CN111476677B - 一种基于大数据的用电类别售电量分析与预测方法及系统 - Google Patents

一种基于大数据的用电类别售电量分析与预测方法及系统 Download PDF

Info

Publication number
CN111476677B
CN111476677B CN202010260212.9A CN202010260212A CN111476677B CN 111476677 B CN111476677 B CN 111476677B CN 202010260212 A CN202010260212 A CN 202010260212A CN 111476677 B CN111476677 B CN 111476677B
Authority
CN
China
Prior art keywords
sales
prediction
electricity
trend
items
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.)
Active
Application number
CN202010260212.9A
Other languages
English (en)
Other versions
CN111476677A (zh
Inventor
黄瑞
何海零
邹薇
吴文娴
陈向群
刘谋海
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Hunan Electric Power Co Ltd
Metering Center of State Grid Hunan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Hunan Electric Power Co Ltd, Metering Center of State Grid Hunan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010260212.9A priority Critical patent/CN111476677B/zh
Publication of CN111476677A publication Critical patent/CN111476677A/zh
Application granted granted Critical
Publication of CN111476677B publication Critical patent/CN111476677B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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"
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (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

本发明公开了一种基于大数据的用电类别售电量分析与预测方法及系统，属于电力技术领域，用于解决目前售电量预测偏差大、考虑因素不全的技术问题，此方法包括：S01、获取售电量数据并预处理；S02、分解售电量曲线，得到趋势项、季节项和随机项；S03、引入前导指标，对趋势项、季节项和随机项进行预测，得到初步预测结果；S04、将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；S05、对售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；S06、利用春节因素调整一季度售电量，得到最终预测结果。本发明具有预测精度高、符合实际情况等优点。

Description

一种基于大数据的用电类别售电量分析与预测方法及系统
技术领域
本发明涉及电力技术领域，特指一种基于大数据的用电类别售电量分析与预测方法及系统。
背景技术
售电量预测是电力市场一项重要的基础性工作，精准的售电量预测是保证供电企业完成经营指标和保障社会生产生活稳定的一项重要依据。售电量预测值偏大，会导致发电侧资源和成本浪费，售电量预测值偏小，会引起实际供电量不够，严重影响企业和居民的生产生活，导致巨大经济损失。因此实现售电量的精准预测，不仅对支撑电网规划、优化资源配置，控制经济成本有很重要的作用，而且能够为精准开展电力市场拓展提供有力参考。
发明内容
本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种预测精度高的基于大数据的用电类别售电量分析与预测方法及系统。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于大数据的用电类别售电量分析与预测方法，包括步骤：
S01、获取售电量数据，并对数据进行预处理；
S02、利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
S03、引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
S04、将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
S05、对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
S06、利用春节因素对一季度售电量进行调整，得到全年最终预测结果。
优选地，在步骤S02中，采用贝叶斯季节调整算法分解得到趋势项、季节项和随机项的具体过程为：
S201：假设模型为Yt＝Tt+St+It，对Tt和St做拟合；其中Yt表示预处理后的历史售电量数据，Tt为售电量趋势项，St为售电量季节项，It为售电量随机项；
Figure BDA0002438999430000011
Figure BDA0002438999430000012
给fk(t)和gk(t)选取适当的函数，再来极小化残差平方和或某种准则函数；
S202：根据先验知识对Tt和St做约束，确定ABIC准则函数；
S203：记β＝(TN，TN-1，…SN，SN-1，…，S1)′，从而季节调整问题转化为估计β，即极小化下面函数：
Figure BDA0002438999430000021
其中d，s，Z是选定适当的参数；
S204：选定参数、确定最佳模型。
优选地，在步骤S202中，约束内容包括：
约束1：
Figure BDA0002438999430000022
要求Tt的m阶差分是很小的值，即要求趋势项的变化较为平滑；
约束2：
Figure BDA0002438999430000023
要求St在周期点上变化较小；
约束3：
Figure BDA0002438999430000024
要求季节变化周期稳定。
优选地，在步骤S03中，前导指标通过DTW算法求解得到，具体为：
S301：自动寻找最短规整路径，然后统计最短路径的前导众数，将前导众数作为最终的前导值；
分别取净增容量趋势项、售电量趋势项，两者分别记为{Ni|i∈1，2，…，45}和{Qi|i∈1，2，…，45}；
S302：利用动态时间规整算法计算售电量趋势项与净增容量趋势项之间的最短规整路径D(N，Q)；
S303:分别记NiQi，NiQi+1，…，NiQi+m为前导0个月、前导1月，…前导m个月，其在最短规整路径中出现的次数分别记为C0，C1，…，Cm；取最大的前导月份为12，那么该产业净增容量的前导月份L＝max{Ci|i＝0，1，…12}；
S304、利用上述过程，即可得到制造业PMI、非制造业PMI，净增容量趋势项前导售电量的前导期数。
优选地，在步骤S03中，结合SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法和混合专家模型算法分别对趋势项、季节项和随机项进行预测；具体地，
采用SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法四种算法对趋势项分别预测；
利用L1/2稀疏迭代回归算法建模得到季节项预测结果；
结合最高温度、最低温度、平均温度、节假日天数，结合混合专家模型、逻辑回归算法，得到随机项预测结果。
优选地，步骤S04的具体过程如下：
S401：分别对趋势项、季节项、随机项进行预测；
S402：预测结果进行曲线重构，即预测售电等于趋势项、季节项、随机项三项预测结果之和；
S403：采用模型训练误差etrain，预测趋势项相似度simforecast，预测趋势可信度credit评价指标进行曲线择优；
Figure BDA0002438999430000031
其中，
Figure BDA0002438999430000032
分别为第j个历史年月真实售电量和历史年月预测售电量；
