CN112085257B - 一种基于时序分析的综合能源业务潜力预测模型 - Google Patents
一种基于时序分析的综合能源业务潜力预测模型 Download PDFInfo
- Publication number
- CN112085257B CN112085257B CN202010814399.2A CN202010814399A CN112085257B CN 112085257 B CN112085257 B CN 112085257B CN 202010814399 A CN202010814399 A CN 202010814399A CN 112085257 B CN112085257 B CN 112085257B
- Authority
- CN
- China
- Prior art keywords
- time sequence
- comprehensive energy
- prediction model
- energy business
- business potential
- 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
Links
- 238000012300 Sequence Analysis Methods 0.000 title claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 13
- 238000011161 development Methods 0.000 claims abstract description 10
- 238000013112 stability test Methods 0.000 claims abstract description 8
- 238000009412 basement excavation Methods 0.000 claims abstract description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000011160 research Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000001788 irregular Effects 0.000 claims description 2
- 238000012731 temporal analysis Methods 0.000 claims 2
- 238000000700 time series analysis Methods 0.000 claims 2
- 230000008901 benefit Effects 0.000 abstract description 5
- 230000006872 improvement Effects 0.000 abstract description 4
- 238000004088 simulation Methods 0.000 description 9
- 238000010606 normalization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000000295 complement effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 230000001932 seasonal effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005311 autocorrelation function Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- IOYNQIMAUDJVEI-BMVIKAAMSA-N Tepraloxydim Chemical group C1C(=O)C(C(=N/OC\C=C\Cl)/CC)=C(O)CC1C1CCOCC1 IOYNQIMAUDJVEI-BMVIKAAMSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000003245 coal Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001502 supplementing effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
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
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
-
- 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
-
- 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
- Y04S50/16—Energy services, e.g. dispersed generation or demand or load or energy savings aggregation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (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
一种基于时序分析的综合能源业务潜力预测模型，属电网运行管理领域。包括下列步骤：数据预处理，收集历史资料，加以整理，编成时间序列；对时间序列进行稳定性检验；对时间序列进行分解，把时间序列用函数的形式表达出来；将预测时期数代入到函数表达式中，实现预测。其基于综合能源服务业务实际拓展需要，结合时间序列，对综合能源业务潜力进行预测，从新的角度对综合能源业务进行研究，所得出的预测结果，可应用于新能源接入电网的管理、综合能源服务潜力项目挖掘、业务推荐等实际工作，也可用于电力公司所辖业务管辖范围内新能源接入、综合能源服务业务发展、提升经济效益。可广泛用于电网运行管理领域领域。
Description
技术领域
本发明属于电网运行管理领域，尤其涉及一种基于时序分析的综合能源业务潜力预测模型。
背景技术
能源互联网技术，分布式发电供能技术，能源系统监视、控制和管理技术，以及新的能源交易方式的快速发展和广泛应用，使得综合能源服务近年来在全球迅速发展，引发了能源系统的深刻变革，成为各国及各企业新的战略竞争和合作的焦点。国家在这一轮电改推动中，也出台了一系列的促进综合能源服务产业发展的政策文件。国网公司也确定了向综合能源服务转型的基本方向。
目前，国内外不同研究单位和相关企业围绕综合能源服务的理论研究和实践工作进行了研究。
《国内外综合能源服务发展现状及商业模式研究》文献对国内外综合能源服务情况进行了较为详细的研究与介绍，指出两类发展路径，总结电力企业进行综合能源服务的几种主要商业模式；英国HDPS项目关注大量可再生能源与电力网间的协同，HDEF项目关注智能电网框架下集中式能源系统和分布式能源系统的协同等；日本NEDO于2010年4月发起成立的JSCA，主要致力于智能社区技术的研究与示范，实现与交通、供水、信息和医疗系统的一体化集成。
基于国内外综合能源业务相关理论，本发明从新的角度对综合能源业务进行研究，助力电力公司综合能源服务业务拓展。
发明内容
本发明所要解决的技术问题是提供一种基于时序分析的综合能源业务潜力预测模型。通过本发明的技术方案得出的预测结果可应用于新能源接入电网的管理、综合能源服务潜力项目挖掘、业务推荐等实际工作，也可用于电力公司市业务管辖范围内新能源接入、综合能源服务业务发展、提升经济效益。
本发明的技术方案是：提供一种基于时序分析的综合能源业务潜力预测模型，其特征是：
1)数据预处理，收集历史资料，加以整理，编成时间序列；
2)对时间序列进行稳定性检验；
3)对时间序列进行分解，把时间序列用函数的形式表达出来；
4)将预测时期数代入到函数表达式中，实现预测。
具体的，所述的数据预处理包括样本数据预处理。
具体的，所述的对时间序列进行稳定性检验包括时序图检验和自相关图检验。
具体的，所述的把时间序列用函数的形式表达出来包括：
将时间序列分解成4个因素，具体包括趋势变动A、季节变动B、周期变动C和不规则变动D，由此得到时间序列的函数的表达式，如下：
Yt＝f(At,Bt,Ct,Dt)
其中，t为时间；
分解预测模型表达式如下：
Yt＝At·Bt·Ct·Dt。
进一步的，所述的季节指数B计算包括：
步骤1：基于各年历史数据为基础，计算四个季度的移动平均值，然后组成序列TC。
步骤2：再利用各年相对应的季度数据除以TC，得到序列SI；
步骤3：重新排列SI，通过季平均法求出同季平均数，再对其加以修正，得到各季节指数S1，S2,S3,S4的值。
进一步的，所述的长期趋势A计算包括：
将求取长期趋势A问题转化为求回归直线方程T＝kt+b的问题，其中t为时期数。作出散点图，使得直线方程到各点(1,Y1)、(2,Y2)、...、[4(i-1)+j]、...、Y4(i-1)+j、...、(4n-1,Y4n-1)、(4n,Y4n)的距离和最小，从而得到回归方程T＝kt+b的解析式。
进一步的，在所述的基于时序分析的综合能源业务潜力预测模型中，案构建的时间序列综合能源业务潜力分解预测模型不考虑该值，以降低计算复杂性。
本发明技方案中的基于时序分析的综合能源业务潜力预测模型的表达式如下：
Y4(i-1)+j'＝Y4(i-1)+j·Bj·C4(i-1)+j
其中，C4(i-1)+j根据它的历史周期变化情况估计得到。
将综合能源业务潜力测试输入带入到综合能源业务潜力预测模型的表达式中，即可得出想要的预测值。
进一步的，所述的样本数据预处理，包括异常值剔除、缺失值补足、数据标准化和时间序列编写等，检验预处理后检验时间序列平稳性，判断时间序列是否具有应用资格，分解时间序列，构建分解预测模型，输入测试数据到模型中，实现综合能源业务潜力预测。
与现有技术比较，本发明的优点是：
1.本发明的技术方案，从新的角度对综合能源业务进行研究，助力电力公司综合能源服务业务拓展，所得出的预测结果可应用于新能源接入电网的管理、综合能源服务潜力项目挖掘、业务推荐等实际工作，也可用于供电公司范围内新能源接入、综合能源服务业务发展、提升经济效益；
2.本模型应用后，能得出综合能源业务潜力值，且与系统给出的数据接近，证明了模型可用性和有效性。
附图说明
图1是时序图示意图；
图2是自相关函数图形示意图；
图3是本发明仿真实验中的样本数据示意图；
图4是本发明自相关图检验结果示意图。
具体实施方式
下面结合附图对本发明做进一步说明。
为更好开展综合能源业务，综合能源业务潜力预测是必要的。
为此，结合时序分析，本发明的技术方案，提出了一种综合能源业务潜力预测模型。其样本数据预处理包括异常值剔除、缺失值补足、数据标准化和时间序列编写等，检验预处理后检验时间序列平稳性，判断时间序列是否具有应用资格，分解时间序列，构建分解预测模型，输入测试数据到模型中，实现综合能源业务潜力预测。
本模型应用后，能得出综合能源业务潜力值，且与系统给出的数据接近，证明了本模型的可用性和有效性。
一、基于时序分析的综合能源业务潜力预测模型
综合能源业务横向打通冷、热、电、气等多种能源供应，整合了区域内煤炭、石油、天然气、电能、热能等多种能源，使得能源供应质量和效率更高。国网公司于2017年正式提出将综合能源服务作为第二主业进行市场拓展，三年产值达到500亿。在此背景下，为了对服务区域的新能源接入客户的综合能源服务潜力与需求有一个较为清晰的把握，为实施新能源接入客户的综合能源服务业务拓展提供支撑，设计综合能源业务潜力预测模型。
本技术方案综合能源业务潜力预测模型设计主要依据时序分析来进行。
时间数列由于彼此之间存在着统计上的依赖关系，因此可以通过历史值来预测未来值。
基于时序分析的综合能源业务潜力预测模型设计主要分为四部分：
第一部分数据预处理，收集历史资料，加以整理，编成时间序列；
第二部分对时间序列进行稳定性检验；
第三部分对时间序列进行分解，把时间序列用函数的形式表达出来；
第四部分将预测时期数代入到函数表达式中，实现预测。
1.1样本数据预处理
要想对综合能源业务潜力进行预测，需要以庞大的历史数据作为支撑，因此在构建模型之前，首要做的的就是收集历史资料，加以整理，编成时间序列。下面进行具体分析。
综合能源业务潜力是指国家电网公司能够提供满足用户对综合能源需求的能力。而综合能源业务潜力相关数据主要由电力企业产值数据、用户需求数据、气象数据、资金投入数据以及当地经济发展水平数据等组成。这些数据并不是“完美”的，在利用之前需要对其处理，包括异常值剔除、缺失值补足、数据标准化和时间序列编写。
(1)异常值剔除
异常值也被称为离群值，是一个群体中不符合统计规律的个别值，也就是与大多数值差异较大的值。这些值可能属于来自不同的总体，或属于意外的、偶然的测量错误。对于异常值剔除，面临的关键问题就是异常值判断，判断出来后直接剔除即可。
异常值判别一般依据三个准则，具体如下表1所示。
表1异常值判别准则
(2)缺失值补足
采集到的综合能源业务潜力相关数据中除了异常值外，还有可能存在缺失值，即某一个值由于某种原因丢失，数据完整性遭到破坏，后续时间序列就有可能断裂，所以需要对缺失值补足。
缺失值补足方法主要有5种，如下表2所示。
表2缺失值补足方法
(3)数据标准化
获取到的综合能源业务潜力相关数据是具有不同的量纲，无法进行统计分析和比较，因此需要将这些数据进行标准化处理，统一量纲。
数据标准化处理公式如下：
离差标准化：
Z-score标准化：
log函数转换：
其中，xmax为样本数据的最大值，xmin为样本数据的最小值；a为所有样本数据的均值，b为所有样本数据的标准差。
(4)时间序列编写
时间序列编写是指将数据按照某一规则编写成具有时间特征的数列。编写方式主要有绝对数时间序列、相对数时间序列、平均数时间序列等三种。
绝对数时间序列：由一系列同类的总量指标数据按时间先后顺序排列而形成的序列。
相对数时间序列：由一系列同类的相对数按时间先后顺序排列而成的序列。
平均数时间序列：由一系类同类的平均数按时间先后顺序排列而成的序列。
1.2时间序列平稳性检验
组成时间序列中的有的变量并不是固定的，经常发生变化，因此具有不平稳性。不平稳的时间序列的预测不具有效力。因此对序列进行平稳性检验，保证所需要使用的序列是平稳的，是进行准确预测的前提和基础。
时间序列平稳性检验方法有时序图检验、自相关图检验两种。
(1)时序图检验
时序图检验就是将得到编写好的时间序列绘制在一个平面二维坐标图中，其中横轴为时间，纵轴为对应的变量数据值，然后观察时序图中的曲线是否围绕一个常数值波动，而且波动范围有界的特点。若具有这样的特点就是平稳时间序列；若时序曲线明显带有趋势性或周期性特点，证明该时间序列是非平稳时间序列，如图1所示。
(2)自相关图检验
平稳时间序列的典型特征之一就是短期相关性。该特点是延迟期数与自相关系数之间呈现负相关关系(如图2中所示)。
通过观察时间序列是否具有短期相关性，就可以轻易判断是否为平稳时间序列。
1.3时间序列综合能源业务潜力分解预测模型构建
将时间序列分解成4个因素，具体包括趋势变动A、季节变动B、周期变动C和不规则变动D，由此得到时间序列的函数的表达式，如下：
Yt＝f(At,Bt,Ct,Dt) (6)
其中，t为时间。
分解预测模型表达式如下：
Yt＝At·Bt·Ct·Dt (7)
以上四个因素的具体计算方法如下：
(1)季节指数B计算
季节指数B的计算较为简单，基本原理是现将其余三种因素去除掉，然后通过季平均法计算季节指数B即可。
具体过程如下：
步骤1：基于各年历史数据为基础，计算四个季度的移动平均值，然后组成序列TC。
步骤2：再利用各年相对应的季度数据除以TC，得到序列SI；
步骤3：重新排列SI，通过季平均法求出同季平均数，再对其加以修正，得到各季节指数S1，S2,S3,S4的值。
(2)长期趋势A计算
将求取长期趋势A问题转化为求回归直线方程T＝kt+b的问题，其中t为时期数。作出散点图，使得直线方程到各点(1,Y1)、(2,Y2)、...、[4(i-1)+j]、...、Y4(i-1)+j、...、(4n-1,Y4n-1)、(4n,Y4n)的距离和最小，从而得到回归方程T＝kt+b的解析式。
(3)周期变动C计算
周期变动C计算计算公式如下：
由于不规则变动D对于预测结果影响很小，不影响预测结果的准确性，因此在本技术方案构建的时间序列综合能源业务潜力分解预测模型不考虑该值，降低计算复杂性。
时间序列综合能源业务潜力分解预测模型表达式如下：
Y4(i-1)+j'＝Y4(i-1)+j·Bj·C4(i-1)+j (9)
其中，C4(i-1)+j根据它的历史周期变化情况估计得到。
将综合能源业务潜力测试输入带入到公式(9)中，即可得出想要的预测值。
2、仿真实验分析
为检验本技术方案构建的基于时序分析的综合能源业务潜力预测模型的可用性，对本技术方案进行了仿真实验分析。
仿真实验环境如下：软件环境：操作系统Windows XP，仿真平台Matlab 6.1；硬件环境：Intel PentiumM,256RAM。
2.1、样本数据
本仿真实验中的样本数据为计算机模拟生成，如图3中所示。
2.2、样本数据处理
按照前述方法对样本数据进行缺失填补和异常值去除，然后进行标准化处理，如表3所示。
表3处理后的样本数据(部分)
注：由于样本数据是系统生成的，所以本身就是按照时间进行排列的，因此无需再进行时间序列编写。
2.3时序稳定性检验
基于处理后的样本数据，利用Matlab 6.1仿真平台，自动生成自相关图，如图4中所示。
从图4中可以看出，自相关函数随着k的增加,衰减快速，在零周围波动，说明序列是平稳的，可以用于后续分解预测。
2.4分解预测
从样本数据中截取部分数据作为测试数据，输入到时间序列综合能源业务潜力分解预测模型当中(公式9)，得到某一时间段内的潜力预测值，然后与实际给出的模拟样本值进行对比，得到的结果如下表4所示。
表4综合能源业务潜力预测结果
从表4中可以看出，本模型预测结果与模拟样本中给出的结果都很接近，误差都很小，由此证明本模型能够有效预测出综合能源业务潜力，达到了本技术方案的目的。
本发明的技术方案，基于综合能源服务业务实际拓展需要，结合时间序列，对综合能源业务潜力进行预测，从新的角度对综合能源业务进行研究，通过本发明的技术方案得出的预测结果，可应用于新能源接入电网的管理、综合能源服务潜力项目挖掘、业务推荐等实际工作，也可用于电力公司所辖业务管辖范围内新能源接入、综合能源服务业务发展、提升经济效益。
本发明可广泛用于电网运行管理领域领域。
Claims (6)
1.一种基于时序分析的综合能源业务潜力预测模型，其特征是：
1)数据预处理，收集历史资料，加以整理，编成时间序列；
2)对时间序列进行稳定性检验；
3)对时间序列进行分解，把时间序列用函数的形式表达出来；
4)将预测时期数代入到函数表达式中，实现预测；
其基于时序分析的综合能源业务潜力预测模型的表达式如下：
Y4(i-1)+j'＝Y4(i-1)+j·Bj·C4(i-1)+j
其中，C4(i-1)+j根据它的历史周期变化情况估计得到；
其所述的把时间序列用函数的形式表达出来，包括：
将时间序列分解成4个因素，具体包括趋势变动A、季节变动B、周期变动C和不规则变动D，由此得到时间序列的函数的表达式，如下：
Yt＝f(At,Bt,Ct,Dt)
其中，t为时间；
分解预测模型表达式如下：
Yt＝At·Bt·Ct·Dt；
其所述的趋势变动A计算包括：
将求取趋势变动A问题转化为求回归直线方程T＝kt+b的问题，其中t为时期数；作出散点图，使得直线方程到各点(1,Y1)、(2,Y2)、...、[4(i-1)+j]、...、Y4(i-1)+j、...、(4n-1,Y4n-1)、(4n,Y4n)的距离和最小，从而得到回归方程T＝kt+b的解析式；
其所述的季节变动B计算包括：
步骤1：基于各年历史数据为基础，计算四个季度的移动平均值，然后组成序列TC；
步骤2：再利用各年相对应的季度数据除以TC，得到序列SI；
步骤3：重新排列SI，通过季平均法求出同季平均数，再对其加以修正，得到各季节指数S1，S2,S3,S4的值；
所述基于时序分析的综合能源业务潜力预测模型，从新的角度对综合能源业务进行研究，助力电力公司综合能源服务业务拓展，所得出的预测结果应用在包括新能源接入电网的管理、综合能源服务潜力项目挖掘、业务推荐在内的实际工作，用于供电公司范围内新能源接入、综合能源服务业务发展以及得出综合能源业务潜力值。
2.按照权利要求1所述的基于时序分析的综合能源业务潜力预测模型，其特征是所述的数据预处理包括样本数据预处理。
3.按照权利要求1所述的基于时序分析的综合能源业务潜力预测模型，其特征是所述的对时间序列进行稳定性检验包括时序图检验和自相关图检验。
4.按照权利要求1所述的基于时序分析的综合能源业务潜力预测模型，其特征是在所述的基于时序分析的综合能源业务潜力预测模型中，构建的时间序列综合能源业务潜力分解预测模型不考虑不规则变动D，以降低计算复杂性。
5.按照权利要求1所述的基于时序分析的综合能源业务潜力预测模型，其特征是将综合能源业务潜力测试输入带入到综合能源业务潜力预测模型的表达式中，即可得出想要的预测值。
6.按照权利要求2所述的基于时序分析的综合能源业务潜力预测模型，其特征是所述的样本数据预处理，包括异常值剔除、缺失值补足、数据标准化和时间序列编写，检验预处理后检验时间序列平稳性，判断时间序列是否具有应用资格，分解时间序列，构建分解预测模型，输入测试数据到模型中，实现综合能源业务潜力预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814399.2A CN112085257B (zh) | 2020-08-13 | 2020-08-13 | 一种基于时序分析的综合能源业务潜力预测模型 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010814399.2A CN112085257B (zh) | 2020-08-13 | 2020-08-13 | 一种基于时序分析的综合能源业务潜力预测模型 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112085257A CN112085257A (zh) | 2020-12-15 |
| CN112085257B true CN112085257B (zh) | 2024-04-12 |
Family
ID=73728284
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010814399.2A Active CN112085257B (zh) | 2020-08-13 | 2020-08-13 | 一种基于时序分析的综合能源业务潜力预测模型 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112085257B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117952657B (zh) * | 2024-03-26 | 2024-09-03 | 国网河南省电力公司信息通信分公司 | 基于能源互联网营销服务系统的信息推送方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1168198A2 (en) * | 2000-06-30 | 2002-01-02 | Ncr International Inc. | Incorporating predictive models within interactive business analysis processes |
| CN103279810A (zh) * | 2013-06-09 | 2013-09-04 | 重庆大学 | 基于预测误差收敛性检验和轨迹修正的短期负荷预测方法 |
| CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
| CN104866932A (zh) * | 2015-06-12 | 2015-08-26 | 哈尔滨工业大学 | 基于预测模型适用性判断的时间序列预测方法 |
| CN105184674A (zh) * | 2015-09-07 | 2015-12-23 | 杭州凯达电力建设有限公司 | 一种电能计量误差预测方法及设备 |
| CN107590747A (zh) * | 2017-08-15 | 2018-01-16 | 国网天津市电力公司 | 基于综合能源大数据分析的电网资产周转率计算方法 |
| CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
-
2020
- 2020-08-13 CN CN202010814399.2A patent/CN112085257B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1168198A2 (en) * | 2000-06-30 | 2002-01-02 | Ncr International Inc. | Incorporating predictive models within interactive business analysis processes |
| CN103279810A (zh) * | 2013-06-09 | 2013-09-04 | 重庆大学 | 基于预测误差收敛性检验和轨迹修正的短期负荷预测方法 |
| CN103745094A (zh) * | 2013-12-25 | 2014-04-23 | 河海大学 | 感潮河段水文序列交互式模拟预测方法和系统 |
| CN104866932A (zh) * | 2015-06-12 | 2015-08-26 | 哈尔滨工业大学 | 基于预测模型适用性判断的时间序列预测方法 |
| CN105184674A (zh) * | 2015-09-07 | 2015-12-23 | 杭州凯达电力建设有限公司 | 一种电能计量误差预测方法及设备 |
| CN107590747A (zh) * | 2017-08-15 | 2018-01-16 | 国网天津市电力公司 | 基于综合能源大数据分析的电网资产周转率计算方法 |
| CN107784440A (zh) * | 2017-10-23 | 2018-03-09 | 国网辽宁省电力有限公司 | 一种电力信息系统资源调配系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112085257A (zh) | 2020-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Real-time complex event processing and analytics for smart grid | |
| CN113205207A (zh) | 一种基于XGBoost算法的用电短期负荷波动预测方法及系统 | |
| CN109409561B (zh) | 多时间尺度时间序列协同预测模型的构建方法 | |
| CN111506618B (zh) | 一种结合lightgbm-stacking算法的异常用电行为分析方法 | |
| Zhou et al. | A hybrid grey prediction model for small oscillation sequence based on information decomposition | |
| Min et al. | Evaluation of the long-term power generation mix: the case study of South Korea's energy policy | |
| CN111191812A (zh) | 一种光伏出力预测方法及系统 | |
| CN112085257B (zh) | 一种基于时序分析的综合能源业务潜力预测模型 | |
| Deceglie et al. | RdTools: An open source python library for PV degradation analysis | |
| Putra et al. | Modeling of high uncertainty photovoltaic generation in quasi dynamic power flow on distribution systems: A case study in Java Island, Indonesia | |
| CN112070307B (zh) | 一种区域内能源负荷量的预测方法及装置 | |
| Tang et al. | Energy consumption flow and regional economic development: evidence from 25 economies | |
| CN107194529B (zh) | 基于挖掘技术的配电网可靠性经济效益分析方法及装置 | |
| Yu | Evaluation and analysis of electric power in China based on the ARMA model | |
| Jain et al. | Training machine learning models to characterize temporal evolution of disadvantaged communities | |
| Gao et al. | Integrated Deep Neural Networks‐Based Complex System for Urban Water Management | |
| Xu et al. | [Retracted] Construction and Simulation of Economic Statistics Measurement Model Based on Time Series Analysis and Forecast | |
| Garaizar et al. | Exploring the proceedings of Computer Aided Tolerancing CIRP Seminars and Conferences: A scientometric analysis | |
| Gârbea et al. | Extracting the Operating Characteristics of Hydropower Plants Using a Clustering-based Efficient Methodology | |
| CN110990791A (zh) | 一种基于大数据处理的智能电网建设用数据分析方法 | |
| Donghui | Short-term Load Forecasting System for Power System Based on Big Data | |
| Sultan et al. | A predictive model to forecast customer adoption of rooftop solar | |
| Maulana et al. | Applications of artificial intelligence in renewable energy: a bibliometric analysis of the scientific production indexed in scopus | |
| Sadiq et al. | THE ROLE OF BIG DATA MANAGEMENT TOWARDS SUSTAINABLE ENTREPRENEURIAL PERFORMANCE IN IT SECTOR OF PAKISTAN | |
| Lingyao et al. | Empirical study on economies of scale in China manufacturing |
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 |