CN110533247B - 一种采用气温数据异常点补偿的月度用电量预测方法 - Google Patents

Abstract

本发明公开了一种采用气温数据异常点补偿的月度用电量预测方法，包括：采集获取待预测地的日用电量和日平均温度的原始时间序列数据；获得日平均温度‑日用电量序列；对日平均温度‑日用电量序列采用稳健多项式回归；选取日用电量最低时对应的温度，作为区分高温与低温的阈值温度T^*；根据阈值温度T^*，计算各月份的月度采暖系数MHDD和月度制冷系数MCDD；对日用电量进行加法模型季节分解，分解为长期趋势及循环分量、季节分量和不规则分量三部分；其中，不规则分量采用MHDD及MCDD参数进行气温数据异常点补偿，以预测用电量时间序列中的不规则分量。本发明可解决目前传统的月度用电量预测方法精度不高的技术问题。

Description

一种采用气温数据异常点补偿的月度用电量预测方法

技术领域

本发明属于电力系统负荷预测技术领域，特别涉及一种采用气温数据异常点补偿的月度用 电量预测方法。

背景技术

电力系统负荷预测对于电力系统规划与设计、电力系统运行、电力市场等多个方面均有重 要影响，是现代化电力系统中的一个重要研究方向。在电力系统规划方面，如果负荷预测结果 过高，那么会导致系统装机容量过大，在实际运行中许多设备无法充分发挥其作用，造成经济 的损失与投资的浪费；如果负荷预测结果过低，实际运行中系统装机容量，电源备用不足，又 会影响到电力系统的安全可靠运行。对于电力系统调度及运行来说，负荷预测的结果可以为电 网制定调度计划提供参考，系统工作人员可以根据预测的结果，合理调整系统出力，制定机组 启停计划，保证系统实时的动态平衡。而在电力市场方面，随着电力体制的进一步改革，市场 开放的进一步深入，电能的交易变得更加频繁，电力公司需要更为精准的负荷预测结果来制定 公司规划，提高公司的经济效益。

目前，电力系统负荷预测方法主要可以分为传统方法以及智能预测方法两类方法。其中， 传统方法主要基于数学统计类方法，有时间序列分析法、回归分析法和灰色模型预测法等；智 能预测方法对于过程结构的模型参数以及先验知识依赖较小，适用于多变量、非线性、时变性 的建模分析，主要有支持向量机、人工神经网络法和组合预测法等。

在月度用电量预测领域，传统的负荷预测方法如时间序列法、回归分析法等对于气象等因 素考虑不足，无法将气象数据引入模型之中，在目前电量规律发生变化的情况下，模型预测精 度有限。而人工神经网络和支持向量机等智能算法预测精度对于数据依赖性较强，模型的效果 直接取决于数据样本的长度以及质量，在月度用电量中的单一应用模型预测精度不高。

综上，亟需一种新的采用气温数据异常点补偿的月度用电量预测方法，以提高温度异常时 的月度用电量预测精度。

发明内容

本发明的目的在于提供一种采用气温数据异常点补偿的月度用电量预测方法，以解决目前 传统的月度用电量预测方法精度不高的技术问题。

为达到上述目的，本发明采用以下技术方案：

本发明的一种采用气温数据异常点补偿的月度用电量预测方法，包括：

步骤1，采集获取待预测地的日用电量和日平均温度的原始时间序列数据；

步骤2，绘制以日平均温度为横坐标，日用电量为纵坐标的散点图，获得日平均温度-日用 电量序列；

步骤3，对日平均温度-日用电量序列采用稳健多项式回归；选取日用电量最低时对应的温 度，作为区分高温与低温的阈值温度T^*；

步骤4，根据阈值温度T^*，计算各月份的月度采暖系数MHDD和月度制冷系数MCDD；

步骤5，对日用电量进行加法模型季节分解，分解为长期趋势及循环分量、季节分量和不 规则分量三部分；其中，不规则分量采用MHDD及MCDD参数进行气温数据异常点补偿，以 预测用电量时间序列中的不规则分量。