Figure BDA0002438999430000033
其中，
Figure BDA0002438999430000034
分别为第j月预测售电量和对应的上一年该月真实售电量，
Figure BDA0002438999430000035
的长度为12；
Figure BDA0002438999430000036
其中，r′、r′min、r′max均为售电量年度增长率；
S404、结合上述评价标准和AHP综合评价算法即可获得最优预测结果。
优选地，趋势项预测如下：
获取售电量趋势项、即时性因素、前导性因素数据序列；
建立预测模型，采用SVM、L1/2稀疏迭代、回声状态网络和极限学习机四种算法分别对趋势项进行预测；
获得四种趋势项预测结果，分别记为：Qt(i)(SVM)，Qt(i)(L1/2)，Qt(i)(ESN)，Qt(i)(ELM)：
Q(i)(1)＝Qt(i)(SVM)+Qs(i)+Qr(i)
Q(i)(2)＝Qt(i)(L1/2)+Qs(i)+Qr(i)
Q(i)(3)＝Qt(i)(ESN)+Qs(i)+Qr(i)
Q(i)(4)＝Qt(i)(ELM)+Qs(i)+Qr(i)。
优选地，步骤S05的具体过程为：
S501：计算每年预定月份的平均电量，拟合平均电量与月份之间的函数关系式f(x)，其中预定月份为4月、5月、9月、10月；
S502：根据上述关系式计算预测年份的平均电量；
S503：根据每日时刻温度计算每年4月、5月、9月、10月平均温度，其中，月平均温度等于每月日平均温度的平均值，而日平均温度则为每日2时，8时，14时，20时4个时间温度的平均值；
结合上述计算所得平均电量、月度平均温度、温度同比变化量三个变量，构建同各月总电量的函数关系f(x，T，ΔT)；
S504：将待预测年月平均电量，预测平均温度及预测温度同比变化量带入函数关系式f(x，T，ΔT)，计算可得预测年份4月、5月、9月、10月的预测电量。
优选地，步骤S06的具体过程为：
S601：计算历史1月、2月和3月的售电量占季比、历年春节距1月1日、2月1日和3月1日的天数；
S602：将所得占季比与距离春节天数进行最小二乘法拟合，获得天数与售电量占季比的拟合关系式f(x)；
S603:根据未来年份第一季度各月距离春节天数，带入f(x)计算未来月份售电量占季比，对一季度的预测结果重新分配。
本发明还公开了一种基于大数据的用电类别售电量分析与预测系统，包括
获取模块，用于获取售电量数据，并对数据进行预处理；
分解模块，用于利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
初步预测模块，用于引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
优化模块，用于将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
调整模块，用于对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
最终预测模块，用于利用春节因素调整一季度售电量，得到全年最终预测结果。
与现有技术相比，本发明的优点在于：
本发明利用贝叶斯季节调整将售电量分解为趋势项、季节项和随机项，然后分别考虑对应子序列影响因素进行预测；针对居民，售电量预测采用两段式建模，分别对预定月份(如4月、5月、9月、10月)的预测电量进行调整，提高分行业售电量预测精度；除此之外，充分考虑春节对第一季度售电量的影响，采用春节调整算法降低春节假日对影响，提高第一季度售电量预测精度；另外售电量预测方法不仅考虑了售电量各分解项的数据规律，也考虑了因素异常和春节对售电量的影响，避免了直接预测法趋势特征考虑不全不符合实际情况的缺点。
附图说明
图1为本发明的方法在实施例的方法流程图。
图2为本发明中的贝叶斯季节调整算法流程图。
图3为本发明中的售电量预测建模考虑的因素图。
图4为本发明中的DTW算法前导期数求解流程图。
图5为本发明中的趋势项预测算法流程图。
图6为本发明中的曲线重构择优算法流程图。
图7为本发明中的居民售电量预测两段式建模算法流程图。
图8为本发明中的春节调整算法流程图。
具体实施方式
以下结合说明书附图和具体实施例对本发明作进一步描述。
如图1所示，本实施例的基于大数据的用电类别售电量分析与预测方法，包括：
S01：获取售电量数据，并对数据进行预处理，预处理包括异常值识别和异常值处理；
原始售电量历史数据中会存在一些异常点，直接用于建模会影响模型的泛化能力，造成预测精度下降；另外由于经济发展周期或者其他影响因素的变化，较早年份的售电量趋势可能和今年有较大差异，直接参与建模会影响到预测趋势的准确性，故需要对原始数据进行异常值处理，提升建模数据质量；
S02：利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项，把握数据细节规律；
具体地，在预处理的基础上采用贝叶斯季节调整算法将售电量序列分解为趋势项、季节项和随机项三个子序列：
Yt＝Tt+St+It
