CN111754024A - 一种基于回归分析的电力行业时间序列预测方法和装置 - Google Patents
一种基于回归分析的电力行业时间序列预测方法和装置 Download PDFInfo
- Publication number
- CN111754024A CN111754024A CN202010439753.8A CN202010439753A CN111754024A CN 111754024 A CN111754024 A CN 111754024A CN 202010439753 A CN202010439753 A CN 202010439753A CN 111754024 A CN111754024 A CN 111754024A
- Authority
- CN
- China
- Prior art keywords
- target object
- sequence
- data
- historical data
- time
- 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 43
- 238000000611 regression analysis Methods 0.000 title claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000012545 processing Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000009795 derivation Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000009499 grossing Methods 0.000 description 5
- 230000006872 improvement Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000003245 coal Substances 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010977 unit operation 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
- G06Q30/0206—Price or cost determination based on market factors
-
- 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
-
- 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
- Y04S50/00—Market activities related to the operation of systems integrating technologies related to power network operation or related to communication or information technologies
- Y04S50/14—Marketing, i.e. market research and analysis, surveying, promotions, advertising, buyer profiling, customer management or rewards
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Development Economics (AREA)
- Human Resources & Organizations (AREA)
- Finance (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Pure & Applied Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Probability & Statistics with Applications (AREA)
- General Engineering & Computer Science (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (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回归分析的电力行业时间序列预测方法和装置。所述方法包括:获取目标对象的历史数据以及目标对象影响因子的历史数据;将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;将完整的待输入数据输入预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。本发明通过先生成各影响因子预估序列扩充输入数据,并通过场景参数调整,可以得到更准确的时间序列预测结果,本发明可用于电力行业的各种数据指标的分析和预测。
Description
技术领域
本发明涉及电力行业预测技术领域,具体涉及一种电力行业时间序列预测方法和设备。
背景技术
20世纪90年代以来,世界各国的电力工业相继引入市场竞争,市场化运营己成为国际电力工业发展的一种趋势。电力市场竞价交易的顺利进行必须以科学合理的竞价算法为理论基础,竞价算法作为电力市场交易的核心问题,最终目的就是在系统安全、稳定运行的条件下,提高其经济性。在这一过程中,对出清价格的准确预测发挥着重要的作用。
同时,由于电能难以大量存储以及电力需求时刻变化等特点,要求系统发电应与负荷的变化实现动态平衡。提高负荷预测准确率有利于提高发电设备的利用率和经济调度的有效性,特别是在电力行业市场化调节的背景下,电力供需将通过实时交易实现平衡,短期负荷预测精度越来越重要。
除了对负荷预测外,电力行业还有很多其他物理量的预测对电网安全稳定运行具有现实意义,例如机组运行时间、爬坡速率、最小出力等。所有这些物理量,都具有时间序列和周期性的特征。在这种情况下,时间序列的准确预测与分析就成为一个亟待解决的问题。
时间序列预测技术是将预测目标的历史数据按照时间顺序排列成时间序列,然后分析它随着时间变化的趋势,推导预测目标的未来值。传统的时间序列预测方法,例如ARIMA(autoregressive integrated moving average)模型已经在很多场景中使用,但在它们通常有如下缺陷:适用的时序数据过于局限,例如最通用的ARIMA模型,其要求时序数据是稳定的,或者通过差分化后是稳定的,且在差分运算时提取的是固定周期的信息。这往往很难符合现实数据的情况。此外,对于数据中存在缺失值的情况,传统的方法都需要先进行缺失值填补,这很大程度上损害了数据的可靠性。因此,需要提供更精确的对电力行业时间序列的预测方法。
发明内容
发明目的:针对现有技术的不足,本发明提出一种基于回归分析的电力行业时间序列预测方法及装置,实现电力行业时间序列的准确预测,促进电力行业的整体效率提升。
技术方案:第一方面,提供一种基于回归分析的电力行业时间序列的预测方法,包括以下步骤:
获取目标对象的历史数据以及目标对象影响因子的历史数据,所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列,所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列;
将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;
将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;
将完整的待输入数据输入训练好的预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。
作为优选的实施方式,所述时间序列预测模型为prophet模型。
作为优选的实施方式,所述目标对象影响因子包括天气状况、经济状况、电网运行状况。
作为优选的实施方式,所述方法在生成各影响因子预估序列后还包括:将影响因子的历史数据、影响因子预估序列依次经过预定义的滑动窗口,对处于窗口内的数据进行平滑计算,派生形成额外的影响因子序列;
再将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生的额外影响因子序列进行组合,形成完整的待输入数据。
作为优选的实施方式,所述预测模型形式为:将输入数据所含的多个时间序列形成的高维向量作为自变量,将待预测目标作为目标函数通过计算的梯度gn和Hessian矩阵Hn并根据得出最优的模型参数其中α是计算步长,得到了模型参数后,由待预测时段影响因子的值计算出待预测的目标值。
作为优选的实施方式,所述场景参数包括影响因子权重参数、门限值参数、时间参数、西格玛准则参数中的一项或多项,所述影响因子权重参数用于调整输入数据中所述不同影响因子序列的比重;所述门限参数用于限制目标对象的预测值的上限和下限;所述时间参数用于标识对目标对象具有影响的周期性和突发事件的发生时间,所述西格玛准则参数用于设置对评估结果的精度要求。
第二方面,提供一种基于回归分析的电力行业时间序列的预测装置,包括:
数据获取模块,被配置为获取目标对象的历史数据以及目标对象影响因子的历史数据,所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列,所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列;
影响因子预估序列生成模块,被配置为将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;
输入数据整合模块,被配置为将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;
最终序列预测模块,被配置为将完整的待输入数据输入预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。
作为优选的实施方式,所述装置还包括影响因子派生序列模块,被配置为将影响因子的历史数据、影响因子预估序列依次经过预定义的滑动窗口,对处于窗口内的数据进行平滑计算,派生形成额外的影响因子序列;
所述输入数据整合模块将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生的额外影响因子序列进行组合,形成完整的待输入数据。
第三方面,提供一种数据处理装置,所述装置包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如本发明第一方面所述的预测方法。
第四方面,提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被处理器执行时实现如本发明第一方面所述的预测方法。
有益效果:本发明首次实现了采用prophet模型进行回归分析的电力行业时间序列的预测功能,构建多影响因子的预估序列,扩充了数据样本,并且提供不同场景参数的设置,提高预测精度,利用本方法可对电力行业的诸多物理量的时间序列进行预测,且具有较高的精确性,可作为对现有预测与分析方法的有力补充和替代。本发明提升了对电力行业诸多物理量时间序列的预测能力,对促进电力行业的整体效率提升提供了重要技术支持。
附图说明
图1为基于回归分析的电力行业时间序列预测方法流程图;
图2为在一个实施例中使用时间序列预测方法的原理框图;
图3为根据一个实施例所得的某地区电力负荷日前预测分析结果。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。
参照图1,在一个实施例中,一种基于回归分析的电力行业时间序列预测方法,包括以下步骤:
步骤S10,获取目标对象的历史数据以及目标对象影响因子的历史数据。
目标对象的历史数据,为目标对象在过去一段时间内若干时间节点的数值序列。目标对象影响因子的历史数据,为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列。在本实施例中,目标对象为某地区的电力负荷,目标对象的影响因子包括天气状况、经济状况、电网运行状况,这是根据行业内对电力负荷影响的总体分析可知,一般而言,气温、气压等气象环境变化会对居民用电产生影响;经济形势的好差也会体现出用电量的变化,例如从多年工业用电增长与工业发展的关系观察,电力消费增长与工业经济增长具有一定的相关性,用电量增速可作为观察本地区经济发展趋势的参考依据;具体而言,天气状况可以按诸如气温、湿度、风速、气压等子因素进行细分,经济状况可以按诸如当地的GDP、贸易额、消费、税收、煤炭使用量等子因素进行细分;影响因素还考虑其他可能会影响电力负荷的电网运行状况。
步骤S20,将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列。
由于prophet回归模型需要同时提供影响因子序列的历史数据和待预测时间段的数据,对于缺乏待预测时间段的影响因子数据需要事先额外调用prophet模型进行拟合,因此,通过将历史天气信息、经济数据、电网运行等影响因子数据先后导入prophet模型进行回归拟合实现数据扩充,分别生成包含历史和带预测时间段的相应时间序列。
具体而言,首先根据预测目标的需要将每日或每小时的相关天气信息诸如气温、湿度、风速、气压等以时间序列的形式导入prophet模型进行回归拟合,生成包含历史和待预测时间段的天气信息时间序列;同样的,对其他影响因子时间序列进行回归拟合,这类影响因子可以包括经济数据(诸如当地的GDP、贸易额、消费、税收、煤炭使用量等)、其他影响目标电力数据的电力运行数据等。
作为优选的实施方案,对上述特征有选择地引入滑动窗派生形成新的影响因子。
传统方式对prophet模型的使用步骤是:根据格式要求填入训练数据,指定要预测的时段,然后训练即可。但在实际操作时,按照这样处理经过训练后使用测试样本进行预测发现结果和实际情况误差较大,反而未能体现出prophet模型的优势。本发明提出滑动窗机制,按照时间的顺序对每一个时间段的数据进行统计,从而得到每个时间段内影响因子体现的累积效应,进而从连续的时间片段中,通过对同一影响因子在不同时间维度下的分析,可以得到数据的变化趋势。
在本发明中,引入滑动窗技术,首先预定义滑动窗口的长度,让某个选定的影响因子时间序列(包括影响因子的历史数据以及生成的影响因子预估序列)经过滑动窗口,派生形成额外的影响因子。例如窗口长度设为7d,则将以7d的时间粒度进行平滑计算,当输入前7个时间序列值后,以这1-7d的序列进行平滑计算,得到一个数值,后续输入数据继续经过窗口,依次地,再以2-8d、3-9d、4-10d……的序列进行平滑计算,得到第二个、第三个、第四个……数值,这些数值构成派生的额外影响因子序列。平滑计算的方法可以是求累加值、求平均值、求最大值、最小值或寻找中间值等其中的任一种。通过这样的处理,能够平滑异常值对预测结果的冲击,且能够增加原影响因子的累积效应,得到比较精确的结果。
步骤S30,将历史数据和预估数据进行组合,形成完整的待输入数据。
具体地,将步骤S10和步骤20得到的目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生的额外影响因子序列进行组合,形成完整的待输入数据。并对各影响因子的时间序列进行标识,便于后续调整权重时识别。
步骤S40,将完整的待输入数据输入预测模型,并根据目标对象的应用场景设置场景参数,得到目标对象在目标时段的最终预估时间序列。
完整的待输入数据包含了多个时间序列,形成高维向量,以高维向量作为自变量,待预测目标为目标函数如此,可视作预测模型,成为模型参数,已知的影响因子数据作为数据集。预测模型也就是目标函数的参数的求解问题转化为利用数据集训练模型的问题。通过计算的梯度gn和Hessian矩阵Hn并根据得出最优的模型参数其中α是计算步长,xn为模型参数向量。得到了最优模型参数后,即可由待预测时段影响因子的值计算出待预测的目标值。
为了对包含多因素的输入数据进行充分有效的利用,提高效率和预测精度,本发明提出按电力应用场景设置场景参数,这些场景参数包括影响因子权重参数、门限值参数、时间参数、西格玛准则参数中的一项或多项,最终拟合输出待预测的目标电力数据。其中影响因子权重参数用于调整输入数据中所述不同影响因子时间序列所占的比重;门限参数用于限制目标对象的预测值的上限和下限,将预测值的范围合理设置在最大值与最小值之间,可提高回归效率;时间参数用于标识对目标对象具有影响的周期性和突发事件的发生时间,可根据需求设置年、季度、月、周、日、甚至小时的周期性;西格玛准则参数用于设置对评估结果的精度要求,可根据特定需求对预测值选择不同的西格玛准则。
本发明提供对影响因子的权重设置,在步骤S30中进行数据组合时,对各影响因子序列做出了标识,这样在进行回归拟合的过程中,可以灵活地调整相应影响因子的训练数据的权重。权重的计算方法有AHP层次分析法、主成分分析、熵值法等,具体的原理不加以赘述。本发明向用户提供交互接口,供用户自行设置。
时间参数是prophet模型中已有的参数。可参考帮助文档进行自定义设置,此处不加以赘述。
为了提高对特定场景的精度要求,本发明还引入了门限参数、西格玛准则参数。通过设置门限参数来限制预测值的范围;通过设置西格玛准则参数,可以识别出非随机误差,剔除误差超过预设区间的数据。
本发明相关的预测与分析环境在实验室得到实现。参照图2,基于回归分析的电力行业时间序列预测方法实验环境在服务器上部署成功。使用美国PJM提供的电力出清价格以及相关的天气、经济、电网等影响因子数据,叠加滑动窗参数、门限规则、周期参数、西格玛准则等设置对未来的电力出清价格作出了预测,对电力市场发电侧和售电侧的竞价策略提供技术支撑。类似地,采用相同的方法对某地区的负荷做出预测,预测结果如图3所示,达到和真实负荷基本重合的精度,能够为用户侧的需求相应提供决策依据。从而为促进电力行业的整体效率提升提供了重要支持。
根据本发明的另一实施例,提供一种基于回归分析的电力行业时间序列的预测装置,包括:
数据获取模块,被配置为获取目标对象的历史数据以及目标对象影响因子的历史数据,所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列,所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列;
影响因子预估序列生成模块,被配置为将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;
输入数据整合模块,被配置为将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;
最终序列预测模块,被配置为将完整的待输入数据输入预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。
在本实施例中,目标对象为某地区电力负荷,影响因子包括天气状况、经济状况、电网运行状况。获取目标对象的历史数据以及目标对象影响因子的历史数据后,影响因子预估序列生成模块使用prophet模型,基于影响因子历史数据生成各影响因子预估序列。作为优选的实施方式,预测装置还包括影响因子派生序列模块,用于将影响因子的历史数据、影响因子预估时间序列通过滑动窗口进行平滑计算,实现对异常值的平滑。具体控制方式:预定义滑动窗口的长度;让某个选定的影响因子时间序列依次经过滑动窗口,对处于窗口内的数据进行平滑计算,派生形成额外的影响因子。输入数据整合模块将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生形成的额外影响因子序列进行组合,形成完整的待输入数据。
最终序列预测模块将完整的待输入数据输入预测模型,该预测模型的形式为:将输入数据所含的多个时间序列形成的高维向量作为自变量,将待预测目标作为目标函数通过计算的梯度gn和Hessian矩阵Hn并根据得出最优的模型参数其中α是计算步长,得到了模型参数后,由待预测时段影响因子的值计算出待预测的目标值。
为了提高效率和预测精度,本发明提供场景参数的设置,场景参数包括影响因子权重参数、门限值参数、时间参数、西格玛准则参数中的一项或多项,其中的影响因子权重参数用于调整输入数据中所述不同影响因子序列的比重;门限参数用于限制目标对象的预测值的上限和下限;时间参数用于标识对目标对象具有影响的周期性和突发事件的发生时间,西格玛准则参数用于设置对评估结果的精度要求。
应当了解,本发明实施例中的时间序列预测装置可以实现上述方法实施例中的全部技术方案,其各个功能模块的功能可以根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述实施例中的相关描述,此处不再赘述。
在本发明中,基于人工智能中的回归分析方法,实现了运维和巡检的自动化辅助决策,减少了人工成本,提升了效率。本发明的方法和装置可用于电力行业的各种数据指标的分析和预测。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是: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应当理解: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,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于回归分析的电力行业时间序列的预测方法,其特征在于,所述方法包括:
获取目标对象的历史数据以及目标对象影响因子的历史数据,所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列,所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列;
将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;
将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;
将完整的待输入数据输入预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。
2.根据权利要求1所述的基于回归分析的电力行业时间序列的预测方法,其特征在于,所述时间序列预测模型为prophet模型。
3.根据权利要求1所述的基于回归分析的电力行业时间序列的预测方法,其特征在于,所述目标对象影响因子包括天气状况、经济状况、电网运行状况。
4.根据权利要求1所述的基于回归分析的电力行业时间序列的预测方法,其特征在于,所述方法在生成各影响因子预估序列后还包括:将影响因子的历史数据、影响因子预估序列依次经过预定义的滑动窗口,对处于窗口内的数据进行平滑计算,派生形成额外的影响因子序列;
再将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生的额外影响因子序列进行组合,形成完整的待输入数据。
6.根据权利要求1所述的基于回归分析的电力行业时间序列的预测方法,其特征在于,所述场景参数包括影响因子权重参数、门限值参数、时间参数、西格玛准则参数中的一项或多项,所述影响因子权重参数用于调整输入数据中所述不同影响因子序列的比重;所述门限参数用于限制目标对象的预测值的上限和下限;所述时间参数用于标识对目标对象具有影响的周期性和突发事件的发生时间,所述西格玛准则参数用于设置对评估结果的精度要求。
7.一种基于回归分析的电力行业时间序列的预测装置,其特征在于,包括:
数据获取模块,被配置为获取目标对象的历史数据以及目标对象影响因子的历史数据,所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列,所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列;
影响因子预估序列生成模块,被配置为将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合,生成各影响因子预估序列;
输入数据整合模块,被配置为将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合,形成完整的待输入数据;
最终序列预测模块,被配置为将完整的待输入数据输入预测模型,并进行场景参数的设置,得到目标对象在目标时段的最终预估序列。
8.根据权利要求7所述的基于回归分析的电力行业时间序列的预测装置,其特征在于,还包括影响因子派生序列模块,被配置为将影响因子的历史数据、影响因子预估序列依次经过预定义的滑动窗口,对处于窗口内的数据进行平滑计算,派生形成额外的影响因子序列;
所述输入数据整合模块将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列、派生的额外影响因子序列进行组合,形成完整的待输入数据。
9.一种数据处理装置,其特征在于,所述装置包括:
一个或多个处理器;
存储器;
以及一个或多个程序,其中所述一个或多个程序被存储在所述存储器中,并且被配置为由所述一个或多个处理器执行,所述程序被处理器执行时实现如权利要求1-6中的任一项所述的电力行业时间序列预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,当所述计算机指令被处理器执行时实现如权利要求1-6中的任一项所述的电力行业时间序列预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439753.8A CN111754024B (zh) | 2020-05-22 | 2020-05-22 | 一种基于回归分析的电力行业时间序列的预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010439753.8A CN111754024B (zh) | 2020-05-22 | 2020-05-22 | 一种基于回归分析的电力行业时间序列的预测方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111754024A true CN111754024A (zh) | 2020-10-09 |
CN111754024B CN111754024B (zh) | 2022-09-13 |
Family
ID=72673709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010439753.8A Active CN111754024B (zh) | 2020-05-22 | 2020-05-22 | 一种基于回归分析的电力行业时间序列的预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111754024B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
CN112836871A (zh) * | 2021-01-27 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 一种配电网可靠性预测方法、装置、设备和介质 |
CN113312587A (zh) * | 2021-06-16 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
CN115081681A (zh) * | 2022-05-25 | 2022-09-20 | 四川大学 | 一种基于prophet算法的风电功率预测方法 |
CN116739383A (zh) * | 2023-06-30 | 2023-09-12 | 浙江东鸿电子股份有限公司 | 基于大数据的充电桩电力负荷预测评估方法 |
CN117269655A (zh) * | 2023-11-17 | 2023-12-22 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、系统、终端及介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109103881A (zh) * | 2018-10-24 | 2018-12-28 | 国网江西省电力有限公司经济技术研究院 | 适用于多场景的电力负荷预测方法 |
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
-
2020
- 2020-05-22 CN CN202010439753.8A patent/CN111754024B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109325880A (zh) * | 2018-09-21 | 2019-02-12 | 国网天津市电力公司 | 一种基于Verhulst-SVM的中长期负荷预测方法 |
CN109103881A (zh) * | 2018-10-24 | 2018-12-28 | 国网江西省电力有限公司经济技术研究院 | 适用于多场景的电力负荷预测方法 |
CN109658124A (zh) * | 2018-10-24 | 2019-04-19 | 中国平安人寿保险股份有限公司 | 基于大数据的效果预测方法、装置、介质及电子设备 |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112288163A (zh) * | 2020-10-29 | 2021-01-29 | 平安科技(深圳)有限公司 | 目标对象的目标因子预测方法及相关设备 |
CN112836871A (zh) * | 2021-01-27 | 2021-05-25 | 广东电网有限责任公司广州供电局 | 一种配电网可靠性预测方法、装置、设备和介质 |
CN113312587A (zh) * | 2021-06-16 | 2021-08-27 | 福建中锐网络股份有限公司 | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 |
CN113312587B (zh) * | 2021-06-16 | 2023-09-22 | 福建中锐网络股份有限公司 | 基于arima预测和回归预测的传感器采集数据缺失值处理方法 |
CN114529072A (zh) * | 2022-02-11 | 2022-05-24 | 杭州致成电子科技有限公司 | 一种基于时间序列的区域电量预测方法 |
CN115081681A (zh) * | 2022-05-25 | 2022-09-20 | 四川大学 | 一种基于prophet算法的风电功率预测方法 |
CN116739383A (zh) * | 2023-06-30 | 2023-09-12 | 浙江东鸿电子股份有限公司 | 基于大数据的充电桩电力负荷预测评估方法 |
CN116739383B (zh) * | 2023-06-30 | 2024-02-23 | 浙江东鸿电子股份有限公司 | 基于大数据的充电桩电力负荷预测评估方法 |
CN117269655A (zh) * | 2023-11-17 | 2023-12-22 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、系统、终端及介质 |
CN117269655B (zh) * | 2023-11-17 | 2024-02-06 | 国网山东省电力公司东营供电公司 | 变电站电力设备温度异常监测方法、系统、终端及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111754024B (zh) | 2022-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111754024B (zh) | 一种基于回归分析的电力行业时间序列的预测方法和系统 | |
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN108171379B (zh) | 一种用电负荷预测方法 | |
CN111950810B (zh) | 一种基于自演化预训练的多变量时间序列预测方法和设备 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
JP2022510667A (ja) | エネルギー消費量を予測するための方法および装置 | |
CN114895380A (zh) | 一种太阳辐射预测方法、装置、设备和介质 | |
CN109961160B (zh) | 一种基于潮流参数的电网未来运行趋势预估方法及系统 | |
CN110377525B (zh) | 一种基于运行时特征和机器学习的并行程序性能预测系统 | |
Lum et al. | Industrial electrical energy consumption forecasting by using temporal convolutional neural networks | |
CN111310121A (zh) | 一种新能源出力概率预测方法和系统 | |
CN110826196B (zh) | 一种工业设备运行数据的处理方法及装置 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
KR102306968B1 (ko) | 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘 | |
RU151431U1 (ru) | Автоматизированная система контроля и управления электропотреблением предприятий | |
CN112668249A (zh) | 电网一次设备大修技改方案在线构建方法及系统 | |
CN116934041B (zh) | 一种基于物联网协同的工厂任务管理方法及系统 | |
CN117555284B (zh) | 一种基于plc的动力优化方法、系统、装置和介质 | |
CN117634933B (zh) | 一种碳排放数据预测方法及装置 | |
CN117952564B (zh) | 一种基于进度预测的排程模拟优化方法及系统 | |
CN117196257A (zh) | 配电网工程辅助结算系统 | |
CN118095575B (zh) | 实时产能预测与优化生产计划系统及方法 | |
CN117892638B (zh) | 一种利用条件概率函数的干旱形成时间预测方法及系统 | |
CN114036823B (zh) | 基于编解码和记忆机制的电力变压器负载控制方法及装置 | |
CN117949886B (zh) | 互感器校验仪智能调控方法、系统、电子设备及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |