CN111859286A - 一种疫情影响下售电量精准预测方法 - Google Patents
一种疫情影响下售电量精准预测方法 Download PDFInfo
- Publication number
- CN111859286A CN111859286A CN202010536579.9A CN202010536579A CN111859286A CN 111859286 A CN111859286 A CN 111859286A CN 202010536579 A CN202010536579 A CN 202010536579A CN 111859286 A CN111859286 A CN 111859286A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- influence
- epidemic
- epidemic situation
- electricity
- 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
- 230000005611 electricity Effects 0.000 title claims abstract description 106
- 238000000034 method Methods 0.000 title claims abstract description 62
- 230000012010 growth Effects 0.000 claims abstract description 26
- 230000001932 seasonal effect Effects 0.000 claims abstract description 23
- 230000002354 daily effect Effects 0.000 claims abstract description 20
- 238000005457 optimization Methods 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 17
- 230000003203 everyday effect Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012935 Averaging Methods 0.000 claims abstract description 10
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000003745 diagnosis Methods 0.000 claims description 25
- 238000001914 filtration Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000004140 cleaning Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 238000011161 development Methods 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 238000003066 decision tree Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000002015 leaf growth Effects 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 206010035664 Pneumonia Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q30/0202—Market predictions or forecasting for commercial activities
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Finance (AREA)
- Development Economics (AREA)
- Accounting & Taxation (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Databases & Information Systems (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种疫情影响下售电量精准预测方法，包括：构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；构造算法二，利用X13季节分解算法分解售电量曲线处理，以得到预测后的售电量曲线；对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果。构造算法三，利用均值法得到疫情持续期间的每天影响电量；构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量。利用疫情影响的电量计算结果进行修正，得到最终的售电量精准预测结果。
Description
技术领域
本发明涉及电力领域，尤其涉及一种疫情影响下售电量精准预测方法。
背景技术
售电量预测是国家电网公司的一项重要的基础性工作，精准的售电量预测是确保电网公司完成年度营销任务，保证供电企业完成电力销售任务，以及维护电力市场和电网经济平稳运行的一项重要决策依据。春节期间的突发疫情，对全年的售电量估计造成一定的偏差，研究疫情影响下售电量的偏差趋势以及精准预测疫情影响电量，修正全年预测电量，为全面制定电量购售政策、保证电网行业经济平稳运行提供重要技术支撑，并且对于电力市场因素分析挖掘提供重要指导。
发明内容
本发明的目的是提供一种疫情影响下售电量精准预测方法，以解决疫情影响期间直接采用模型预测值导致的售电量预测不准，无法估计和探查售电量预测偏差的问题。
为了实现上述目的，本发明提供如下技术方案：
一种疫情影响下售电量精准预测方法，包括：
建模数据清洗和数据规约处理；
构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；
构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；
用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果；
构造算法三，利用均值法得到疫情持续期间的每天影响电量；
构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；
利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量；
利用疫情影响的电量计算结果，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。
优选的，构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：建立自回归模型：
f(Xt-1,Xt-2,...,Xt-p)＝Xt
其中，序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型，利用LightGBM算法预测售电量。
优选的，利用集成学习中的LightGBM算法，对自回归拟合出来的售电量进行预测。主要特点如下：
直方图算法寻找最优分割点，利用带深度限制的Leaf-wise的叶子生长策略，进行决策树的搜索和分裂，利用基于直方图的稀疏特征优化，降低更多误差，提高拟合精度。
优选的，构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线，包括：
在预处理的基础上，采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：
Yt＝Tt+St+It
其中Yt表示预处理之后的历史售电量数据，Tt表示售电量趋势项，St表示售电量季节项，It表示售电量随机项。
基于分解的售电量，利用ARIMA模型对趋势项进行预测，将预测后的三部分加和，得到最终的预测售电量。
优选的，利用ARIMA模型对分解后的趋势项进行预测，得到预测后的售电量曲线，是指：
结合差分自回归移动平均(ARIMA)算法，对售电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果。
优选的，利用卡尔曼滤波算法，基于历史电量，对算法一结果以及算法二结果进行优化估计，得到正常情况下模型最优预测结果，是指：
根据历史电量值，利用卡尔曼滤波对算法一结果和算法二结果进行优化估计，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值，需要对其方差进行递归更新，得到最优的加权结果。
优选的，构造算法三，利用均值法得到疫情持续期间的每天影响电量，是指：
根据疫情爆发后当月的售电量和正常情况下的预测售电量，得到疫情爆发期间当月的影响电量总量ΔQ，利用均值法计算疫情爆发期间每天影响电量为：
其中，T为受疫情影响的当月天数。
优选的，构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重，是指：
利用Logistic生长曲线，预测疫情病例的累计确诊、累计治愈人数和疫情影响时长，并通过累计病例平移计算每天的新增病例，基于新增确诊和新增治愈人数，利用熵权法计算每天的疫情影响权重。
优选的，利用Logistic生长曲线预测累计确诊和累计治愈人数和疫情影响时长，是指：
累计确诊和累计治愈符合如下Logistic生长曲线的发展趋势：
其中，K为环境容量，即增长到最后，P(t)能到达的极限。P0为初始容量，r为增长速率，r越大增长越快，曲线越陡峭。使用最小二乘拟合方法，求出上述提到的参数：K,P0,r。
优选的，由预测得到的累计确诊和累计治愈人数，得到每天新增的确诊和治愈人数，是指：
根据Logistic生长曲线计算得到的累计确诊和累计治愈病例人数，通过数据向前平移、做差得到每天确诊和每天治愈病例人数。
优选的，利用综合评价熵权法，计算每天的疫情影响权重，是指：
通过已经计算得到的每天确诊和每天治愈人数，利用综合评价熵权法，计算每天的疫情影响权重。
优选的，利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量，是指：
基于算法三计算得到的每天平均影响电量，和算法四计算得到的每天疫情影响权重，两者进行加权，得到每天的最终疫情影响电量，进而得到疫情影响期间的影响电量总量。
优选的，利用疫情影响的电量计算结果，对模型预测结果进行修正，得到最终的售电量精准预测结果，是指：
通过对疫情期间影响电量的计算，以此作为全年售电量的偏差修正值，对模型预测的售电量进行修正，以得到最终的全年售电量精准预测结果，指导全年电量购售政策实施。
在本实施例中，对售电量进行预测时，除了正常年份模型预测，还考虑了本次春节期间新冠肺炎疫情对售电量造成的影响，首先对历史售电量进行数据预处理；
构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；
构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；利用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果。
构造算法三，利用均值法得到疫情持续期间的每天影响电量；
构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量。利用疫情影响的电量计算结果，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。
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，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种疫情影响下售电量精准预测方法的流程图；
图2为本发明实施例提供的一种疫情影响下售电量精准预测方法中的算法一流程图；
图3为本发明实施例提供的一种疫情影响下售电量精准预测方法中的算法二流程图；
图4为本发明实施例提供的一种疫情影响下售电量精准预测方法中的算法一和算法二优化估计流程图；
图5为本发明实施例提供的一种疫情影响下售电量精准预测方法中的影响电量算法三流程图；
图6为本发明实施例提供的一种疫情影响下售电量精准预测方法中的权重分析算法四流程图。
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做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。
请参阅图1，其示出了本发明实施例提供的一种疫情影响下售电量精准预测方法的流程图，包括：
S101：建模数据清洗和数据规约处理。
历史售电量数据往往是存在数据不一致性、数据规范性、异常值干扰等问题，直接进行建模预测会造成很大的偏差，影响模型的泛化能力。故需要对原始的历史售电量数据进行数据清洗、数据预处理等操作，提升建模拟合预测质量。
S102：构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：
建立自回归模型：
f(Xt-1,Xt-2,...,Xt-p)＝Xt
其中，序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型，利用LightGBM算法预测售电量。
利用集成学习中的LightGBM算法，对自回归拟合出来的售电量进行预测。主要特点如下：
直方图算法寻找最优分割点，利用带深度限制的Leaf-wise的叶子生长策略，进行决策树的搜索和分裂，利用基于直方图的稀疏特征优化，降低更多误差，提高拟合精度。
S103：构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线。
采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：
Yt＝Tt+St+It
其中Yt表示预处理之后的历史售电量数据，Tt表示售电量趋势项，St表示售电量季节项，It表示售电量随机项。
基于序列分解结果，结合差分自回归移动平均(ARIMA)算法，对售电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果。
S104：利用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果。
根据历史电量值，利用卡尔曼滤波对算法一结果和算法二结果进行优化估计，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值，需要对其方差进行递归更新，得到最优的加权结果。
S105：构造算法三，利用均值法得到疫情持续期间的每天影响电量。
根据疫情爆发后当月的售电量和正常情况下的预测售电量，得到疫情爆发期间当月的影响电量总量ΔQ，利用均值法计算疫情爆发期间每天影响电量为：
其中，T为受疫情影响的当月天数。
S106：构造算法四，利用Logistic生长曲线，预测疫情病例的累计确诊、累计治愈人数和疫情影响时长，累计确诊和累计治愈符合如下Logistic生长曲线的发展趋势：
其中，K为环境容量，即增长到最后，P(t)能到达的极限。P0为初始容量，r为增长速率，r越大增长越快，曲线越陡峭。使用最小二乘拟合方法，求出上述提到的参数：K,P0,r。
根据Logistic生长曲线计算得到的累计确诊和累计治愈病例人数，并得到疫情影响时长，通过数据向前平移、做差得到每天确诊和每天治愈病例人数。
通过已经计算得到的每天确诊和每天治愈人数，利用综合评价熵权法，计算每天的疫情影响权重。
S107：利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量。
基于算法三计算得到的每天平均影响电量，和算法四计算得到的每天疫情影响权重，两者进行加权，得到每天的最终疫情影响电量，进而得到疫情期间的影响电量总量。
S108：通过对疫情期间影响电量的计算，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。
上述实施例中，构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，如图2所示：
S201：构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：
S202：建立自回归模型：
f(Xt-1,Xt-2,...,Xt-p)＝Xt
其中，序列值随机变量Xt由前p个时刻的序列值。基于计算得到的自回归模型，利用LightGBM算法预测售电量。
S203：利用集成学习中的LightGBM算法，对自回归拟合出来的售电量进行预测。
S204：直方图算法寻找最优分割点，利用带深度限制的Leaf-wise的叶子生长策略，进行决策树的搜索和分裂。
S205：利用基于直方图的稀疏特征优化，降低更多误差，提高拟合精度。
S301：构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线。
S302：在预处理的基础上，采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：
Yt＝Tt+St+It
其中Yt表示预处理之后的历史售电量数据，Tt表示售电量趋势项，St表示售电量季节项，It表示售电量随机项。
S303：结合差分自回归移动平均(ARIMA)算法，对售电量分解的趋势项、季节项、随机项进行预测，得到趋势项的预测结果。
S304：将预测的趋势项、季节项、随机项结果进行重构，得到最终的预测结果。
S401：利用卡尔曼滤波算法，基于历史电量，对算法一结果以及算法二结果进行优化估计，得到正常情况下模型最优预测结果，是指：
S402：结合预测值和真实值，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值。
S403：对卡尔曼最优化估算值X(k|k)的方差进行递归更新，得到最优的加权结果。
S501：构造算法三，利用均值法得到疫情持续期间的每天影响电量；
S502：根据疫情爆发后当月的售电量和正常情况下的预测售电量，得到疫情爆发期间当月的影响电量总量ΔQ。
S503：利用均值法计算疫情爆发期间每天影响电量为：
其中，T为受疫情影响的当月天数。
S601：构造算法四，利用Logistic生长曲线，预测疫情病例的累计确诊，累计治愈人数和疫情影响时长，并通过累计病例平移计算每天的新增病例，基于新增确诊和新增治愈人数，利用熵权法计算每天的疫情影响权重。
S602：利用Logistic生长曲线预测累计确诊、累计治愈人数和疫情影响时长，累计确诊和累计治愈符合如下Logistic生长曲线的发展趋势：
其中，K为环境容量，即增长到最后，P(t)能到达的极限。P0为初始容量，r为增长速率，r越大增长越快，曲线越陡峭。
S603：使用最小二乘拟合方法，求出上述提到的参数：K,P0,r。
S604：根据Logistic生长曲线计算得到的累计确诊，累计治愈病例人数，通过数据向前平移、做差得到每天确诊和每天治愈病例人数。
S605：通过已经计算得到的每天确诊和每天治愈人数，利用综合评价熵权法，计算每天的疫情影响权重。
利用疫情影响的电量计算结果，对模型预测结果进行修正，得到最终的售电量精准预测结果，是指：
通过对疫情期间的影响电量的计算，以此作为全年售电量的偏差修正值，对模型预测的售电量进行修正，以得到最终的全年售电量精准预测结果，指导全年电量购售政策实施。
对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种疫情影响下售电量精准预测方法，其特征在于，包括：
建模数据清洗和数据规约处理；
构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；
构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；
用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果；
构造算法三，利用均值法得到疫情持续期间的每天影响电量；
构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；
利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量；
利用疫情影响的电量计算结果，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。
2.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：
建立自回归模型：
f(Xt-1,Xt-2,...,Xt-p)＝Xt
其中，序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型，利用LightGBM算法预测售电量。
3.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线，包括：
在预处理的基础上，采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：
Yt＝Tt+St+It
其中Yt表示预处理之后的历史售电量数据，Tt表示售电量趋势项，St表示售电量季节项，It表示售电量随机项。
4.根据权利要求3所述的疫情影响下售电量精准预测方法，其特征在于，利用ARIMA模型对分解后的趋势项进行预测，得到预测后的售电量曲线，是指：
基于分解的售电量，结合差分自回归移动平均(ARIMA)算法，对售电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果。
5.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，利用卡尔曼滤波算法，基于历史电量，对算法一结果以及算法二结果进行优化估计，得到正常情况下模型最优预测结果，是指：
根据历史电量值，利用卡尔曼滤波对算法一结果和算法二结果进行优化估计，得到现在状态(k)的最优化估算值X(k|k)：
X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))
其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值，需要对其方差进行递归更新，得到最优的加权结果。
6.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，构造算法三，利用均值法得到疫情持续期间的每天影响电量，是指：
根据疫情爆发后当月的售电量和正常情况下的预测售电量，得到疫情爆发期间当月的影响电量总量ΔQ，利用均值法计算疫情爆发期间每天影响电量为：
其中，T为受疫情影响的当月天数。
7.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重，是指：
利用Logistic生长曲线，预测疫情病例的累计确诊、累计治愈人数和疫情影响时长，并通过累计病例平移计算每天的新增病例，基于新增确诊和新增治愈人数，利用熵权法计算每天的疫情影响权重；
累计确诊和累计治愈符合如下Logistic生长曲线的发展趋势：
其中，K为环境容量，即增长到最后，P(t)能到达的极限。P0为初始容量，r为增长速率，r越大增长越快，曲线越陡峭，使用最小二乘拟合方法，求出上述提到的参数：K,P0,r。
8.根据权利要求7所述疫情影响下售电量精准预测方法，其特征在于，由预测得到的累计确诊和累计治愈人数，得到每天新增的确诊和治愈人数，是指：
根据Logistic生长曲线计算得到的累计确诊和累计治愈病例人数，通过数据向前平移、做差得到每天确诊和每天治愈病例人数。
9.根据权利要求8所述疫情影响下售电量精准预测方法，其特征在于，利用综合评价熵权法，计算每天的疫情影响权重，是指：
通过已经计算得到的每天确诊和每天治愈人数，利用综合评价熵权法，计算每天的疫情影响权重。
10.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量，是指：
基于算法三计算得到的每天平均影响电量，和算法四计算得到的每天疫情影响权重，两者进行加权，得到每天的最终疫情影响电量，进而得到疫情时间TQ的影响电量总量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010536579.9A CN111859286B (zh) | 2020-06-12 | 2020-06-12 | 一种疫情影响下售电量精准预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010536579.9A CN111859286B (zh) | 2020-06-12 | 2020-06-12 | 一种疫情影响下售电量精准预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111859286A true CN111859286A (zh) | 2020-10-30 |
| CN111859286B CN111859286B (zh) | 2024-01-26 |
Family
ID=72987749
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010536579.9A Active CN111859286B (zh) | 2020-06-12 | 2020-06-12 | 一种疫情影响下售电量精准预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111859286B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105243449A (zh) * | 2015-10-13 | 2016-01-13 | 北京中电普华信息技术有限公司 | 售电量预测结果修正方法及装置 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN107766992A (zh) * | 2017-11-09 | 2018-03-06 | 上海电力学院 | 基于用户行为学的家庭日负荷曲线精细预测方法 |
| US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
| CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
| CN109829756A (zh) * | 2019-01-18 | 2019-05-31 | 北京中电普华信息技术有限公司 | 一种确定异常因素对售电量的影响的方法及系统 |
| JP2020064446A (ja) * | 2018-10-17 | 2020-04-23 | 株式会社日立製作所 | 予測システムおよび予測方法 |
-
2020
- 2020-06-12 CN CN202010536579.9A patent/CN111859286B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20180128863A1 (en) * | 2015-05-21 | 2018-05-10 | Hitachi, Ltd. | Energy Demand Predicting System and Energy Demand Predicting Method |
| CN105243449A (zh) * | 2015-10-13 | 2016-01-13 | 北京中电普华信息技术有限公司 | 售电量预测结果修正方法及装置 |
| CN107220851A (zh) * | 2017-05-25 | 2017-09-29 | 北京中电普华信息技术有限公司 | 基于x13季节调整和因素回归的售电量预测方法及装置 |
| CN107766992A (zh) * | 2017-11-09 | 2018-03-06 | 上海电力学院 | 基于用户行为学的家庭日负荷曲线精细预测方法 |
| JP2020064446A (ja) * | 2018-10-17 | 2020-04-23 | 株式会社日立製作所 | 予測システムおよび予測方法 |
| CN109242220A (zh) * | 2018-11-16 | 2019-01-18 | 国家电网有限公司 | 充电站交易电量预测方法、装置、电子设备及存储介质 |
| CN109829756A (zh) * | 2019-01-18 | 2019-05-31 | 北京中电普华信息技术有限公司 | 一种确定异常因素对售电量的影响的方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 单葆国;吴姗姗;李江涛;: "新冠疫情对2020年电力需求影响及应对之策", 中国电力企业管理, no. 04, pages 28 - 29 * |
| 袁家海;张凯;: "新冠疫情对电力行业影响评估", 煤炭经济研究, no. 04, pages 9 - 16 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114155038A (zh) * | 2021-12-09 | 2022-03-08 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
| CN114155038B (zh) * | 2021-12-09 | 2024-05-31 | 国网河北省电力有限公司营销服务中心 | 受疫情影响用户识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111859286B (zh) | 2024-01-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102831488B (zh) | 基于改进的灰色预测法的电力负荷预测方法 | |
| Wang et al. | Forecasting a long memory process subject to structural breaks | |
| CN109255728B (zh) | 混沌相空间优化重构的光伏发电功率神经网络预测法 | |
| CN111126656B (zh) | 一种电能表故障数量预测方法 | |
| CN115271041A (zh) | 一种电力服务话务量预测方法 | |
| CN112330121B (zh) | 一种配电网自动化建设投资效益评估方法 | |
| CN109299814B (zh) | 一种气象影响电量分解预测方法 | |
| CN108763673B (zh) | 基于lasso回归的土地利用变化驱动力筛选方法和装置 | |
| CN111859286A (zh) | 一种疫情影响下售电量精准预测方法 | |
| CN102567536A (zh) | 一种基于数据统计学的关键绩效指标分析方法 | |
| CN105389637A (zh) | 用于月度用电预测模型的有效工作日构建方法 | |
| CN110516792A (zh) | 基于小波分解和浅层神经网络的非平稳时间序列预测方法 | |
| CN107909202B (zh) | 一种基于时间序列的油井产液量集成预测方法 | |
| CN116663871B (zh) | 用电需求量预测方法及系统 | |
| CN111275090B (zh) | 一种gnss超快速钟差预报方法 | |
| Majidpour | Time series prediction for electric vehicle charging load and solar power generation in the context of smart grid | |
| CN116805035A (zh) | 一种基于VMD-BO-BiLSTM的月降水量预测方法 | |
| Webber et al. | A new model for the assessment of New Zealand rock lobster (Jasus edwardsii) stocks and an exploratory CRA 4 multi-area assessment | |
| CN115689026A (zh) | 一种住宅负荷短期预测方法和系统 | |
| CN115619447A (zh) | 一种月度售电量组合预测方法、设备和介质 | |
| CN106910132A (zh) | Top‑k可决策的负序列模式在客户投保行为分析中的应用 | |
| Lei et al. | Application of grey model GM (1, 1) to ultra short-term predictions of universal time | |
| CN112308338A (zh) | 电力数据处理方法及装置 | |
| Franses | Simple bayesian forecast combination | |
| Maravall | An application of TRAMO and SEATS |
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 |