CN110991739A - 一种行业电量需求预测模型的构建方法及预测方法 - Google Patents
一种行业电量需求预测模型的构建方法及预测方法 Download PDFInfo
- Publication number
- CN110991739A CN110991739A CN201911217443.5A CN201911217443A CN110991739A CN 110991739 A CN110991739 A CN 110991739A CN 201911217443 A CN201911217443 A CN 201911217443A CN 110991739 A CN110991739 A CN 110991739A
- Authority
- CN
- China
- Prior art keywords
- industry
- electric quantity
- leading factor
- industry electric
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000010276 construction Methods 0.000 title claims abstract description 9
- 230000008878 coupling Effects 0.000 claims abstract description 10
- 238000010168 coupling process Methods 0.000 claims abstract description 10
- 238000005859 coupling reaction Methods 0.000 claims abstract description 10
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 6
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000001932 seasonal effect Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 10
- 238000000513 principal component analysis Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- 230000001133 acceleration Effects 0.000 claims description 8
- 238000011161 development Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000012847 principal component analysis method Methods 0.000 claims description 3
- 238000000611 regression analysis Methods 0.000 claims description 3
- 229910052751 metal Inorganic materials 0.000 description 21
- 239000002184 metal Substances 0.000 description 21
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- CWYNVVGOOAEACU-UHFFFAOYSA-N Fe2+ Chemical compound [Fe+2] CWYNVVGOOAEACU-UHFFFAOYSA-N 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 150000002739 metals Chemical class 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 3
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 239000004411 aluminium Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000002075 main ingredient Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000491 multivariate analysis Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001373 regressive effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (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
本发明公开了一种行业电量需求预测模型的构建方法及预测方法，行业电量需求预测模型的构建方法：根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。与传统方法相比，本发明在预测精度上有较大提升，且可推广到其他行业，具有较强的适用性和可行性。
Description
技术领域
本发明涉及电力系统技术领域，尤其涉及一种行业电量需求预测模型的构建方法及预测方法。
背景技术
