirical mode decomposition | |
Wang et al. | Energy futures price prediction and evaluation model with deep bidirectional gated recurrent unit neural network and RIF-based algorithm | |
Wei et al. | Forecasting the daily natural gas consumption with an accurate white-box model | |
Alamsyah et al. | Artificial neural network for Indonesian tourism demand forecasting | |
Kozlovskyi et al. | Managing the sustainability of economic system as the basis of investment development in Ukraine | |
Saravanan et al. | Forecasting India's electricity demand using artificial neural network | |
CN109117982A (zh) | 一种基于深度学习与特征组合的房价预测方法 | |
CN105956716A (zh) | 一种基于行业经济与用电关系的全社会用电量预测方法 | |
CN101976301A (zh) | 逐年负荷预测中历史数据预处理的方法与装置 | |
Alamsyah et al. | Artificial neural network for predicting indonesian economic growth using macroeconomics indicators | |
Zheng et al. | [Retracted] Analysis of Enterprise Human Resources Demand Forecast Model Based on SOM Neural Network | |
Bebarta et al. | Comparative study of stock market forecasting using different functional link artificial neural networks | |
Jadevicius et al. | How long is UK property cycle? | |
CN105825290A (zh) | 一种基于产业链产品产量的电量预测方法 | |
Bajatović et al. | Application of predictive models for natural gas needs-current state and future trends review | |
Karakitsiou et al. | Machine learning methods in tourism demand forecasting: Some evidence from Greece | |
CN106952026A (zh) | 一种对大型复杂工程项目的社会稳定风险评估方法 | |
Dua | Macroeconomic modelling and bayesian methods | |
Du et al. | Economic Forecast of the Southern China on BP Neural Network---Taking Chongqing as an Example |
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: 20180724 |