CN109376953A - 一种中长期电量预测方法及系统 - Google Patents
一种中长期电量预测方法及系统 Download PDFInfo
- Publication number
- CN109376953A CN109376953A CN201811393214.4A CN201811393214A CN109376953A CN 109376953 A CN109376953 A CN 109376953A CN 201811393214 A CN201811393214 A CN 201811393214A CN 109376953 A CN109376953 A CN 109376953A
- Authority
- CN
- China
- Prior art keywords
- data
- component
- irregular
- component data
- carried out
- 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.)
- Granted
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 38
- 230000007774 longterm Effects 0.000 title claims abstract description 30
- 238000013277 forecasting method Methods 0.000 title claims abstract description 19
- 230000001788 irregular Effects 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000012360 testing method Methods 0.000 claims abstract description 27
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 22
- 230000001932 seasonal effect Effects 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 238000007689 inspection Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 8
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 4
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000007637 random forest analysis Methods 0.000 claims description 3
- 238000010998 test method Methods 0.000 claims description 3
- 239000000654 additive Substances 0.000 abstract description 3
- 230000000996 additive effect Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 9
- 230000000694 effects Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000011068 loading method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000000819 phase cycle Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- UZVHFVZFNXBMQJ-UHFFFAOYSA-N butalbital Chemical compound CC(C)CC1(CC=C)C(=O)NC(=O)NC1=O UZVHFVZFNXBMQJ-UHFFFAOYSA-N 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 235000013365 dairy product Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000012252 genetic analysis Methods 0.000 description 1
- 239000004519 grease Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 235000013311 vegetables Nutrition 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
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)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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
本发明公开了一种中长期电量预测方法，包括步骤：获取待处理基础数据并进行预处理和相关性检验，筛选出若干影响因素并进行季节分解，得到第一规则分量数据与第一不规则分量数据；对第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；采用不同的预构建模型进行分量预测，得到相应的分量预测值，对分量预测值进行累加组合得到最终预测值。本发明实施例提供了一种中长期电量预测方法及系统，能够在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，从而有效地提高了负荷预测的精确度，进而有效地提高了电网规划的经济性及保障了电力市场的有序推进。
Description
技术领域
本发明涉及电网用电量预测技术领域，尤其涉及一种中长期电量预测方法及系统。
背景技术
近年来，中国改革开放进入深水区，国内经济结构正经历深刻调整，负荷需求变化与经济社会发展关系愈发密切。同时，随着信息化时代的到来，数据统计精度、发布频度与信息化程度不断提升，数据的类型、体量及统计口径都得到有效扩充，很多细化的行业类、景气类指数不断推出，为中长期负荷预测提供了充足数据来源与良好的数据基础。但经济社会、行业结构、相关政策、气象条件等多方面因素之前的耦合关系复杂，难以明确对中长期负荷需求的影响程度，且预测的时间跨度长、不确定因素多，因此中长期负荷预测是个复杂的多维、非线性的不确定性问题。