其中Yt表示预处理后的历史售电量数据，Tt为售电量趋势项，St为售电量季节项，It为售电量随机项；
假设模型为Yt＝Tt+St+It，对Tt和St做拟合：
Figure BDA0002438999430000051
Figure BDA0002438999430000052
给fk(t)和gk(t)选取适当的函数，再极小化残差平方和或某种准则函数；贝叶斯方法对每个时刻取fk(t)＝gk(t)＝δ(t-k)，如果t＝k，δ(t-k)＝1，否则δ(t-k)＝0；其中a、b为常数；
再根据先验知识对Tt和St做约束，确定ABIC准则函数，对有限个可能的参数组合计算ABIC值，选择ABIC最小的模型和参数。其中约束内容包括：
约束1：
Figure BDA0002438999430000061
要求Tt的m阶差分是很小的值，即要求趋势项的变化较为平滑；
约束2：
Figure BDA0002438999430000062
要求St在周期点上变化较小；
约束3：
Figure BDA0002438999430000063
要求季节变化周期稳定。
记β＝(TN，TN-1，…SN，SN-1，…，S1)′，从而季节调整问题转化为估计β，即极小化下面函数：
Figure BDA0002438999430000064
其中d，s，Z是选定适当的参数，d是对随机项以外的其他项(趋势和季节)所加权重，s用来权衡趋势项和季节项之间的关系，称r＝s-1为季节刚性系数；取Z＝s-1L-1/2用来权衡季节项在一周期内的稳定性，将m，n，d，s，Z称为超参数；在实际应用时，一般取m＝1，2，n＝1，2，r＝1，0，5进行组合，选择最佳模型；
S03：引入前导性指标，结合SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法和混合专家模型等多种算法分别对趋势项、季节项和随机项进行预测；
其中L1/2稀疏迭代回归算法基于Lp正则化框架；L0稀疏性最强，但求解是Np难的，理论可解现实不可解；L1可迭代求解但稀疏性不强；已证明L1/2的稀疏性很强且可快速求解；
极限学习机(ELM)是一种简单易用、有效的单隐层前馈神经网络学习算法，只需设置中间层节点数且运算效率高；
回声状态网络(ESN)是一种新型的神经网络，由于ESN具有随机生成的连接矩阵、简单的训练过程等特点，使得该模型较适合于非线性、庞大数据量特性预测任务；
混合专家模型(Mixture of Experts)是一种模块化的网络，基于门阀的输出概率把输入空间划分成几个区域，在不同的区域利用不同的专家算法进行建模；
逻辑回归(Logistic Regression)基于映射把线性回归模型产生的预测值变换成0/1值，从而可以将回归问题转化为分类问题；
利用贝叶斯季节调整得到售电量趋势项、季节项和随机项，其中趋势项引入前导指标，如业扩报装、PMI，提升模型对趋势变化的识别能力；
利用动态时间规整DTW算法开展相关因素与售电量数据的超前滞后关系研究，输出因素与售电量数据的超前滞后期数，为售电量预测提供因素基础；
利用经济、业扩报装等因素建立回归模型，得到趋势项预测结果，由于趋势项体量大，故采用SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法四种算法分别对趋势项进行预测，得到四种预测结果；
利用L1/2稀疏迭代回归算法建模得到季节项预测结果；
结合最高温度、最低温度、平均温度、节假日天数，结合混合专家模型、逻辑回归等算法，得到随机项预测结果；
S04：将得到的趋势项、季节项和随机项预测结果加和，得到四种预测结果，并采用层次分析法(AHP)得到最优预测结果；
Q(i)(1)＝Qt(i)(SVM)+Qs(i)+Qr(i)
Q(i)(2)＝Qt(i)(L1/2)+Qs(i)+Qr(i)
Q(i)(3)＝Qt(i)(ESN)+Qs(i)+Qr(i)
Q(i)(4)＝Qt(i)(ELM)+Qs(i)+Qr(i)
Q(i)(最优)＝AHP(Q(i)(1)，Q(i)(2)，Q(i)(3)，Q(i)(4))
采用模型训练误差etrain，预测趋势项相似度simforecast，预测趋势可信度credit等评价指标进行曲线择优；
Figure BDA0002438999430000071
其中，
Figure BDA0002438999430000072
分别为第j个历史年月真实售电量和历史年月预测售电量；
Figure BDA0002438999430000073
其中，
Figure BDA0002438999430000074
分别为第j月预测售电量和对应的上一年该月真实售电量，
Figure BDA0002438999430000075
的长度为12；
Figure BDA0002438999430000076
其中，r′、r′min、r′max均为售电量年度增长率；
S05：针对居民售电量预测采用两段式建模，分别对4月、5月、9月、10月的预测电量进行调整；
计算每年4月、5月、9月、10月的平均电量，拟合平均电量与月份之间的函数关系式f(x)；
