CN114676896B - 基于时间分解改进算法的电力运行监测方法及系统 - Google Patents

基于时间分解改进算法的电力运行监测方法及系统 Download PDF

Info

Publication number
CN114676896B
CN114676896B CN202210257195.2A CN202210257195A CN114676896B CN 114676896 B CN114676896 B CN 114676896B CN 202210257195 A CN202210257195 A CN 202210257195A CN 114676896 B CN114676896 B CN 114676896B
Authority
CN
China
Prior art keywords
index
decomposition
trend
factor
power
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
Application number
CN202210257195.2A
Other languages
English (en)
Other versions
CN114676896A (zh
Inventor
姜磊
卢亚楠
赵炫宇
杨军仓
左子凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202210257195.2A priority Critical patent/CN114676896B/zh
Publication of CN114676896A publication Critical patent/CN114676896A/zh
Application granted granted Critical
Publication of CN114676896B publication Critical patent/CN114676896B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Power Engineering (AREA)
  • Health & Medical Sciences (AREA)
  • Educational Administration (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及电力运行监测领域，为基于时间分解改进算法的电力运行监测方法。方法包括：计算主体经济发展指标与主体用电量的关系系数、主体用电量一阶差分的关系系数；选取两组关系系数中最大的一组关系；计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值。本发明设置不同的指数波动因子计算公式，能够反映相关产业、行业、区域未来一段时间电力运行状况。

Description

基于时间分解改进算法的电力运行监测方法及系统
技术领域
本发明涉及电力运行监测领域，具体为基于时间分解改进算法的电力运行监测方法及系统。
背景技术
首先，部分网省公司存在主观设置指标来监测电力运行情况，未完全考虑电力增长与相关经济数据增长的差异性，未完全度量电力数据与相关经济数据变动的时间差，未剔除电力指数指标体系潜在的信息冗余，最终构建的电力运行指标与实际电力运行相关性较差，电力运行指标的决策指导作用未能得到发挥。
其次，现阶段国网总部及各网省从中观和宏观角度提出各种反映企业群体、区域经济、商圈景气等电力运行监测方法。在相关方法构建中一般都会选用电力数据同比和环比、满足特定阈值的占比作为指数预测的基础指标。但各网省电力数据变化特征差异性大，在方法构建过程中指标权重确认、阈值设置也必然会存在差异，所以某种电力运行监测方法未必能切实符合其他主体电力运行形势。
最后，现有电力运行监测方法主要有两大类，方法一：以整体电量同比作为指标预测用电增长指数；以用电量同比作为基础指标，通过设置分位阈值，计算满足不同分位阈值的微观主体数量占总体数量的比重，然后加权汇总不同分位阈值占比得出用电结构指数；以新增业扩容量占比和新增业扩企业占比为基础指标，加权汇总计算得出业扩报装指数；最后将用电增长指数、用电结构指数、业扩报装指数加权汇总计算得出综合电力指数。方法二：基于用电量与国民生产总值、工业增加值的相关性，选取相关系数最大的细分领域电量作为一致性和先行性指标，然后使用合成指数计算方法进行预测。现有电力运行监测方法只能反映当前的电力运行状况，并不能提前预示未来的宏观电力运行趋势。
发明内容
本发明提出基于时间分解改进算法的电力运行监测方法，从电力角度分析中观主体和宏观主体的电力运行趋势，辅助电力部门对宏观形势、行业发展进行监测和预判，以便为相关政策制定提供决策支撑。
相应地，本发明还提出基于时间分解改进算法的电力运行监测系统。
本发明监测方法采用如下技术方案来实现：基于时间分解改进算法的电力运行监测方法，包括以下步骤：
步骤1、选取衡量主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数；
步骤2、选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系系数中最大的一组关系；
步骤3、结合选取的关系，计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；
步骤4、根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；
所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值；
趋势分解项反映电力指数值长期的平稳趋势，趋势分解项Yt的预测公式为：
Figure GDA0004211021260000021
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；p为自回归阶数，θ1....θq为移动平均系数；β1…βp为自回归系数；q为移动平均阶数；
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑；随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项。
本发明监测系统采用如下技术方案来实现：基于时间分解改进算法的电力运行监测系统，包括：
关系系数计算模块，用于选取衡量主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数；
关系选取模块，用于选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系系数中最大的一组关系；
电力指数计算模块，用于结合选取的关系，计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；
电力指数预测模块，用于根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；
所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值；
趋势分解项反映电力指数值长期的平稳趋势，趋势分解项Yt的预测公式为：
Figure GDA0004211021260000031
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；p为自回归阶数，θ1....θq为移动平均系数；β1…βp为自回归系数；q为移动平均阶数；
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑；随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项。
与现有技术相比，本发明取得的有益效果包括如下几点：
1、针对以往电力运行监测方法在指标设置未完全考虑电力增长与相关经济数据增长关系，未完全度量电力数据与相关经济数据变动的时间差，未剔除电力指数指标体系潜在的信息冗余的问题，最终也未能对未来宏观走势起到一定的预测作用；本发明在指数计算上以电量为主，根据电量与经济发展指标、电量一阶差分与经济发展指标的相关系数，设置不同的指数波动因子计算公式，保证指数波动因子与经济发展指标波动尽可能保持一致。
2、针对各网省数据特征差异化导致指数预测方法不适用的问题，本发明在各种因子计算公式上充分考虑历史变动信息，设置波动抑制系数，具体实施过程中可结合实际情况对波动抑制系数进行调整，保证了指数预测的普适性。
3、针对以往电力指数不具备预测作用的局限性，本发明提出时间分解模型，针对长期趋势、季节变化和随机变动提出不同的解决方案，最终使电力指数预测值能覆盖周期、季节和不规则变动等潜在因素，使电力指数更具备经济指向性。
附图说明
图1是本发明实施例中电力运行监测方法的流程图；
图2是本发明实施例中电力运行监测系统的方框图。
具体实施方式
本发明基于时间分解改进算法对中观和宏观主体的电力运行状况进行监测，通过电力数据真实、及时、全面的特性，反映相关产业、行业、区域的未来电力运行状况。总的来说，本发明监测方法主要包括如下步骤：1、选取衡量中观和宏观主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量、该主体用电量一阶差分的关系系数；2、明确经济发展主要指标与电量、经济发展主要指标与电量一阶差分两组关系系数最大的一组关系；3、结合选取的关系，计算指数波动因子、指数趋势因子，将两种因子相乘得到最终的电力指数，用于监测当前中观和宏观主体电力运行情况；4、根据历史电力指数值，提出改进的时间分解模型对未来电力指数进行预测，预判中观和宏观主体未来电力运行情况。
下面结合实施例和说明书附图，对本发明的技术方案作详细的阐述，但本发明的实施方式并不限于此。
实施例1
如图1所示，本实施例基于时间分解改进算法的电力运行监测方法，具体步骤如下：
步骤1、选取衡量中观和宏观主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数。
其中，中观主体指某类产业、行业以及某类市场群体；宏观主体指集合各类产业、行业和市场群体的范围区域或大类集群。衡量中观主体经济发展指标主要包括国民生产总值、工业增加值、生产价格指数、总营业收入等；衡量宏观主体经济发展的指标主要有国民生产总值、工业增加值、生产价格指数等，经济发展指标选定结合具体数据可获取情况而定。
主体经济发展指标与主体用电量、主体用电量一阶差分的关系系数，在计算方法上可使用皮尔逊相关系数；时间周期上电量的时间维度与经济发展指标的时间维度保持一致；数据时间跨度至少5年。
而电量一阶差分的计算方式为用本期电量减去上期电量。
本实施例中，选取西北某市2015年1季度至2021年1季度国民生产总值数据，统计该市2015年1季度至2021年1季度电量和季度电量一阶差分，然后计算该市季度国民生产总值与季度电量、季度电量一阶差分的皮尔逊相关系数，具体相关系数如下表一所示：
表一
季度国民生产总值
季度电量 0.561
季度电量一阶差分 0.876
步骤2、选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系中皮尔逊相关系数最大的一组关系。
本实施例选取该市季度国民生产总值与季度电量一阶差分这一组关系系数。
步骤3、结合步骤2选取的关系，计算指数波动因子、指数趋势因子，将两种因子相乘得到最终的电力指数，用于监测当前中观和宏观主体的电力运行情况。
其中，指数波动因子作为电力指数构成，代表指数上下浮动态势。指数波动因子以100为分界线，大于100表明指数波动呈扩张态势，小于100表明指数波动呈现收缩态势。指数波动因子计算公式以步骤2选取的关系而定，若所选关系为经济发展指标与电量，参考均值归一化计算，确定波动因子计算公式为：
Figure GDA0004211021260000051
若所选关系为经济发展指标与电量一阶差分，参考同比计算，同时为抑制本期电量与上期电量相差较大出现巨幅波动，初始化波动因子计算公式为：
Figure GDA0004211021260000052
在保证整体波动趋势不变基础上，剔除电量周期性、季节性巨幅变动造成的巨幅波动，添加波动抑制系数，最终波动因子计算公式如下：
Figure GDA0004211021260000053
其中，波动抑制系数取值范围为[0,1)，理想化取值为0.8。
本实施例结合步骤2所选取的关系，根据以下计算公式计算该市每月初始化波动因子，并按照0.8的波动抑制系数计算波动因子：
Figure GDA0004211021260000054
Figure GDA0004211021260000055
具体波动因子如下表二所示：
表二
Figure GDA0004211021260000056
Figure GDA0004211021260000061
而指数趋势因子作为电力指数构成，代表指数长期增长趋势。指数波动因子以100为分界线，大于100表明指数增长呈扩张态势，小于100表明指数增长呈现收缩态势。指数趋势因子由用电趋势因子和容量趋势因子构成。为了考量当前电量相较于历史电量增长，根据以下公式计算用电趋势因子：
Figure GDA0004211021260000062
装机容量与电量不同，其当前值本身为历史累计结果，所以根据以下公式计算容量趋势因子：
Figure GDA0004211021260000063
最终计算得出的指数趋势因子如表三所示：
表三
2015年 2016年 2017年 2018年 2019年 2020年 2021年
1月 101.10 107.15 112.68 127.91 138.87 158.41
2月 100.06 99.54 105.41 113.94 123.56 128.81 147.27
3月 100.02 103.73 101.83 114.93 116.35 121.90 133.51
4月 100.97 98.44 102.38 111.24 116.83 119.14
5月 100.12 96.33 99.55 107.55 110.38 116.07
6月 100.11 102.85 109.24 115.68 119.29 127.10
7月 100.69 100.00 109.00 116.01 119.28 126.60
8月 100.13 100.79 110.42 115.32 120.66 124.41
9月 100.28 101.71 109.58 118.37 122.54 126.62
10月 100.22 106.54 111.91 121.25 123.14 131.22
11月 100.31 100.44 113.82 123.45 127.67 138.66
12月 103.37 106.39 113.87 119.01 125.98 141.38
根据如下公式计算得出电力指数，为指数波动因子和指数趋势因子的乘积：
电力指数＝指数波动因子*指数趋势因子/100
＝指数波动因子*
(用电趋势因子*k1+容量趋势因子*k2)/100
其中指数趋势因子为用电趋势因子和容量趋势因子的加权和，用电趋势因子的权重为k1，容量趋势因子的权重为k2；用电趋势因子或容量趋势因子的权重ki采用客观赋权的变异系数法确定：
Figure GDA0004211021260000071
其中vi表示用电趋势因子或容量趋势因子的变异系数，计算公式为：
Figure GDA0004211021260000072
SDi表示一定的预设时间范围内用电趋势因子或容量趋势因子的标准差，meani表示一定的预设时间范围内用电趋势因子或容量趋势因子的平均值。
步骤4、根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判中观和宏观主体未来电力运行情况。
为综合考虑预测值能综合涵盖季节、周期等潜在因素，时间分解模型涉及三部分内容，分别为趋势分解项、季节分解项和随机分解项，最终电力指数预测值为三种分解项的权重组合值。
其中，趋势分解项反映的是电力指数值长期的一种平稳趋势，选用ARIMA(p,d,q)模型对趋势分解项进行预测。具体趋势分解项Yt的预测公式为：
Figure GDA0004211021260000073
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；p为自回归阶数，θ1....θq为移动平均系数；β1....βp为自回归系数；q为移动平均阶数。
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑：对于非季节拐点时间点，季节分解采用周期性分解，预测的季节分解与历史同期的季节分解相同，即：
Figure GDA0004211021260000074
其中
Figure GDA0004211021260000075
为第i年第j月电力指数季节分解。
对于季节拐点时间点，季节分解采用非周期性分解，历史同期的季节分解变化较大，对季节分解的历史同期值赋予权重时遵从“近大远小”的规则，其和作为当期电力指数的季节分解项，即：
Figure GDA0004211021260000076
其中α为加权系数，n为使用的历史同期季节分量的个数；当季节分解有明显变化特征时，α取0.6-0.8的数值。季节分解是否出现明显的变化特征主要通过绘制图表来观察。
随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项，所预测随机分解项取随机分解项的历史平均值，即：
Figure GDA0004211021260000081
Figure GDA0004211021260000082
为第i年第j个时间点的电力指数随机分解项。
最终选用时间序列乘法模型，将三个分解项组合计算得到最终的电力指数预测值：
Figure GDA0004211021260000083
根据历史电力指数通过时间分解模型，预测未来三个月的电力指数值。将最终的电力指数根据季度求均值，得出电力指数与该市GDP的关系，两者的皮尔逊相关系数为89.9％。
上述改进的时间分解模型对未来电力指数进行预测时，可以综合涵盖季节、周期等潜在因素，可以处理任何类型的季节变动因素的时间序列数据，实际操作中，可以根据需求自行控制季节分项的变化率，控制趋势分项的平滑度；并且对异常值具有更好的鲁棒性，有效预判中观和宏观主体未来电力运行情况。
实施例2
与实施例1基于相同的发明构思，本实施例提供的是基于时间分解改进算法的电力运行监测系统，包括以下模块：
关系系数计算模块，用于选取衡量主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数；
关系选取模块，用于选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系系数中最大的一组关系；
电力指数计算模块，用于结合选取的关系，计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；
电力指数预测模块，用于根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；
所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值；
趋势分解项反映电力指数值长期的平稳趋势，趋势分解项Yt的预测公式为：
Figure GDA0004211021260000084
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；p为自回归阶数，θ1....θq为移动平均系数；β1…βp为自回归系数；q为移动平均阶数；
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑；随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项。
电力指数预测模块在预测季节分解项时，对于非季节拐点时间点，季节分解采用周期性分解，预测的季节分解与历史同期的季节分解相同；对于季节拐点时间点，季节分解采用非周期性分解，历史同期的季节分解变化较大，对季节分解的历史同期值赋予权重时遵从近大远小的规则，其和作为当期电力指数的季节分解项。
其中，电力指数计算模块中指数趋势因子为用电趋势因子和容量趋势因子的加权和，用电趋势因子或容量趋势因子的权重ki采用客观赋权的变异系数法确定：
Figure GDA0004211021260000091
其中vi表示用电趋势因子或容量趋势因子的变异系数，计算公式为：
Figure GDA0004211021260000092
SDi表示预设时间范围内用电趋势因子或容量趋势因子的标准差，meani表示预设时间范围内用电趋势因子或容量趋势因子的平均值。
电力指数预测模块所预测的电力指数预测值Y为：
Figure GDA0004211021260000093
其中，
Figure GDA0004211021260000094
为季节分解项，/>
Figure GDA0004211021260000095
为随机分解项。
本实施例的各模块主要用于实现实施例1的相应各个步骤，其具体过程参照实施例1，不再赘述。
上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (10)

1.基于时间分解改进算法的电力运行监测方法，其特征在于，包括以下步骤：
步骤1、选取衡量主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数；
步骤2、选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系系数中最大的一组关系；
步骤3、结合选取的关系，计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；
步骤4、根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；
所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值；
趋势分解项反映电力指数值长期的平稳趋势，趋势分解项Yt的预测公式为：
Figure FDA0004211021250000011
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；p为自回归阶数，θ1....θq为移动平均系数；β1....βp为自回归系数；q为移动平均阶数；
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑；随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项；
步骤4在预测季节分解项时，对于非季节拐点时间点，季节分解采用周期性分解，预测的季节分解与历史同期的季节分解相同；对于季节拐点时间点，季节分解采用非周期性分解，历史同期的季节分解变化较大，对季节分解的历史同期值赋予权重时遵从近大远小的规则，其和作为当期电力指数的季节分解项；
对于季节拐点时间点，第i年第j月的季节分解项
Figure FDA0004211021250000013
为：
Figure FDA0004211021250000012
其中α为加权系数，n为使用的历史同期季节分量的个数；
步骤4的电力指数预测值Y为：
Figure FDA0004211021250000021
其中，
Figure FDA0004211021250000022
为季节分解项，/>
Figure FDA0004211021250000023
为随机分解项；
步骤3中指数波动因子计算公式以步骤2选取的关系而定，若所选取关系为主体经济发展指标与主体用电量，参考均值归一化计算指数波动因子；若所选取关系为主体经济发展指标与主体用电量一阶差分，参考同比计算指数波动因子，同时对初始化波动因子进行计算，并剔除电量周期性、季节性变动造成的波动，添加波动抑制系数，最终指数波动因子的计算公式为：
Figure FDA0004211021250000024
其中，波动抑制系数取值范围为[0,1)；初始化波动因子计算公式为：
Figure FDA0004211021250000025
步骤3中指数趋势因子代表指数长期增长趋势，为用电趋势因子和容量趋势因子的加权和；用电趋势因子的计算公式为：
Figure FDA0004211021250000026
容量趋势因子的计算公式为：
Figure FDA0004211021250000027
2.根据权利要求1所述的电力运行监测方法，其特征在于，用电趋势因子或容量趋势因子的权重ki采用客观赋权的变异系数法确定：
Figure FDA0004211021250000028
其中vi表示用电趋势因子或容量趋势因子的变异系数，计算公式为：
Figure FDA0004211021250000029
SDi表示预设时间范围内用电趋势因子或容量趋势因子的标准差，meani表示预设时间范围内用电趋势因子或容量趋势因子的平均值。
3.根据权利要求1所述的电力运行监测方法，其特征在于，波动抑制系数取值为0.8。
4.根据权利要求1所述的电力运行监测方法，其特征在于，指数波动因子以100为分界线，大于100表明指数增长呈扩张态势，小于100表明指数增长呈现收缩态势。
5.根据权利要求1所述的电力运行监测方法，其特征在于，当季节分解有明显变化特征时，加权系数α取0.6-0.8的数值；季节分解是否出现明显的变化特征通过绘制图表来观察。
6.根据权利要求1所述的电力运行监测方法，其特征在于，随机分解项取随机分解项的历史平均值，即：
Figure FDA0004211021250000031
Figure FDA0004211021250000032
为第i年第j个时间点的电力指数随机分解项。
7.基于时间分解改进算法的电力运行监测系统，其特征在于，包括：
关系系数计算模块，用于选取衡量主体运行的经济发展指标，计算该主体经济发展指标与该主体用电量的关系系数、该主体经济发展指标与该主体用电量一阶差分的关系系数；
关系选取模块，用于选取主体经济发展指标与主体用电量、主体经济发展指标与主体用电量一阶差分两组关系系数中最大的一组关系；
电力指数计算模块，用于结合选取的关系，计算指数波动因子、指数趋势因子，将指数波动因子和指数趋势因子相乘得到最终的电力指数，用于监测当前主体的电力运行情况；
电力指数预测模块，用于根据历史电力指数值，采用改进的时间分解模型对未来电力指数进行预测，预判主体未来电力运行情况；
所述改进的时间分解模型包括趋势分解项、季节分解项和随机分解项，电力指数的预测值为三种分解项的权重组合值；
趋势分解项反映电力指数值长期的平稳趋势，趋势分解项Yt的预测公式为：
Figure FDA0004211021250000033
式中，ωt-k为电力指数趋势分解项序列；d为时序被差分次数；B为滞后算子；Yt为平稳的趋势分解；Yt-k为k阶趋势分解项；εt为预测残差；μ为序列均值；为自回归阶数，θ1....q为移动平均系数；β1....βp为自回归系数；q为移动平均阶数；
在预测季节分解项时，对非季节拐点和季节拐点分情况考虑；随机分解项为无明显变化趋势，采用平均法预测序列的随机分解项；
电力指数预测模块在预测季节分解项时，对于非季节拐点时间点，季节分解采用周期性分解，预测的季节分解与历史同期的季节分解相同；对于季节拐点时间点，季节分解采用非周期性分解，历史同期的季节分解变化较大，对季节分解的历史同期值赋予权重时遵从近大远小的规则，其和作为当期电力指数的季节分解项；
对于季节拐点时间点，第i年第j月的季节分解项
Figure FDA0004211021250000041
为：
Figure FDA0004211021250000042
其中α为加权系数，n为使用的历史同期季节分量的个数；
电力指数预测值Y为：
Figure FDA0004211021250000043
其中，
Figure FDA0004211021250000044
为季节分解项，/>
Figure FDA0004211021250000045
为随机分解项；
电力指数计算模块中指数波动因子计算公式以关系选取模块所选取的关系而定，若所选取关系为主体经济发展指标与主体用电量，参考均值归一化计算指数波动因子；若所选取关系为主体经济发展指标与主体用电量一阶差分，参考同比计算指数波动因子，同时对初始化波动因子进行计算，并剔除电量周期性、季节性变动造成的波动，添加波动抑制系数，最终指数波动因子的计算公式为：
Figure FDA0004211021250000046
其中，波动抑制系数取值范围为[0,1)；初始化波动因子计算公式为：
Figure FDA0004211021250000047
电力指数计算模块中指数趋势因子代表指数长期增长趋势，为用电趋势因子和容量趋势因子的加权和；用电趋势因子的计算公式为：
Figure FDA0004211021250000048
容量趋势因子的计算公式为：
Figure FDA0004211021250000049
8.根据权利要求7所述的电力运行监测系统，其特征在于，用电趋势因子或容量趋势因子的权重ki采用客观赋权的变异系数法确定：
Figure FDA0004211021250000051
其中vi表示用电趋势因子或容量趋势因子的变异系数，计算公式为：
Figure FDA0004211021250000052
SDi表示预设时间范围内用电趋势因子或容量趋势因子的标准差，meani表示预设时间范围内用电趋势因子或容量趋势因子的平均值。
9.根据权利要求7所述的电力运行监测系统，其特征在于，波动抑制系数取值为0.8；
当季节分解有明显变化特征时，加权系数α取0.6-0.8的数值；季节分解是否出现明显的变化特征通过绘制图表来观察。
10.根据权利要求7所述的电力运行监测系统，其特征在于，
随机分解项取随机分解项的历史平均值，即：
Figure FDA0004211021250000053
Figure FDA0004211021250000054
为第i年第j个时间点的电力指数随机分解项。
CN202210257195.2A 2022-03-16 2022-03-16 基于时间分解改进算法的电力运行监测方法及系统 Active CN114676896B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210257195.2A CN114676896B (zh) 2022-03-16 2022-03-16 基于时间分解改进算法的电力运行监测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210257195.2A CN114676896B (zh) 2022-03-16 2022-03-16 基于时间分解改进算法的电力运行监测方法及系统

Publications (2)

Publication Number Publication Date
CN114676896A CN114676896A (zh) 2022-06-28
CN114676896B true CN114676896B (zh) 2023-06-16

Family

ID=82074521

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210257195.2A Active CN114676896B (zh) 2022-03-16 2022-03-16 基于时间分解改进算法的电力运行监测方法及系统

Country Status (1)

Country Link
CN (1) CN114676896B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759885B (zh) * 2023-01-09 2023-04-18 佰聆数据股份有限公司 一种基于分布式物资供应下的物资抽检方法和装置
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122264A (ja) * 2005-10-26 2007-05-17 Foresight Information Institute Co Ltd 経営または需要の予測システムおよびこれに用いる予測プログラム
US7987106B1 (en) * 2006-06-05 2011-07-26 Turgut Aykin System and methods for forecasting time series with multiple seasonal patterns
CN106447108A (zh) * 2016-09-28 2017-02-22 国网山东省电力公司电力科学研究院 一种考虑业扩报装数据的用电需求分析预测方法
CN106651425A (zh) * 2016-09-28 2017-05-10 国网山东省电力公司电力科学研究院 一种考虑业扩报装数据的用户偷电、漏电行为监测方法
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
CN112288187A (zh) * 2020-11-18 2021-01-29 国网湖南省电力有限公司 一种基于大数据的售电量预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007122264A (ja) * 2005-10-26 2007-05-17 Foresight Information Institute Co Ltd 経営または需要の予測システムおよびこれに用いる予測プログラム
US7987106B1 (en) * 2006-06-05 2011-07-26 Turgut Aykin System and methods for forecasting time series with multiple seasonal patterns
CN106447108A (zh) * 2016-09-28 2017-02-22 国网山东省电力公司电力科学研究院 一种考虑业扩报装数据的用电需求分析预测方法
CN106651425A (zh) * 2016-09-28 2017-05-10 国网山东省电力公司电力科学研究院 一种考虑业扩报装数据的用户偷电、漏电行为监测方法
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
CN112288187A (zh) * 2020-11-18 2021-01-29 国网湖南省电力有限公司 一种基于大数据的售电量预测方法

Also Published As

Publication number Publication date
CN114676896A (zh) 2022-06-28

Similar Documents

Publication Publication Date Title
CN114676896B (zh) 基于时间分解改进算法的电力运行监测方法及系统
Wu et al. Energy efficiency evaluation for regions in China: an application of DEA and Malmquist indices
CN116646933A (zh) 一种基于大数据的电力负荷调度方法及系统
CN102426674B (zh) 一种基于马尔科夫链的电力系统负荷预测方法
CN102509173B (zh) 一种基于马尔科夫链的电力系统负荷准确预测方法
Baughman et al. Deconstructing the 2017 changes to AWS spot market pricing
Xu et al. Adaptive DE algorithm for novel energy control framework based on edge computing in IIoT applications
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN110866658A (zh) 一种城市电网中长期负荷预测方法
CN113326654A (zh) 一种燃气负荷预测模型的构建方法及装置
Hu et al. Multi-objective optimization of time-of-use price for tertiary industry based on generalized seasonal multi-model structure
Stephen et al. Non-Gaussian residual based short term load forecast adjustment for distribution feeders
CN109711621A (zh) 基于判别分析和支持向量机结合的工业园区负荷预测方法
Yuill et al. Application of Adaptive Neuro Fuzzy Inference System (ANFIS) based short term load forecasting in South African power networks
CN104850612B (zh) 一种基于增强凝聚层次聚类的配网用户负荷特征分类方法
CN112836871A (zh) 一种配电网可靠性预测方法、装置、设备和介质
Zheng et al. Short-term energy consumption prediction of electric vehicle charging station using attentional feature engineering and multi-sequence stacked Gated Recurrent Unit
Song et al. Allocating natural resource reduction amounts: A data envelopment analysis based‐approach considering production technology heterogeneity
Wang et al. Three-dimensional maturity model of regional power users against the background of the ubiquitous power internet of things
Zhao et al. Spatio-temporal load forecasting considering aggregation features of electricity cells and uncertainties in input variables
Daraghmi et al. Accurate and time‐efficient negative binomial linear model for electric load forecasting in IoE
Guan et al. Advanced load forecast with hierarchical forecasting capability
Tao et al. Load forecasting based on short-term correlation clustering
Liang et al. Forecasting tourist arrivals using dual decomposition strategy and an improved fuzzy time series method
Hou et al. A novel algorithm for multi-node load forecasting based on big data of distribution 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