CN109829756A - 一种确定异常因素对售电量的影响的方法及系统 - Google Patents
一种确定异常因素对售电量的影响的方法及系统 Download PDFInfo
- Publication number
- CN109829756A CN109829756A CN201910046971.2A CN201910046971A CN109829756A CN 109829756 A CN109829756 A CN 109829756A CN 201910046971 A CN201910046971 A CN 201910046971A CN 109829756 A CN109829756 A CN 109829756A
- Authority
- CN
- China
- Prior art keywords
- history
- sales amount
- electricity sales
- value
- random entry
- 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
Abstract
本发明实施例提供的一种确定异常因素对售电量的影响的方法及系统,可以确定目标时间范围;在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;根据获得的各历史随机项的取值,确定随机项的历史基准值;根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。本发明实施例通过季节调整法对历史售电量数据进行合理的分析和计算,保证了受异常因素影响的售电量的影响值的有效性。
Description
技术领域:
本发明涉及电力管理领域,尤其涉及一种确定异常因素对售电量的影响的方法及系统。
背景技术:
售电量预测是电力需求侧管理重要的市场预测技术手段,电网公司可以根据售电量预测,制定有效的经营计划。其中,异常因素对售电量的影响,往往会造成售电量预测出现不精准的问题,所以分析异常因素对售电量的影响程度,也有利于提升售电量预测到的准确度。
现有对于异常因素对售电量的影响程度的分析,主要是通过假设受异常因素影响的月份售电量的理论增速为正常月份售电量的增速,将该月份的售电量实际增速减去理论增速,得到一个差值,再将该月份的实际售电量乘以这个差值,得到受异常因素影响的售电量的影响值。
然而,直接利用历史售电量数据确定异常因素对售电量的影响,会降低得到的受异常因素影响的售电量的影响值的有效性。
发明内容:
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种确定异常因素对售电量的影响的方法及系统,技术方案如下:
一种确定异常因素对售电量的影响的方法,包括:
确定目标时间范围;
在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
根据获得的各历史随机项的取值,确定随机项的历史基准值;
根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
可选的,所述根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值,包括:
根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
可选的,所述季节调整法为X13季节调整法,所述方法还包括:
根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
一种确定异常因素对售电量的影响的系统,包括:第一确定单元、第一获得单元、第二确定单元和第三确定单元,
所述第一确定单元,用于确定目标时间范围;
所述第一获得单元,用于在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
所述第二确定单元,用于根据获得的各历史随机项的取值,确定随机项的历史基准值;
所述第三确定单元,用于根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
可选的,所述第二确定单元,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
可选的,所述第二确定单元,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
可选的,所述第三确定单元,具体用于根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
可选的,所述季节调整法为X13季节调整法,所述系统还包括:季节调整单元,
所述季节调整单元,用于根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
借由上述技术方案,本发明实施例提供的一种确定异常因素对售电量的影响的方法及系统,可以确定目标时间范围;在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;根据获得的各历史随机项的取值,确定随机项的历史基准值;根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。本发明实施例首先通过季节调整法对历史售电量数据进行合理的分析,再通过合理的计算,保证了受异常因素影响的售电量的影响值的有效性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。在附图中:
图1示出了本发明实施例提供的一种确定异常因素对售电量的影响的方法的流程示意图;
图2示出了本发明实施例提供的另一种确定异常因素对售电量的影响的方法的流程示意图;
图3示出了本发明实施例提供的一种季节调整法对历史售电量数据分解后的示意图;
图4示出了本发明实施例提供的一种确定异常因素对售电量的影响的系统的结构示意图;
图5示出了本发明实施例提供的另一种确定异常因素对售电量的影响的系统的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示,本发明实施例提供的一种确定异常因素对售电量的影响的方法,包括:
S100、确定目标时间范围;
具体的,异常因素可以包括异常天气、节假日和特殊社会活动(例如地球一小时熄灯活动等)导致售电量出现异常变化的因素。目标时间范围可以是某一年中某个自然月,也可以是某一年中某一天,还可以是某一年中两个连续自然月等。目标时间范围可以根据实际需要确定,在此不做限定。
S200、在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的。
其中,所述历史随机项序列为异常因素对售电量影响值的序列;
其中,目标时间范围为一个年度内的时间范围。可选的,与所述目标时间范围对应的各历史随机项为其他年度或全部年度内的相应时间范围的历史随机项,其中,该相应时间范围为在一个年度内与该目标时间范围对应的时间范围。例如:目标时间范围为2018年3月,历史售电量数据的时间范围为:1949年1月至2018年12月。则与该目标时间范围对应的其他年度内的相应时间范围为:1949年至2017年中的每年的3月。这样,步骤S200就可以获得1949年至2017年中的每年的3月的历史随机项的取值。其中,目标时间范围的售电量的随机项的取值可以为与所述目标时间范围对应的各历史随机项的取值中的一个。例如:与该目标时间范围对应的全部年度内的相应时间范围为:1949年至2018年中的每年的3月。
需要说明的是,历史售电量在进行统计时所使用的时间单位可以为天、星期、月、季度等。对于不同的时间单位,本发明实施例可以通过简单的求和或平均算法确定各历史随机项的取值。例如:历史售电量按照天为单位进行统计,则对于上段文字中的举例而言,步骤S200可以对1949年至2017年中的每年的3月均进行如下处理:
将该月内各天的历史随机项的取值求和,获得该月的历史随机项的取值。
具体的,季节调整法是一个从时间序列中估计和剔除季节影响的过程,目的是更好地揭示季度或月度序列的特征或基本趋势。具体的,本发明实施例中的季节调整法可以为:X-11-ARIMA、X-12-ARIMA、X-13-ARIMA、TRAMO/SEATS中的任意一个。其中,ARIMA(Autoregressive Integrated Moving Average model,差分整合移动平均自回归模型),又称整合移动平均自回归模型(移动也可称作滑动),它是时间序列预测分析方法之一。X-13-ARIMA又被称为X13季节调整法。
可选的,如图2所示,本发明实施例提供的另一种确定异常因素对售电量的影响的方法,所述季节调整法为X13季节调整法,所述方法还包括:
S201、根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项、季节项和随机项三个序列。
如图3所示,示出了某历史售电量数据根据X13季节调整法进行分解后得到的分解曲线。从图中可以看出,分解后得到的趋势项较为平稳,季节项规律性较强,随机项有一定的波动。
具体的,X13季节调整法的基本思路是采用中心化移动加权平均法逐项分解,它的各分量序列是通过多次迭代和分解完成的,更能准确地对时间序列进行分解,得到趋势项、季节项和随机项三个序列。其中,趋势项反映了售电量受经济发展等因素影响体现的长期趋势;季节项售电量因季节变化体现的规律性波动;随机项反映时间序列非季节项的气象等其他不规律变化,也就是说,异常因素对售电量的影响主要体现在随机项序列中,通过排除售电量受经济发展和季节变化的影响,使根据随机项序列确定异常因素对售电量的影响更加合理、有效。
具体的,通过季节调整法,可以将历史售电量数据分解为历史售电量趋势项、历史售电量季节项和历史售电量随机项三个序列,从历史随机项序列中,获得与目标时间范围对应的各历史随机项的取值。例如,历史售电量数据为2000年至2018年的所有售电量数据,目标时间范围为2018年的8月,那么根据季节调整法,分解出2000年至2018年中的随机项序列,获得该随机项序列中所有8月的历史随机项的取值。
S300、根据获得的各历史随机项的取值,确定随机项的历史基准值;
具体的,历史基准值可以是通过排除掉目标时间范围的售电量的随机项的取值后的各历史随机项的取值后计算确定的。例如,历史售电量数据为2000年至2018年的所有售电量数据,目标时间范围为2018年的8月,根据2000年至2018年中的各历史随机项的取值,排除掉2018年的8月对应的随机项的取值,通过2000年至2017年中的各个8月的历史随机项的取值,计算历史基准值。
可选的,本发明实施例提供的另一种确定异常因素对售电量的影响的方法,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,可以包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
具体的,可以通过在历史售电量数据的起始年份至目标时间范围所在年份的上一年份中,获得目标时间范围对应的时间范围的所有的历史随机项的取值,并计算算术平均数,得到历史基准值。例如:目标时间范围为2018年的8月,历史售电量数据的起始年份为2010年,2010年至2017年中所有8月的历史随机项的取值分别为:10、8、9、10、9、10、10、8,那么历史基准值为9.25。
可选的,本发明实施例提供的另一种确定异常因素对售电量的影响的方法,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,可以包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的值所占的权重。
具体的,可以通过在历史售电量数据的起始年份至目标时间范围所在年份的上一年份中,获得目标时间范围对应的时间范围的所有的历史随机项的取值,乘以各自的权重后,计算算术平均数,得到历史基准值。例如,目标时间范围为2018年的8月,历史售电量数据的起始年份为2010年,2010年至2017年中所有8月的历史随机项的取值分别为:10、8、9、10、9、10、10、8,权重分别为0.2、0.3、0.4、0.5、0.7、0.8、0.9、1.0,那么历史基准值为5.5375。