根据上述关系式计算预测年份的平均电量；
根据每日时刻温度计算每年4月、5月、9月、10月平均温度，其中，月平均温度等于每月日平均温度的平均值，而日平均温度则为每日2时，8时，14时，20时4个时间温度的平均值；
结合上述计算所得平均电量、月度平均温度、温度同比变化量三个变量，构建同各月总电量的函数关系f(x，T，ΔT)；
将待预测年月平均电量，预测平均温度及预测温度同比变化量带入函数关系式f(x，T，ΔT)，计算可得预测年份4月、5月、9月、10月的预测电量；
S06：利用春节因素实现一季度1-3月份售电量的调整，得到最终预测结果。
具体地，春节调整具体步骤如下：
计算历年春节距离1月1日，2月1日，3月1日的天数；
计算历年1-3月份售电量对第一季度售电量的占季比；
计算得到距离春节天数和售电量占季比的二次拟合关系式f(x)；
计算待预测年份第一季度售电量预测值；
计算待预测年份春节距离1月1日，2月1日，3月1日的天数；
将上述所得距离春节天数带入f(x)，分别计算的得到预测年份1、2、3月售电量占季比；
根据所得售电量占季比重新调整待预测年份1月、2月、3月售电量，得到最终预测结果。
本发明利用贝叶斯季节调整将售电量分解为趋势项、季节项和随机项，然后分别考虑对应子序列影响因素进行预测；针对居民，售电量预测采用两段式建模，分别对预定月份(如4月、5月、9月、10月)的预测电量进行调整，提高分行业售电量预测精度；除此之外，充分考虑春节对第一季度售电量的影响，采用春节调整算法降低春节假日对影响，提高第一季度售电量预测精度；另外售电量预测方法不仅考虑了售电量各分解项的数据规律，也考虑了因素异常和春节对售电量的影响，避免了直接预测法趋势特征考虑不全不符合实际情况的缺点。
如图2所示，本实施例中，对预处理后的售电量，采用贝叶斯季节调整算法分解得到趋势项、季节项和随机项的具体过程为：
S201：贝叶斯调整算法首先假设模型为Yt＝Tt+St+It，对Tt和St做拟合；
S202：
Figure BDA0002438999430000081
Figure BDA0002438999430000091
给fk(t)和gk(t)选取适当的函数，再来极小化残差平方和或某种准则函数；
S203：根据先验知识对Tt和St做约束，确定ABIC准则函数；
S204：记β＝(TN，TN-1，…SN，SN-1，…，S1)′，从而季节调整问题转化为估计β，即极小化下面函数：
Figure BDA0002438999430000092
S205：选定参数、确定最佳模型。
如图3所示，示出了售电量预测模型所考虑的相关因素，主要分为两大类：前导指标和即时指标。其中，前导指标包括制造业PMI、非制造业PMI和净增容量(净增容量＝新装+增容-减容-销户)；即时指标包括人均可支配收入、第一产业GDP、第二产业GDP、第三产业GDP、工业增加值累计增长率、温度、节假日、降雨量等；
大工业售电量相关因素主要有：净增容量、制造业PMI、第二产业GDP、工业增加值累计增长率、温度、节假日；
居民售电量相关因素主要有：净增容量、人均可支配收入、温度；
一般工商业售电量相关因素主要有：净增容量、非制造业PMI、第三产业GDP、温度，节假日；
农业售电量相关因素主要有：净增容量、温度、降雨量；
趸售售电量相关因素主要有：净增容量、降雨量；
城镇居民售电量相关因素主要有：净增容量、人均可支配收入、温度；
商业售电量相关因素主要有：净增容量、非制造业PMI、第三产业GDP、温度，节假日；
钢铁售电量相关因素主要有：净增容量、制造业PMI、第二产业GDP、工业增加值累计增长率、温度、节假日；
如图4所示，本实施例中，DTW算法前导期数求解流程如下：
S301：利用动态时间规整DTW算法开展的前导性研究，该方法不需要做数据移动，算法自动的寻找最短规整路径，然后统计最短路径的前导众数，将前导众数作为最终的前导值；
分别取净增容量趋势项(或制造业PMI、非制造业PMI)、售电量趋势项，两者分别记为{Ni|i∈1，2，…，45}和{Qi|i∈1，2，…，45}；
S302：利用动态时间规整算法(DTW)计算售电量趋势项与净增容量趋势项(或制造业PMI、非制造业PMI)之间的最短规整路径D(N，Q)；
S303:分别记NiQi，NiQi+1，…，NiQi+m为前导0个月、前导1月，…前导m个月，其在最短规整路径中出现的次数分别记为C0，C1，…，Cm。取最大的前导月份为12，那么该产业净增容量的前导月份L＝max{Ci|i＝0，1，…12}；
利用上述过程，即可得到制造业PMI、非制造业PMI，净增容量趋势项前导售电量的前导期数。
如图5所示，本实施例中，趋势项预测算法流程如下：
获取售电量趋势项、即时性因素、前导性因素数据序列；
建立预测模型，采用SVM、L1/2稀疏迭代、回声状态网络和极限学习机四种算法分别对趋势项进行预测；
获得四种趋势项预测结果，分别记为：Qt(i)(SVM)，Qt(i)(L1/2)，Qt(i)(ESN)，Qt(i)(ELM)。
如图6所示，本实施例中，曲线重构择优过程如下：
S401：分别对趋势项、季节项、随机项进行预测，其中，趋势项包含四种算法预测结果；
S402：对预测结果进行曲线重构，即预测售电等于趋势项、季节项、随机项三项预测结果之和，由于趋势项包含四种预测结果，则售电量也包含四种预测结果，分别表示为：
Q(i)(1)＝Qt(i)(SVM)+Qs(i)+Qr(i)
Q(i)(2)＝Qt(i)(L1/2)+Qs(i)+Qr(i)
Q(i)(3)＝Qt(i)(ESN)+Qs(i)+Qr(i)
Q(i)(4)＝Qt(i)(ELM)+Qs(i)+Qr(i)
S403：采用模型训练误差etrain，预测趋势项相似度simforecast，预测趋势可信度credit等评价指标进行曲线择优；
Figure BDA0002438999430000101
其中，
Figure BDA0002438999430000102
分别为第j个历史年月真实售电量和历史年月预测售电量；
Figure BDA0002438999430000103
其中，
Figure BDA0002438999430000104
分别为第j月预测售电量和对应的上一年该月真实售电量，
Figure BDA0002438999430000105
的长度为12；
Figure BDA0002438999430000106
其中，r′、r′min、r′max均为售电量年度增长率；
S404、结合上述评价标准和AHP综合评价算法即可获得最优预测结果。
如图7所示，本实施例中，居民售电量预测两段式建模算法流程如下：
对于5月、6月、10月、11月的预测(包括居民、城镇居民两种)，考虑到这几个月未受到低温或者高温的影响，故考虑两段建模的方法进行预测；
S501：计算每年4月、5月、9月、10月的平均电量，拟合平均电量与月份之间的函数关系式f(x)；
S502：根据上述关系式计算预测年份的平均电量；
S503：根据每日时刻温度计算每年4月、5月、9月、10月平均温度，其中，月平均温度等于每月日平均温度的平均值，而日平均温度则为每日2时，8时，14时，20时4个时间温度的平均值；
结合上述计算所得平均电量、月度平均温度、温度同比变化量三个变量，构建同各月总电量的函数关系f(x，T，ΔT)；
S504：将待预测年月平均电量，预测平均温度及预测温度同比变化量带入函数关系式f(x，T，ΔT)，计算可得预测年份4月、5月、9月、10月的预测电量。
如图8所示，本实施例中，春节调整算法流程图如下：
S601：计算历史1月、2月和3月的售电量占季比、历年春节距1月1日、2月1日和3月1日的天数；
S602：将所得占季比与距离春节天数进行最小二乘法拟合，获得天数与售电量占季比的拟合关系式f(x)；
S603:根据未来年份第一季度各月距离春节天数，带入f(x)计算未来月份售电量占季比，对一季度的预测结果重新分配。
本发明还公开了一种基于大数据的用电类别售电量分析与预测系统，包括
获取模块，用于获取售电量数据，并对数据进行预处理；
分解模块，用于利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
初步预测模块，用于引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
优化模块，用于将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
调整模块，用于对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
最终预测模块，用于利用春节因素实现一季度售电量的调整，得到全年最终预测结果。
本发明进一步公开了一种基于大数据的用电类别售电量分析与预测系统，包括
第一程序模块，用于获取售电量数据，并对数据进行预处理；
第二程序模块，用于利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
第三程序模块，用于引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
第四程序模块，用于将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
第五程序模块，用于对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
第六程序模块，用于利用春节因素实现一季度售电量的调整，得到全年最终预测结果。
本发明还公开了一种计算机可读存储介质，其上储存有计算机程序，计算机程序在被处理器运行时执行如上所述的基于大数据的用电类别售电量分析与预测方法的步骤。
本发明进一步公开了一种计算机设备，包括处理器和存储器，存储器上存储有计算机程序，计算机程序在被处理器运行时执行如上所述的基于大数据的用电类别售电量分析与预测方法的步骤。
本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一个计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (9)

1.一种基于大数据的用电类别售电量分析与预测方法，其特征在于，包括步骤：
S01、获取售电量数据，并对数据进行预处理；
S02、利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
S03、引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
S04、将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
S05、对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
S06、利用春节因素对一季度售电量进行调整，得到全年最终预测结果；
在步骤S02中，采用贝叶斯季节调整算法分解得到趋势项、季节项和随机项的具体过程为：
S201：假设模型为Yt＝Tt+St+It，对Tt和St做拟合；其中Yt表示预处理后的历史售电量数据，Tt为售电量趋势项，St为售电量季节项，It为售电量随机项；
Figure FDA0004209736450000011
Figure FDA0004209736450000012
给fk(t)和gk(t)选取适当的函数，再来极小化残差平方和或某种准则函数；
S202：根据先验知识对Tt和St做约束，确定ABIC准则函数；
S203：记β＝(TN，TN-1，...N，SN-1，…，S1)′，从而季节调整问题转化为估计β，即极小化下面函数：
Figure FDA0004209736450000013
其中d，s，Z是选定适当的参数；
S204：选定参数、确定最佳模型。
2.根据权利要求1所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，在步骤S202中，约束内容包括：
约束1：
Figure FDA0004209736450000014
要求Tt的m阶差分是很小的值，即要求趋势项的变化较为平滑；
约束2：
Figure FDA0004209736450000015
要求St在周期点上变化较小；
约束3：
Figure FDA0004209736450000016
要求季节变化周期稳定。
3.根据权利要求1～2中任意一项所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，在步骤S03中，前导指标通过DTW算法求解得到，具体为：
S301：自动寻找最短规整路径，然后统计最短路径的前导众数，将前导众数作为最终的前导值；
分别取净增容量趋势项、售电量趋势项，两者分别记为{Ni|1，2，…，45和{Qi|1，2，…，45；
S302：利用动态时间规整算法计算售电量趋势项与净增容量趋势项之间的最短规整路径D(N，Q)；
S303:分别记NiQi，NiQi+1，…，NiQi+m为前导0个月、前导1月，…前导m个月，其在最短规整路径中出现的次数分别记为C0，C1，…，Cm；取最大的前导月份为12，那么净增容量的前导月份L＝max{Ci|＝0，1，…12；
S304、利用上述过程，即可得到制造业PMI、非制造业PMI，净增容量趋势项前导售电量的前导期数。
4.根据权利要求1～2中任意一项所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，在步骤S03中，结合SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法和混合专家模型算法分别对趋势项、季节项和随机项进行预测；具体地，
采用SVM算法、L1/2稀疏迭代回归算法、回声状态网络算法、极限学习机算法四种算法对趋势项分别预测；
利用L1/2稀疏迭代回归算法建模得到季节项预测结果；
结合最高温度、最低温度、平均温度、节假日天数，结合混合专家模型、逻辑回归算法，得到随机项预测结果。
5.根据权利要求4所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，步骤S04的具体过程如下：
S401：分别对趋势项、季节项、随机项进行预测；
S402：预测结果进行曲线重构，即预测售电等于趋势项、季节项、随机项三项预测结果之和；
S403：采用模型训练误差etrain，预测趋势项相似度simforecast，预测趋势可信度credit评价指标进行曲线择优；
Figure FDA0004209736450000021
其中，
Figure FDA0004209736450000022
分别为第j个历史年月真实售电量和历史年月预测售电量；
Figure FDA0004209736450000023
其中，
Figure FDA0004209736450000031
分别为第j月预测售电量和对应的上一年该月真实售电量，
Figure FDA0004209736450000032
的长度为12；
Figure FDA0004209736450000033
其中，r′、r′min、r′max均为售电量年度增长率；
S404、结合上述评价指标和AHP综合评价算法获得最优预测结果。
6.根据权利要求5所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，趋势项预测如下：
获取售电量趋势项、即时性因素、前导性因素数据序列；
建立预测模型，采用SVM、L1/2稀疏迭代、回声状态网络和极限学习机四种算法分别对趋势项进行预测；
获得四种趋势项预测结果，分别记为：Qt(i)(SVM)，Qt(i)(L1/2)，Qt(i)(ESN)，Qt(i)(ELM)：
Q(i)(1)＝Qt(i)(SVM)+Qs(i)+Qr(i)
Q(i)(2)＝Qt(i)(L1/2)+Qs(i)+Qr(i)
Q(i)(3)＝Qt(i)(ESN)+Qs(i)+Qr(i)
Q(i)(4)＝Qt(i)(ELM)+Qs(i)+Qr(i)。
7.根据权利要求1～2中任意一项所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，步骤S05的具体过程为：
S501：计算每年预定月份的平均电量，拟合平均电量与月份之间的函数关系式f(x)，其中预定月份为4月、5月、9月、10月；
S502：根据上述关系式计算预测年份的平均电量；
S503：根据每日时刻温度计算每年4月、5月、9月、10月平均温度，其中，月平均温度等于每月日平均温度的平均值，而日平均温度则为每日2时，8时，14时，20时4个时间温度的平均值；
结合上述计算所得平均电量、月度平均温度、温度同比变化量三个变量，构建同各月总电量的函数关系f(x，T，ΔT)；
S504：将待预测年月平均电量，预测平均温度及预测温度同比变化量带入函数关系式f(x，T，ΔT)，计算可得预测年份4月、5月、9月、10月的预测电量。
8.根据权利要求1～2中任意一项所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，步骤S06的具体过程为：
S601：计算历史1月、2月和3月的售电量占季比、历年春节距1月1日、2月1日和3月1日的天数；
S602：将所得占季比与距离春节天数进行最小二乘法拟合，获得天数与售电量占季比的拟合关系式f(x)；
S603:根据未来年份第一季度各月距离春节天数，带入f(x)计算未来月份售电量占季比，对一季度的预测结果重新分配。
9.一种基于大数据的用电类别售电量分析与预测系统，用于执行如权利要求1-8中任意一项所述的基于大数据的用电类别售电量分析与预测方法，其特征在于，包括
获取模块，用于获取售电量数据，并对数据进行预处理；
分解模块，用于利用贝叶斯季节调整算法分解售电量曲线，分解得到趋势项、季节项和随机项；
初步预测模块，用于引入前导指标，结合多种算法分别对趋势项、季节项和随机项进行预测，得到多种初步预测结果；
优化模块，用于将得到的趋势项、季节项和随机项预测结果加和，得到多种预测结果，并采用层次分析法得到最优预测结果；
调整模块，用于对居民售电量预测采用两段式建模，分别对预定月份的预测电量进行调整；
最终预测模块，用于利用春节因素调整一季度售电量，得到全年最终预测结果。
CN202010260212.9A 2020-04-03 2020-04-03 一种基于大数据的用电类别售电量分析与预测方法及系统 Active CN111476677B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010260212.9A CN111476677B (zh) 2020-04-03 2020-04-03 一种基于大数据的用电类别售电量分析与预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010260212.9A CN111476677B (zh) 2020-04-03 2020-04-03 一种基于大数据的用电类别售电量分析与预测方法及系统

Publications (2)

Publication Number Publication Date
CN111476677A CN111476677A (zh) 2020-07-31
CN111476677B true CN111476677B (zh) 2023-06-20

Family

ID=71749848

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010260212.9A Active CN111476677B (zh) 2020-04-03 2020-04-03 一种基于大数据的用电类别售电量分析与预测方法及系统

Country Status (1)

Country Link
CN (1) CN111476677B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112308305B (zh) * 2020-10-27 2022-12-06 国网浙江省电力有限公司舟山供电公司 一种基于多模型综合的售电量预测方法
CN112288187A (zh) * 2020-11-18 2021-01-29 国网湖南省电力有限公司 一种基于大数据的售电量预测方法
CN113361750A (zh) * 2021-05-17 2021-09-07 国网安徽省电力有限公司淮北供电公司 一种基于业扩报装大数据的售电量预测方法
CN113610409A (zh) * 2021-08-12 2021-11-05 北京中电普华信息技术有限公司 一种电费回收风险预警方法及装置
CN115603321B (zh) * 2022-11-11 2023-06-16 浙江浙能能源服务有限公司 一种基于电力消费数据的电力负荷预测系统及方法
CN115496304B (zh) * 2022-11-16 2023-08-29 国网江苏省电力有限公司营销服务中心 一种代理购电量预测算法的立体综合评价方法及系统

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220764A (zh) * 2017-05-25 2017-09-29 北京中电普华信息技术有限公司 一种基于前导分析和因素补偿的售电量预测方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7274975B2 (en) * 2005-06-06 2007-09-25 Gridpoint, Inc. Optimized energy management system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220764A (zh) * 2017-05-25 2017-09-29 北京中电普华信息技术有限公司 一种基于前导分析和因素补偿的售电量预测方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李欢欢 ; 张晨 ; 吴静 ; 张予燮 ; 谭忠富 ; .售电放开政策下发电商售电策略与交易谈判优化模型.电力建设.(第03期), 127-133. *

Also Published As

Publication number Publication date
CN111476677A (zh) 2020-07-31

Similar Documents

Publication Publication Date Title
CN111476677B (zh) 一种基于大数据的用电类别售电量分析与预测方法及系统
Hong et al. Energy forecasting: A review and outlook
Meiri et al. Using simulated annealing to optimize the feature selection problem in marketing applications
Quigley Housing demand in the short run: An analysis of polytomous choice
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
US20090319310A1 (en) Information Criterion-Based Systems And Methods For Constructing Combining Weights For Multimodel Forecasting And Prediction
Raju et al. An approach for demand forecasting in steel industries using ensemble learning
Guo et al. Designing a sustainable-remanufacturing closed-loop supply chain under hybrid uncertainty: Cross-efficiency sorting multi-objective optimization
CN115409563A (zh) 一种多因素影响的农业装备库存需求预测方法
CN114298538A (zh) 电网零购项目的投资方案评估方法、系统及存储介质
CN117196695B (zh) 一种目标产品的销量数据的预测方法及装置
Flesca et al. On forecasting non-renewable energy production with uncertainty quantification: A case study of the Italian energy market
Ye et al. Short-term load forecasting using ensemble empirical mode decomposition and harmony search optimized support vector regression
CN114154716A (zh) 一种基于图神经网络的企业能耗预测方法及装置
Xie et al. A fuzzy ARIMA correction model for transport volume forecast
CN112288187A (zh) 一种基于大数据的售电量预测方法
Wang et al. Multi‐objective expansion planning of park‐level integrated energy system considering the volatility trend of CETP
Gallina et al. Work in progress level prediction with long short-term memory recurrent neural network
CN116502750A (zh) 一种基于gra-pso-lssvm的城镇燃气日负荷预测方法
Hu Forecast combination using grey prediction with fuzzy integral and time-varying weighting in tourism
Qu et al. Probability prediction method of short-term electricity price based on quantile neural network model
CN112785032A (zh) 一种电力业扩配套项目实物库存储备阀值优化方法
Yoon et al. Methodology for Improving the Performance of Demand Forecasting Through Machine Learning
CN115496304B (zh) 一种代理购电量预测算法的立体综合评价方法及系统
Lao et al. An LSTM Model for Large-Scale Industrial Electricity Demand Forecast Based on RFE Feature Selection

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