CN112633581A - 基于用电数据的电力发展状况分析方法 - Google Patents
基于用电数据的电力发展状况分析方法 Download PDFInfo
- Publication number
- CN112633581A CN112633581A CN202011581362.6A CN202011581362A CN112633581A CN 112633581 A CN112633581 A CN 112633581A CN 202011581362 A CN202011581362 A CN 202011581362A CN 112633581 A CN112633581 A CN 112633581A
- Authority
- CN
- China
- Prior art keywords
- function
- power consumption
- industrial
- value
- added value
- 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
- 238000011161 development Methods 0.000 title claims abstract description 19
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 230000014509 gene expression Effects 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000012888 cubic function Methods 0.000 claims abstract description 13
- 238000012360 testing method Methods 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 9
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012886 linear function Methods 0.000 description 10
- 238000004519 manufacturing process Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 6
- 238000012887 quadratic function Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Primary Health Care (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供基于用电数据的电力发展状况分析方法,包括下列步骤:采集产业用电量和产业增加值的历史数据,以产业用电量和产业增加值的历史数据作为分析对象,建立关于一次函数、二次函数、三次函数、指数函数、幂函数的多条拟合曲线,通过所述拟合曲线获得对应的函数表述式;对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量‑产业增加值的最优函数;使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,所述用电量的预测值结合产业用电量‑产业增加值的最优函数,获得产业增加值的预测值,将产业增加值的预测值与产业增加的实测值进行对比,分析经济发展形势的变化情况。
Description
技术领域
本发明涉及电力数据分析技术领域,尤其涉及基于用电数据的电力发展状况分析方法。
背景技术
现代社会的发展离不开能源的支撑和保障。在当今社会,电力不仅是关系着民生问题的重要能源,也是各行各业发展过程中必不可少的动力源泉。作为全球第二大经济体,中国近年来经济继续保持飞速发展,生产力不断提高。从《中国电力行业年度发展报告2020》中公布的数据来看,中国全社会的用电量在2019年度已高达72486亿千瓦时,比上年增长了4.4%。电力行业与经济发展之间的紧密联系引起了广大学者的关注,电力经济学这门交叉学科也应运而生。
从电力消费的角度研究与其相关的生产经营规律和投入产出关系,是电力经济学所研究的核心问题。一般,经济学中将土地资源、资本量和劳动力看作三种基本的生产要素,将生产要素与产品之间的关系定义为生产函数。用电量往往被视作与投入的生产要素之间存在正相关性,也正因此,生产经营的产出通常也会被认为与用电量密切相关。随着智能电能表的广泛应用,电力数据的获取变得更加便捷。通过电能表进行数据采集、采集设备进行信息传输以及用电信息采集系统进行数据展示,层层传递,电力从业人员就可以实时、准确地获取各类用电数据。
发明内容
本发明的目的在于提供基于用电数据的电力发展状况分析方法,以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的:基于用电数据的电力发展状况分析方法,包括下列步骤:
采集产业用电量和产业增加值的历史数据,以产业用电量和产业增加值的历史数据作为分析对象,建立关于一次函数、二次函数、三次函数、指数函数、幂函数的多条拟合曲线,通过所述拟合曲线获得对应的函数表述式;
对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数;
使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,所述用电量的预测值结合产业用电量-产业增加值的最优函数,获得产业增加值的预测值,将产业增加值的预测值与产业增加的实测值进行对比,分析经济发展形势的变化情况。
优选的,对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数,包括:
分别计算多个函数表达式的决定系数以及显著性水平系数;
根据显著性检验的判断规则,判断各个函数表达式是否符合显著性要求;
选取符合显著性要求的函数表达式,并在符合显著性要求的函数表达式中选择决定系数最大的函数表达式作为产业用电量-产业增加值的最优函数。
优选的,使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,包括:
选取一定时间区间内的产业用电量历史数据,并对所述产业用电量历史数据进行预处理;
构造高斯核函数,并调试选择参数;
根据高斯核函数以及选择参数,对所述产业用电量历史数据进行回归训练,获得训练模型;
构建支持向量机,通过支持向量机对所述训练模型进行预测,最终获得产业用电量的预测值。
与现有技术相比,本发明达到的有益效果如下:
本发明提供的基于用电数据的电力发展状况分析方法,首先根据产业用电量和产业增加值为分析对象设计函数模型,取常用的一次函数、二次函数、三次函数、指数函数、幂函数,对以上函数获得的曲线进行拟合;然后依据选取的函数和拟合的曲线,根据模型汇总和参数估计值选取合适曲线;最后使用SVM回归预测方法,再与实际用电量做对比,分析各产业的用电量变化情况。通过产业用电量-产业增加值,将预测用电量情况下的经济增加值与实际用电量情况下的经济增加值作对比,分析各产业抗风险能力以及风险后恢复生产的能力。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例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优选实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的基于用电数据的电力发展状况分析方法的流程图;
图2为某市第一产业用电量与第一产业增加值一次线性函数拟合曲图;
图3为某市第一产业用电量与第一产业增加值二次函数拟合曲线图;
图4为某市第一产业用电量与第一产业增加值三次函数拟合曲线图;
图5为某市第一产业用电量与第一产业增加值指数函数拟合曲线图;
图6为某市第一产业用电量与第一产业增加值幂函数拟合曲线图;
图7为前期节点时工业实际经济增加值与预测增加值对比图;
图8为中期节点时工业实际经济增加值与预测增加值对比图;
图9为后期节点时工业实际经济增加值与预测增加值对比图。
具体实施方式
为了更好理解本发明技术内容,下面提供具体实施例,并结合附图对本发明做进一步的说明。
参见图1,本发明提供了一种基于用电数据的电力发展状况分析方法,包括下列步骤:
步骤101:采集产业用电量和产业增加值的历史数据,以产业用电量和产业增加值的历史数据作为分析对象,建立关于一次函数、二次函数、三次函数、指数函数、幂函数的多条拟合曲线,通过所述拟合曲线获得对应的函数表述式;
以产业用电量和产业增加值为分析对象进行函数模型研究,时间尺度设定为半年,根据产业用电量和产业增加值为分析对象设计函数模型,取常用的一次函数、二次函数、三次函数、指数函数、幂函数,对产业用电量和产业增加值的历史数据进行曲线拟合,获得一次函数、二次函数、三次函数、指数函数、幂函数的关系曲线
步骤102:对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数,其具体过程包括:
对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数,包括:
分别计算多个函数表达式的决定系数以及显著性水平系数;
根据显著性检验的判断规则,判断各个函数表达式是否符合显著性要求;
选取符合显著性要求的函数表达式,并在符合显著性要求的函数表达式中选择决定系数最大的函数表达式作为产业用电量-产业增加值的最优函数。
步骤103:使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,所述用电量的预测值结合产业用电量-产业增加值的最优函数,获得产业增加值的预测值,将产业增加值的预测值与产业增加的实测值进行对比,分析经济发展形势的变化情况。
使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,包括:
选取一定时间区间内的产业用电量历史数据,并对所述产业用电量历史数据进行预处理;
构造高斯核函数,并调试选择参数;
根据高斯核函数以及选择参数,对所述产业用电量历史数据进行回归训练,获得训练模型;
构建支持向量机,通过支持向量机对所述训练模型进行预测,最终获得产业用电量的预测值。
下面以一个具体实施例进行说明,以某市2016年至2019年间的第一产业用电量和第一产业增加值为分析对象进行函数模型研究,时间尺度设定为半年,其历史数据如下表1。
表1
以一次线性函数对其进行拟合,2016年至2019年期间某市第一产业用电量与第一产业增加值之间的一次线性拟合关系(产业用电量-产业增加值函数)如图2所示,得到的一次线性函数如下:
V(E)=33.679E+276067.142
以二次函数对其进行拟合,2016年至2019年期间某市第一产业用电量与第一产业增加值之间的二次函数拟合关系(产业用电量-产业增加值函数)如图3所示,得到的二次函数如下:
V(E)=-0.004E2+133.026E-222131.666
以三次函数对其进行拟合,2016年至2019年期间某市第一产业用电量与第一产业增加值之间的三次函数拟合关系(产业用电量-产业增加值函数)如图4所示,到的三次函数如下:
V(E)=-1.309×10-7E3+84.716E+3-55156.898
以指数函数对其进行拟合,2016年至2019年期间某市第一产业用电量与第一产业增加值之间的指数函数拟合关系(产业用电量-产业增加值函数)如图5所示,得到的指数函数如下:
以幂函数对其进行拟合,2016年至2019年期间某市第一产业用电量与第一产业增加值之间的幂函数拟合关系(产业用电量-产业增加值函数)如图6所示,得到的幂函数如下:
V(E)=3026.208E0.578
此时计算五种函数的决定系数R2,其中一次线性函数的决定系数R2为0.865,二次函数的决定系数R2为0.897,三次函数的决定系数R2为0.898,幂函数的决定系数R2为0.866,指数函数的决定系数R2为0.846。
进一步考察各模型系数,二次、三次函数、幂函数的各项系数的显著性水平Sig均远大于0.05,系数选取上不符合统计学意义,首先排除。而一次线性函数系数以及指数函数的显著性水平Sig均小于0.05,此时比较一次线性函数系数以及指数函数的决定系数R2,其一次线性函数具有又具有较高的决定系数R2,因此该函数无论从决定系数还是整体及系数的显著性水平,都十分具有统计学意义。因此经综合考虑,决定选择一次线性函数作为第一产业电能-增加值函数。
使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,将用电量的预测值代入一次线性函数:V(E)=33.679E+276067.142,获得产业增加值的预测结果。
以某市2020年间第一产业增加值作为实测结果,与一次线性函数获得的产业增加值进行对比分析。
将2020年分成三次响应时间节点:前期节点(2020年1月26日~2月10日)、中期节点(2020年2月25日~3月11日)、后期节点(2020年3月28日~4月4日)。
将三次时间节点以后的预测用电数据作输入量,获得该产业在疫情三个阶段的经济增加值,并与实际用电量情况下的经济增加值做对比。
图7-9中上方的曲线代表预测值,下方的曲线代表实际值。如图7-9所示,在前期节点,该行业增加值下降明显;在中期节点,产业增加值已逐渐接近预测值;在后期节点,产业实际增加值后期甚至略超过了预测值,因此判断产业已经处于恢复生产中。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。
Claims (3)
1.基于用电数据的电力发展状况分析方法,其特征在于,包括下列步骤:
采集产业用电量和产业增加值的历史数据,以产业用电量和产业增加值的历史数据作为分析对象,建立关于一次函数、二次函数、三次函数、指数函数、幂函数的多条拟合曲线,通过所述拟合曲线获得对应的函数表述式;
对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数;
使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,所述用电量的预测值结合产业用电量-产业增加值的最优函数,获得产业增加值的预测值,将产业增加值的预测值与产业增加的实测值进行对比,分析经济发展形势的变化情况。
2.根据权利要求1所述的基于用电数据的电力发展状况分析方法,其特征在于,对多个函数表达式进行显著性检验以及决定系数计算,从对应的函数表述式确定产业用电量-产业增加值的最优函数,包括:
分别计算多个函数表达式的决定系数以及显著性水平系数;
根据显著性检验的判断规则,判断各个函数表达式是否符合显著性要求;
选取符合显著性要求的函数表达式,并在符合显著性要求的函数表达式中选择决定系数最大的函数表达式作为产业用电量-产业增加值的最优函数。
3.根据权利要求1所述的基于用电数据的电力发展状况分析方法,其特征在于,使用SVM回归预测方法对产业用电量进行回归预测,获得用电量的预测值,包括:
选取一定时间区间内的产业用电量历史数据,并对所述产业用电量历史数据进行预处理;
构造高斯核函数,并调试选择参数;
根据高斯核函数以及选择参数,对所述产业用电量历史数据进行回归训练,获得训练模型;
构建支持向量机,通过支持向量机对所述训练模型进行预测,最终获得产业用电量的预测值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581362.6A CN112633581A (zh) | 2020-12-28 | 2020-12-28 | 基于用电数据的电力发展状况分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011581362.6A CN112633581A (zh) | 2020-12-28 | 2020-12-28 | 基于用电数据的电力发展状况分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112633581A true CN112633581A (zh) | 2021-04-09 |
Family
ID=75325645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011581362.6A Pending CN112633581A (zh) | 2020-12-28 | 2020-12-28 | 基于用电数据的电力发展状况分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112633581A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
-
2020
- 2020-12-28 CN CN202011581362.6A patent/CN112633581A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114580795A (zh) * | 2022-05-06 | 2022-06-03 | 四川瑞康智慧能源有限公司 | 计及电力故障分流的电量预测方法及相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106600037B (zh) | 一种基于主成分分析的多参量辅助负荷预测方法 | |
CN112016755A (zh) | 输变电工程施工图通用设计造价标准化技术模块构建方法 | |
Vermaat et al. | A comparison of Shewhart individuals control charts based on normal, non‐parametric, and extreme‐value theory | |
CN110991866A (zh) | 一种基于机器学习的台区数据缺失值补全方法和装置 | |
CN103853939A (zh) | 一种基于社会经济因素影响的电力系统月度负荷的组合预测方法 | |
CN113506121A (zh) | 价格影响因素的分析方法及装置 | |
CN108830417A (zh) | 一种基于arma和回归分析的生活能源消费预测方法及系统 | |
CN112633581A (zh) | 基于用电数据的电力发展状况分析方法 | |
CN109118093A (zh) | 一种评估碳排放经济影响的方法 | |
CN113641733B (zh) | 一种河道断面流量实时智能推求方法 | |
CN111311026A (zh) | 一种顾及数据特征、模型和校正的径流非线性预测方法 | |
CN107942873A (zh) | 一种家具制造生产线的运营成本智能化核算及监控方法 | |
CN111724203B (zh) | 基于多重回归模型的产品加工价格预估方法及系统 | |
CN113705897A (zh) | 一种面向工业铜箔生产的产品质量预测方法及系统 | |
CN116542430B (zh) | 多维度水务碳排放量智能分析方法及系统 | |
CN107679659A (zh) | 新型工业用电量预测方法 | |
CN117273195A (zh) | 一种蒸汽供热系统需求负荷预测方法 | |
CN111859787A (zh) | 基于气象水文预报因子分类和深度学习模型耦合的日径流预报方法 | |
CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN111126827A (zh) | 一种基于bp人工神经网络的投入产出核算模型构建方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN114519460A (zh) | 一种基于离散多变量灰色预测的电力预测系统 | |
CN106886851A (zh) | 基于电能表状态检修的电能表备品备件预测方法 | |
CN108364136B (zh) | 一种基于证据推理的水资源短缺风险分析方法及系统 | |
CN112801339A (zh) | 一种基于电力大数据的地区经济发展预测方法 |
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 |