CN112288187A - 一种基于大数据的售电量预测方法 - Google Patents
一种基于大数据的售电量预测方法 Download PDFInfo
- Publication number
- CN112288187A CN112288187A CN202011297761.XA CN202011297761A CN112288187A CN 112288187 A CN112288187 A CN 112288187A CN 202011297761 A CN202011297761 A CN 202011297761A CN 112288187 A CN112288187 A CN 112288187A
- Authority
- CN
- China
- Prior art keywords
- item
- trend
- electricity
- prediction
- electricity sales
- 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.)
- Pending
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
- 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
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Finance (AREA)
- Accounting & Taxation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (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售电量预测方法,其步骤包括:步骤S1:售电量曲线分解;利用曲线分解算法针对原始序列Yt进行线性滤波得到趋势项Tt;将原始序列与趋势项Tt相减得到SIt,针对SIt进行移动平均获取季节项St;将原始序列与趋势项Tt、季节项St相减得到随机项It;步骤S2:对售电量与因素进行相关性分析;步骤S3:基于DTW的前导分析模型,输出因素与售电量数据的超前滞后期数;步骤S4:构建售电量预测模型,对居民售电量进行分段建模对售电量进行调整来优化最终的预测结果;步骤S5:预测重构;步骤S6:预测曲线择优。本发明具有原理简单、易实现、智能化程度高、预测效果好等优点。
Description
技术领域
本发明主要涉及到电网智能控制技术领域,特指一种基于大数据的售电量预测方法。
背景技术
售电量增长影响因素众多、且互相影响,如经济形势变化、天气变化、节假日效应影响等,电力客户业扩报装也对售电量增长趋势有重要的影响,而这些影响因素有些是即时性因素,如天气、假日等因素;有些则是前导性指标,如业扩报装,由于客户业扩完成后存在一定时期的运营调整期,则导致了该类电力客户电量增长存在一定生长变化规律。而传统的弹性系数法或者专家经验法都难以支撑分析的需要,目前仍缺乏内外部影响因素对售电量的影响分析手段。
在售电结构转变的新形势下,电力公司售电量强劲增长的基础并不稳固,购电成本、直属水电厂发电量“靠天吃饭”特征明显,售电市场拓展和购电结构优化需求强烈。而大数据、人工智能等新兴技术蓬勃发展,甚至在某些领域的能力已经超过人类极限。在复杂多变的经营形势下,传统售电量分析及预测方法已无法满足电力市场开拓的要求,迫切需要大数据技术赋能售电量分析及预测业务,深刻剖析电力公司售电量增长变化规律,挖掘行业电量增长与内外部因素变化关联关系显得尤为重要。
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,本发明提供一种原理简单、易实现、智能化程度高、预测效果好的基于大数据的售电量预测方法。
为解决上述技术问题,本发明采用以下技术方案:
一种基于大数据的售电量预测方法,其步骤包括:
步骤S1:售电量曲线分解;利用曲线分解算法针对原始序列Yt进行线性滤波得到趋势项Tt;将原始序列与趋势项Tt相减得到SIt,针对SIt进行移动平均获取季节项St;将原始序列与趋势项Tt、季节项St相减得到随机项It;
步骤S2:对售电量与因素进行相关性分析;
步骤S3:基于DTW的前导分析模型,输出因素与售电量数据的超前滞后期数;
步骤S4:构建售电量预测模型,对居民售电量进行分段建模对售电量进行调整来优化最终的预测结果;
步骤S5:预测重构;
步骤S6:预测曲线择优。
作为本发明方法的进一步改进:所述步骤S1中,利用曲线分解算法针对原始序列Yt进行线性滤波得到趋势项Tt:
将原始序列与趋势项Tt相减得到SIt,针对SIt进行移动平均获取季节项St:
将原始序列与趋势项Tt、季节项St相减得到随机项It;
将售电量序列分解为趋势项、季节项和随机项三个子序列,关系表达为:
Yt=SUM(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。
作为本发明方法的进一步改进:所述步骤S2中通过皮尔森相关系数、折线图等定性分析,通过函数拟合和折线图等开展定量分析,相关性分析的结果作为最终各用电类别售电量预测的特征筛选依据。
作为本发明方法的进一步改进:所述步骤S3中包括:
步骤S301:分别取多个时间段内的净增容量趋势项、售电量趋势项,两者分别记为{Ni|i∈1,2,...,45}和{Qi|i∈1,2,...,45};
