CN110070201A - 一种通过经济增长率预测用电量增长率的方法 - Google Patents

Abstract

本发明公开了一种通过经济增长率预测用电量增长率的方法，涉及一种电力负荷预测技术领域。本发明根据各个部门产业发展与用电量之间的数据，进行相关性检验，获得与用电量相关的产业发展数据；本发明首先根据各个部门产业发展与用电量之间的数据，对经济指标和电力指标进行相关性检验，确定两者之间的相关性。根据各个部门的每月工业逐年增长率和每日电力消耗量，将数据进行对数处理。根据自编码网络，构建经济变量间的非线性回归模型，得到基于非线性回归的经济预测电力模型。经济预测电力模型的精确度要高于对数线性回归模型的结果。本技术方案采用一种精确度更高的通过经济增长率来预测用电量消耗增长率的非线性回归模型，预测精度高。

Description

一种通过经济增长率预测用电量增长率的方法

技术领域

本发明涉及一种电力负荷预测技术领域，尤其涉及一种通过经济增长率预测用电量增长率的方法。

背景技术

全电力是国民经济的重要基础。电力生产对以电能为重要生产资料的行业具有强烈响应，这种响应具体表现在工业生产与电力消费的直接作用之上，电力负荷的波动与宏观经济的变化密切相关，研究电力负荷与宏观经济的相关性具有重要意义。

最近有人提出，电力与国内生产密切相关，研究人员将基于电力消费的经济建模研究分为两类：长期协整关系和短期因果关系。应用给基于偏最小二乘回归分析的中长期电力负荷预测方法进行了实证分析。引进了M-估计法，采用稳健回归的M-估计法估计参数并建立了用电量的回归模型。

但是在现阶段经济学家只应用线性模型进行定量分析，准确性低，这对由经济预测电力消耗量是不够的。

发明内容

本发明要解决的技术问题和提出的技术任务是对现有技术方案进行完善与改进，提供一种通过经济增长率预测用电量增长率的方法，以达到提高准确性的目的。为此，本发明采取以下技术方案。

一种通过经济增长率预测用电量增长率的方法，其特征在于：包括以下步骤：

一)根据各个部门产业发展与用电量之间的数据，进行相关性检验，获得与用电量相关的产业发展数据；

二)将获得的产业发展数据输入经济预测电力模型中，获得用电量增长率预测值；

其中经济预测电力模型的建立包括步骤：

步骤S1：获取训练数据，训练数据包括行业用电量数据Y和行业经济指标数据X；行业用电量数据Y是某个工业行业的月用电量增量时间序列；行业经济指标数据X是对应工业行业的月度面板数据，其横截面序列为行业生产总值X¹，行业净出口值X²，行业月增长同比X³，即X＝[X¹；X²；X³]；

步骤S2：将训练数据输入自回归滑动平均模型中，对训练数据X和Y进行对数标准化处理，以降低训练模型的异方差，提升模型训练的可靠性；处理后的logX和logY作为模型训练的输入数据，其中logX＝[logX¹；logX²；logX³]；

步骤S3：将输入数据打上时序标识logXⁱ＝[logXⁱ _ti,logXⁱ _ti-1,…,logX₂,logX₁](i＝1,2,3)，logY＝[logY_t,logY_t-1,…,logY₂,logY₁]；对输入数据进行时序检验，得到logXⁱ(i＝1,2,3)对logY的滞后阶数n_i，记n＝n₁+n₂+n₃；

步骤S4：构造单隐层的自编码网络模型；隐层节点数m的设置方法是：若n≥10，m＝n；若n<10，m＝2n；隐层节点函数h(x)＝[1+exp(-x)]^-1；

步骤S5：训练单隐层的自编码网络模型，得到网络参数W＝[W₁,W₂,W₃]；对应的损失函数L(X)＝||X–h(X)||²+ρ||h’(X)||²，其中ρ代表正则系数；

步骤S6：单隐层的自编码网络模型训练完成后，提取模型的隐层输出值logXⁱ*＝W_ilogXⁱ，i＝1,2,3，作为预测模型的自变量训练数据，即所提取的非线性特征值，其中W_i表示第i层节点的输出权重；