电量需求预测是制定电力电量平衡及能源布局规划的重要基础，随着我国供给侧改革的推进，地区用电量亟需更加精细化的预测模式。目前关于行业电量需求的预测方法主要有灰色模型、线性回归模型、BP神经网络和向量误差修正模型等。
但，现有技术下的电量需求预测精度仍有待提高，而电量需求预测精度对电力系统经济运行具有十分重要的意义。
发明内容
本发明所要解决的技术问题在于，提供一种行业电量需求预测模型的构建方法及预测方法，与传统方法相比，本发明在预测精度上有较大提升，且可推广到其他行业，具有较强的适用性和可行性。
为解决上述问题，本发明实施例提供一种行业电量需求预测模型的构建方法，包括：
根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；
根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；
根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
优选地，基于所述关联规则挖掘程序获取行业电量增长的第一主导因素，包括：
S11、利用爬虫从外网和相关网页库链接抓取网页URL网址信息，并抽取相关信息建立历史数据集；其中，所述相关信息包括统计年鉴、电力年鉴、行业的历史用电量及相应的社会经济发展指标；
S12、利用模糊理论中的隶属度函数对所述历史数据集进行预处理，对指标增长速度的不同属性分别赋值，获得具有可比性的不同指标；
S13、采用Apriori算法，通过计算关联规则的置信度提取出行业电量增长的第一主导因素。
优选地，所述步骤S11，具体的：
选取行业用电量增速和社会经济指标增速作为对比指标，增加指标的可比性；
采用隶属度函数对指标进行赋值预处理，通过此函数对数据项的属性从低到高分别赋值为λ1、λ2、λ3、λ4；隶属度函数的表达式如下：
其中，采用隶属度函数对用电量和社会经济指标进行赋值；由式(1)～式(4)可知，对任意a，有λ1+λ2+λ3+λ4＝1，即任意数据项通过隶属度函数所得的4个隶属度之和一定为1；临界点P1～P6的选取决定了位于模糊区域[P1～P2)，[P3～P4)，[P5～P6)的样本个数，进而影响隶属度的取值；实际分析中为便于赋值，上述三个模糊区域均收缩为一点，原增速数据均隶属于λ1、λ2、λ3、λ4四个函数区间中的一个。
优选地，基于所述主成分分析程序获取行业电量增长的第一主导因素，包括：
采用主成分分析法，定量计算不同影响因素与行业用电量的关联程度，提取行业电量增长的主导因素。
本发明实施例还提供一种行业电量需求预测模型的构建装置，包括：
主导因素提取单元，用于根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；
所述主导因素提取单元，还用于根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；
修正并耦合单元，用于根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
本发明实施例还提供一种行业电量需求预测方法，包括：
建立基于关联规则挖掘的行业年度电量回归预测模型，包括：
建立加入行业电量增长主导因素的ARIMA季节分解预测模型；
S21、利用HP滤波法对行业电量与经济量进行季节分解，获得它们的趋势分量与周期分量；
S22、基于ARIMA模型对目标周期内的经济影响因素的趋势分量进行预测；
S23、对经济影响因素与月度电量的趋势分量进行逐步回归分析，得到其相关关系；
S24、由经济量的趋势分量的预测值和经济量与月度电量的趋势分量建立ARIMA模型得到月度电量趋势分量的预测结果，并对分解得到的周期分量进行波动幅值的修正；
建立基于主成分分析的行业年度电量回归预测模型。本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的行业电量需求预测模型的构建方法。
本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的行业电量需求预测方法。
实施本发明实施例具有如下有益效果：
在传统ARIMA模型的基础上加入行业电量增长主导因素，使模型对用电量季节波动的拟合较好，预测精度有较明显提升。
基于主成分因子的回归模型在模拟拟合效果和预测精度上都较传统多元回归方法有较大提升。
相较于传统模型在预测精度上有较大提升，该发明可推广到其他行业，具有较强的适用性和可行性。
附图说明
图1是本发明一实施例提供的行业电量需求预测模型的构建方法的流程图；
图2是本发明一实施例提供的关联规则挖掘的流程图；
图3是本发明一实施例提供的用电量增长相关因素分析数据集的示意图；
图4是本发明一实施例提供的基于主成分分析的行业电量主导因素识别的示意图；
图5是本发明一实施例提供的基于ARIMA季节分解的行业电量预测过程的示意图；
图6是本发明一实施例提供的有色金属行业ARIMA季节分解模型拟合曲线的示意图；
图7是本发明一实施例提供的有色金属行业主成分因子回归拟合及预测结果的示意图。
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。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1。
一种行业电量需求预测模型的构建方法，包括：
S1、根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素。其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合。