具体的权重可以是以距离目标时间范围的年份远近确定的,可选的,历史随机项对应的时间范围所在年份距离目标时间范围的年份越近,则该历史随机项的值所占的权重越大,反之越小。比如,目标时间范围为2018年的8月,历史售电量数据的年份为2010年至2017年中所有8月的历史随机项的取值,那么2017年的8月对应的历史随机项的取值所占权重的比例是最大的,2010年的8月对应的历史随机项的取值所占权重的比例是最小的。可以理解的是,各个历史随机项的取值所占的权重比例可以根据实际需要进行制定,在此不做进一步的限定。
S400、根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
具体的,目标时间范围的售电量的随机项的取值可以在在历史售电量数据对应的历史随机项序列中获得,也可以根据季节调整法对目标时间范围的售电量进行分解后得到。
可选的,本发明实施例提供的另一种确定异常因素对售电量的影响的方法,所述根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值,包括:
根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
具体的,异常因素对售电量的影响值可以等于目标时间范围的售电量的随机项的取值与历史基准值的差值。例如,目标时间范围的售电量的随机项的取值为10,历史基准值为5.6,那么异常因素对售电量的影响值为4.4。
技术人员可以根据该异常因素对售电量的影响值,对该异常因素对售电量影响程度作出判断和分析。例如,需要研究2018年8月的高温对该月售电量的影响,通过计算得到2018年8月的随机项的取值为9,历史基准值为2.8,那么,在2018年8月出现高温这种异常因素对售电量的影响值为6.2。
本发明实施例提供的一种确定异常因素对售电量的影响的方法,可以通过确定目标时间范围;在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;根据获得的各历史随机项的取值,确定随机项的历史基准值;根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。因此本方案提供的确定异常因素对售电量的影响的方法,可以基于历史售电量数据,获得随机项的历史基准值以及异常因素影响下的目标时间范围的随机项的取值,通过历史基准值和目标时间范围的售电量的随机项的取值,得出异常因素对售电量的影响值,保证了受异常因素影响的售电量的影响值的有效性。
与上述方法实施例相对应,本发明实施例还提供了一种确定异常因素对售电量的影响的系统。
如图4所示,本发明实施例提供的一种确定异常因素对售电量的影响的系统,可以包括:第一确定单元100、第一获得单元200、第二确定单元300和第三确定单元400,
所述第一确定单元100,用于确定目标时间范围;
具体的,异常因素可以包括异常天气、节假日和特殊社会活动(例如地球一小时熄灯活动等)导致售电量出现异常变化的因素。目标时间范围可以是某一年中某个自然月,也可以是某一年中某一天,还可以是某一年中两个连续自然月等。目标时间范围可以根据实际需要确定,在此不做限定。
所述第一获得单元200,用于在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
其中,所述历史随机项序列为异常因素对售电量影响值的序列;
其中,目标时间范围为一个年度内的时间范围。可选的,与所述目标时间范围对应的各历史随机项为其他年度或全部年度内的相应时间范围的历史随机项,其中,该相应时间范围为在一个年度内与该目标时间范围对应的时间范围。例如:目标时间范围为2018年3月,历史售电量数据的时间范围为:1949年1月至2018年12月。则与该目标时间范围对应的其他年度内的相应时间范围为:1949年至2017年中的每年的3月。这样,第一获得单元200就可以获得1949年至2017年中的每年的3月的历史随机项的取值。其中,目标时间范围的售电量的随机项的取值可以为与所述目标时间范围对应的各历史随机项的取值中的一个。例如:与该目标时间范围对应的全部年度内的相应时间范围为:1949年至2018年中的每年的3月。
需要说明的是,历史售电量在进行统计时所使用的时间单位可以为天、星期、月、季度等。对于不同的时间单位,本发明实施例可以通过简单的求和或平均算法确定各历史随机项的取值。例如:历史售电量按照天为单位进行统计,则对于上段文字中的举例而言,第一获得单元200可以对1949年至2017年中的每年的3月均进行如下处理:
将该月内各天的历史随机项的取值求和,获得该月的历史随机项的取值。
具体的,季节调整法是一个从时间序列中估计和剔除季节影响的过程,目的是更好地揭示季度或月度序列的特征或基本趋势。具体的,本发明实施例中的季节调整法可以为:X-11-ARIMA、X-12-ARIMA、X-13-ARIMA、TRAMO/SEATS中的任意一个。其中,ARIMA(Autoregressive Integrated Moving Average model,差分整合移动平均自回归模型),又称整合移动平均自回归模型(移动也可称作滑动),它是时间序列预测分析方法之一。X-13-ARIMA又被称为X13季节调整法。
所述第二确定单元300,用于根据获得的各历史随机项的取值,确定随机项的历史基准值;
具体的,历史基准值可以是通过排除掉目标时间范围的售电量的随机项的取值后的各历史随机项的取值后计算确定的。例如,历史售电量数据为2000年至2018年的所有售电量数据,目标时间范围为2018年的8月,根据2000年至2018年中的各历史随机项的取值,排除掉2018年的8月对应的随机项的取值,通过2000年至2017年中的各个8月的历史随机项的取值,计算历史基准值。
所述第三确定单元400,用于根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
具体的,目标时间范围的售电量的随机项的取值可以在在历史售电量数据对应的历史随机项序列中获得,也可以根据季节调整法对目标时间范围的售电量进行分解后得到。
可选的,所述第二确定单元300,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
具体的,可以通过在历史售电量数据的起始年份至目标时间范围所在年份的上一年份中,获得目标时间范围对应的时间范围的所有的历史随机项的取值,并计算算术平均数,得到历史基准值。例如:目标时间范围为2018年的8月,历史售电量数据的起始年份为2010年,2010年至2017年中所有8月的历史随机项的取值分别为:10、8、9、10、9、10、10、8,那么历史基准值为9.25。
可选的,所述第二确定单元300,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
具体的,可以通过在历史售电量数据的起始年份至目标时间范围所在年份的上一年份中,获得目标时间范围对应的时间范围的所有的历史随机项的取值,乘以各自的权重后,计算算术平均数,得到历史基准值。例如,目标时间范围为2018年的8月,历史售电量数据的起始年份为2010年,2010年至2017年中所有8月的历史随机项的取值分别为:10、8、9、10、9、10、10、8,权重分别为0.2、0.3、0.4、0.5、0.7、0.8、0.9、1.0,那么历史基准值为5.5375。
具体的权重可以是以距离目标时间范围的年份远近确定的,可选的,历史随机项对应的时间范围所在年份距离目标时间范围的年份越近,则该历史随机项的值所占的权重越大,反之越小。比如,目标时间范围为2018年的8月,历史售电量数据的年份为2010年至2017年中所有8月的历史随机项的取值,那么2017年的8月对应的历史随机项的取值所占权重的比例是最大的,2010年的8月对应的历史随机项的取值所占权重的比例是最小的。可以理解的是,各个历史随机项的取值所占的权重比例可以根据实际需要进行制定,在此不做进一步的限定。
可选的,所述第三确定单元400,具体用于根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
具体的,异常因素对售电量的影响值可以等于目标时间范围的售电量的随机项的取值与历史基准值的差值。例如,目标时间范围的售电量的随机项的取值为10,历史基准值为5.6,那么异常因素对售电量的影响值为4.4。
技术人员可以根据该异常因素对售电量的影响值,对该异常因素对售电量影响程度作出判断和分析。例如,需要研究2018年8月的高温对该月售电量的影响,通过计算得到2018年8月的随机项的取值为9,历史基准值为2.8,那么,在2018年8月出现高温这种异常因素对售电量的影响值为6.2。
可选的,基于图4,如图5所示,本发明实施例提供的另一种确定异常因素对售电量的影响的系统,还可以包括:季节调整单元500,
所述季节调整单元500,用于根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
如图3所示,示出了某历史售电量数据根据X13季节调整法进行分解后得到的分解曲线。从图中可以看出,分解后得到的趋势项较为平稳,季节项规律性较强,随机项有一定的波动。
具体的,X13季节调整法的基本思路是采用中心化移动加权平均法逐项分解,它的各分量序列是通过多次迭代和分解完成的,更能准确地对时间序列进行分解,得到趋势项、季节项和随机项三个序列。其中,趋势项反映了售电量受经济发展等因素影响体现的长期趋势;季节项售电量因季节变化体现的规律性波动;随机项反映时间序列非季节项的气象等其他不规律变化,也就是说,异常因素对售电量的影响主要体现在随机项序列中,通过排除售电量受经济发展和季节变化的影响,使根据随机项序列确定异常因素对售电量的影响更加合理、有效。
具体的,通过季节调整法,可以将历史售电量数据分解为历史售电量趋势项、历史售电量季节项和历史售电量随机项三个序列,从历史随机项序列中,获得与目标时间范围对应的各历史随机项的取值。例如,历史售电量数据为2000年至2018年的所有售电量数据,目标时间范围为2018年的8月,那么根据季节调整法,分解出2000年至2018年中的随机项序列,获得该随机项序列中所有8月的历史随机项的取值。
本发明实施例提供的一种确定异常因素对售电量的影响的系统,可以通过确定目标时间范围;在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;根据获得的各历史随机项的取值,确定随机项的历史基准值;根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。因此本方案提供的确定异常因素对售电量的影响的系统,可以基于历史售电量数据,获得随机项的历史基准值以及异常因素影响下的目标时间范围的随机项的取值,通过历史基准值和目标时间范围的售电量的随机项的取值,得出异常因素对售电量的影响值,保证了受异常因素影响的售电量的影响值的有效性。
所述一种确定异常因素对售电量的影响的系统包括处理器和存储器,上述第一确定单元100、第一获得单元200、第二确定单元300和第三确定单元400等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来使用季节调整法对历史售电量数据进行合理的分析和计算,保证了受异常因素影响的售电量的影响值的有效性。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种存储介质,其上存储有程序,该程序被处理器执行时实现所述一种确定异常因素对售电量的影响的方法。
本发明实施例提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行所述一种确定异常因素对售电量的影响的方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现以下步骤:
确定目标时间范围;
在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
根据获得的各历史随机项的取值,确定随机项的历史基准值;
根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
可选的,所述根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值,包括:
根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
可选的,所述季节调整法为X13季节调整法,所述方法还包括:
根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有如下方法步骤的程序:
确定目标时间范围;
在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
根据获得的各历史随机项的取值,确定随机项的历史基准值;
根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
可选的,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
可选的,所述根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值,包括:
根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
可选的,所述季节调整法为X13季节调整法,所述方法还包括:
根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种确定异常因素对售电量的影响的方法,其特征在于,包括:
确定目标时间范围;
在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
根据获得的各历史随机项的取值,确定随机项的历史基准值;
根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
2.根据权利要求1所述的方法,其特征在于,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
3.根据权利要求1所述的方法,其特征在于,所述根据获得的各历史随机项的取值,确定随机项的历史基准值,包括:
根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
4.根据权利要求2或3所述的方法,其特征在于,所述根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值,包括:
根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
5.根据权利要求1所述的方法,其特征在于,所述季节调整法为X13季节调整法,所述方法还包括:
根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
6.一种确定异常因素对售电量的影响的系统,其特征在于,包括:第一确定单元、第一获得单元、第二确定单元和第三确定单元,
所述第一确定单元,用于确定目标时间范围;
所述第一获得单元,用于在历史售电量数据对应的历史随机项序列中,获得与所述目标时间范围对应的各历史随机项的取值,其中,所述历史随机项序列是根据季节调整法对所述历史售电量数据进行分解后得到的;
所述第二确定单元,用于根据获得的各历史随机项的取值,确定随机项的历史基准值;
所述第三确定单元,用于根据所述目标时间范围的售电量的随机项的取值和所述历史基准值,确定异常因素对售电量的影响值。
7.根据权利要求6所述的系统,其特征在于,所述第二确定单元,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值。
8.根据权利要求6所述的系统,其特征在于,所述第二确定单元,具体用于根据公式:
确定历史基准值其中,m为历史售电量数据的起始年份,n为目标时间范围所在年份的上一年份,为第a年与目标时间范围对应的时间范围p的历史随机项的取值,Xa为第a年的历史随机项的权重。
9.根据权利要求7或8所述的系统,其特征在于,所述第三确定单元,具体用于根据公式:
确定异常因素对售电量的影响值Δq,其中,为所述目标时间范围的售电量的随机项的取值。
10.根据权利要求6所述的系统,其特征在于,所述季节调整法为X13季节调整法,所述系统还包括:季节调整单元,
所述季节调整单元,用于根据X13季节调整法对所述历史售电量数据进行分解,得到趋势项序列、季节项序列和随机项序列。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046971.2A CN109829756A (zh) | 2019-01-18 | 2019-01-18 | 一种确定异常因素对售电量的影响的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910046971.2A CN109829756A (zh) | 2019-01-18 | 2019-01-18 | 一种确定异常因素对售电量的影响的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109829756A true CN109829756A (zh) | 2019-05-31 |
Family
ID=66860529
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910046971.2A Pending CN109829756A (zh) | 2019-01-18 | 2019-01-18 | 一种确定异常因素对售电量的影响的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109829756A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461775A (zh) * | 2020-03-30 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 事件对业务量的影响的确定方法及装置 |
CN111859286A (zh) * | 2020-06-12 | 2020-10-30 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US20140122181A1 (en) * | 2012-09-15 | 2014-05-01 | Honeywell International Inc. | Demand response load forecaster |
CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
-
2019
- 2019-01-18 CN CN201910046971.2A patent/CN109829756A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030182250A1 (en) * | 2002-03-19 | 2003-09-25 | Mohammad Shihidehpour | Technique for forecasting market pricing of electricity |
US20140122181A1 (en) * | 2012-09-15 | 2014-05-01 | Honeywell International Inc. | Demand response load forecaster |
CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
Non-Patent Citations (2)
Title |
---|
JIAKUI ZHAO ETC: ""A Novel Accuracy Adjustment Approach for Forecasted Quantity of Electricity Sales Based on Abnormal Influencing Factors Assessment"", 《IEEE》 * |
颜伟等: ""结合X12乘法模型和ARIMA模型的月售电量预测方法"", 《电力系统及其自动化学报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111461775A (zh) * | 2020-03-30 | 2020-07-28 | 支付宝(杭州)信息技术有限公司 | 事件对业务量的影响的确定方法及装置 |
CN111461775B (zh) * | 2020-03-30 | 2023-03-24 | 支付宝(杭州)信息技术有限公司 | 事件对业务量的影响的确定方法及装置 |
CN111859286A (zh) * | 2020-06-12 | 2020-10-30 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
CN111859286B (zh) * | 2020-06-12 | 2024-01-26 | 美林数据技术股份有限公司 | 一种疫情影响下售电量精准预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Priore et al. | Applying machine learning to the dynamic selection of replenishment policies in fast-changing supply chain environments | |
US20180322404A1 (en) | Time Series Based Data Prediction Method and Apparatus | |
US8989910B1 (en) | Systems and methods for data mining of energy consumption data | |
US11551244B2 (en) | Nowcasting abstracted census from individual customs transaction records | |
CN105205297B (zh) | 一种基于时间序列的业务预测方法及系统 | |
Navratil et al. | Decomposition and forecasting time series in the business economy using prophet forecasting model | |
CN104992258A (zh) | 用于控制供应链的方法和系统 | |
CN110634030B (zh) | 应用的业务指标挖掘方法、装置及设备 | |
CN106529869A (zh) | 一种物资库存物料动态特征分析平台及其分析方法 | |
CN111461775B (zh) | 事件对业务量的影响的确定方法及装置 | |
CN109829756A (zh) | 一种确定异常因素对售电量的影响的方法及系统 | |
CN106600463A (zh) | 一种局部形相似超短期负荷预测方法及装置 | |
CN108681542A (zh) | 一种异常检测的方法及装置 | |
CN110766232B (zh) | 动态预测方法及其系统 | |
CN114708007A (zh) | 一种用于门店销售计划的智能分解方法及系统 | |
CN109922212B (zh) | 一种时段话务量占比的预测方法及装置 | |
AU2022201784A1 (en) | Computer-based data collection, management, and forecasting | |
CN110069488A (zh) | 一种数据存储方法、数据读取方法及其装置 | |
CN115936875A (zh) | 金融产品挂单处理方法和装置 | |
CN116050987A (zh) | 用于物料补货的预测方法、装置、存储介质及处理器 | |
Kapur et al. | Multi-generation diffusion of technology | |
CN109992470A (zh) | 一种阈值调整方法和装置 | |
JP6605342B2 (ja) | 電力需要予測装置、電力需要予測方法、及び電力需要予測プログラム | |
CN114782129A (zh) | 一种信息推荐的方法及装置 | |
CN109816414A (zh) | 广告效果数据预测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190531 |