CN111062539A - 基于次级用电量特性聚类分析的总电量预测方法 - Google Patents
基于次级用电量特性聚类分析的总电量预测方法 Download PDFInfo
- Publication number
- CN111062539A CN111062539A CN201911353065.3A CN201911353065A CN111062539A CN 111062539 A CN111062539 A CN 111062539A CN 201911353065 A CN201911353065 A CN 201911353065A CN 111062539 A CN111062539 A CN 111062539A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- prediction
- clustering
- industry
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000004458 analytical method Methods 0.000 title claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000001932 seasonal effect Effects 0.000 claims abstract description 16
- 230000005611 electricity Effects 0.000 claims description 19
- 238000003064 k means clustering Methods 0.000 claims description 8
- 238000013213 extrapolation Methods 0.000 claims description 6
- 101001020552 Rattus norvegicus LIM/homeobox protein Lhx1 Proteins 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000007621 cluster analysis Methods 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 230000001788 irregular Effects 0.000 abstract description 3
- 230000000737 periodic effect Effects 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000002950 deficient Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于次级用电量特性聚类分析的总电量预测方法:利用KNN算法检验数据离群点和缺失点,利用缺失点的K近邻间的距离进行反比赋权,通过K近邻数据点同属性列的加权得到缺失点的填充值;采用X12方法对分行业用电量季节调整,分解出季节分量S、包含趋势周期分量TC和不规则分量I的TCI分量,对各行业TCI分量进行聚类;最后通过比较各预测方法对历史数据的预测误差,对同一类别下的行业用电量进行预测,不同类别用电量曲线采用不同预测方法,将得到的预测结果相加,得到总用电量预测值。本发明根据不同行业用电量的曲线特征,对具有相同用电量规律特征的行业进行聚类,提高总电量的预测精度。
Description
技术领域
本发明属于用电量预测领域,具体涉及一种基于次级用电量特性聚类分析的总电量预测方法。
背景技术
坚强智能电网、“三集五大两中心”的迅速发展,使信息通信技术正以前所未有的广度、深度与电网生产、企业管理快速融合。国家电网公司已初步建成了国内领先、国际一流的信息集成平台。随着三地集中式数据中心的陆续投运,一级部署业务应用范围的拓展,结构化和非结构化数据平台的上线运行,电网业务数据从总量和种类上都已初具规模;随着智能电能表的逐步普及,电网业务数据从时效性层面进一步丰富和拓展。面对海量、实时的电网业务数据,大数据分析技术的应用迫在眉睫。
对电力企业的电量数据库进行深入挖掘分析,可以从数据层面把握电网的真实运行情况,发掘电量新的增长点,发现电量曲线内在的变化规律,对未来的电量数据进行合理准确的预测,从而不仅可以提升电网企业的运营效率和运营水平,也可以从电量的角度研究行业的运行规律,真正让电量数据成为国民经济“晴雨表”。但是,当前的电网电量数据分析中仍然存在一些问题。