目前，围绕中长期负荷需求预测这一主题已开展了大量的研究，主要围绕以下两个方面来展开：一是根据电力需求与影响因素的相关关系，结合相应模型进行预测，常用方法有国民生产总值(Gross Domestic Product，GDP)综合电耗法、弹性系数法、经济周期分析法等；二是从电力数据的时序发展规律出发，外延递推负荷发展趋势并得到相应的预测值，如指数平滑法、灰度预测、差分自回归移动平均(Autoregressive Integrated MovingAverage，ARIMA)方法等。其中，第一类方法在相关影响因素的关键程度考虑有所欠缺，一般来说，电力负荷与相关影响因素之间存在粘滞效应，影响因素变化先行于负荷发展，因此需要精确量化相关因素对电力负荷在时序上的滞后影响；而第二类方法关注的是电力数据的内生特征，对外生变量的考虑有所欠缺，同时，常用的计量模型对数据的平稳性要求严格，在数据非线性特征反映方面要做出一定让步，导致该类方法对非线性数据的预测精度欠优，需要进一步研究数据的分离预测，使得每一部分的数据特征都能被有效反映。
综上所述，目前负荷预测方法主要是通过寻找电力需求的时序发展规律及其与各种相关因素的历史相关性建立数学模型，进而回归外推实现预测。但现有预测方法仍然存在改进空间，一是对影响因素关键性及时滞效应的影响考究不深；二是需要进一步挖掘相关因素的非线性特征，拓宽预测模型的适用范围及预测效果稳定性。
发明内容
本发明实施例提供了一种中长期电量预测方法及系统，以解决对影响因素关键性及时滞效应的影响考究不深，以及需要进一步挖掘相关因素的非线性特征而导致负荷预测精确度不高的技术问题，从而在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，进而有利于提高负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。
为解决上述问题，一方面，本发明的第一实施例提供了一种中长期电量预测方法，包括以下步骤：
获取待处理基础数据；
对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；
对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；
对各个分量预测值进行组合，得到最终负荷预测值。
进一步地，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
进一步地，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
进一步地，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据，具体为：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。
进一步地，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：
根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；
根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。
进一步地，所述分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：
采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。
另一方面，本发明第二实施例提供了一种中长期电量预测系统，包括数据获取模块、数据筛选模块、季节分解模块、分量处理模块、分量预测模块和分量组合模块；
所述数据获取模块，用于获取待处理基础数据；
所述数据筛选模块，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
所述季节分解模块，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；
所述分量处理模块，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
所述分量预测模块，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；
所述分量组合模块，用于对各个分量预测值进行组合，得到最终负荷预测值。
进一步地，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
进一步地，所述筛选模块，具体用于：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
进一步地，所述季节分解模块，具体用于：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。
本发明实施例提供一种中长期电量预测方法及系统，以解决对影响因素关键性及时滞效应的影响考究不深，以及需要进一步挖掘相关因素的非线性特征而导致负荷预测精确度不高的技术问题，从而在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，进而有效地提高了负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。
附图说明
图1是本发明提供的一种中长期电量预测方法的流程示意图；
图2是本发明提供的一种中长期电量预测系统的结构示意图。
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作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。
请参阅图1，本发明的第一实施例提供了一种中长期电量预测方法，其特征在于，包括以下步骤：
S101、获取待处理基础数据；
S102、对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
S103、根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；
S104、对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
S105、分别采用不同的预构建模型对第二规则分量数据与第二不规则分量数据进行分量预测，得到相应的分量预测值；
S106、对各个分量预测值进行组合，得到最终负荷预测值。
在本发明实施例中，本中长期电量预测方法主要针对月度以上的时间尺度的电量负荷需求进行预测，通过获取广泛的基础数据，进行基础数据的空缺填补并通过相关性检验，筛选出关键的电力预测影响因素，对数据的要求相对宽松；在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，而且预测流程清晰，可采用不同的预构建模型进行分量预测，且由于各个分量之间被认为是相互独立，为了尽量降低各个分量预测误差对总体预测结果的影响，采取加法组合模型形式表示各个分量间关系，有利于提高负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。
作为本发明实施例的一种具体实现方式，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
在本发明实施例中，地区经济类数据包括地区生产总值、固定资产投资、规模以上高新科技产业增加值、规模以上工业增加值、社会消费品零售总额等；地区居民生活类数据包括粮食价格、油脂价格、肉禽及制品价格、鲜菜价格、乳制品价格等；地区社会主产能类数据包括服装产量、化学纤维产量、钢材产量、电力电缆新增铺设长度、电池类产品产量、电子类产品产量等；地区气象类数据包括地区最高/最低气温、地区平均最高/最低气温、地区平均湿度等。