步骤S7：以行业用电量数据的对数值logY作为因变量训练数据，构建基于非线性特征提取的回归模型：logY＝α+alogX¹*+blogX²*+clogX³*；用最小二乘法解得α,a＝[a₁,a₂,…,a_n1],b＝[b₁,b₂,…,b_n2],c＝[c₁,c₂,…,c_n3]为预测模型的参数；从而获得经济预测电力模型。

本技术方案根据各个部门产业发展与用电量之间的数据，进行相关性检验。根据各个部门的每月工业逐年增长率和每日电力消耗量，将数据进行对数处理。根据自编码网络，构建经济变量间的非线性回归模型。求解非线性回归模型，得出更为精确的经济预测电力模型。

本发明与现有技术相比，基于非线性回归的经济预测电力模型精确度要高于对数线性回归模型的结果。从而解决了现阶段经济学家只应用线性模型进行定量分析，提出了一种精确度更高的通过经济增长率来预测用电量消耗增长率的非线性回归模型。

作为优选技术手段：在步骤S3中，时序检验的方法如下：

利用相关系数验证经济时间序列先行、一致或滞后关系；时差相关系数分为自相关系数和偏自相关系数；自相关系数的计算方法为：将原始序列看成一个序列，滞后的序列看成另一个序列，然后计算两列之间的相关系数；偏自相关系数的计算方法为：将一个重要的、能够敏感地反映当前经济活动的经济指标作为基准指标，然后使被选择指标超前或滞后若干期，计算它们的相关系数；

自相关系数的数学表达式为：

其中，下标k表示滞后阶数，X_t表示时间t的样本，表示时间样本均值，T表示截止采样时间。

偏自相关系数的数学表达式为：

其中，a_t＝Var(X_t)即时间t采样的方差。

自相关系数和偏自相关系数是用来判断自回归滑动平均模型中时间序列滞后项和残差时序滞后项的阶数的；判定的规则是当某个系数出现“截尾”现象，即滞后项的阶数被判定为所停留的阶数；“截尾”现象指的是随着阶数增大时，系数显著下降的现象。

作为优选技术手段：在步骤4)、5)中，自编码网络模型采用神经网络，其为一种无监督学习方法；单隐层自编码网络模型由一个编码映射层f和一个解码映射层g组成；输入向量X经过编码与解码两次非线性映射后得到的输出X'＝g(f(X))应与输入X近似相等；此时，由于网络的中间层结果f(X)经过解码映射g即可基本还原出X；

自编码网络的训练在数学上抽象为如下的优化问题：

minJ_AE(W)＝L(X,g(f(X)))

其中：L是度量输入X与输出X'之间距离的损失函数(如平方误差)，决策变量W表示网络参数(输入与输出权重及激发函数参数)；为了确保从数据中提取有意义的，且具有某些良好数学性质的特征，在优化目标中引入正则项；当需要避免过拟合问题时，在优化目标中加入网络参数的二范数：

避免过拟合问题；

当需增强对于输入当中的随机扰动的鲁棒性时，在优化目标中加入编码映射对输入导数的二范数：

增强对于输入当中的随机扰动的鲁棒性。

作为优选技术手段：在步骤S6和S7中，非线性特征值的选取方法为：

当时序相关检验结果的滞后阶数n≥10时，则抽取全部隐层节点变量作为非线性特征值；

当时序相关检验结果的滞后阶数n<10时，由于节点的个数m＝2n大于自回归滑动平均模型所需的自变量个数，利用k-means聚类算法，令k＝n，从而将m个非线性特征值降到n个；

作为优选技术手段：在k-means算法中，用质心来表示所聚的类别，k-means算法收敛等价于所有质心不再发生变化；基本的k-means算法流程如下：

1)随机选取k个质心；

2)遍历所有数据，将每个数据划分到最近的质心中；3)计算每个聚类的平均值，并作为新的质心；

4)重复步骤2)、3)，直到k个质心不再变化，即收敛了，为止。

作为优选技术手段：在步骤7)中，根据自编码网络，根据均方误差作为精度的度量，构建经济变量间的非线性回归模型。

有益效果：本发明首先根据各个部门产业发展与用电量之间的数据，对经济指标和电力指标进行相关性检验，确定两者之间的相关性。根据各个部门的每月工业逐年增长率和每日电力消耗量，将数据进行对数处理。根据自编码网络，构建经济变量间的非线性回归模型，得到基于非线性回归的经济预测电力模型。经济预测电力模型的精确度要高于对数线性回归模型的结果。解决了现阶段经济学家只应用线性模型进行定量分析，提出了一种精确度更高的通过经济增长率来预测用电量消耗增长率的非线性回归模型。

附图说明

图1是本发明流程图。

具体实施方式

以下结合说明书附图对本发明的技术方案做进一步的详细说明。

如图1所示，本发明包括以下步骤：

一)根据各个部门产业发展与用电量之间的数据，进行相关性检验，获得与用电量相关的产业发展数据；

二)将获得的产业发展数据输入经济预测电力模型中，获得用电量增长率预测值；

其中经济预测电力模型的建立包括步骤：

步骤S1：获取训练数据，训练数据包括行业用电量数据Y和行业经济指标数据X；行业用电量数据Y是某个工业行业的月用电量增量时间序列；行业经济指标数据X是对应工业行业的月度面板数据，其横截面序列为行业生产总值X¹，行业净出口值X²，行业月增长同比X³，即X＝[X¹；X²；X³]；

步骤S2：将训练数据输入自回归滑动平均模型中，对训练数据X和Y进行对数标准化处理，以降低训练模型的异方差，提升模型训练的可靠性；处理后的logX和logY作为模型训练的输入数据，其中logX＝[logX¹；logX²；logX³]；

步骤S3：将输入数据打上时序标识logXⁱ＝[logXⁱ _ti,logXⁱ _ti-1,…,logX₂,logX₁](i＝1,2,3)，logY＝[logY_t,logY_t-1,…,logY₂,logY₁]；对输入数据进行时序检验，得到logXⁱ(i＝1,2,3)对logY的滞后阶数n_i，记n＝n₁+n₂+n₃；

步骤S4：构造单隐层的自编码网络模型；隐层节点数m的设置方法是：若n≥10，m＝n；若n<10，m＝2n；隐层节点函数h(x)＝[1+exp(-x)]^-1；

步骤S5：训练单隐层的自编码网络模型，得到网络参数W＝[W₁,W₂,W₃]；对应的损失函数L(X)＝||X–h(X)||²+ρ||h’(X)||²，其中ρ代表正则系数；

步骤S6：单隐层的自编码网络模型训练完成后，提取模型的隐层输出值logXⁱ*＝W_ilogXⁱ，i＝1,2,3，作为预测模型的自变量训练数据，即所提取的非线性特征值，其中W_i表示第i层节点的输出权重；

步骤S7：以行业用电量数据的对数值logY作为因变量训练数据，构建基于非线性特征提取的回归模型：logY＝α+alogX¹*+blogX²*+clogX³*；用最小二乘法解得α,a＝[a₁,a₂,…,a_n1],b＝[b₁,b₂,…,b_n2],c＝[c₁,c₂,…,c_n3]为预测模型的参数；从而获得经济预测电力模型。

在步骤S3中，时序检验的方法如下：

利用相关系数验证经济时间序列先行、一致或滞后关系；时差相关系数分为自相关系数和偏自相关系数；自相关系数的计算方法为：将原始序列看成一个序列，滞后的序列看成另一个序列，然后计算两列之间的相关系数；偏自相关系数的计算方法为：将一个重要的、能够敏感地反映当前经济活动的经济指标作为基准指标，然后使被选择指标超前或滞后若干期，计算它们的相关系数；

自相关系数的数学表达式为：

其中，下标k表示滞后阶数，X_t表示时间t的样本，表示时间样本均值，T表示截止采样时间。

偏自相关系数的数学表达式为：

其中，a_t＝Var(X_t)即时间t采样的方差。

自相关系数和偏自相关系数是用来判断自回归滑动平均模型中时间序列滞后项和残差时序滞后项的阶数的；判定的规则是当某个系数出现“截尾”现象，即滞后项的阶数被判定为所停留的阶数；“截尾”现象指的是随着阶数增大时，系数显著下降的现象。

在步骤4)、5)中，自编码网络模型采用神经网络，其为一种无监督学习方法；单隐层自编码网络模型由一个编码映射层f和一个解码映射层g组成；输入向量X经过编码与解码两次非线性映射后得到的输出X'＝g(f(X))应与输入X近似相等；此时，由于网络的中间层结果f(X)经过解码映射g即可基本还原出X；

自编码网络的训练在数学上抽象为如下的优化问题：

minJ_AE(W)＝L(X,g(f(X)))

其中：L是度量输入X与输出X'之间距离的损失函数(如平方误差)，决策变量W表示网络参数(输入与输出权重及激发函数参数)；为了确保从数据中提取有意义的，且具有某些良好数学性质的特征，在优化目标中引入正则项；当需要避免过拟合问题时，在优化目标中加入网络参数的二范数：

避免过拟合问题；

当需增强对于输入当中的随机扰动的鲁棒性时，在优化目标中加入编码映射对输入导数的二范数：

增强对于输入当中的随机扰动的鲁棒性。

步骤S6和S7中，非线性特征值的选取方法为：

当时序相关检验结果的滞后阶数n≥10时，则抽取全部隐层节点变量作为非线性特征值；

当时序相关检验结果的滞后阶数n<10时，由于节点的个数m＝2n大于自回归滑动平均模型所需的自变量个数，利用k-means聚类算法，令k＝n，从而将m个非线性特征值降到n个。

在k-means算法中，用质心来表示所聚的类别，k-means算法收敛等价于所有质心不再发生变化；基本的k-means算法流程如下：

1)随机选取k个质心；

2)遍历所有数据，将每个数据划分到最近的质心中；3)计算每个聚类的平均值，并作为新的质心；

4)重复步骤2)、3)，直到k个质心不再变化，即收敛了，为止。

在步骤7)中，根据自编码网络，根据均方误差作为精度的度量，构建经济变量间的非线性回归模型。

以上图1所示的一种通过经济增长率预测用电量增长率的方法是本发明的具体实施例，已经体现出本发明实质性特点和进步，可根据实际的使用需要，在本发明的启示下，对其进行等同修改，均在本方案的保护范围之列。

Claims (6)

1.一种通过经济增长率预测用电量增长率的方法，其特征在于：包括以下步骤：

一)根据各个部门产业发展与用电量之间的数据，进行相关性检验，获得与用电量相关的产业发展数据；

二)将获得的产业发展数据输入经济预测电力模型中，获得用电量增长率预测值；

其中经济预测电力模型的建立包括步骤：

步骤S1：获取训练数据，训练数据包括行业用电量数据Y和行业经济指标数据X；行业用电量数据Y是某个工业行业的月用电量增量时间序列；行业经济指标数据X是对应工业行业的月度面板数据，其横截面序列为行业生产总值X¹，行业净出口值X²，行业月增长同比X³，即X＝[X¹；X²；X³]；

步骤S2：将训练数据输入自回归滑动平均模型中，对训练数据X和Y进行对数标准化处理，以降低训练模型的异方差，提升模型训练的可靠性；处理后的logX和logY作为模型训练的输入数据，其中logX＝[logX¹；logX²；logX³]；

步骤S3：将输入数据打上时序标识logXⁱ＝[logXⁱ _ti,logXⁱ _ti-1,…,logX₂,logX₁](i＝1,2,3)，logY＝[logY_t,logY_t-1,…,logY₂,logY₁]；对输入数据进行时序检验，得到logXⁱ(i＝1,2,3)对logY的滞后阶数n_i，记n＝n₁+n₂+n₃；

步骤S4：构造单隐层的自编码网络模型；隐层节点数m的设置方法是：若n≥10，m＝n；若n<10，m＝2n；隐层节点函数h(x)＝[1+exp(-x)]^-1；

步骤S5：训练单隐层的自编码网络模型，得到网络参数W＝[W₁,W₂,W₃]；对应的损失函数L(X)＝||X–h(X)||²+ρ||h’(X)||²，其中ρ代表正则系数；

步骤S6：单隐层的自编码网络模型训练完成后，提取模型的隐层输出值logXⁱ*＝W_ilogXⁱ，i＝1,2,3，作为预测模型的自变量训练数据，即所提取的非线性特征值，其中W_i表示第i层节点的输出权重；

步骤S7：以行业用电量数据的对数值logY作为因变量训练数据，构建基于非线性特征提取的回归模型：logY＝α+alogX¹*+blogX²*+clogX³*；用最小二乘法解得α,a＝[a₁,a₂,…,a_n1],b＝[b₁,b₂,…,b_n2],c＝[c₁,c₂,…,c_n3]为预测模型的参数；从而获得经济预测电力模型。

2.根据权利要求1所述的一种通过经济增长率预测用电量增长率的方法，其特征在于：

在步骤S3中，时序检验的方法如下：

利用相关系数验证经济时间序列先行、一致或滞后关系；时差相关系数分为自相关系数和偏自相关系数；自相关系数的计算方法为：将原始序列看成一个序列，滞后的序列看成另一个序列，然后计算两列之间的相关系数；偏自相关系数的计算方法为：将一个重要的、能够敏感地反映当前经济活动的经济指标作为基准指标，然后使被选择指标超前或滞后若干期，计算它们的相关系数；

自相关系数的数学表达式为：

其中，下标k表示滞后阶数，X_t表示时间t的样本，表示时间样本均值，T表示截止采样时间。

偏自相关系数的数学表达式为：

其中，a_t＝Var(X_t)即时间t采样的方差。

自相关系数和偏自相关系数是用来判断自回归滑动平均模型中时间序列滞后项和残差时序滞后项的阶数的；判定的规则是当某个系数出现“截尾”现象，即滞后项的阶数被判定为所停留的阶数；“截尾”现象指的是随着阶数增大时，系数显著下降的现象。

3.根据权利要求2所述的一种通过经济增长率预测用电量增长率的方法，其特征在于：在步骤4)、5)中，自编码网络模型采用神经网络，其为一种无监督学习方法；单隐层自编码网络模型由一个编码映射层f和一个解码映射层g组成；输入向量X经过编码与解码两次非线性映射后得到的输出X'＝g(f(X))应与输入X近似相等；此时，由于网络的中间层结果f(X)经过解码映射g即可基本还原出X；

自编码网络的训练在数学上抽象为如下的优化问题：

min J_AE(W)＝L(X,g(f(X)))

其中：L是度量输入X与输出X'之间距离的损失函数(如平方误差)，决策变量W表示网络参数(输入与输出权重及激发函数参数)；为了确保从数据中提取有意义的，且具有某些良好数学性质的特征，在优化目标中引入正则项；当需要避免过拟合问题时，在优化目标中加入网络参数的二范数：

避免过拟合问题；

当需增强对于输入当中的随机扰动的鲁棒性时，在优化目标中加入编码映射对输入导数的二范数：

增强对于输入当中的随机扰动的鲁棒性。

4.根据权利要求3所述的一种通过经济增长率预测用电量增长率的方法，其特征在于：步骤S6和S7中，非线性特征值的选取方法为：

当时序相关检验结果的滞后阶数n≥10时，则抽取全部隐层节点变量作为非线性特征值；

当时序相关检验结果的滞后阶数n<10时，由于节点的个数m＝2n大于自回归滑动平均模型所需的自变量个数，利用k-means聚类算法，令k＝n，从而将m个非线性特征值降到n个。

5.根据权利要求4所述的一种通过经济增长率预测用电量增长率的方法，其特征在于：在k-means算法中，用质心来表示所聚的类别，k-means算法收敛等价于所有质心不再发生变化；基本的k-means算法流程如下：

1)随机选取k个质心；

2)遍历所有数据，将每个数据划分到最近的质心中；3)计算每个聚类的平均值，并作为新的质心；

4)重复步骤2)、3)，直到k个质心不再变化，即收敛为止。

6.根据权利要求4所述的一种通过经济增长率预测用电量增长率的方法，其特征在于：在步骤7)中，根据自编码网络，根据均方误差作为精度的度量，构建经济变量间的非线性回归模型。