S2、根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素。
S3、根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
请参阅图2。
基于所述关联规则挖掘程序获取行业电量增长的第一主导因素，包括：
S11、利用爬虫从外网和相关网页库链接抓取网页URL网址信息，并抽取相关信息建立历史数据集。其中，所述相关信息包括统计年鉴、电力年鉴、行业的历史用电量及相应的社会经济发展指标。
S12、利用模糊理论中的隶属度函数对所述历史数据集进行预处理，对指标增长速度的不同属性分别赋值，获得具有可比性的不同指标。
S13、采用Apriori算法，通过计算关联规则的置信度提取出行业电量增长的第一主导因素。
其中，所述步骤S11，具体的：
选取行业用电量增速和社会经济指标增速作为对比指标，增加指标的可比性。
采用隶属度函数对指标进行赋值预处理，通过此函数对数据项的属性从低到高分别赋值为λ1、λ2、λ3、λ4；隶属度函数的表达式如下：
其中，采用隶属度函数对用电量和社会经济指标进行赋值。由式(1)～式(4)可知，对任意a，有λ1+λ2+λ3+λ4＝1，即任意数据项通过隶属度函数所得的4个隶属度之和一定为1；临界点P1～P6的选取决定了位于模糊区域[P1～P2)，[P3～P4)，[P5～P6)的样本个数，进而影响隶属度的取值；实际分析中为便于赋值，上述三个模糊区域均收缩为一点，原增速数据均隶属于λ1、λ2、λ3、λ4四个函数区间中的一个。
在具体的实施例当中：
步骤1：基于关联规则挖掘的行业电量主导因素识别。利用Apriori算法进行行业电量主导因素挖掘的流程如图2所示，寻找形如
的强关联规则，置信度此处表示不同的社会经济发展指标与行业用电量增长趋势的一致程度。算例分析如下：
以某省有色金属行业为例，其用电量增长相关因素分析数据集如图3所示，从其1993-2018年历史统计数据中选取14个社会经济发展指标作为候选因素。以有色金属行业用电量(以下为方便用A表示)与固定资产投资(以下为方便用B表示)的年度数据为例，详述如何利用不同的隶属度函数对用电量及相关影响指标进行赋值。
表1 隶属度函数赋值
步骤(1-1)：首先计算各年的增长率，根据其增长率的幅值变化规律对隶属度函数进行定义，分别取P1＝-10％、P3＝0、P5＝10％，则λ1、λ2、λ3、λ4四个函数分别代表(-∞,-10％)，[-10％,0)，[0,10％)，[10％,+∞)四个区间，对A、B进行隶属度函数赋值，见表1。其中，1A～4A表示电量增速A落在隶属度函数λ1、λ2、λ3、λ4四个区域中的一个，1B～4B表示投资增速B落在隶属度函数λ1、λ2、λ3、λ4四个区域中的一个。同理，对用电量增长相关因素分析数据集分别用隶属度函数进行赋值，以供进一步关联规则分析。
步骤(1-2)：利用Apriori算法，提取形如X(社会经济发展指标)
A(行业用电量)的关联规则。根据样本的规模，考虑到随机因素的影响，这里取最小支持度阈值、最小置信度阈值均为0.4，满足该条件可以认为其存在强关联规则。得到计算结果中选取置信度均值、支持度均不小于0.4的强关联规则如下：
表2 有色金属行业用电量所得强关联规则与支持度及置信度
支持度作为表征各社会经济发展指标与行业用电量增长之间关联程度的筛选指标，以供进一步置信度的筛选；置信度作为表征各社会经济发展指标与行业用电量增长之间关联程度的量化指标，其值越大说明社会经济指标与行业用电量的变化趋势越吻合，与用电量增长之间关联程度越高。
基于支持度和置信度的显著性可知，14个社会经济发展指标中，与有色金属行业用电量相关性较高的指标有：十种有色金属产量，固定资产投资，电解铝产量，大型工业增加值。
请参阅图4。
基于所述主成分分析程序获取行业电量增长的第一主导因素，包括：
采用主成分分析法，定量计算不同影响因素与行业用电量的关联程度，提取行业电量增长的主导因素。
主成分分析产生的新综合指标称为原指标的主成分，并且按其所含有信息量的大小依次称为第一主成分，第二主成分……提取主成分的方法在处理解决多指标的统计分析中应用广泛，是一种很常用的、行之有效的多元分析方法。基于主成分分析的行业电量主导因素识别流程如图4所示。算例分析如下：
步骤(2-1)：基于图3中该地区有色金属行业用电量增长相关因素分析数据集，对各指标进行初步筛选，这里采用Pearson相关性系数作为参考指标，分析1993～2017年有色金属行业用电量与经济社会指标的Pearson相关性。
表3 有色金属行业与各社会经济指标Pearson相关性分析
步骤(2-2)：通常认为，相关系数在0.9～1之间，则变量之间相关性极强。选取与有色金属行业用电量的Pearson相关性最强的4个指标进行进一步分析。即电解铝产量、大型工业增加值、十种有色金属产量、第二产业GDP。
为了消除不同经济指标的量纲和数量级不同对结果的影响，在进行主成分分析之前，首先对原始数据进行归一化处理。对于每一个指标序列，归一化公式如下：
对上述4项指标进行主成分分析，提取它们的主成分结果如下：
表4 有色金属行业主成分提取结果
从上面表格可以看出，提取主成分特征值只有第一项超过1，且其值为3.856277，远大于其后面的特征值；第一主成分占全体指标的百分比为96.41％，表明第一主成分可以解释总体信息的96.41％，其它成分所占比重很小，故提取第一主成分作为影响指标，结果如下表。
表5 有色金属行业第一主成分提取结果
设主成分为ZF，列出主成分与相关指标的函数关系：
ZF＝0.498728X1+0.484971X2+0.506827X3+0.509117X4 (6)
其中X1、X2、X3、X4分别为电解铝产量、大型工业增加值、十种有色金属产量以及第二产业GDP的归一化值。
步骤3：融合多种相关性分析方法的行业电量需求预测。
步骤(3-1)：基于关联规则挖掘的行业年度电量回归预测。
步骤(3-1-1)：加入行业电量增长主导因素的ARIMA模型预测。
ARIMA(Auto regressive Integrated Moving Average)模型是分析时间序列内在相关性规律的预测方法，它对非平稳时序进行d阶差分，实现序列平稳化，模型的形式如公式(7)所示：
基于ARIMA季节分解的行业电量预测过程如图6所示。算例分析如下：
步骤(3-1-1-1)：输入2012-2017年该地区有色金属行业用电量历史数据作为因变量，同时将步骤1得到的电量主导因素时间序列作为自变量，建立ARIMA季节分解模型，预测得到2018年有色金属行业用电需求。行业月度用电量ARIMA季节分解模型的拟合及预测结果如图5所示。
步骤(3-1-1-2)：该模型准确性评价选取RMSE(Root Mean Square Error)均方根误差、MAPE(Mean Absolute Percentage Error)平均绝对百分比误差、MAE(Mean AbsoluteError)平均绝对误差三个指标，预测误差如表6所示。与传统ARIMA模型预测结果进行比较，行业电量增长主导因素的加入使模型对用电量季节波动的拟合较好，预测精度有较明显提升。
表6ARIMA季节分解模型预测结果误差比较
步骤(3-2)：基于主成分分析的行业年度电量回归预测。算法分析如下：
基于步骤2得到的影响因素的主成分分析和已确定的主成分因子，建立主成分因子和行业用电量之间的回归模型。
步骤(3-2-1)：基于有色金属行业2000-2014年的主导因素和用电量数据，建立回归模型，确定回归模型的参数，利用已得到的回归模型，对2015-2017年行业用电量进行预测，其中利用步骤2提取的主成分有色金属行业用电量数据建立有色金属行业的回归预测模型如下：
YF＝26.3423+295.0371*ZF-342.5892*ZF 2+300.7088*ZF 3-86.6602*ZF 4 (8)
式中，YF是有色金属行业电量，ZF是有色金属行业电量主导因素的第一主成分，即该模型的输入为主导因素归一化值的第一主成分，输出为该行业的用电量。
步骤(3-2-2)：利用回归模型得到的拟合即预测结果如图7所示，其中2000-2014年为拟合部分，2015-2017为预测部分。
步骤(3-2-3)：常用于评价回归模型效果的指标有误差平方和(Sum of theSquared Errors，SSE)和决定系数(coefficient of determination，R-square)，由于SSE与数据集的情况有关，故选择R-square衡量回归模型的拟合效果。选取RMSE均方根误差、MAPE平均绝对百分比误差、MAE平均绝对误差三个指标评价预测结果的准确性，预测误差如表7所示。同样与传统多元回归方法相比，基于主成分因子的回归模型在模拟拟合效果和预测精度上都有较大提升。
表7 两种回归模型预测结果误差比较
在传统ARIMA模型的基础上加入行业电量增长主导因素，使模型对用电量季节波动的拟合较好，预测精度有较明显提升。
基于主成分因子的回归模型在模拟拟合效果和预测精度上都较传统多元回归方法有较大提升。
相较于传统模型在预测精度上有较大提升，该发明可推广到其他行业，具有较强的适用性和可行性。
本发明实施例还提供一种行业电量需求预测模型的构建装置，包括：
主导因素提取单元，用于根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；
所述主导因素提取单元，还用于根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；
修正并耦合单元，用于根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
本发明实施例还提供一种行业电量需求预测方法，包括：
建立基于关联规则挖掘的行业年度电量回归预测模型，包括：
建立加入行业电量增长主导因素的ARIMA季节分解预测模型；
S21、利用HP滤波法对行业电量与经济量进行季节分解，获得它们的趋势分量与周期分量；
S22、基于ARIMA模型对目标周期内的经济影响因素的趋势分量进行预测；
S23、对经济影响因素与月度电量的趋势分量进行逐步回归分析，得到其相关关系；
S24、由经济量的趋势分量的预测值和经济量与月度电量的趋势分量建立ARIMA模型得到月度电量趋势分量的预测结果，并对分解得到的周期分量进行波动幅值的修正；
建立基于主成分分析的行业年度电量回归预测模型。本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的行业电量需求预测模型的构建方法。
本发明实施例还提供一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上述的行业电量需求预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random AccessMemory，RAM)等。
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 (7)
1.一种行业电量需求预测模型的构建方法，其特征在于，包括：
根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；
根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；
根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
2.根据权利要求1所述的行业电量需求预测模型的构建方法，其特征在于，基于所述关联规则挖掘程序获取行业电量增长的第一主导因素，包括：
S11、利用爬虫从外网和相关网页库链接抓取网页URL网址信息，并抽取相关信息建立历史数据集；其中，所述相关信息包括统计年鉴、电力年鉴、行业的历史用电量及相应的社会经济发展指标；
S12、利用模糊理论中的隶属度函数对所述历史数据集进行预处理，对指标增长速度的不同属性分别赋值，获得具有可比性的不同指标；
S13、采用Apriori算法，通过计算关联规则的置信度提取出行业电量增长的第一主导因素。
3.根据权利要求2所述的行业电量需求预测模型的构建方法，其特征在于，所述步骤S11，具体的：
选取行业用电量增速和社会经济指标增速作为对比指标，增加指标的可比性；
采用隶属度函数对指标进行赋值预处理，通过此函数对数据项的属性从低到高分别赋值为λ1、λ2、λ3、λ4；隶属度函数的表达式如下：
其中，采用隶属度函数对用电量和社会经济指标进行赋值；由式(1)～式(4)可知，对任意a，有λ1+λ2+λ3+λ4＝1，即任意数据项通过隶属度函数所得的4个隶属度之和一定为1；临界点P1～P6的选取决定了位于模糊区域[P1～P2)，[P3～P4)，[P5～P6)的样本个数，进而影响隶属度的取值；实际分析中为便于赋值，上述三个模糊区域均收缩为一点，原增速数据均隶属于λ1、λ2、λ3、λ4四个函数区间中的一个。
4.根据权利要求1所述的行业电量需求预测模型的构建方法，其特征在于，基于所述主成分分析程序获取行业电量增长的第一主导因素，包括：
采用主成分分析法，定量计算不同影响因素与行业用电量的关联程度，提取行业电量增长的主导因素。
5.一种行业电量需求预测模型的构建装置，其特征在于，包括：
主导因素提取单元，用于根据设定的行业电量相关性分析程序，获取行业电量增长的第一主导因素；其中，所述行业电量相关性分析程序为关联规则挖掘程序和主成分分析程序相结合；
所述主导因素提取单元，还用于根据预先建立的历史行业电量相关性分析数据集，提取行业电量增长的第二主导因素；
修正并耦合单元，用于根据所述第一主导因素和所述第二主导因素，分别对ARIMA模型和多元回归模型进行修正并耦合，得到行业电量需求预测模型。
6.一种行业电量需求预测方法，其特征在于，包括：
建立基于关联规则挖掘的行业年度电量回归预测模型，包括：
建立加入行业电量增长主导因素的ARIMA季节分解预测模型；
S21、利用HP滤波法对行业电量与经济量进行季节分解，获得它们的趋势分量与周期分量；
S22、基于ARIMA模型对目标周期内的经济影响因素的趋势分量进行预测；
S23、对经济影响因素与月度电量的趋势分量进行逐步回归分析，得到其相关关系；
S24、由经济量的趋势分量的预测值和经济量与月度电量的趋势分量建立ARIMA模型得到月度电量趋势分量的预测结果，并对分解得到的周期分量进行波动幅值的修正；
建立基于主成分分析的行业年度电量回归预测模型。7、一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1-5任一项所述的行业电量需求预测模型的构建方法。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求6任一项所述的行业电量需求预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217443.5A CN110991739A (zh) | 2019-11-29 | 2019-11-29 | 一种行业电量需求预测模型的构建方法及预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911217443.5A CN110991739A (zh) | 2019-11-29 | 2019-11-29 | 一种行业电量需求预测模型的构建方法及预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110991739A true CN110991739A (zh) | 2020-04-10 |
Family
ID=70089382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911217443.5A Pending CN110991739A (zh) | 2019-11-29 | 2019-11-29 | 一种行业电量需求预测模型的构建方法及预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110991739A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
| 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 |
| CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
| 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 |
| CN115829272A (zh) * | 2022-12-08 | 2023-03-21 | 国网江苏省电力有限公司南通供电分公司 | 一种行业电量需求关键影响因素提取方法 |
| CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
-
2019
- 2019-11-29 CN CN201911217443.5A patent/CN110991739A/zh active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111539844A (zh) * | 2020-04-20 | 2020-08-14 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
| CN111539844B (zh) * | 2020-04-20 | 2023-06-16 | 海南电网有限责任公司 | 一种基于k-l信息量和arima误差修正的月度电量预测方法 |
| 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 |
| CN112418921A (zh) * | 2020-11-11 | 2021-02-26 | 深圳力维智联技术有限公司 | 用电需量预测方法、装置、系统与计算机存储介质 |
| 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 |
| CN115829272A (zh) * | 2022-12-08 | 2023-03-21 | 国网江苏省电力有限公司南通供电分公司 | 一种行业电量需求关键影响因素提取方法 |
| CN115860797A (zh) * | 2022-12-08 | 2023-03-28 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
| CN115860797B (zh) * | 2022-12-08 | 2023-07-18 | 国网江苏省电力有限公司南通供电分公司 | 一种适应新电价改革形势的电量需求预测方法 |
| CN115829272B (zh) * | 2022-12-08 | 2023-07-28 | 国网江苏省电力有限公司南通供电分公司 | 一种行业电量需求关键影响因素提取方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110991739A (zh) | 一种行业电量需求预测模型的构建方法及预测方法 | |
| CN110689355A (zh) | 客户分类方法、装置、计算机设备和存储介质 | |
| CN102522709B (zh) | 变压器状态检修的决策方法及系统 | |
| CN114048436A (zh) | 一种预测企业财务数据模型构建方法及构建装置 | |
| CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
| CN113205403A (zh) | 一种企业信用等级的计算方法、装置、存储介质及终端 | |
| CN111967796A (zh) | 食品企业信用评分方法、装置和电子设备 | |
| CN113869642A (zh) | 企业活跃度确定方法、装置、电子设备及存储介质 | |
| CN113723747A (zh) | 分析报告生成方法、电子设备及可读存储介质 | |
| CN110533249B (zh) | 一种基于集成长短期记忆网络的冶金企业能耗预测方法 | |
| CN108304975A (zh) | 一种数据预测系统及方法 | |
| CN114493443A (zh) | 数据处理方法、装置、电子设备和计算机可读存储介质 | |
| CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
| CN110866829A (zh) | 一种基于集成学习模型的股价预测方法 | |
| CN111353797B (zh) | 资源分配方法、装置以及电子设备 | |
| CN106651462A (zh) | 一种二手设备的估价方法 | |
| CN113626578B (zh) | 一种密封材料的智能分析方法及系统 | |
| CN108073629B (zh) | 通过网站访问数据识别购买模式的方法及装置 | |
| CN109829745A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
| CN115689331A (zh) | 一种基于mlp的输变电工程量合理性分析方法 | |
| CN109767263A (zh) | 营收数据预测方法、装置、计算机设备和存储介质 | |
| CN110084400A (zh) | 信息预测方法、装置、计算机设备和存储介质 | |
| KR102543211B1 (ko) | 비정형 기업 데이터를 이용한 기업성장 예측 시스템 | |
| CN111428148B (zh) | 一种适于制造过程规划的智能优化算法推荐方法 | |
| CN114676868A (zh) | 物流货量预测方法、装置、计算机设备和存储介质 |
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 |
Application publication date: 20200410 |
|
| RJ01 | Rejection of invention patent application after publication |