作为本发明实施例的一种具体实现方式，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
在本发明实施例中，针对样基础数据的时间跨度差异，使用拉格朗日插值法进行处理：
其中，Bk＝{i＝0,1,…,n-1|i≠k}；x为空缺处相应期序号；xi,xk为非空缺处的期序号；yj为期序号对应的数值，针对季度数据，取两相邻期序中值为中间月份填补值，再结合式(1)进而求解得到其余两月度填补数据；pj(x)为非空缺处对空缺处的取值权重系数。通过计算空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的影响因子，相关系数计算公式如下：
其中，Cov(X,Y)为X与Y序列的协方差，σX、σY为X、Y序列的对应标准差。
作为本发明实施例的一种具体实现方式，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到规则分量数据与不规则分量数据，具体为：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第二不规则分量数据。
在本发明实施例中，利用差分算子根据regARIMA差分处理，对若干影响因素进行平稳性预处理，，regARIMA的回归方程如下：
其中，L为滞后因子；s为月度周期；t为时间期数；y为待调整的时间序列，yt为第t期；βi为第i个回归变量xit的回归系数；∑iβixit是用来拟合yt的时间序列；表示非季节回归算子；φ(L)表示季节回归算子；θ(L)表示非季节移动平均算子；Θ(L)表示季节移动平均算子；a表示一组均值为0的白噪声序列，at为第t期；(1-L)d(1-Ls)D表示非季节差分次数为d、季节差分次数为D。对所述若干影响因素进行平稳性预处理后，通过应用X-12-ARIMA工具，将平稳性预处理后的若干影响因素根据时间序列分解为第一规则分量数据以及第二不规则分量数据。
作为本发明实施例的一种具体实现方式，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：
根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；
根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。
在本发明实施例中，采用ADF方法对规则分量数据及不规则分量数据进行单位根检验，确定第一不规则分量对应的第二不规则分量数据，并筛选出第一规则分量数据中不满足平稳性要求的分量数据进入下一步协整检验，ADF检验模型如下：
其中，检验过程为：1)零假设H0:δ＝0，Xt为随机游走序列，备择假设H1:δ<0，Xt为平稳序列；2)从式(5)开始，当不满足式(4)检验时则按照式(5)、式(6)的顺序进行检验；3)当检验拒绝零假设，即原序列不存在单位根，则确定相应序列为平稳序列，同时停止检验。
针对不满足平稳性要求的分量数据，进行Jonhenson协整检验，其中，协整检验的表达式如下：
其中，Ai为VAR模型的内生变量系数，C为常数截距，εt为误差项。针对式(7)中的Π矩阵，Jonhenson协整检验分为两个部分，1)特征根迹检验；2)最大特征值检验。同时，结合赤池信息准则与斯瓦茨准则，确定规则分量数据及不规则分量数据的滞后期数，并计算其相应AIC值及SC值，筛选AIC值与SC值均最大的对应滞后数，以此确定最优滞后期数，其中：1)季度负荷预测的最大限制滞后项为4期，月度最大限制滞后项为6期；2)当AIC值与SC值对应不同p值时，应用LR检验法确定综合最优滞后期数。
为了避免由于各分量数据间的多重共线性及特征维度过多引起的过拟合现象，导致预测精度受到噪声影响无法呈现稳定预测，因此需要对各分量数据进行降维滤噪。应用主成因分析法(PCA)对通过协整检验的规则分量数据的滞后期数及不规则分量数据的滞后期数进行处理，首先，选用Z-score方法对规则分量数据的滞后期数及不规则分量数据的滞后期数进行标准化处理，式子如下所示：
其中，Z为标准化后序列，X为原序列。
在进行完标准化处理的基础上，令矩阵Σ(N×N)表示预处理后矩阵X的协方差矩阵，即：
一般采用奇异值分解理论实现PCA，对预处理后矩阵X的协方差矩阵进行奇异值分解可得：
Σpi＝λipi (10)
其中，pi(N×1)是单位特征向量，λi是相应特征值，其中i＝1,2,...,N，λ1≥λ2≥...≥λN。选取前l个特征向量作为PCA中的负荷向量，进而构成新的负荷矩阵。
工程中常通过求解优化命题的方式实现PCA,按照p1,p2,...,pm的顺序依次求解如下优化命题：
pi＝min-piΣpi
同样，选取前l个特征向量构成PCA转换后的负荷矩阵，P′＝[p1,p2,...,pl]。
通常，简单采用累积方差百分比(cumulative percent variance,CPV)方法来确定选取的主成分个数(l)。前l个特征值除以所有特征值的和被称为前l个主元的累积方差贡献率，表示这l个主元所能够解释的数据方差的比例，即：
一般α的选取为85％、90％或95％。这样被选取的前l个主元提取了数据X矩阵的大部分方差信息，构成了主元子空间。未被选取的后N-l个主元包含了数据矩阵X的剩余方差信息。
作为本发明实施例的一种具体实现方式，所述分别采用不同的预构建模型对第二规则分量数据与第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：
采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对所述第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。
请参阅图2，本发明第二实施例提供了一种中长期电量预测系统，包括数据获取模块201、数据筛选模块202、季节分解模块203、分量处理模块204、分量预测模块205和分量组合模块206；
所述数据获取模块201，用于获取待处理基础数据；
所述数据筛选模块202，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
所述季节分解模块203，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到规则分量数据与不规则分量数据；
所述分量处理模块204，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
所述分量预测模块206，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；
所述分量组合模块207，用于对各个分量预测值进行组合，得到最终负荷预测值。
作为本发明实施例的一种具体实施方式，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
作为本发明实施例的一种具体实施方式，所述筛选模块，具体用于：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
在本发明实施例中，针对样基础数据的时间跨度差异，使用拉格朗日插值法进行处理：