本发明的进一步改进在于，步骤2的日平均温度-日用电量序列中，

各地市的日用电量序列对应该地市的日平均气温；

日用电量序列为省级以上的地区范围时，全省日平均温度为各地市温度按照各地市用电量 占总用电量的比例进行加权求得，计算表达式为：

其中，T_t、E_t分别表示省级或以上区域的日平均温度、日用电量，c为某地市的编号，M 为某省或区域内地市的数量，

分别为c地市的日平均气温、日用电量，下标t代表日度 时间标号。

本发明的进一步改进在于，步骤3中对日平均温度-日用电量序列采用稳健多项式回归的 具体步骤包括：

选定多项式回归阶数p，建立回归模型，利用稳健最小二乘法估计回归系数a_o，下标i代 表回归多项式的阶数，得到日用电量的拟合值l′，表达式为：

式中，T_t表示省级或以上区域的日平均温度。

本发明的进一步改进在于，步骤3中对日平均温度-日用电量序列采用稳健多项式回归的 具体步骤包括：

利用交叉验证法，选取使回归模型残差平方和最小的p，作为最优多项式回归的模型阶数；

其中回归模型残差平方和R_SS的计算表达式为：

式中，k_N为第k折训练集长度，K为交叉验证所选取的折数，l′为日用电量的拟合值，l 为日用电量的实际值，下标m代表第k折训练集中数据的标号。

本发明的进一步改进在于，步骤3中选取日用电量最低时对应的温度，作为区分高温与低 温的阈值温度T^*的步骤具体包括：

根据稳健最小二乘法的多项式回归拟合日平均温度-日用电量之间的函数映射关系，得到 气温对电量影响的U型拟合曲线，选取拟合曲线的最低点对应的温度作为阈值温度T^*。

本发明的进一步改进在于，步骤4中，

其中，n_d表示每月的总天数，T_t表示省级或以上区域的日平均温度，T^*表示阈值温度。

本发明的进一步改进在于，步骤5中，长期趋势及循环分量采用稳健多项式回归模型预测； 季节分量采用预测历史同期平均法预测。

本发明的进一步改进在于，历史同期平均法，第i年第j月电量季节分量s_i,j计算公式为：

其中，i₀为初始年份。

与现有技术相比，本发明具有以下有益效果：

本发明提供了一种采用气温数据异常点补偿的月度用电量预测方法，能够提高地市级、省 级以上区域的月度用电量预测精度，可克服现有技术精度较低的缺陷。具体的，传统方法中的 最难精确预测的不规则分量部分，本发明采用温度数据异常点补偿法对不规则分量进行预测， 以达到对不规则分量进行气温数据异常点的补偿预测，可提高月度用电量的整体预测准确率。

本发明中，计算过程具体为：使用支持向量机机器学习模型，输入选取为预测月的MCDD 以及MHDD参数，输出为该预测月电量的不规则分量；以达到对不规则分量进行气温数据异 常点的补偿预测，可提高月度用电量的整体预测准确率。

本发明中，主要包括：基于日用电量、温度的原始时间序列数据，绘制以日平均温度-日 用电量的散点图；对日平均温度-日用电量建立多项式回归，选取日用电量最低时对应的温度 作为阈值温度；计算各月份的月度采暖系数MHDD和月度制冷系数MCDD；对月度用电量进 行加法模型季节分解为长期趋势及循环分量、季节分量和不规则分量三部分，分别采用不同的 模型进行预测；对较难预测的不规则分量部分采用MHDD及MCDD参数进行气温数据异常点 补偿，来精确预测月度用电量时间序列中的不规则分量，以提高整个月度用电量预测方法的精 度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面对实施例或现有技术描述 中所需要使用的附图做简单的介绍；显而易见地，下面描述中的附图是本发明的一些实施例， 对于本领域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他 的附图。

图1是本发明实施例的一种采用气温数据异常点补偿的月度用电量预测方法的流程示意 图；

图2是本发明实施例中，不同多项式阶数下的残差平方和回归结果示意图；

图3是本发明实施例中，日平均温度与日用电量之间的关系示意图；

图4是本发明实施例中，月度MCDD计算结果示意图；

图5是本发明实施例中，月度MHDD计算结果示意图；

图6是本发明实施例中，采用气温数据异常点补偿的月度用电量不规则分量预测与对比模 型的比较结果示意图。

具体实施方式

为使本发明实施例的目的、技术效果及技术方案更加清楚，下面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，所描述的实施例是本发明一 部分实施例。基于本发明公开的实施例，本领域普通技术人员在没有做出创造性劳动的前提下 所获得的其它实施例，都应属于本发明保护的范围。

