CN113298308B - 一种参数自适应的用电量预测方法及其系统 - Google Patents
一种参数自适应的用电量预测方法及其系统 Download PDFInfo
- Publication number
- CN113298308B CN113298308B CN202110597424.0A CN202110597424A CN113298308B CN 113298308 B CN113298308 B CN 113298308B CN 202110597424 A CN202110597424 A CN 202110597424A CN 113298308 B CN113298308 B CN 113298308B
- Authority
- CN
- China
- Prior art keywords
- model
- component
- data
- prediction
- row
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 230000001932 seasonal effect Effects 0.000 claims abstract description 52
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 230000005611 electricity Effects 0.000 claims abstract description 20
- 230000000737 periodic effect Effects 0.000 claims abstract description 19
- 230000003044 adaptive effect Effects 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims abstract description 14
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 7
- 238000012935 Averaging Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 39
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000000717 retained effect Effects 0.000 claims description 12
- 230000015572 biosynthetic process Effects 0.000 claims description 8
- 238000003786 synthesis reaction Methods 0.000 claims description 8
- 239000000126 substance Substances 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 7
- 239000000654 additive Substances 0.000 claims description 5
- 230000000996 additive effect Effects 0.000 claims description 5
- 238000009966 trimming Methods 0.000 claims 4
- 238000005259 measurement Methods 0.000 abstract description 2
- 238000010998 test method Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000010248 power generation Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000010200 validation analysis 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
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种参数自适应的用电量预测方法和系统，涉及用电量测量技术领域，包括：采集原始时间序列D，选取最近一年的数据作为验证集，其它数据作为训练集；利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ；利用ARIMA算法对趋势分量进行预测；利用自适应加权求和算法对季节周期分量进行预测；利用平均法对随机分量进行预测；利用X12算法将三种预测分量进行合成，预测用电量。使用本方法，数据源简单，且预测方法中，分解模型自适应，参数选择自适应，与传统模型相比，预测精度上有较大的提升，且使用方便，易于推广。
Description
技术领域
本发明涉及用电量测量技术领域，尤其涉及一种参数自适应的用电量预测方法及其实现该方法的系统。
背景技术
在电力系统中，售电量预测具有重要意义。例如，通过对售电量的预测分析，电力企业可以更合理地确定销售总定额，从而制定相关决策指导发电厂、输配电网的合理运行；准确的电量预测能够使电力企业有效地控制利润平衡——通过预算 收入合理安排支出（如项目投入、线路铺设、变压器检修等），这在目前国家电网公司每年业绩考核制度下扮演者重要角色。
目前月度用电量预测方法可分为两大类：传统的预测方法和基于人工智能的预测方法，前者根据数学和统计学原理对负荷的历史变化规律以及外部影响因素进行分析，主要包括回归分析法、时间序列法以及灰色模型预测法等；后者利用不同的人工智能模型直接建立输入输出之间复杂的非线性映射关系，主要有人工神经网络预测法、支持向量机法以及组合模型预测法等。
而传统的时间预测模型ARIMA本质上是线性模型，其在处理光滑、且规律性好的时间序列能够得到很好的效果，但是在处理规律性较差的时间序列却得不到好的效果。
X12-ARIMA法中心思想为采用中心化移动加权平均法逐项分解原始时间序列，接着分别利用对应的预测方法对其进行建模，最终合成所需的时间序列。
X12算法中季节周期性分量的预测与初值alpha有很大的关系，因此对alpha的取值准确与否直接关系到最终的预测结果的准确度。传统的方法是根据经验进行选取，选取的值是否准确依赖极其丰富的经验，以及对每个地区或者整体的用电情况必须做到了如指掌，这种方式随意性强，不能保证预测的一致性，且不易推广使用。
发明内容
本发明的目的是提供一种参数自适应的用电量预测系统，能够解决目前用电量需求预测方法存在的预测不准确、处理效果不好的问题。
为实现上述发明目的，本发明采用了以下技术方案。
一种参数自适应的用电量预测方法，包括：
1.1．采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集；
1.2．利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响；
1.3．利用ARIMA算法对趋势分量进行预测；
1.4．利用自适应加权求和算法对季节周期分量进行预测；
1.5．利用平均法对随机分量进行预测；
1.6．利用X12算法将三种预测分量进行合成，预测用电量。
进一步地，
1.4中的自适应加权求和算法包括：
1.4.1. 初始化alpha矩阵，将上下阈值{0.1,0.5}和上下阈值{0.6,0.8}进行合并，作为一个整体的矩阵，初始化输出矩阵为12×1的矩阵；
1.4.2．将训练集以12为步长进行划分，建立两层循环，外面的循环从1到12，里面的循环从1开始，12为步长，训练集数据总长度为终止条件，将1×LEN的训练集矩阵划分为12×YEAR的矩阵，其中LEN为数据总长度，YEAR为训练集年数；
1.4.3. 计算上一步中得到的矩阵每一行的方差和阈值，
若该行的方差Var小于该行的阈值T，则选择{0.1,0.5}作为该行alpha微调时的起始与终止，否则选择{0.6,0.8}作为该行alpha微调时的起始与终止；
1.4.4. 以0.01为步长，生成起始与终止范围以内的一系列alpha值；针对其中每一个值α，进行求和预测，
1.4.5. 将预测值与验证集的数据进行比较，找到均方差最小的α值；
1.4.6. 根据得到的α值，计算下一年的预测值。
本发明还提出了一种参数自适应的用电量预测系统，所述系统包括：
6.1. 历史用电数据获取模块，用于采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集。
6.2. 分解模块，具体用于利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响。
6.3. 趋势分量的预测模型获取模块，用于根据所述趋势分量D TC 的数据确定ARIMA模型的参数，获得预测模型；所述趋势分量的预测模型用于趋势分量的预测。
6.4. 季节周期分量的预测模型获取模块，用于根据所述季节周期分量D SF 的数据，利用自适应加权求和算法获取预测模型；所述趋势分量的预测模型用于季节周期分量的预测。
6.5. 随机分量的预测模型获取模块，用于根据所述随机分量D IR 的数据获取预测模型；所述随机分量的预测模型用于随机分量的预测。
6.6. 用电量预测模型获取模块，用于将所述趋势分量预测模型预测的趋势分量、趋势分量预测模型预测的季节周期分量、随机分量预测模型预测的随机分量利用X12算法进行合成，预测用电量。
本发明的用电量预测方法，仅利用历史用电量数据本身就可完成，而且，自适应加权求和算法可以自动设定最优参数，与传统模型相比，预测精度上有较大的提升，且使用方便，易于推广。
附图说明
图1是本发明实施例获取的原始时间序列，
图2是利用X12分解算法分解的趋势分量，
图3是利用X12分解算法分解的季节周期分量，
图4是利用X12分解算法分解的随机分量，
图5是本发明实施例的ARIMA建模步骤流程，
图6是本发明实施例的自适应加权求和流程，
图7是本发明实施例的基于X12与ARIMA预测算法总体流程图，
图8是本发明实施例2019年用电预测值与实际值对比图，
图9是本发明实施例参数自适应的用电量预测系统的组成示意图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参看图7，本实施例提供了一种参数自适应的用电量预测方法，包括以下步骤。
1.1．采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集。
原始时间序列即一定时间段内用电量的数据集合，即历史用电数据。历史用电数据越多，理论上预测会越合理。但由于历史原因，早期的数据有可能不全或不准确，本实施例中，获取的数据要符合时间段和用电量的对应关系，根据实际情况，获取距今最近的n+1年的历史用电数据。
本实施例的后续步骤中，有模型验证的要求，因此将历史数据分为两个集合，一个是训练集，一个是验证集。最新的，即最近一年的数据作为验证集，其它数据作为训练集。
1.2．利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响。参看图1-图4。
本实施例中，通过判断分解后的季节周期分量，自动调整分解模型。
1.2.1．利用X12分解算法，分别使用加法模型和乘法模型，对原始时间序列进行分解。
加法模型：D=D TC +D SF +D IR ，
乘法模型：D=D TC ×D SF ×D IR 。
1.2.2. 分别计算使用加法模型分解出的季节周期分量的方差V1和使用加法模型分解出的季节周期分量的方差V2。
计算公式为：
其中V为方差，m为季节周期分量D SF 的数据总数，Di为第i个季节周期分量数据，D为季节周期分量D SF 的平均值。
1.2.3. 如果V1<V2，则保留使用加法模型分解出的数据，否则，保留使用乘法模型分解出的数据，即保留波动较小的数据用于下面的运算。
传统计算方法中，模型的选择是基于过往文献与经验值判断模式。而用电量数据与地区、统计时间区间紧密相关，也与数据是月用电量或者日用电量有关，本实施例是预测月用电量，若将此方法用于日用电量的预测上，则过往经验不再适用，很容易会选择了错误/不合适的分解模型，增大最终的误差。本实施例根据分解后的季节周期分量，选择出比较合适的分解模型。
1.3．利用ARIMA算法对趋势分量进行预测。
参看图5，1.3包括：
1.3.1. 利用ADF检验方法检验当前时间序列是否为平稳序列。
检验方法如下式所示，在Matlab中利用adftest即可完成。
其中μ为不依赖于t的常数，γ(m,n)=E(X m ―μ n) E(X m ―μ n )，为协方差函数。
E代表求一系列数据的平均值，t为时间变量，时间序列Xt是在每一个时间点t时采集到的数据。m、n是不同于时间点t的另外两个时间点，其中n大于m。第一个公式含义是时间序列Xt平方的均值是常数，与t无关；第二个公式含义是时间序列Xt的均值是常数；第三个公式含义是计算两个时间点时序列Xt的协方差。
1.3.2. 如果当前时间序列是平稳的，执行1.3.3，否则，对当前时间序列进行一阶差分或二阶差分，执行1.3.1。
本实施例中，一阶差分的公式：
X
t
=X
2
–X
1
+X
3
–X
2
+... ...+X
t
–X
t-1
其中X t 是差分后得到的新序列，一次差分结束后序列长度会减1。
1.3.3. ARIMA建模，根据AIC准则或者BIC准则确定最优的ARIMA模型参数。
ARIMA模型表示为：
通过观察时间序列(经过/没有经过差分)的自相关系数和偏自相关系数确定p和q的初始值，再利用AICBIC准则确定最后的p和q。
首先计算序列的自相关系数与偏自相关系数，两个系数的计算方式如下所示：
根据两个系数的拖尾与截尾性质得到模型参数p和q的初始估计值，确定方式如下表所示。拖尾意思是逐渐趋于0，截尾的意思是迅速变为0。
接着利用p和q的初始估计值进行循环迭代，p从1到估计值，q也从1到估计值，p在外层循环，q在内层循环。第二层循环里面包括以下几步：1.利用arima函数建立模型；2.利用estimate函数估计模型中除了p和q的其他参数；3.利用AICBIC准则判断使AIC值最小的p和q，并进行保存，AICBIC准则如下，在两层循环结束以后就得到了精准的p和q。
其中k是模型参数个数，L为似然函数，n为样本数量。
利用上一步获得的p和q，以及差分步骤中的参数d，建立ARIMA模型，使用函数依然是arima，建模以后利用estimate函数估计模型中的其他参数，获得完整的ARIMA模型。
1.3.4. 模型检验：计算上一步中得到的模型的残差，检验残差是否为白噪声，若残差序列属于白噪声，模型有效，否则重新建模、检验。
检验方式如下所示：
其中LB为检验统计量，若统计量P值都显著大于0.05，则认为残差序列属于白噪声，模型有效。
n是样本数量，ρ k 2 是样本k阶滞后的相关系数，m是自由度，χ 2(m)表示自由度m的卡方分布。
1.3.5. 使用模型进行预测。
Xt即为D TC ，下一年趋势分量的预测值。
1.4．利用自适应加权求和算法对季节周期分量进行预测。
X12算法中季节周期性分量的预测与初值alpha有很大的关系，因此对alpha的取值准确与否直接关系到最终的预测结果的准确度。本实施例设计了一种可以自适应调节alpha参数的预测算法：自适应加权求和算法，可以准确给出alpha参数的初值与最终定值，参看图6，算法包括下述步骤。
1.4.1. 初始化alpha矩阵，将上下阈值{0.1,0.5}和上下阈值{0.6，0.8}进行合并，作为一个整体的矩阵，初始化输出矩阵为12×1的矩阵。
1.4.2．将训练集以12为步长进行划分，建立两层循环，外面的循环从1到12，里面的循环从1开始，12为步长，训练集数据总长度为终止条件，将1×LEN的训练集矩阵划分为12×YEAR的矩阵，其中LEN为数据总长度，YEAR为训练集年数，本实施例中，YEAR=n。
1.4.3. 计算上一步中得到的矩阵每一行的方差和阈值，方差计算公式为：
其中Var为方差，n为矩阵中每一行的数据总数，X i 为该行中第i个数据，
为该行所有数据的平均值。
阈值T的计算公式为：
T=0.6*(max(X)–min(X))，X代表该行中的数据，即每行数据的阈值为该行数据中最大值和最小值之差的0.6倍。
若该行的方差Var小于该行的阈值T，则选择{0.1,0.5}作为该行alpha微调时的起始与终止，否则选择{0.6,0.8}作为该行alpha微调时的起始与终止。
1.4.4. 以0.01为步长，生成起始与终止范围以内的一系列alpha值。
以{0.6,0.8}为例，该系列为{0.6,0.601,0.602,0.603,... ...0.709,0.8}.
使用矩阵中的每一行数据，针对其中每一个值α，基于以下公式求和：
D
SFn+1,j
=αD
SFn,j
+α(α-1) D
SFn-1,j
+...+α(α-1)
n-1
D
SF1,j
其中，j代表月，D SFn+1,j 为预测值。
1.4.5. 将预测值与验证集的数据进行比较，找到均方差最小的α值，得到适合该行数据的。
1.4.6. 根据得到的α值，计算下一年季节周期分量的预测值。
D SFn+2,j =αD SFn+1,j +α(α-1) D SFn,j +...+α(α-1) n D SF1,j 。
通过自适应加权求和算法选择的值，可以更准确地进行预测，如下表所示：
1.5．利用平均法对随机分量进行预测，预测公式具体为；
D
IRn+2,j
=(D
IRn+1,j
+ D
IRn,j
+... + D
IR2,j
+ D
IR1,j
)/(n+1)
其中，D IRn+2,j 为下一年随机分量的预测值。
1.6利用X12算法将三种预测分量进行合成，预测用电量，具体为：若对原始时间序列进行分解时使用乘法模型，则使用下面公式进行合成：
D=D
TCp
×D
SFp
×D
IRp
否则，使用下面公式进行合成：
D=D TCp +D SFp +D IRp
其中D TCp 、D SFp 、D IRp 分别为趋势分量、季节周期分量与随机分量的预测值。
图9为根据本发明得出的2019年用电预测值与实际值对比图。
参看图8，本实施例提供了一种参数自适应的用电量预测系统，包括历史用电数据获取模块、分解模块、趋势分量的预测模型获取模块、季节周期分量的预测模型获取模块、随机分量的预测模型获取模块、用电量预测模型获取模块。
历史用电数据获取模块，用于采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集。
分解模块，具体用于利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响。
分解模块通过判断分解后的季节周期分量，自动调整分解模型：利用X12分解算法，分别使用加法模型和乘法模型，对原始时间序列进行分解。
加法模型：D=D TC +D SF +D IR ，
乘法模型：D=D TC ×D SF ×D IR 。
分别计算使用加法模型分解出的季节周期分量的方差V1和使用加法模型分解出的季节周期分量的方差V2。
计算公式为：
其中V为方差，m为季节周期分量D SF 的数据总数，Di为第i个季节周期分量数据，D为季节周期分量D SF 的平均值。
如果V1<V2，则保留使用加法模型分解出的数据，否则，保留使用乘法模型分解出的数据。
趋势分量的预测模型获取模块，用于根据所述趋势分量D TC 的数据确定ARIMA模型的参数，获得预测模型；所述趋势分量的预测模型用于趋势分量的预测：
利用ADF检验方法检验当前时间序列是否为平稳序列；如果当前时间序列是平稳的，继续下一步，否则，对当前时间序列进行一阶差分，重新验证是否为平稳序列；ARIMA建模，根据AIC准则或者BIC准则确定最优的ARIMA模型参数；模型检验：计算上一步中得到的模型的残差，检验残差是否为白噪声，若残差序列属于白噪声，模型有效，否则重新建模、检验；使用模型预测趋势分量。
具体用于：
利用ADF检验方法检验当前时间序列是否为平稳序列。
检验方法如下式所示，在Matlab中利用adftest即可完成。
其中μ为不依赖于t的常数，γ(m,n)=E(X m ―μ n) E(X m ―μ n )，为协方差函数。
E代表求一系列数据的平均值，t为时间变量，时间序列Xt是在每一个时间点t时采集到的数据。m、n是不同于时间点t的另外两个时间点，其中n大于m。第一个公式含义是时间序列Xt平方的均值是常数，与t无关；第二个公式含义是时间序列Xt的均值是常数；第三个公式含义是计算两个时间点时序列Xt的协方差。
如果当前时间序列是平稳的，执行下一步，否则，对当前时间序列进行一阶差分或二阶差分，重新判断。
本实施例中，一阶差分的公式：
X
t
=X
2
–X
1
+X
3
–X
2
+... ...+X
t
–X
t-1
其中X t 是差分后得到的新序列，一次差分结束后序列长度会减1。
ARIMA建模，根据AIC准则或者BIC准则确定最优的ARIMA模型参数。
ARIMA模型表示为：
通过观察时间序列(经过/没有经过差分)的自相关系数和偏自相关系数确定p和q的初始值，再利用AICBIC准则确定最后的p和q。
首先计算序列的自相关系数与偏自相关系数，两个系数的计算方式如下所示：
根据两个系数的拖尾与截尾性质得到模型参数p和q的初始估计值，确定方式如下表所示。拖尾意思是逐渐趋于0，截尾的意思是迅速变为0。
接着利用p和q的初始估计值进行循环迭代，p从1到估计值，q也从1到估计值，p在外层循环，q在内层循环。第二层循环里面包括以下几步：1.利用arima函数建立模型；2.利用estimate函数估计模型中除了p和q的其他参数；3.利用AICBIC准则判断使AIC值最小的p和q，并进行保存，AICBIC准则如下，在两层循环结束以后就得到了精准的p和q。
其中k是模型参数个数，L为似然函数，n为样本数量。
利用上一步获得的p和q，以及差分步骤中的参数d，建立ARIMA模型，使用函数依然是arima，建模以后利用estimate函数估计模型中的其他参数，获得完整的ARIMA模型。
模型检验：计算上一步中得到的模型的残差，检验残差是否为白噪声，若残差序列属于白噪声，模型有效，否则重新建模、检验。
检验方式如下所示：
其中LB为检验统计量，若统计量P值都显著大于0.05，则认为残差序列属于白噪声，模型有效。
n是样本数量，ρ k 2 是样本k阶滞后的相关系数，m是自由度，χ 2(m)表示自由度m的卡方分布。
使用模型进行预测。
Xt即为D TC ，下一年趋势分量的预测值。
季节周期分量的预测模型获取模块，用于根据所述季节周期分量D SF 的数据，利用自适应加权求和算法获取预测模型；所述趋势分量的预测模型用于季节周期分量的预测。
具体用于：
初始化alpha矩阵，将上下阈值{0.1,0.5}和上下阈值{0.6，0.8}进行合并，作为一个整体的矩阵，初始化输出矩阵为12×1的矩阵。
将训练集以12为步长进行划分，建立两层循环，外面的循环从1到12，里面的循环从1开始，12为步长，训练集数据总长度为终止条件，将1×LEN的训练集矩阵划分为12×YEAR的矩阵，其中LEN为数据总长度，YEAR为训练集年数。
计算上一步中得到的矩阵每一行的方差和阈值，方差计算公式为：
其中Var为方差，n为矩阵中每一行的数据总数，X i 为该行中第i个数据，
为该行所有数据的平均值。
阈值T的计算公式为：
T=0.6*(max(X)–min(X))，X代表该行中的数据。
若该行的方差Var小于该行的阈值T，则选择{0.1,0.5}作为该行alpha微调时的起始与终止，否则选择{0.6,0.8}作为该行alpha微调时的起始与终止。
以0.01为步长，生成起始与终止范围以内的一系列alpha值；针对其中每一个值α，基于以下公式求和：
D SFn+1,j =αD SFn,j +α(α-1) D SFn-1,j +...+α(α-1) n-1 D SF1,j 。
其中，j代表月，D SFn+1,j 为预测值。
将预测值与验证集的数据进行比较，找到均方差最小的α值。
根据得到的α值，计算下一年的季节周期分量预测值：
D SFn+2,j =αD SFn+1,j +α(α-1) D SFn,j +...+α(α-1) n D SF1,j 。
随机分量的预测模型获取模块，用于根据所述随机分量D IR 的数据获取预测模型；所述随机分量的预测模型用于随机分量的预测。
具体为：
D
IRn+2,j
=(D
IRn+1,j
+ D
IRn,j
+... + D
IR2,j
+ D
IR1,j
)/(n+1)
其中，D IRn+2,j 为预测值。
用电量预测模型获取模块，用于将所述趋势分量预测模型预测的趋势分量、趋势分量预测模型预测的季节周期分量、随机分量预测模型预测的随机分量利用X12算法进行合成，预测用电量。
若保留使用乘法模型分解出的数据，则使用下面公式进行合成：
D=D
TCp
×D
SFp
×D
IRp
否则，使用下面公式进行合成：
D=D TCp +D SFp +D IRp
其中D TCp 、D SFp 、D IRp 分别为趋势分量、季节周期分量与随机分量下一年的预测值。
根据本发明给出的预测值，可以根据往年的分布式发电设备如光伏发电、风力发电等的发电量，预测未来一个月或一年的发电量，同时调整传统火电的发电量预期，确定发电机组的发电容量，降低发电厂运行成本和企业的考核成本，保证在预测周期内绿色能源的有效利用。将本发明延伸至日用电量数据的预测中，可更加精准地控制能量利用，实现生态用能。
显然，上述仅仅是为说明本发明而提出的实施例，并非对本发明进行限制。基于以上，本领域普通技术人员在没有作出创造性劳动前提下所获得的其他技术方案，都属于本发明保护的范围。
Claims (9)
1.一种参数自适应的用电量预测方法，其特征在于，包括：
1.1．采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集；
1.2．利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响；
1.3．利用ARIMA算法对趋势分量进行预测；
1.4．利用自适应加权求和算法对季节周期分量进行预测；
1.5．利用平均法对随机分量进行预测；
1.6．利用X12算法将三种预测分量进行合成，预测用电量；
其中，1.4中的自适应加权求和算法包括：
1.4.1. 初始化alpha矩阵，将上下阈值{0.1,0.5}和上下阈值{0.6，0.8}进行合并，作为一个整体的矩阵，初始化输出矩阵为12×1的矩阵；
1.4.2．将训练集以12为步长进行划分，建立两层循环，外面的循环从1到12，里面的循环从1开始，12为步长，训练集数据总长度为终止条件，将1×LEN的训练集矩阵划分为12×YEAR的矩阵，其中LEN为数据总长度，YEAR为训练集年数；
1.4.3. 计算上一步中得到的矩阵每一行的方差和阈值，方差计算公式为：
其中Var为方差，n为矩阵中每一行的数据总数，X i 为该行中第i个数据，
为该行所有数据的平均值；
阈值T的计算公式为：
T=0.6*(max(X)–min(X))，X代表该行中的数据，
若该行的方差Var小于该行的阈值T，则选择{0.1,0.5}作为该行alpha微调时的起始与终止，否则选择{0.6,0.8}作为该行alpha微调时的起始与终止；
1.4.4. 以0.01为步长，生成起始与终止范围以内的一系列alpha值；针对其中每一个值α，基于以下公式求和：
D
SFn+1,j
=αD
SFn,j
+α(α-1) D
SFn-1,j
+...+α(α-1)
n-1
D
SF1,j
其中，j代表月，D SFn+1,j 为预测值；
1.4.5. 将预测值与验证集的数据进行比较，找到均方差最小的α值；
1.4.6. 根据得到的α值，计算下一年的季节周期分量预测值：
D SFn+2,j =αD SFn+1,j +α(α-1) D SFn,j +...+α(α-1) n D SF1,j 。
2.根据权利要求1所述的参数自适应的用电量预测方法，其特征在于：
1.2包括：
1.2.1．利用X12分解算法，分别使用加法模型和乘法模型，对原始时间序列进行分解；
1.2.2. 分别计算使用加法模型分解出的季节周期分量的方差V1和使用乘法模型分解出的季节周期分量的方差V2，
1.2.3. 如果V1<V2，则保留使用加法模型分解出的数据，否则，保留使用乘法模型分解出的数据。
3.根据权利要求1所述的参数自适应的用电量预测方法，其特征在于：
1.3包括：
1.3.1. 利用ADF检验方法检验当前时间序列是否为平稳序列，
1.3.2. 如果当前时间序列是平稳的，执行1.3.3，否则，对当前时间序列进行一阶差分，执行1.3.1；
1.3.3. ARIMA建模，根据AIC准则或者BIC准则确定最优的ARIMA模型参数；
1.3.4. 模型检验：计算上一步中得到的模型的残差，检验残差是否为白噪声，若残差序列属于白噪声，模型有效，否则重新建模、检验；
1.3.5．使用模型预测趋势分量。
4.根据权利要求1所述的参数自适应的用电量预测方法，其特征在于：
1.5预测公式具体为：
D
IRn+2,j
=(D
IRn+1,j
+ D
IRn,j
+... + D
IR2,j
+ D
IR1,j
)/(n+1)
其中，D IRn+2,j 为预测值。
5.根据权利要求2所述的参数自适应的用电量预测方法，其特征在于：
1.6具体为：若保留使用乘法模型分解出的数据，则使用下面公式进行合成：
D=D
TCp
×D
SFp
×D
IRp
否则，使用下面公式进行合成：
D=D TCp +D SFp +D IRp
其中D TCp 、D SFp 、D IRp 分别为趋势分量、季节周期分量与随机分量下一年的预测值。
6.一种参数自适应的用电量预测系统，其特征在于，所述系统包括：
历史用电数据获取模块，用于采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集；
分解模块，具体用于利用X12分解算法对原始时间序列D进行分解，获取趋势分量D TC 、季节周期分量D SF 与随机分量D IR ，消除原始时间序列中不同分量之间的相互影响；
趋势分量的预测模型获取模块，用于根据所述趋势分量D TC 的数据确定ARIMA模型的参数，获得预测模型；所述趋势分量的预测模型用于趋势分量的预测；
季节周期分量的预测模型获取模块，用于根据所述季节周期分量D SF 的数据，利用自适应加权求和算法获取预测模型；所述趋势分量的预测模型用于季节周期分量的预测；
具体用于：
初始化alpha矩阵，将上下阈值{0.1,0.5}和上下阈值{0.6，0.8}进行合并，作为一个整体的矩阵，初始化输出矩阵为12×1的矩阵；
将训练集以12为步长进行划分，建立两层循环，外面的循环从1到12，里面的循环从1开始，12为步长，训练集数据总长度为终止条件，将1×LEN的训练集矩阵划分为12×YEAR的矩阵，其中LEN为数据总长度，YEAR为训练集年数；
计算上一步中得到的矩阵每一行的方差和阈值，方差计算公式为：
其中Var为方差，n为矩阵中每一行的数据总数，X i 为该行中第i个数据，
为该行所有数据的平均值；
阈值T的计算公式为：
T=0.6*(max(X)–min(X))，X代表该行中的数据，
若该行的方差Var小于该行的阈值T，则选择{0.1,0.5}作为该行alpha微调时的起始与终止，否则选择{0.6,0.8}作为该行alpha微调时的起始与终止；
以0.01为步长，生成起始与终止范围以内的一系列alpha值；针对其中每一个值α，基于以下公式求和：
D
SFn+1,j
=αD
SFn,j
+α(α-1) D
SFn-1,j
+...+α(α-1)
n-1
D
SF1,j
其中，j代表月，D SFn+1,j 为预测值；
将预测值与验证集的数据进行比较，找到均方差最小的α值；
根据得到的α值，计算下一年的季节周期分量预测值：
D SFn+2,j =αD SFn+1,j +α(α-1) D SFn,j +...+α(α-1) n D SF1,j ；
随机分量的预测模型获取模块，用于根据所述随机分量D IR 的数据获取预测模型；所述随机分量的预测模型用于随机分量的预测；
用电量预测模型获取模块，用于将所述趋势分量预测模型预测的趋势分量、趋势分量预测模型预测的季节周期分量、随机分量预测模型预测的随机分量利用X12算法进行合成，预测用电量。
7.根据权利要求6所述的一种参数自适应的用电量预测系统，其特征在于，所述分解模块还用于：
利用X12分解算法，分别使用加法模型和乘法模型，对原始时间序列进行分解；
分别计算使用加法模型分解出的季节周期分量的方差V1和使用乘法模型分解出的季节周期分量的方差V2，
如果V1<V2，则保留使用加法模型分解出的数据，否则，保留使用乘法模型分解出的数据。
8.根据权利要求6所述的一种参数自适应的用电量预测系统，其特征在于，所述趋势分量的预测模型获取模块还用于：
利用ADF检验方法检验当前时间序列是否为平稳序列，
如果当前时间序列是平稳的，继续下一步，否则，对当前时间序列进行一阶差分，重新验证是否为平稳序列；
ARIMA建模，根据AIC准则或者BIC准则确定最优的ARIMA模型参数；
模型检验：计算上一步中得到的模型的残差，检验残差是否为白噪声，若残差序列属于白噪声，模型有效，否则重新建模、检验；
使用模型预测趋势分量。
9.根据权利要求6所述的一种参数自适应的用电量预测系统，其特征在于，所述用电量预测模型获取模块还用于：
若保留使用乘法模型分解出的数据，则使用下面公式进行合成：
D=D
TCp
×D
SFp
×D
IRp
否则，使用下面公式进行合成：
D=D TCp +D SFp +D IRp
其中D TCp 、D SFp 、D IRp 分别为趋势分量、季节周期分量与随机分量下一年的预测值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597424.0A CN113298308B (zh) | 2021-05-31 | 2021-05-31 | 一种参数自适应的用电量预测方法及其系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110597424.0A CN113298308B (zh) | 2021-05-31 | 2021-05-31 | 一种参数自适应的用电量预测方法及其系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298308A CN113298308A (zh) | 2021-08-24 |
| CN113298308B true CN113298308B (zh) | 2022-03-11 |
Family
ID=77326371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110597424.0A Active CN113298308B (zh) | 2021-05-31 | 2021-05-31 | 一种参数自适应的用电量预测方法及其系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298308B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117613905B (zh) * | 2024-01-24 | 2024-05-14 | 国网江西省电力有限公司经济技术研究院 | 一种基于多维分量分解的电力需求中期预测方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
| 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 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
| CN109697527A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种多维度基于时间序列趋势分解的电量预测方法 |
| CN111260147A (zh) * | 2020-02-07 | 2020-06-09 | 河北工程大学 | 发电量预测方法、装置及终端设备 |
-
2021
- 2021-05-31 CN CN202110597424.0A patent/CN113298308B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105205570A (zh) * | 2015-10-16 | 2015-12-30 | 国网重庆铜梁区供电有限责任公司 | 一种基于季节时序分析的电网售电量预测方法 |
| 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 |
| CN108304966A (zh) * | 2018-01-18 | 2018-07-20 | 沈阳工程学院 | 一种短期月售电量预测方法 |
| CN109697527A (zh) * | 2018-12-19 | 2019-04-30 | 浙江大学 | 一种多维度基于时间序列趋势分解的电量预测方法 |
| CN111260147A (zh) * | 2020-02-07 | 2020-06-09 | 河北工程大学 | 发电量预测方法、装置及终端设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298308A (zh) | 2021-08-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111275367B (zh) | 一种区域综合能源系统能效状态评价方法 | |
| WO2021213192A1 (zh) | 一种基于通用分布的负荷预测方法及负荷预测系统 | |
| CN109193630B (zh) | 一种柔性负荷可调区间预测方法及装置 | |
| CN112906987B (zh) | 基于卷积神经网络和二维气象矩阵的光伏功率预测方法 | |
| CN112163700A (zh) | 一种考虑储能电池循环寿命的电化学储能电站规划方法 | |
| CN110796307A (zh) | 一种综合能源系统分布式负荷预测方法及系统 | |
| CN112381673B (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
| CN113298308B (zh) | 一种参数自适应的用电量预测方法及其系统 | |
| CN109376937B (zh) | 基于集合经验模态分解的自适应调度期末水位预测方法 | |
| CN109388863B (zh) | 一种基于arima模型的分布式光伏出力功率预测方法 | |
| CN114330642A (zh) | 一种用于多采样时间的建筑电力负荷预测方法 | |
| CN116933216B (zh) | 一种基于柔性负荷资源聚合特征分析的管理系统及方法 | |
| CN111275238B (zh) | 基于每时晴空指数的大规模电站光伏出力序列生成方法 | |
| Wang et al. | Customer baseline load bias estimation method of incentive-based demand response based on CONTROL group matching | |
| CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
| CN113779861B (zh) | 光伏功率的预测方法及终端设备 | |
| Chen et al. | Variation-cognizant probabilistic power flow analysis via multi-task learning | |
| CN113935523A (zh) | 基于电压变化规律的电压趋势预测方法 | |
| CN110210755B (zh) | 一种基于K_means聚类算法的用户需求响应能力评估方法 | |
| CN110322063A (zh) | 一种耗电功率仿真预测方法及存储介质 | |
| CN110365010A (zh) | 基于2m点估计法的含DG配电网可靠性评估指标获取方法 | |
| Doelle et al. | Comparison of intraday probabilistic forecasting of solar power using time series models | |
| Cheung et al. | Behind-the-Meter Solar Generation Disaggregation at Varying Aggregation Levels Using Consumer Mixture Models | |
| Mohammed et al. | Ultra-short-term wind power prediction using a hybrid model | |
| Yang et al. | Electricity load forecasting based on long and short-term memory neural network |
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 |