其中，Bk＝{i＝0,1,…,n-1|i≠k}；x为空缺处相应期序号；xi,xk为非空缺处的期序号；yj为期序号对应的数值，针对季度数据，取两相邻期序中值为中间月份填补值，再结合式(1)进而求解得到其余两月度填补数据；pj(x)为非空缺处对空缺处的取值权重系数。通过计算空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的影响因子，相关系数计算公式如下：
其中，Cov(X,Y)为X与Y序列的协方差，σX、σY为X、Y序列的对应标准差。
作为本发明实施例的一种具体实施方式，所述季节分解模块，具体用于：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第二不规则分量数据。
在本发明实施例中，利用差分算子根据regARIMA差分处理，对若干影响因素进行平稳性预处理，，regARIMA的回归方程如下：
其中，L为滞后因子；s为月度周期；t为时间期数；y为待调整的时间序列，yt为第t期；βi为第i个回归变量xit的回归系数；∑iβixit是用来拟合yt的时间序列；表示非季节回归算子；φ(L)表示季节回归算子；θ(L)表示非季节移动平均算子；Θ(L)表示季节移动平均算子；a表示一组均值为0的白噪声序列，at为第t期；(1-L)d(1-Ls)D表示非季节差分次数为d、季节差分次数为D。对所述若干影响因素进行平稳性预处理后，通过应用X-12-ARIMA工具，将平稳性预处理后的若干影响因素根据时间序列分解为第一规则分量数据以及第二不规则分量数据。
实施本发明实施例，具有如下有益效果：
在本发明实施例中，本中长期电量预测方法主要针对月度以上的时间尺度的电量负荷需求进行预测，通过获取广泛的基础数据，进行基础数据的空缺填补并通过相关性检验，筛选出关键的电力预测影响因素，对数据的要求相对宽松；在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，可采用不同的预构建模型进行分量预测，而且预测流程清晰，对模型的通用性较高，具有应用广泛的优点，且能够有效辨析误差来源，有助于优化预测精度和总结提升；对各分量数据进行降维滤噪处理，能够避免由于影响因素间的多重共线性及特征维度过多引起的过拟合现象，导致模型预测精度受到噪声影响无法呈现稳定预测；且由于各个分量之间被认为是相互独立，为了尽量降低各个分量预测误差对总体预测结果的影响，采取加法组合模型形式表示各个分量间关系，有利于提高负荷预测的精确度，从而能够有效地提高电网规划的经济性及保障了电力市场的有序推进。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种中长期电量预测方法，其特征在于，包括以下步骤：
获取待处理基础数据；
对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；
对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；
对各个分量预测值进行组合，得到最终负荷预测值。
2.如权利要求1所述中长期电量预测方法，其特征在于，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
3.如权利要求1所述的中长期电量预测方法，其特征在于，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
4.如权利要求1所述的中长期电量预测方法，其特征在于，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据，具体为：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。
5.如权利要求1所述的中长期电量预测方法，其特征在于，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：
根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；
根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。
6.如权利要求4所述的中长期电量预测方法，其特征在于，所述分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：
采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。
7.一种中长期电量预测系统，其特征在于，包括数据获取模块、数据筛选模块、季节分解模块、分量处理模块、分量预测模块和分量组合模块；
所述数据获取模块，用于获取待处理基础数据；
所述数据筛选模块，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；
所述季节分解模块，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；
所述分量处理模块，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；
所述分量预测模块，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；
所述分量组合模块，用于对各个分量预测值进行组合，得到最终负荷预测值。
8.如权利要求7所述的中长期电量预测系统，其特征在于，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。
9.如权利要求7所述的中长期电量预测系统，其特征在于，所述筛选模块，具体用于：
采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；
通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。
10.如权利要求7所述的中长期电量预测系统，其特征在于，所述季节分解模块，具体用于：
采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；
通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393214.4A CN109376953B (zh) | 2018-11-21 | 2018-11-21 | 一种中长期电量预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811393214.4A CN109376953B (zh) | 2018-11-21 | 2018-11-21 | 一种中长期电量预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109376953A true CN109376953A (zh) | 2019-02-22 |
| CN109376953B CN109376953B (zh) | 2022-09-23 |
Family
ID=65376933