数据真伪的不确定性。对各级电量数据来说,从多个平台中导出的数据存在因人为测量、记录错误或受物理环境、监控设备老化等原因导致的坏数据,在数据分析过程中表现为离群点和数据缺失点。因此,寻找到较好的离群点搜索技术和缺损数据补全方法,同时保证其应用于电量大数据时有较快的运行速度,是本课题数据清洗阶段亟待解决的问题。
电量曲线波动剧烈,而且各用户、各行业用电特性不同,相互之间存在较大差异,难以建立统一的模型。以往的电量分析往往针对地区用电量或地区主导行业的用电量,该类用电曲线规律性较强,通过简单的趋势外推就可以获得不错的预测精度。但是随着电网电量自动监测装置的普及和功能的完善,更精细化的电量曲线被储存在电网数据库中,譬如电力大用户的电量数据。这些新的电量曲线具有规律性不强、数量庞大、彼此间差异明显的特征,如何利用这类被闲置的电量数据提高电量预测的精度,也是本研究的重点。
发明内容
针对上述现有技术存在的问题,本发明的目的在于提供一种预测精度高的用电量预测方法,通过将用电特性类似的行业使用聚类算法归为一类,对同一类别下的行业用电量采用与之用电量特性相适应的预测方法,实现对不同类别行业用电量的精确预测,进而实现对地区月度用电量的预测。
为实现上述目的,本发明采用的技术方案为:
基于次级用电量特性聚类分析的总电量预测方法,包含以下步骤:
步骤1、利用KNN算法检验全行业月度用电量数据的离群点和缺失点,利用缺失点K近邻间的距离进行反比赋权,通过K近邻数据点同属性列的加权得到缺失点的填充值,并将离群点置为零后得到全行业月度电量时间序列;
步骤2、对全行业月度电量时间序列进行进行X-12-ARIMA季节调整,得到行业月度电量季节调整分量TCI和季节周期分量S;
步骤3、应用改进K-means聚类算法对行业月度电量TCI分量进行聚类,通过计算轮廓系数得到最佳的距离算子和聚类数K,将各行业TCI分量的预测转化为K类聚类结果的预测;
步骤4、对每类聚类结果,运用趋势外推、时间序列、灰色预测法进行预测,通过计算历史值的预测误差,判断最适合该聚类的预测方法,对各聚类的月度电量进行预测;
步骤5、综合各行业季节周期分量和季节调整分量的预测结果,获得地区月度电量的预测值。
进一步,所述步骤1中KNN算法检验全行业月度用电量数据的离群点和缺失点,具体步骤包括:
将全行业月度用电量数据集D中的数据存入待检测点集D1,清空不离群点集D2和判断点集D3;
设定近邻个数k和k-近邻平均距离阈值r;
从D1中随机选择回传区外的数据点p进入D3,同时循环遍历D1中的剩余数据点,计算其与数据点p间的距离dist,若则将其也存入D3;若D3内数据点个数不小于k,则通过不离群点判别,将D3内的所有数据点全部存入D2的传入区;若D3内数据点个数小于k,则将该数据点p传回D1回传区;重复上述步骤直到检测完D1回传区外的所有点。
进一步,所述步骤2中,全行业月度电量时间序列Yt被拆分为趋势循环项TCt、季节周期项St和不规则因素It,且满足:
Yt=TCt+St+It
其中,趋势循环项TCt和不规则因素It的和为TCI曲线。
进一步,所述步骤3中改进K-means聚类算法对行业月度电量TCI分量进行聚类具体步骤包括:给定距离阈值rlim,邻域样本数量阈值N,初始聚类中心集核心聚类对象集遍历TCI分量数据集D’,计算D’中元素xi的rlim邻域内的样本数量n,如果n≥N,将xi归入核心聚类对象集D0;在D0中随机选取对象di作为初始聚类中心的搜寻起点,同时将di加入初始聚类中心集C0,计算di与初始聚类中心集C0中最近点的曼哈顿距离rj;轮盘法选出下个初始聚类中心,归入C0;采用带权重的改进距离算子计算xi至初始聚类中心C0中的聚类中心cj的距离d(xi,cj),d(xi,cj)=μd1(xi,cj)+(1-μ)d2(xi,cj),d1(xi,cj)为xi和cj的欧氏距离,d2(xi,cj)=1-p(xi,cj),p(xi,cj)为xi和cj的皮尔逊相关系数,μ为欧氏距离和皮尔逊相关系数间的权重;
将xi划分到最小的d(xi,cj)对应的簇,并重新计算k个簇的聚类中心{ck (1)},重复上述步骤直到聚类中心不再移动,即两次聚类中心的距离小于给定误差error:其中,和分别为第n和n-1次迭代时k个簇的聚类中心。
进一步,所述步骤4中,对每类聚类结果,分别用趋势外推、时间序列、灰色预测法进行预测,根据历史预测误差选取预测精度最高的预测方法作为该类别行业用电量的预测方法,最终得到分行业用电量TCI分量的预测值。
进一步,所述步骤2中季节周期分量S利用ARIMA模型实现预测。
进一步,所述步骤5中将各行业的TCI分量和季节周期分量S的预测值相加,得到地区总用电量预测值。
本发明与现有技术相比的优点在于:
与传统的地区总用电量的方法相比,利用K-means聚类算法,根据行业用电量曲线特征进行聚类分析,能将用电规律相似的行业归为一类,再次基础上分别选择各类别行业用电量曲线适合的预测方法进行预测,提高总体预测精度;与传统的聚类方法相比,带权重的改进距离算子,综合了欧式距离算子和曲线相似度算子的优点,针对用电量特征选取合适的权重,实现对复杂的用电量曲线的划分;针对行业用电量的大数据、大样本,利用KNN算法检验数据离群点和缺失点,填补缺失点使得样本数据更加完整。本发明基于行业用电量的精确预测,进而实现对地区总用电量的预测,为用电量的预测方法提供了新的思路,解决了传统用电量预测方法精度低,缺乏数据预处理能力的问题。
附图说明
图1为本发明提供的总电量预测方法的流程示意图。
图2为X-12-ARIMA季节调整分解算例结果示意图,其中,(a)为算例中各行业用电量趋势分量示意图,(b)为算例中各行业用电量周期分量示意图,(c)为算例中各行业用电量不规则分量示意图,(d)为算例中各行业用电量的趋势分量与不规则分量累加示意图。
图3为算例中,本发明改进距离算子与其他传统距离算子的轮廓系数对比示意图。
图4为算例中,本发明聚类结果的示意图,其中(a)为聚类1,(b)为聚类2,(c)为聚类3,(d)为聚类4,(e)为聚类5,(f)为聚类6,(g)为聚类7,(h)为聚类8。
具体实施方式
如图1所示的,本发明提供的基于次级用电量特性聚类分析的总电量预测方法包含以下步骤:
步骤1、利用KNN算法检验全行业月度用电量数据的离群点和缺失点,具体步骤包括:将全行业月度用电量数据集D中的数据存入待检测点集D1,清空不离群点集D2和判断点集D3;
设定近邻个数k和k-近邻平均距离阈值r;
从D1中随机选择回传区外的数据点p进入D3,同时循环遍历D1中的剩余数据点,计算其与数据点p间的距离dist,若则将其也存入D3;若D3内数据点个数不小于k,则通过不离群点判别,将D3内的所有数据点全部存入D2的传入区;若D3内数据点个数小于k,则将该数据点p传回D1回传区;重复上述步骤直到检测完D1回传区外的所有点。
用传统KNN算法检测D1中的剩余数据点,找到离群点后置为零;
利用距离反比赋权的缺失点值进行填充,通过递归过程逐步修正缺失点的填充值:
其中,losdata(i)是缺失点i对应的缺失点填充值,Lk(i)表示缺失点i的K邻域内的点集,j是邻域内一点,D(j,zeroy(i))是数据集D中第j行、第zeroy(i)列的数值,进行缺失点计算时,需要满足:
(norm(prelosdatasum-losdatasum)≤error)||(ncicle≥N)
其中,norm代表求差值的模,ncicle代表循环次数变量,上式为真时循环结束。递归结束后,输出loasdatasum即为缺失值的最终填充值。
步骤2、根据X-12-ARIMA季节调整模型的加法模型:
Yt=TCt+St+It=TCIt+St
将用电曲线分解为趋势循环-不规则项TCIt、季节周期项St。对行业用电量分解,各分量结果如图2。
本发明的改进K-means聚类算法只对TCI曲线进行分析,季节分量S曲线直接利用ARIMA模型实现预测。
步骤3、应用改进K-means聚类算法对TCI分量进行聚类,分别计算聚类数K为2-15时的轮廓系数,通过轮廓系数值选取最佳聚类数K,确定最佳聚类数K对行业用电量曲线重新划分。轮廓系数表达式为:
其中,SC(i)表示样本i的轮廓系数,a(i)是样本i与其所在聚类簇中其余样本距离的平均值,表征簇内的紧密程度,a(i)越小表示簇内越紧密,样本i越应该被划分到现处的簇中;b(i)为样本i与距离其最近的其他聚类簇中的所有样本距离的平均值,表征样本i与其他簇的不相似程度,b(i)越大说明该样本与其余聚类簇越远,当前聚类效果越好。整体聚类的聚类效果由全部样本的轮廓系数的平均值决定,当k的取值为2-15时轮廓系数的计算结果如图3,可以看出本发明提出的改进距离算子整体效果最好。考虑到后续的行业电量预测过程中,对同类的行业电量曲线采用同一种预测方式,改进距离算子使得同类曲线更紧密且相似程度高,可以提高最终的预测精度。
选取带权重的改进距离算子进行改进K-means聚类,具体步骤包括:给定距离阈值rlim,邻域样本数量阈值N,初始聚类中心集核心聚类对象集遍历TCI分量数据集D’,计算D’中元素xi的rlim邻域内的样本数量n,如果n≥N,将xi归入核心聚类对象集D0;在D0中随机选取对象di作为初始聚类中心的搜寻起点,同时将di加入初始聚类中心集C0,计算di与初始聚类中心集C0中最近点的曼哈顿距离rj;轮盘法选出下个初始聚类中心,归入C0;采用带权重的改进距离算子计算xi至初始聚类中心C0中的聚类中心cj的距离d(xi,cj),d(xi,cj)=μd1(xi,cj)+(1-μ)d2(xi,cj),d1(xi,cj)为xi和cj的欧氏距离,d2(xi,cj)=1-p(xi,cj),p(xi,cj)为xi和cj的皮尔逊相关系数,μ为欧氏距离和皮尔逊相关系数间的权重;