步骤S302:利用动态时间规整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);
步骤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,那么该产业的净增容量的前导月份L=max{Ci|i=0,1,...,12}。
作为本发明方法的进一步改进:所述步骤S4中包括趋势项预测:
步骤S4011:售电量趋势项数据序列为{Qt(i)|i∈1,2,...,N};
步骤S4012:考虑行业对应的即时性因素,记为{E(i)|i∈1,2,...,N};
若影响因素为两个,则E(i)={E1(i),E2(i)|i∈1,2,...,N};
步骤S4013:考虑行业对应的前导性因素,记为{G(i)|i∈1,2,...,N},若前导因素包括净增容量和PMI两个前导指标,则G(i)={G1(i),G2(i)|i∈1,2,...,N}:
G1(i)={net(i-1),net(i-2),...,net(i-k)}
G2(i)={PMI(i-1),PMI(i-2),PMI(i-3)}
其中k为业扩净增容量趋势项前导售电量趋势项的前导值,net(i)为第i月净增容量趋势项,PMI(i)为第i月PMI,其他行业趋势项预测以此类推;
步骤S4014:指标去相关性;
采用PCA主成分分析算法得到即时性指标和前导性指标去相关性结果;
P(i)=pca(E(i),G(i)),i=1,2,...,N
步骤S4015:建立趋势项预测模型,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预测,输入数据为P(i)。
作为本发明方法的进一步改进:所述步骤S4中包括季节项预测:
步骤S4021:利用L1/2稀疏迭代建立季节项预测模型,输入数据为已有的售电量季节项数据;
步骤S4022:得到季节项预测结果。
作为本发明方法的进一步改进:所述步骤S4中包括随机项预测:
步骤S4031:利用混合专家模型得到随机项预测模型,每个专家采用SVM算法,以节假日天数和平均气温数据为模型的输入数据。
步骤S4032:得到特征数据的预测值;节假日天数直接通过国家政府网站查询得到;平均温度可利用L1/2稀疏迭代预测得;
作为本发明方法的进一步改进:所述步骤S6中择优采用AHP综合评价算法,根据AHP的层次结构将售电量预测结果择优问题按层次结构分为目标层、准则层及方案层:
目标层:包括1个目标,即选取最具预测性能的预测曲线;
准则层:包括3个评价指标:模型的训练误差、预测趋势相似度和预测趋势可信度;
方案层:包括4种方案,即SVM、L1/2稀疏迭代、极限学习机以及回声状态网络四种算法下的售电量预测结果;
构建目标层对准则层的判断矩阵,并求取权重向量。
作为本发明方法的进一步改进:还包括步骤S7:对居民售电量预测优化。
作为本发明方法的进一步改进:还包括步骤S8:春节售电量预测优化;春节调整模型以历史春节距1-3月首日天数和历史1-3月售电量占季比作为输入数据;采用多项式对输入数据进行拟合,得到历史春节距1-3月首日天数与1-3月售电量占季比拟合函数:
ωk=f(xk)
结合拟合函数和待预测年份春节距1-3月首日天数,计算预测年1-3月预测占季比,之后根据第一季度售电量预测值和1-3月预测占季比,重新分配第一季度各月份售电量预测值,得到春节调整模型输出结果。
与现有技术相比,本发明的优点在于:
本发明的基于大数据的售电量预测方法,首先通过汇聚某电力公司内外部数据资源,通过使用大数据分析算法得到售电量影响因素,接着提出基于大数据的售电量预测模型。本发明具有原理简单、易实现、智能化程度高、预测效果好等优点。
附图说明
图1是本发明方法的流程示意图。
图2是本发明在具体应用实例中大工业售电量曲线分解曲线分解结果示意图。
图3是本发明在具体应用实例中工业增加值同比累计增速与大工业售电量趋势项同比累计增速曲线示意图。
图4是本发明在具体应用实例中二产GDP同比累计增速与大工业售电量趋势项同比累计增速曲线示意图。
图5是本发明在具体应用实例中大工业售电量趋势项与制造业PMI前导2个月曲线示意图。
图6是本发明在具体应用实例中春节对大工业售电量影响关系曲线示意图。
图7是本发明在具体应用实例中总体的售电量预测方案采用的算法模型示意图。
图8是本发明在具体应用实例中某电力公司公司2019年1-12月大工业电量预测结果示意图。
图9是本发明在具体应用实例中某电力公司大工业售电量预测分年曲线示意图。
具体实施方式
以下将结合说明书附图和具体实施例对本发明做进一步详细说明。
如图1所示,本发明的基于大数据的售电量预测方法,其步骤包括:
步骤S1:售电量曲线分解;
利用曲线分解算法针对原始序列Yt进行线性滤波得到趋势项Tt:
将原始序列与趋势项Tt相减得到SIt,针对SIt进行移动平均获取季节项St:
将原始序列与趋势项Tt、季节项St相减得到随机项It。
经上述算法,即可将售电量序列分解为趋势项、季节项和随机项三个子序列,且它们之间的关系可以表达为:
Yt=SUM(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。
步骤S2:售电量与因素相关性分析;
这一块主要考虑即时性因素与各用电类别售电量之间的相关性,主要从两个方面开展分析:
a)通过皮尔森相关系数、折线图等定性分析;
b)通过函数拟合和折线图等开展定量分析。
相关性分析的结果可以作为最终各用电类别售电量预测的特征筛选依据。
步骤S3:基于DTW的前导分析模型;
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分析,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。如PMI、业扩报装净增容量等因素与分行业电量之间的超前滞后分析。
本发明的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,在具体应用实例中,其步骤包括:
步骤S301:分别取多个时间段内的净增容量趋势项、售电量趋势项,两者分别记为{Ni|i∈1,2,...,45}和{Qi|i∈1,2,...,45};
步骤S302:利用动态时间规整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);
步骤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,那么该产业的净增容量的前导月份L=max{Ci|i=0,1,...,12}。
步骤S4:构建售电量预测模型;
售电量曲线分解算法将原始电量曲线分解为趋势项、季节项和随机项后来进行分项预测和构建,并通过对居民售电量进行分段建模对春节售电量进行调整来优化最终的预测结果。
步骤S401:趋势项预测;
月度售电量趋势项曲线较为平滑,主要受到经济因素的影响,同时由于趋势项占原始电量比重较大,为了保证预测精度,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预测。对各用电类别趋势项预测的步骤如下:
步骤S4012:考虑行业对应的即时性因素,记为{E(i)|i∈1,2,...,N};
若影响因素为两个,则E(i)={E1(i),E2(i)|i∈1,2,...,N},如大工业即时性指标E1(i)表示第二产业GDP增速,E2(i)表示工业增加值增速。
步骤S4013:考虑行业对应的前导性因素,记为{G(i)|i∈1,2,...,N},若前导因素包括净增容量和PMI两个前导指标,则G(i)={G1(i),G2(i)|i∈1,2,...,N},如大工业趋势项预测:
G1(i)={net(i-1),net(i-2),...,net(i-k)}
G2(i)={PMI(i-1),PMI(i-2),PMI(i-3)}
其中k为业扩净增容量趋势项前导售电量趋势项的前导值,net(i)为第i月净增容量趋势项,PMI(i)为第i月PMI,其他行业趋势项预测以此类推。
步骤S4014:指标去相关性。
采用PCA主成分分析算法得到即时性指标和前导性指标去相关性结果。
P(i)=pca(E(i),G(i)),i=1,2,...,N
步骤S4015:建立趋势项预测模型,由于趋势项占原始电量比重较大,为了保证预测精度,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预测,输入数据为P(i)。
步骤S402:季节项预测;
售电量的季节项规律性较强,每年同月值波动较小且趋势变化较为平稳,本发明利用L1/2稀疏迭代实现售电量季节项的预测。预测步骤如下:
步骤S4021:利用L1/2稀疏迭代建立季节项预测模型,输入数据为已有的售电量季节项数据。
步骤S4022:得到季节项预测结果。
步骤S403:随机项预测;
售电量的随机项波动较大但幅值较小。主要受到节假日和气温的影响,同时为了保证随机项的预测效果,采用混合专家模型预测随机项,步骤如下:
步骤S4031:利用混合专家模型得到随机项预测模型,每个专家采用SVM算法,以节假日天数和平均气温数据为模型的输入数据。
步骤S4032:得到特征数据的预测值。由于节假日天数可以直接通过国家政府网站查询得到。平均温度可利用L1/2稀疏迭代预测得到。
步骤S5:预测重构;
经过上述流程,分别得到了预测步长期内的趋势项、季节项和随机项的预测结果,其中趋势项包括四种预测结果,因此重构后也得到四种预测结果
步骤S6:预测曲线择优;
经过预测重构,得到了售电量的四种预测结果,择优的目的是综合考虑预测误差、预测趋势和预测曲线形态等方面选择出最具预测性能的预测曲线。
在具体应用实例中,上述择优采用AHP综合评价算法,根据AHP的层次结构将售电量预测结果择优问题按层次结构分为目标层、准则层及方案层:
目标层:包括1个目标,即选取最具预测性能的预测曲线。
准则层:包括3个评价指标:模型的训练误差、预测趋势相似度和预测趋势可信度。
其中,指标含义如下所示:
1)模型训练误差反映了预测模型模拟的趋势和历史售电量数据匹配的程度,即:
2)预测趋势相似度反映了预测模型当前预测结果与历史售电量曲线形态的相似度,即:
3)预测趋势可信度是对预测模型当前预测结果符合历史曲线趋势变化的度量,即:
其中,r′、r′min、r′max均为售电量年度增长率。
方案层:包括4种方案,即SVM、L1/2稀疏迭代、极限学习机以及回声状态网络四种算法下的售电量预测结果。
继而,进一步构建目标层对准则层的判断矩阵,并求取权重向量。
需要注意的是,在具体应用实例中,AHP模型的判断矩阵需要进行一致性检验。
在具体应用实例中,进一步包括步骤S7:对居民售电量预测优化;
通过对2019年验证误差的分析,居民在非迎峰期间验证误差存在一定程度的优化空间,对于4月、5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。
在具体应用实例中,进一步包括步骤S8:春节售电量预测优化;
由于每年春节日期不固定,放假时间长且影响时间长,会对不同地区不同行业的售电量产生不同程度的影响,因此需要结合春节因素对择优的售电量预测结果进行调整。
春节调整模型以历史春节距1-3月首日天数和历史1-3月售电量占季比作为输入数据。其次,采用多项式对输入数据进行拟合,得到历史春节距1-3月首日天数与1-3月售电量占季比拟合函数:
ωk=f(xk)
结合拟合函数和待预测年份春节距1-3月首日天数,计算预测年1-3月预测占季比,之后根据第一季度售电量预测值和1-3月预测占季比,重新分配第一季度各月份售电量预测值,得到春节调整模型输出结果。
在一个具体应用实例中,本发明使用国内某电力公司的售点数据作为研究对象。采用本发明的上述方法,先使用售电量曲线分解算法剥离得到原始大工业售电量曲线的趋势项、季节项和随机项,结果如图2所示。
通过数据探索,发现大工业售电量与工业增加值存在较大相关性,根据计算大工业售电量与工业增加值皮尔森相关系数0.57。下面针对工业增加值和大工业售电量趋势项(通过售电量曲线分解算法可以得到原始售电量曲线的趋势项、季节项和随机项)开展分析,参见图3所示。
针对二产GDP和大工业售电量开展分析,发现大工业售电量与二产GDP存在较大相关性,分析结果如图4所示。
从上述分析可知,二产GDP与大工业售电量之间皮尔森相关系数为0.66,两者相关性较强,可以作为大工业售电量趋势项预测的即时性因素。
大工业售电量预测中主要需要考虑的即时性因素包括:工业增加值、二产GDP增速,而大工业售电量与节假日天数的相关性较低,为-0.10,可暂不考虑,或者考虑两者之间的非线性关系进行建模。
通过使用基于DTW的前导分析模型,本发明得到制造业PMI前导大工业售电量趋势项2个月,如图5所示,同理得到净增容量前导对应趋势项电量2个月。
接下来,本发明针对居民售电量对4月、5月进行进行单独建模,主要思路如下:
首先计算2015-2018年每年4月、5月的平均电量,利用最小二乘算法拟合函数得到如下函数:
y=313140835.70x+1757794358.00可决系数R2为0.99
利用函数可以预测得到2019年的这两个月的基础电量为3323498537千瓦时。
然后,结合2019年4月、5月的基础电量、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,得到函数如下:
y=-273154428.51+0.99131998*基础电量+13303887.21*平均温度-16653134.49*温度同比变化量
通过计算,可决系数R2为0.9677,说明模型能很好的跟踪电量的变化量。
以此,可以实现2019年居民电量的预测优化,并利用此可实现2020年4月、5月居民、城镇居民的预测结果优化。同理此方法,也可推广至其他非迎峰月份。
接下来,考虑春节因素来进行优化。由于春节通常在第一季度的1月中下旬或者2月,因此主要对1-3月售电量有影响,但对第一季度的售电总量影响较小,故可利用售电量占季比(各月售电量占季度总电量的比例)来对一季度的预测结果重新分配,进而得到春节调整后的一季度各月售电量预测结果。如图6所示,即为春节对大工业售电量影响分析。
从图6可以看出,春节对大工业售电量的影响较为明显,且两者之间的关系函数为:y=0.000066x2+0.000458x+0.289276,函数可决系数为0.85,模型的拟合情况较好。
因此,本发明可以根据距离春节天数和大工业售电量拟合关系式计算第一季度各月售电量占季比,得到占季比后对第一季度各月售电量进行重新分配,获取春节调整后的售电量预测结果。
参见图7所示,为售电量预测采用的算法模型,本发明通过使用之前影响因素分析得到的大工业售电量影响因素进行大工业售电量的预测。
本发明使用历史售电量、净增容量、制造业PMI、第二产业GDP、工业增加值同比增速等数据,经过模型的预测,得到2019年大工业全年12个月的预测结果如下图8所示。
如图9所示,为该电力公司大工业售电量预测分年曲线。
经计算,该电力公司2019年全年大工业平均误差为:3.10%。
下表1是统计的该电力公司2019年大工业各月及累计售电量预测误差:
表1该电力公司2019年大工业各月售电量预测误差
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 (10)
1.一种基于大数据的售电量预测方法,其特征在于,步骤包括:
步骤S1:售电量曲线分解;利用曲线分解算法针对原始序列Yt进行线性滤波得到趋势项Tt;将原始序列与趋势项Tt相减得到SIt,针对SIt进行移动平均获取季节项St;将原始序列与趋势项Tt、季节项St相减得到随机项It;
步骤S2:对售电量与因素进行相关性分析;
步骤S3:基于DTW的前导分析模型,输出因素与售电量数据的超前滞后期数;
步骤S4:构建售电量预测模型,对居民售电量进行分段建模对售电量进行调整来优化最终的预测结果;
步骤S5:预测重构;
步骤S6:预测曲线择优。
3.根据权利要求1所述的基于大数据的售电量预测方法,其特征在于,所述步骤S2中通过皮尔森相关系数、折线图等定性分析,通过函数拟合和折线图等开展定量分析,相关性分析的结果作为最终各用电类别售电量预测的特征筛选依据。
4.根据权利要求1所述的基于大数据的售电量预测方法,其特征在于,所述步骤S3中包括:
步骤S301:分别取多个时间段内的净增容量趋势项、售电量趋势项,两者分别记为{Ni|i∈1,2,...,45}和{Qi|i∈1,2,...,45};
步骤S302:利用动态时间规整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);
步骤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,那么该产业的净增容量的前导月份L=max{Ci|i=0,1,...,12}。
5.根据权利要求1-4中任意一项所述的基于大数据的售电量预测方法,其特征在于,所述步骤S4中包括趋势项预测:
步骤S4011:售电量趋势项数据序列为{Qt(i)|i∈1,2,...,N};
步骤S4012:考虑行业对应的即时性因素,记为{E(i)|i∈1,2,...,N};
若影响因素为两个,则E(i)={E1(i),E2(i)|i∈1,2,...,N};
步骤S4013:考虑行业对应的前导性因素,记为{G(i)|i∈1,2,...,N},若前导因素包括净增容量和PMI两个前导指标,则G(i)={G1(i),G2(i)|i∈1,2,...,N}:
G1(i)={net(i-1),net(i-2),...,net(i-k)}
G2(i)={PMI(i-1),PMI(i-2),PMI(i-3)}
其中k为业扩净增容量趋势项前导售电量趋势项的前导值,net(i)为第i月净增容量趋势项,PMI(i)为第i月PMI,其他行业趋势项预测以此类推;
步骤S4014:指标去相关性;
采用PCA主成分分析算法得到即时性指标和前导性指标去相关性结果;
P(i)=pca(E(i),G(i)),i=1,2,...,N
步骤S4015:建立趋势项预测模型,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预测,输入数据为P(i)。
6.根据权利要求1-4中任意一项所述的基于大数据的售电量预测方法,其特征在于,所述步骤S4中包括季节项预测:
步骤S4021:利用L1/2稀疏迭代建立季节项预测模型,输入数据为已有的售电量季节项数据;
步骤S4022:得到季节项预测结果。
8.根据权利要求1-4中任意一项所述的基于大数据的售电量预测方法,其特征在于,所述步骤S6中择优采用AHP综合评价算法,根据AHP的层次结构将售电量预测结果择优问题按层次结构分为目标层、准则层及方案层:
目标层:包括1个目标,即选取最具预测性能的预测曲线;
准则层:包括3个评价指标:模型的训练误差、预测趋势相似度和预测趋势可信度;
方案层:包括4种方案,即SVM、L1/2稀疏迭代、极限学习机以及回声状态网络四种算法下的售电量预测结果;
构建目标层对准则层的判断矩阵,并求取权重向量。
9.根据权利要求1-4中任意一项所述的基于大数据的售电量预测方法,其特征在于,还包括步骤S7:对居民售电量预测优化。
10.根据权利要求1-4中任意一项所述的基于大数据的售电量预测方法,其特征在于,还包括步骤S8:春节售电量预测优化;春节调整模型以历史春节距1-3月首日天数和历史1-3月售电量占季比作为输入数据;采用多项式对输入数据进行拟合,得到历史春节距1-3月首日天数与1-3月售电量占季比拟合函数:
ωk=f(xk)
结合拟合函数和待预测年份春节距1-3月首日天数,计算预测年1-3月预测占季比,之后根据第一季度售电量预测值和1-3月预测占季比,重新分配第一季度各月份售电量预测值,得到春节调整模型输出结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297761.XA CN112288187A (zh) | 2020-11-18 | 2020-11-18 | 一种基于大数据的售电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011297761.XA CN112288187A (zh) | 2020-11-18 | 2020-11-18 | 一种基于大数据的售电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112288187A true CN112288187A (zh) | 2021-01-29 |
Family
ID=74399635
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011297761.XA Pending CN112288187A (zh) | 2020-11-18 | 2020-11-18 | 一种基于大数据的售电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112288187A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114549095A (zh) * | 2022-04-25 | 2022-05-27 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN108764528A (zh) * | 2018-04-23 | 2018-11-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于影响因子分析的日最大负荷区间预测方法 |
CN111476677A (zh) * | 2020-04-03 | 2020-07-31 | 国网湖南省电力有限公司 | 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 |
-
2020
- 2020-11-18 CN CN202011297761.XA patent/CN112288187A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
CN108764528A (zh) * | 2018-04-23 | 2018-11-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种基于影响因子分析的日最大负荷区间预测方法 |
CN111476677A (zh) * | 2020-04-03 | 2020-07-31 | 国网湖南省电力有限公司 | 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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114676896A (zh) * | 2022-03-16 | 2022-06-28 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
CN114676896B (zh) * | 2022-03-16 | 2023-06-16 | 佰聆数据股份有限公司 | 基于时间分解改进算法的电力运行监测方法及系统 |
CN114549095A (zh) * | 2022-04-25 | 2022-05-27 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
CN114549095B (zh) * | 2022-04-25 | 2022-08-09 | 江西师范大学 | 一种基于时间序列的滑动窗口式售电量预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN113962364B (zh) | 一种基于深度学习的多因素用电负荷预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
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 | |
CN111260116A (zh) | 一种基于boa-svr和模糊聚类的分时段精细化短期负荷预测方法 | |
CN112330077B (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
CN112149890A (zh) | 基于用户用能标签的综合能源负荷预测方法及系统 | |
CN111222700A (zh) | 基于动态网络分位数模型的日前电价概率预测方法 | |
CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
CN113591368A (zh) | 一种综合能源系统多能负荷预测方法及系统 | |
CN111832839A (zh) | 基于充分增量学习的能耗预测方法 | |
CN115759415A (zh) | 基于lstm-svr的用电需求预测方法 | |
CN110807508B (zh) | 计及复杂气象影响的母线峰值负荷预测方法 | |
CN115545333A (zh) | 一种多负荷日类型配电网负荷曲线预测方法 | |
Fan et al. | Multi-objective LSTM ensemble model for household short-term load forecasting | |
CN114819395A (zh) | 一种基于长短期记忆神经网络和支持向量回归组合模型的行业中长期负荷预测方法 | |
CN114897264A (zh) | 一种基于迁移学习的小样本场景下光伏出力区间预测方法 | |
CN114091776A (zh) | 一种基于K-means的多分支AGCNN短期电力负荷预测方法 | |
Yang | Enterprise network marketing prediction using the optimized GA-BP neural network | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
CN112330030A (zh) | 业扩物资需求预测系统及方法 | |
Yang et al. | Ultra-short-term load prediction of integrated energy system based on load similar fluctuation set classification | |
CN107464015B (zh) | 一种基于用电行为的具备熔断机制的短期负荷以及电量预测方法 | |
CN114819337A (zh) | 基于多任务学习的综合能源系统多元负荷预测方法 |
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 |