请参阅图1，本发明实施例的一种采用气温数据异常点补偿的月度用电量预测方法，包括 以下步骤：

步骤1，采集获取待预测地的日用电量和温度的原始时间序列数据；读入日用电量和温度 的原始时间序列数据；

步骤2，绘制以日平均温度为横坐标，日用电量为纵坐标的散点图，并获得日平均温度- 日用电量序列；

步骤3，对日平均温度-日用电量序列采用稳健多项式回归；选取日用电量最低时对应的温 度，作为区分高温与低温的阈值温度T^*；

步骤4，根据阈值温度T^*，计算各月份的月度采暖系数MHDD和月度制冷系数MCDD；

步骤5，对日用电量进行加法模型季节分解，分解为为长期趋势及循环分量、季节分量和 不规则分量三部分，分别采用不同的模型进行预测；其中，对较难预测的不规则分量采用 MHDD及MCDD指数进行气温数据异常点补偿，来精确预测用电量时间序列中的不规则分量， 以提高整个月度用电量预测方法的精度。

优选的，步骤2中，横坐标的日平均温度包括：

各地市的日用电量序列对应该地市的日平均气温；

日用电量序列为省级以上的地区范围时，全省日平均温度为各地市温度按照各地市用电量 占总用电量的比例进行加权求得，表达式为：

其中，T_t、E_t分别为省级或以上区域的日平均温度、日用电量，c为某地市的编号，M为 某省或区域内地市的数量，

分别为c地市的日平均气温、日用电量，下标t代表日度时 间标号。

优选的，步骤3中，以日平均温度作为自变量，日用电量作为因变量，建立多项式回归模 型，挖掘温度与电量之间关系；选定多项式回归阶数p，建立回归模型，利用稳健最小二乘法 估计回归系数a_i，下标i代表多项式的阶数，得到日用电量的拟合值l′，表达式为：

利用交叉验证法，按照回归模型残差平方和R_SS的大小，选取残差平方和最小的p作为最 优多项式回归的模型阶数；其中，

式中，k_N为第k折训练集长度，K为交叉验证所选取的折数，l′为日用电量的拟合值，l 为日用电量的实际值，下标m代表第k折训练集中数据的标号。

步骤3中所述的日平均温度-日用电量，采用上述稳健最小二乘法的多项式回归拟合二者之间 的函数映射关系，得到气温对电量影响的U型拟合曲线，选取该拟合曲线的最低点对应的温 度作为阈值温度T^*。

优选的，步骤4中，各月份月度采暖系数MHDD和月度制冷系数MCDD的计算具体为，

其中，n_d为每月的总天数。

优选的，步骤5中，对用电量时间序列进行加法模型季节分解，得到长期趋势及循环分量、 季节分量和不规则分量三部分；其中的规律性较强的两部分，长期趋势及循环分量采用稳健多 项式回归模型预测、季节分量采用预测历史同期平均法预测。

其中的历史同期平均法，第i年第j月电量季节分量s_i,j计算公式为，

其中，i₀为初始年份。

其中，传统最难精确预测的不规则分量部分，采用温度数据异常点补偿法对不规则分量进 行预测，计算过程具体为，使用支持向量机机器学习模型，输入选取为预测月的MCDD以及 MHDD参数，输出为该预测月电量的不规则分量；以达到对不规则分量进行气温数据异常点 的补偿预测，可提高月度用电量的整体预测准确率。

针对传统的负荷预测方法如时间序列法、回归分析法等对于气象等因素考虑不足，无法将 气象数据引入模型之中，在目前电量规律发生变化的情况下，模型预测精度有限，本发明通过 步骤1至步骤4进行月度采暖系数MHDD和月度制冷系数MCDD，以及步骤5中的MHDD 以及MCDD在预测模型中的引入得以实现；针对人工神经网络和支持向量机等智能算法预测 精度对于数据依赖性较强，模型的效果直接取决于数据样本的长度以及质量，在月度用电量中 的单一应用模型预测精度不高，本发明通过步骤5中的季节分解对数据的质量进行改善得以实 现。

综上所述，本发明实施例的一种采用气温数据异常点补偿的月度用电量预测方法，主要包 括：基于日用电量、温度的原始时间序列数据，绘制以日平均温度-日用电量的散点图；对日 平均温度-日用电量建立多项式回归，选取日用电量最低时对应的温度作为阈值温度；计算各 月份的月度采暖系数MHDD和月度制冷系数MCDD；对月度用电量进行加法模型季节分解为 长期趋势及循环分量、季节分量和不规则分量三部分，分别采用不同的模型进行预测；对较难 预测的不规则分量部分采用MHDD及MCDD参数进行气温数据异常点补偿，来精确预测月度 用电量时间序列中的不规则分量，以提高整个月度用电量预测方法的精度。

实施例

请参阅图1至图6，本发明实施例的一种采用气温数据异常点补偿的月度用电量预测方法， 包括以下步骤：

步骤一：日用电量与日平均温度分析。

基于稳健最小二乘法，以日平均温度作为自变量，日用电量作为因变量，建立多项式回归 模型，挖掘温度与电量之间关系。

选定多项式回归阶数p，建立回归模型，表达式为：

利用稳健最小二乘法估计回归系数a_i，可得到日用电量的拟合值l′。

步骤二：温度数据异常点补偿之阈值温度计算。

多项式回归模型阶数利用交叉验证法，按照回归模型残差平方和R_SS的大小进行选取，其 中：

式中，k_N为第k折训练集长度，K为选取折数，l为日用电量的实际值。

计算不同多项式阶数下的R_SS，计算最优回归阶数。

本发明实施例选取2012年1月至2017年12月中国某省月度用电量数据作为电量数据集， 搜集2012年1月1日至2017年12月31日该省各地市日最高最低气温，以2012年1月至2016 年12月的数据作为训练集，对2017年月度用电量进行预测并与实际值进行比较，分析模型预 测的效果。

针对该数据集，在多项式阶数p＝3时，回归模型的残差平方和R_SS最小。因此，选定多项 式回归阶数p＝3，多项式形式为：

l'＝24644-30.54T_t-0.4181T_t ²+0.0018T_t ³

日平均温度与日用电量之间的关系如图3所示，为避免春节效应影响，去除数据集1月、2月数据。选取拟合曲线最低点对应的温度作为阈值温度，则其阈值温度为：18.67摄氏度。

步骤三：用电量整体预测模型测试。

本发明实施例基于MCDD以及MHDD，利用支持向量机模型，提出一种挖掘温度与电量 不规则分量之间的关系的方法，并将其加入月度用电量预测模型中，提高模型精度。

长期趋势及循环分量预测：使用稳健多项式回归模型进行预测；

季节分量分量预测：使用历史同期平均法；第i年第j月电量季节分量s_i,j计算公式为：

其中：i₀为初始年份；

不规则分量预测：使用支持向量机机器学习模型，输入选取为预测月当月MCDD以及 MHDD，输出为预测月电量不规则分量。

对比模型：对比模型长期趋势及循环分量以及季节分量预测和本发明设立模型相同，不规 则分量预测采取均值1进行描述。

模型误差衡量指标：以相对百分误差绝对值的平均值(M_APE)和均方根误差(R_MSE)对模型精度进行衡量：

其中：N为样本长度，Y_i为实际值，Y_i′为预测值。

本发明中，采用气温数据异常点补偿的月度用电量预测方法具体结果：为增加模型对于异 常温度的识别能力，对MCDD以及MHDD进行季节分解，引入MCDD和MHDD的不规则分量作为电量不规则分量预测模型的输入，输出月度电量不规则分量，基于支持向量机模型对 训练集不规则分量进行预测。

数据集中月度MCDD以及MHDD计算分别如图4和图5所示。

不规则分量预测模型支持向量机惩罚系数初始为2^-10，优化后为8，核函数参数初始为2^-10， 优化后为16。训练集的M_APE为1.54％，R_MSE为0.0284，测试集的M_APE为2.56％，R_MSE为0.0292， 模型预测精度相对较高。

表1月度用电量中的不规则分量的预测结果

请参阅表1，对比模型具体结果：使用均值1衡量不规则分量，模型预测的M_APE为3.18％， R_MSE为0.0449。

表2对比模型的月度用电量不规则分量的预测结果

请参阅表2，通过对比本发明提出的模型以及对比模型，MCDD以及MHDD的引入使得不规则分量M_APE从3.18％下降到2.56％，R_MSE从0.0449下降到0.0292。使用电量总量M_APE从4.04％下降到3.74％，R_MSE从68977万千瓦时下降到48417万千瓦时。模型预测精度提高，误差显著减小。

综上所述，基于人工神经网络和支持向量机模型以及时间序列分析的相关理论相结合，可 具备对于非线性、高维度、时变性数据的强大的处理能力，同时通过时间序列分析的相关方法 改善数据质量，建立一个可以处理小样本、低质量用电量数据的智能预测模型，对未来月度用 电量进行较为精确的预测。因此对于月度用电量进行预测，本发明采取相应的温度对异常点进 行有效地补偿，以解决传统月度用电量预测方法精度不高的问题。本发明具体提出一种采用气 温数据异常点补偿的月度用电量预测方法，以实现提高地市级、省级以上区域的月度用电量预 测的精度，克服现有技术精度较低的缺陷。本发明公开了一种采用气温数据异常点补偿的月度 用电量预测方法，主要包括：基于日用电量、日温度的原始时间序列数据，绘制日平均温度- 日用电量的散点图；对日平均温度-日用电量建立稳健多项式回归，选取日用电量最低时对应 的温度作为区分高温与低温的阈值温度；基于选取的阈值温度，计算各月份的月度采暖系数 MHDD和月度制冷系数MCDD，以作气温数据异常点补偿参数；对月度用电量时间序列进行 加法模型季节分解为长期趋势及循环分量、季节分量和不规则分量三部分，分别采用不同的模 型进行预测；对较难预测的不规则分量部分采用MHDD及MCDD参数进行气温数据异常点补 偿，来精确预测用电量时间序列中的不规则分量，以提高整个月度用电量预测方法的精度。

以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进 行了详细的说明，所属领域的普通技术人员依然可以对本发明的具体实施方式进行修改或者等 同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权 利要求保护范围之内。

Claims (7)

1.一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，包括：

步骤1，采集获取待预测地的日用电量和日平均温度的原始时间序列数据；

步骤2，绘制以日平均温度为横坐标，日用电量为纵坐标的散点图，获得日平均温度-日用电量序列；

步骤3，对日平均温度-日用电量序列采用稳健多项式回归；选取日用电量最低时对应的温度，作为区分高温与低温的阈值温度T^*；

步骤4，根据阈值温度T^*，计算各月份的月度采暖系数MHDD和月度制冷系数MCDD；

步骤5，对日用电量进行加法模型季节分解，分解为长期趋势及循环分量、季节分量和不规则分量三部分；其中，不规则分量采用MHDD及MCDD参数进行气温数据异常点补偿，以预测用电量时间序列中的不规则分量；

其中，步骤4中，

其中，n_d表示每月的总天数，T_t表示省级或以上区域的日平均温度，T^*表示阈值温度，t表示第t日。

2.根据权利要求1所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，步骤2的日平均温度-日用电量序列中，

各地市的日用电量序列对应该地市的日平均气温；

日用电量序列为省级以上的地区范围时，全省日平均温度为各地市温度按照各地市用电量占总用电量的比例进行加权求得，计算表达式为：

其中，T_t、E_t分别表示省级或以上区域的日平均温度、日用电量，c为某地市的编号，M为某省或区域内地市的数量，T_t ^c、

分别为c地市的日平均气温、日用电量，下标t代表日度时间标号。

3.根据权利要求1所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，步骤3中对日平均温度-日用电量序列采用稳健多项式回归的具体步骤包括：

选定多项式回归阶数p，建立回归模型，利用稳健最小二乘法估计回归系数a_o，下标i代表回归多项式的阶数，得到日用电量的拟合值l′，表达式为：

式中，T_t表示省级或以上区域的日平均温度。

4.根据权利要求3所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，步骤3中对日平均温度-日用电量序列采用稳健多项式回归的具体步骤包括：

利用交叉验证法，选取使回归模型残差平方和最小的p，作为最优多项式回归的模型阶数；

其中回归模型残差平方和R_SS的计算表达式为：

式中，k_N为第k折训练集长度，K为交叉验证所选取的折数，l′为日用电量的拟合值，l为日用电量的实际值，下标m代表第k折训练集中数据的标号。

5.根据权利要求1所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，步骤3中选取日用电量最低时对应的温度，作为区分高温与低温的阈值温度T^*的步骤具体包括：

根据稳健最小二乘法的多项式回归拟合日平均温度-日用电量之间的函数映射关系，得到气温对电量影响的U型拟合曲线，选取拟合曲线的最低点对应的温度作为阈值温度T^*。

6.根据权利要求1所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，步骤5中，长期趋势及循环分量采用稳健多项式回归模型预测；季节分量采用预测历史同期平均法预测。

7.根据权利要求6所述的一种采用气温数据异常点补偿的月度用电量预测方法，其特征在于，历史同期平均法，第i年第j月电量季节分量s_i,j计算公式为：

其中，i₀为初始年份。

Images