将xi划分到最小的d(xi,cj)对应的簇,并重新计算k个簇的聚类中心{ck (1)},重复上述步骤直到聚类中心不再移动,即两次聚类中心的距离小于给定误差error:其中,和分别为第n和n-1次迭代时k个簇的聚类中心。
以xm和xn为例,权重的改进距离算子由欧式距离算子和曲线相似度算子组成,其中欧式距离算子如下:
曲线相似度(皮尔逊相关系数)算子的表达式为:
d2(xm,xn)=1-p(xm,xn)
改进距离算子通过对欧式距离算子和曲线相似度算子赋权相加实现:
d(xm,xn)=μd1(xm,xn)+(1-μ)d2(xm,xn)
其中,μ为两者间的权重,μ=1时改进距离算子就成了欧氏距离,μ=0时改进距离算子就是曲线相似度,该权重的设定代表了聚类过程中对两者的重视程度。
由于行业电量曲线聚类倾向于曲线相似度算子,对全行业电量时间序列进行聚类,聚类结果如图4。
步骤4、对每类聚类结果,分别用趋势外推、时间序列、灰色预测法进行预测,根据历史预测误差选取预测精度更高的预测方法作为该类别下行业用电量的预测方法,最终得到分行业用电量TCI分量的预测值。
步骤5、将各行业的TCI分量和季节周期分量S的预测值相加,得到地区总用电量预测值。
用2010年1月-2018年12月的电量数据进行训练,预测2019年1月至4月的月度用电量,两种方法的预测误差如表1所示:
表1
由表可见,时间序列模型整体预测精度高于另外两种模型。比较改进方案和传统方案的误差,可见本发明提出的预测方案误差更小、预测精度更高,其根本原因是本发明在预测过程中引入了颗粒度更细(分行业)的电量数据。通过对分行业电量数据的季节调整,提高了序列的平稳性;通过对分行业电量数据的聚类,在较低的运算复杂度下获得了较高的预测精度。
以上所述,仅为本发明中的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉该技术的人在本发明所揭露的技术范围内,可理解想到的变换或替换,都应涵盖在本发明的包含范围之内,因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (7)
1.基于次级用电量特性聚类分析的总电量预测方法,其特征在于,包含以下步骤:
步骤1、利用KNN算法检验全行业月度用电量数据的离群点和缺失点,利用缺失点K近邻间的距离进行反比赋权,通过K近邻数据点同属性列的加权得到缺失点的填充值,并将离群点置为零后得到全行业月度电量时间序列;
步骤2、对全行业月度电量时间序列进行X-12-ARIMA季节调整,得到行业月度电量季节调整分量TCI和季节周期分量S;
步骤3、应用改进K-means聚类算法对行业月度电量TCI分量进行聚类,通过计算轮廓系数得到最佳的距离算子和聚类数K,将各行业TCI分量的预测转化为K类聚类结果的预测;
步骤4、对每类聚类结果,运用趋势外推、时间序列、灰色预测法进行预测,通过计算历史值的预测误差,判断最适合该聚类的预测方法,对各聚类的月度电量进行预测;
步骤5、综合各行业季节周期分量和季节调整分量的预测结果,获得地区月度电量的预测值。
2.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤1中KNN算法检验全行业月度用电量数据的离群点和缺失点,具体步骤包括:
将全行业月度用电量数据集D中的数据存入待检测点集D1,清空不离群点集D2和判断点集D3;
设定近邻个数k和k-近邻平均距离阈值r;
3.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤2中,全行业月度电量时间序列Yt被拆分为趋势循环项TCt、季节周期项St和不规则因素It,且满足:
Yt=TCt+St+It
其中,趋势循环项TCt和不规则因素It的和为TCI曲线。
4.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤3中改进K-means聚类算法对行业月度电量TCI分量进行聚类具体步骤包括:给定距离阈值rlim,邻域样本数量阈值N,初始聚类中心集核心聚类对象集遍历TCI分量数据集D’,计算D’中元素xi的rlim邻域内的样本数量n,如果n≥N,将xi归入核心聚类对象集D0;在D0中随机选取对象di作为初始聚类中心的搜寻起点,同时将di加入初始聚类中心集C0,计算di与初始聚类中心集C0中最近点的曼哈顿距离rj;轮盘法选出下个初始聚类中心,归入C0;采用带权重的改进距离算子计算xi至初始聚类中心C0中的聚类中心cj的距离d(xi,cj),d(xi,cj)=μd1(xi,cj)+(1-μ)d2(xi,cj),d1(xi,cj)为xi和cj的欧氏距离,d2(xi,cj)=1-p(xi,cj),p(xi,cj)为xi和cj的皮尔逊相关系数,μ为欧氏距离和皮尔逊相关系数间的权重;
5.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤4中,对每类聚类结果,分别用趋势外推、时间序列、灰色预测法进行预测,根据历史预测误差选取预测精度最高的预测方法作为该类别行业用电量的预测方法,最终得到分行业用电量TCI分量的预测值。
6.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤2中季节周期分量S利用ARIMA模型实现预测。
7.根据权利要求1所述的基于次级用电量特性聚类分析的总电量预测方法,其特征在于,所述步骤5中将各行业的TCI分量和季节周期分量S的预测值相加,得到地区总用电量预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353065.3A CN111062539B (zh) | 2019-12-25 | 2019-12-25 | 基于次级用电量特性聚类分析的总电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911353065.3A CN111062539B (zh) | 2019-12-25 | 2019-12-25 | 基于次级用电量特性聚类分析的总电量预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111062539A true CN111062539A (zh) | 2020-04-24 |
CN111062539B CN111062539B (zh) | 2023-12-01 |
Family
ID=70303726
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911353065.3A Active CN111062539B (zh) | 2019-12-25 | 2019-12-25 | 基于次级用电量特性聚类分析的总电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111062539B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN112381411A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种群体生产活力的评估方法、电子设备及存储介质 |
CN112785118A (zh) * | 2020-12-24 | 2021-05-11 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105260802A (zh) * | 2015-11-06 | 2016-01-20 | 国网冀北电力有限公司 | 基于修正业扩生长曲线与季节调整的月度电量预测方法 |
CN106651630A (zh) * | 2016-09-27 | 2017-05-10 | 中国南方电网有限责任公司电网技术研究中心 | 关键用电行业识别方法和系统 |
CN108053064A (zh) * | 2017-12-11 | 2018-05-18 | 天津天大求实电力新技术股份有限公司 | 一种电蓄冷负荷预测方法 |
-
2019
- 2019-12-25 CN CN201911353065.3A patent/CN111062539B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN105260802A (zh) * | 2015-11-06 | 2016-01-20 | 国网冀北电力有限公司 | 基于修正业扩生长曲线与季节调整的月度电量预测方法 |
CN106651630A (zh) * | 2016-09-27 | 2017-05-10 | 中国南方电网有限责任公司电网技术研究中心 | 关键用电行业识别方法和系统 |
CN108053064A (zh) * | 2017-12-11 | 2018-05-18 | 天津天大求实电力新技术股份有限公司 | 一种电蓄冷负荷预测方法 |
Non-Patent Citations (2)
Title |
---|
罗皓: "基于大数据技术的电量分析和预测研究" * |
陈景鹏: "季节型趋势模型在供电量预测中的应用" * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111563776A (zh) * | 2020-05-08 | 2020-08-21 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN111563776B (zh) * | 2020-05-08 | 2021-07-16 | 国网江苏省电力有限公司扬州供电分公司 | 一种基于K近邻异常检测和Prophet模型的电量分解和预测方法 |
CN112381411A (zh) * | 2020-11-16 | 2021-02-19 | 国网上海市电力公司 | 一种群体生产活力的评估方法、电子设备及存储介质 |
CN112381411B (zh) * | 2020-11-16 | 2024-01-26 | 国网上海市电力公司 | 一种群体生产活力的评估方法、电子设备及存储介质 |
CN112785118A (zh) * | 2020-12-24 | 2021-05-11 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
CN112785118B (zh) * | 2020-12-24 | 2024-01-26 | 南京华盾电力信息安全测评有限公司 | 一种小型售电公司代理用户的月度用电量预测分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111062539B (zh) | 2023-12-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508275B (zh) | 一种基于聚类和趋势指标的配电网线路负荷预测方法和设备 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN113077097B (zh) | 一种基于深度时空相似性的空气质量预测方法 | |
CN101414366B (zh) | 基于改进极端学习机方法的电力系统短期负荷预测方法 | |
CN105631558A (zh) | 基于相似日的bp神经网络光伏发电系统功率预测方法 | |
CN111062539B (zh) | 基于次级用电量特性聚类分析的总电量预测方法 | |
CN108345961A (zh) | 风电场群出力预测与分析方法 | |
CN111027775A (zh) | 基于长短期记忆网络的梯级水电站发电量预测方法 | |
CN101551884A (zh) | 面向大规模样本的cvr电力负荷快速预测方法 | |
CN114792156A (zh) | 基于曲线特征指标聚类的光伏输出功率预测方法和系统 | |
CN112308298B (zh) | 一种面向半导体生产线的多场景性能指标预测方法及系统 | |
CN112434891A (zh) | 基于wcnn-alstm的太阳辐照度时间序列的预测方法 | |
CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
CN110163444A (zh) | 一种基于gasa-svr的需水预测方法 | |
CN112801388A (zh) | 一种基于非线性时间序列算法的电力负荷预测方法及系统 | |
CN113111592A (zh) | 一种基于emd-lstm的短期风电功率预测方法 | |
CN117114160A (zh) | 一种短期光伏功率预测方法 | |
CN114266416A (zh) | 基于相似日的光伏发电功率短期预测方法、装置及存储介质 | |
CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
CN116845875A (zh) | 一种基于woa-bp的短期光伏出力预测方法及装置 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN115481844A (zh) | 基于特征提取和改进的svr模型的配网物资需求预测系统 | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
CN116167465A (zh) | 基于多变量时间序列集成学习的太阳辐照度预测方法 | |
CN114004393B (zh) | 配电网-天然气联合系统双层多时间尺度运行优化方法 |
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 |