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811393214.4A Active CN109376953B (zh) | 2018-11-21 | 2018-11-21 | 一种中长期电量预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109376953B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
| CN110210054A (zh) * | 2019-04-25 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种采样数据预处理方法 |
| CN110570322A (zh) * | 2019-09-17 | 2019-12-13 | 西北农林科技大学 | 一种基于时间序列仿真的农业气象指数保险费率厘定方法 |
| CN111327080A (zh) * | 2020-04-08 | 2020-06-23 | 浙江大学 | 一种面向多类别机组的电力系统中长期电量联合分解方法 |
| CN111369058A (zh) * | 2020-03-05 | 2020-07-03 | 中国民用航空飞行学院 | 一种森林火灾消防直升机需求预测方法及系统 |
| CN111461496A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的季节性调整方法 |
| CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN112423327A (zh) * | 2019-08-22 | 2021-02-26 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
| CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297606A1 (en) * | 2013-03-28 | 2014-10-02 | Nec (China) Co., Ltd. | Method and device for processing a time sequence based on dimensionality reduction |
| CN104657788A (zh) * | 2015-02-04 | 2015-05-27 | 国家电网公司 | 基于行业景气指数的重点行业用电量预测方法 |
| CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| CN106055904A (zh) * | 2016-06-04 | 2016-10-26 | 上海大学 | 基于varx模型的大气pm2.5浓度预测方法 |
| CN106447108A (zh) * | 2016-09-28 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 一种考虑业扩报装数据的用电需求分析预测方法 |
| US20170235663A1 (en) * | 2016-02-16 | 2017-08-17 | Tata Consultancy Services Limited | Service demand based performance prediction using a single workload |
| CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
| CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
| CN107895214A (zh) * | 2017-12-08 | 2018-04-10 | 北京邮电大学 | 一种多元时间序列预测方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN108256676A (zh) * | 2017-12-29 | 2018-07-06 | 国网江苏省电力有限公司检修分公司 | 一种计及负荷波动不对称特性的电力负荷预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
-
2018
- 2018-11-21 CN CN201811393214.4A patent/CN109376953B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140297606A1 (en) * | 2013-03-28 | 2014-10-02 | Nec (China) Co., Ltd. | Method and device for processing a time sequence based on dimensionality reduction |
| CN104657788A (zh) * | 2015-02-04 | 2015-05-27 | 国家电网公司 | 基于行业景气指数的重点行业用电量预测方法 |
| CN105023066A (zh) * | 2015-07-31 | 2015-11-04 | 山东大学 | 一种基于季节调整的业扩报装分析预测系统及方法 |
| CN105303262A (zh) * | 2015-11-12 | 2016-02-03 | 河海大学 | 一种基于核主成分分析和随机森林的短期负荷预测方法 |
| US20170235663A1 (en) * | 2016-02-16 | 2017-08-17 | Tata Consultancy Services Limited | Service demand based performance prediction using a single workload |
| CN106055904A (zh) * | 2016-06-04 | 2016-10-26 | 上海大学 | 基于varx模型的大气pm2.5浓度预测方法 |
| CN106447108A (zh) * | 2016-09-28 | 2017-02-22 | 国网山东省电力公司电力科学研究院 | 一种考虑业扩报装数据的用电需求分析预测方法 |
| CN107220764A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 一种基于前导分析和因素补偿的售电量预测方法及装置 |
| CN107248013A (zh) * | 2017-06-21 | 2017-10-13 | 国网安徽省电力公司芜湖供电公司 | 一种综合考虑多种经济因素的月度用电量预测方法 |
| CN108022001A (zh) * | 2017-09-20 | 2018-05-11 | 河海大学 | 基于pca和分位数回归森林的短期负荷概率密度预测方法 |
| CN107895214A (zh) * | 2017-12-08 | 2018-04-10 | 北京邮电大学 | 一种多元时间序列预测方法 |
| CN108256676A (zh) * | 2017-12-29 | 2018-07-06 | 国网江苏省电力有限公司检修分公司 | 一种计及负荷波动不对称特性的电力负荷预测方法 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 张志等: "考虑关联因素的智能化中长期电力负荷预测方法", 《电力系统保护与控制》 * |
| 郭鸿业等: "考虑经济因素时滞效应的月度负荷预测方法", 《电网技术》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110210054A (zh) * | 2019-04-25 | 2019-09-06 | 中国电力科学研究院有限公司 | 一种采样数据预处理方法 |
| CN112072691A (zh) * | 2019-06-10 | 2020-12-11 | 上海电机学院 | 基于季节分解和支持向量机风功率预测的风机控制方法 |
| CN110212524A (zh) * | 2019-06-13 | 2019-09-06 | 云南电网有限责任公司电力科学研究院 | 一种区域电力负荷预测方法 |
| CN112423327A (zh) * | 2019-08-22 | 2021-02-26 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
| CN112423327B (zh) * | 2019-08-22 | 2024-02-09 | 中兴通讯股份有限公司 | 一种容量预测方法及设备、存储介质 |
| CN110570322B (zh) * | 2019-09-17 | 2023-09-12 | 西北农林科技大学 | 一种基于时间序列仿真的农业气象指数保险费率厘定方法 |
| CN110570322A (zh) * | 2019-09-17 | 2019-12-13 | 西北农林科技大学 | 一种基于时间序列仿真的农业气象指数保险费率厘定方法 |
| CN111369058A (zh) * | 2020-03-05 | 2020-07-03 | 中国民用航空飞行学院 | 一种森林火灾消防直升机需求预测方法及系统 |
| CN111461496A (zh) * | 2020-03-10 | 2020-07-28 | 国网山西省电力公司经济技术研究院 | 一种中长期负荷数据的季节性调整方法 |
| CN111327080A (zh) * | 2020-04-08 | 2020-06-23 | 浙江大学 | 一种面向多类别机组的电力系统中长期电量联合分解方法 |
| CN111754037A (zh) * | 2020-06-19 | 2020-10-09 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
| CN111754037B (zh) * | 2020-06-19 | 2023-01-20 | 国网河南省电力公司经济技术研究院 | 区域终端集成供能系统长期负荷混合预测方法 |
| CN112488427A (zh) * | 2020-12-21 | 2021-03-12 | 新疆工程学院 | 基于arima模型的中长期光伏可用电量预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109376953B (zh) | 2022-09-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109376953A (zh) | 一种中长期电量预测方法及系统 | |
| CN105023066B (zh) | 一种基于季节调整的业扩报装分析预测系统及方法 | |
| CN105260803A (zh) | 一种系统用电量预测方法 | |
| CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
| CN112446534B (zh) | 一种输变电工程的建设工期预测方法和装置 | |
| CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN108717585A (zh) | 一种远期电力需求预测方法 | |
| CN112330065A (zh) | 一种基于基流分割和人工神经网络模型的径流预报方法 | |
| CN110070201A (zh) | 一种通过经济增长率预测用电量增长率的方法 | |
| CN108647838B (zh) | 一种基于随机矩阵理论和在线序列极限学习机的电网态势感知方法 | |
| CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
| CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
| CN112308458B (zh) | 一种低压台区量测数据评价方法和系统 | |
| CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
| Wu | The comparison of forecasting analysis based on the ARIMA-LSTM hybrid models | |
| CN108665090B (zh) | 基于主成分分析与Verhulst模型的城市电网饱和负荷预测方法 | |
| CN109376898A (zh) | 一种基于内外部指标影响的电量分析预测方法 | |
| Erjavec et al. | How (i) rrational are we? A case of Croatian inflation | |
| CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
| Yusuf et al. | Incidence analysis of the effects of liberalized trade and exchange rate policies on agriculture in Nigeria | |
| Mburamatare et al. | Effects of industrialization, technology and labor efficiency on electricity consumption: Panel data experience of Rwanda, Tanzania and Kenya | |
| Udoumoh et al. | Comparative analysis of three-stage least squares and multivariate regression method of estimating parameters of simultaneous equation models | |
| CN116975787B (zh) | 一种enso建模和预测方法及装置 | |
| Kočenda et al. | Nowcasting real GDP growth with business tendency surveys data: A cross country analysis |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |