CN116050668A - 一种基于arma模型的烟厂用电量预测方法 - Google Patents
一种基于arma模型的烟厂用电量预测方法 Download PDFInfo
- Publication number
- CN116050668A CN116050668A CN202310285059.9A CN202310285059A CN116050668A CN 116050668 A CN116050668 A CN 116050668A CN 202310285059 A CN202310285059 A CN 202310285059A CN 116050668 A CN116050668 A CN 116050668A
- Authority
- CN
- China
- Prior art keywords
- original sequence
- sequence data
- arma model
- arma
- model
- 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于ARMA模型的烟厂用电量预测方法,包括:获取设定时间内的烟厂用电负荷对应的用电量历史数据,将所述用电量历史数据按设定要求进行预处理,以得到原始序列数据。根据所述原始序列数据进行烟厂用电量的趋势图绘制,并对原始序列数据趋势图进行平稳性校验。构建ARMA模型,并对ARMA模型进行定阶和优化,得到最佳ARMA模型。将原始序列数据输入至最佳ARMA模型进行用电量预测,并得到用电量预测趋势图。本发明能提高烟厂供电的稳定性和准确性,能最大限度的保障烟厂的正常生产。
Description
技术领域
本发明涉及烟厂供电预测的技术领域,尤其涉及一种基于ARMA模型的烟厂用电量预测方法。
背景技术
烟厂作为电力消耗大户,为了保证烟厂的电力供应稳定,目前较好的方式是通过提前预测用电量,预测用电量是电力系统规划和运行研究的重要内容,也是保证烟草厂电力系统可靠、稳定和经济运行的前提。用电量预测的准确率将会直接影响工厂生产的效率和计划性。现有对于烟厂的用电量预测存在预测不准确,易造成供电不稳定的问题。因此,如何准确的进行烟厂用电量预测,具有重要的意义。
发明内容
本发明提供一种基于ARMA模型的烟厂用电量预测方法,解决现有烟厂用电量预测不准确的问题,能提高烟厂供电的稳定性和准确性,能最大限度的保障烟厂的正常生产。
为实现以下目的,本发明提供以下技术方案:
一种基于ARMA模型的烟厂用电量预测方法,包括:
获取设定时间内的烟厂用电负荷对应的用电量历史数据,将所述用电量历史数据按设定要求进行预处理,以得到原始序列数据;
根据所述原始序列数据进行烟厂用电量的趋势图绘制,并对原始序列数据趋势图进行平稳性校验;
构建ARMA模型,并对ARMA模型进行定阶和优化,得到最佳ARMA模型;
将原始序列数据输入至最佳ARMA模型进行用电量预测,并得到用电量预测趋势图。
优选的,还包括:
对于不平稳的原始序列数据,通过时距扩大计算其移动平均数,以削弱偶然因素的影响,使得原始序列数据平稳。
优选的,所述对原始序列数据趋势图进行平稳性校验,包括:
根据时间序列绘制原始序列数据的自相关函数图,并由所述自相关函数图的波形判断所述原始序列数据趋势图是否平稳,并采用ADF检验法进行校验。
优选的,所述对ARMA模型进行定阶和优化,得到最佳ARMA模型,包括:
根据原始序列数据绘制出自相关函数图和偏自相关函数图,分别用偏自相关函数的截尾阶数和自相关函数的截尾阶数表示ARMA(p,q)模型中的p和q,其中p和q分别是ARMA模型的自回归阶数和移动平均阶数。
优选的,所述ARMA模型表示为:
yt=Φ1yt-1+Φ2yt-2+…+Φpyt-p+εt-θ1εt-1-θ2εt-2-…-θPεt-P;
式中:Ф和θ是不为零的待定系数;ε是独立的误差项,yt是平稳、正态、零均值的时间序列。
优选的,对所述ARMA模型的优化是采用如下公式进行:
BIC=kln(n)-2ln(L);
式中:K为参数的数量,n为样本的数量,L为似然函数,kln(n)表示惩罚项。
优选的,在ARMA模型优化后,利用绘制白噪声序列的qq图和检验残差序列相关性进行诊断ARMA模型的可行性。
优选的,根据所述原始序列数据进行烟厂用电量的趋势图绘制,包括:
根据时间索引方式读取出时间作为趋势图的横坐标,读取出原始序列数据中每个月的用电量数据作为趋势图的纵坐标,得到原始序列数据的趋势图。
优选的,还包括:
对预测趋势图和原始序列数据趋势图进行拟合度比较,如果偏差值小于设定阈值,则判定预测结果符合要求。
本发明提供一种基于ARMA模型的烟厂用电量预测方法,采集烟草厂用电负荷的用电量,并对其进行预处理,得到原始序列数据;再对原始序列数据进行趋势图绘制并进行平稳性校验,最后将原始序列数据输入至最佳ARMA模型进行用电量预测,解决现有烟厂用电量预测不准确的问题,能提高烟厂供电的稳定性和准确性,能最大限度的保障烟厂的正常生产。
附图说明
为了更清楚地说明本发明的具体实施例,下面将对实施例中所需要使用的附图作简单地介绍。
图1为本发明提供的一种基于ARMA模型的烟厂用电量预测方法的示意图。
图2是本发明实施例提供的原始序列数据的趋势图。
图3是本发明实施例提供的自相关函数图。
图4是本发明实施例提供的偏自相关函数。
图5是本发明实施例提供的白噪声序列的qq图。
图6本发明实施例提供的用ARMA(8,0)模型预测电量与实际值的比对图。
图7是本发明实施例提供的ARMA(8,0)模型预测电量残差率的散点图。
图8是本发明实施例提供的ARMA(8,0)模型预测电量的直方分布图。
图9是本发明实施例提供的ARMA(3,0)模型预测电量与实际值的比对图。
图10是本发明实施例提供的ARMA(3,0)模型预测电量的直方分布图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面结合附图和实施方式对本发明实施例作进一步的详细说明。
针对当前烟厂用电量的预测存在不准确的问题,本发明提供一种基于ARMA模型的烟厂用电量预测方法,解决现有烟厂用电量预测不准确的问题,能提高烟厂供电的稳定性和准确性,能最大限度的保障烟厂的正常生产。
如图1所示,一种基于ARMA模型的烟厂用电量预测方法,包括:
S1:获取设定时间内的烟厂用电负荷对应的用电量历史数据,将所述用电量历史数据按设定要求进行预处理,以得到原始序列数据;
S2:根据所述原始序列数据进行烟厂用电量的趋势图绘制,并对原始序列数据趋势图进行平稳性校验;
S3:构建ARMA模型,并对ARMA模型进行定阶和优化,得到最佳ARMA模型;
S4:将原始序列数据输入至最佳ARMA模型进行用电量预测,并得到用电量预测趋势图。
在实际应用中,可采用python程序调用和读取数据,并将读取的csv文件的原始序列数据传给变量data,再从data中根据时间索引方式读取出时间作为趋势图的横坐标,根据kWh索引方式读取出原始序列数据中每个月的用电量数据作为趋势图的纵坐标,得到原始序列数据的趋势图,如图2所示。
由于时间序列的趋势图能够直观地感受出序列地波动,对数据稳定性却不能够准确地表现出来,所以还需要绘制原始序列地自相关函数图,如图3所示。观察原始序列的自相关函数图,可以看出,在滞后1阶之前,自相关函数超过了其两倍标准差,从滞后2阶一直到最后,呈现出类似与正弦式波形减小的趋势,可见该时间序列是平稳的。同时本实施例中采用了ADF检验法进行平稳性的校验。ADF校验结果中原始序列数据的值为-4.907084,小于1%、5%和10%三个置信区间的值,并且p值很接近0,所以说明该序列是平稳序列。而如果出现不平稳的原始序列数据,通过时距扩大计算其移动平均数,用于来削弱偶然因素的影响,使得原始序列数据平稳。
所述ARMA模型表示为:
yt=Φ1yt-1+Φ2yt-2+…+Φpyt-p+εt-θ1εt-1-θ2εt-2-…-θPεt-P;
式中:Ф和θ是不为零的待定系数;εt是独立的误差项,yt是平稳、正态、零均值的时间序列。
进一步,ARMA(p,q)模型中的p、q可以分别用偏自相关函数的截尾阶数和自相关函数的截尾阶数表示。因此,要定阶就必须绘制出自相关函数图(ACF)和偏自相关函数图(PACF)。在一实施例中,自相关函数图如图3所示,偏自相关函数图如图4所示。观察图3和图4,可以看出自相关数据从0阶开始就一直呈现正弦减小的趋势,所以0阶拖尾;再观察偏自相关图4,可以看到图4中有个别几个点明显超过其它点的值,具有偶然性,所以可以不考虑在内,再观察偏自相关图可以看出它是3阶拖尾,所以最终定阶为p=3,q=0。在定阶后,还需要对ARMA模型进行优化,防止模型精度过高造成的模型复杂度过高。
进一步,对所述ARMA模型的优化是采用如下公式进行:
BIC=kln(n)-2ln(L);
式中:K为参数的数量,n为样本的数量,L为似然函数,kln(n)表示惩罚项。
在ARMA模型优化后,利用绘制白噪声序列的qq图和检验残差序列相关性进行诊断ARMA模型的可行性。在一实施例中,白噪声序qq图如图5所示。残差序列相关性的检验是Durbin-Watson检验法(简称“D-W检验”),如果检验出的结果DW值接近2的话就可以认为序列不存在一阶相关性。
在一实施例中,利用获得的最佳模型对该地区2018年7、8两个月的用电量进行预测,得到的如图6所示的结果。从图6中可以看出,预测趋势图和原始数据趋势图拟合度较好,所以可以利用它来预测该地区未来发展的趋势和走向。图7和图8分别为残差率的散点图和直方分布图,从两张图可以很直观地看出预测模型得到的数据大部分月份的用电量数据误差都在±0.3%以内,并且越往后,预测误差越小。总体而言,预测的效果比较好。说明用该模型预测该地区的用电量是比较准确的。
进一步,还对定阶为p=3,q=0的ARMA(3,0)模型进行电量预测,其结果如图9所示,ARMA(3,0)模型残差率直方图如图10所示。和ARMA(8,0)模型对比发现,ARMA(3,0)预测的结果偏差更大,ARMA(8,0)的拟合效果更佳。此外,从残差序列的相关性来看,ARMA(3,0)预测的DW值为1.9498850880070149,与2的差值约为0.05,与ARMA(8,0)的DW值相比更偏离了2,可见ARMA(3,0)的残差相关性较强,ARMA(8,0)预测模型的残差更符合正太分布的规律。从ARMA(3,0)模型与ARMA(8,0)模型残差序列的直方图也能够明显看出,ARMA(3,0)模型的误差值都比较分散,ARMA(8,0)模型的误差值较小的点则基本上大多数都集中在±0.3以内。可见通过优化后的ARMA(8,0)模型相比直接定阶的ARMA(3,0)模型具有更好的预测准度。
可见,本发明提供一种基于ARMA模型的烟厂用电量预测方法,在ARMA模型定阶还进行了优化来确定得到最优的ARMA模型;采集烟厂用电负荷的用电量,并对其进行预处理,得到原始序列数据;再对原始序列数据进行趋势图绘制并进行平稳性校验,最后将原始序列数据输入至最佳ARMA模型进行用电量预测,解决现有烟厂用电量预测不准确的问题,能提高烟厂供电的稳定性和准确性,能最大限度的保障烟厂的正常生产。
以上依据图示所示的实施例详细说明了本发明的构造、特征及作用效果,以上所述仅为本发明的较佳实施例,但本发明不以图面所示限定实施范围,凡是依照本发明的构想所作的改变,或修改为等同变化的等效实施例,仍未超出说明书与图示所涵盖的精神时,均应在本发明的保护范围内。
Claims (9)
1.一种基于ARMA模型的烟厂用电量预测方法,其特征在于,包括:
获取设定时间内的烟厂用电负荷对应的用电量历史数据,将所述用电量历史数据按设定要求进行预处理,以得到原始序列数据;
根据所述原始序列数据进行烟厂用电量的趋势图绘制,并对原始序列数据趋势图进行平稳性校验;
构建ARMA模型,并对ARMA模型进行定阶和优化,得到最佳ARMA模型;
将原始序列数据输入至最佳ARMA模型进行用电量预测,并得到用电量预测趋势图。
2.根据权利要求1所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,还包括:
对于不平稳的原始序列数据,通过时距扩大计算其移动平均数,以削弱偶然因素的影响,使得原始序列数据平稳。
3.根据权利要求2所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,所述对原始序列数据趋势图进行平稳性校验,包括:
根据时间序列绘制原始序列数据的自相关函数图,并由所述自相关函数图的波形判断所述原始序列数据趋势图是否平稳,并采用ADF检验法进行校验。
4.根据权利要求3所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,所述对ARMA模型进行定阶和优化,得到最佳ARMA模型,包括:
根据原始序列数据绘制出自相关函数图和偏自相关函数图,分别用偏自相关函数的截尾阶数和自相关函数的截尾阶数表示ARMA(p,q)模型中的p和q,其中p和q分别是ARMA模型的自回归阶数和移动平均阶数。
5.根据权利要求4所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,所述ARMA模型表示为:
yt=Φ1yt-1+Φ2yt-2+…+Φpyt-p+εt-θ1εt-1-θ2εt-2-…-θPεt-P;
式中:Ф和θ是不为零的待定系数;εt是独立的误差项,yt是平稳、正态、零均值的时间序列。
6.根据权利要求5所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,对所述ARMA模型的优化是采用如下公式进行:
BIC=kln(n)-2ln(L);
式中:K为参数的数量,n为样本的数量,L为似然函数,kln(n)表示惩罚项。
7.根据权利要求6所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,在ARMA模型优化后,利用绘制白噪声序列的qq图和检验残差序列相关性进行诊断ARMA模型的可行性。
8.根据权利要求7所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,根据所述原始序列数据进行烟厂用电量的趋势图绘制,包括:
根据时间索引方式读取出时间作为趋势图的横坐标,读取出原始序列数据中每个月的用电量数据作为趋势图的纵坐标,得到原始序列数据的趋势图。
9.根据权利要求8所述的基于ARMA模型的烟厂用电量预测方法,其特征在于,还包括:
对预测趋势图和原始序列数据趋势图进行拟合度比较,如果偏差值小于设定阈值,则判定预测结果符合要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285059.9A CN116050668A (zh) | 2023-03-17 | 2023-03-17 | 一种基于arma模型的烟厂用电量预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310285059.9A CN116050668A (zh) | 2023-03-17 | 2023-03-17 | 一种基于arma模型的烟厂用电量预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116050668A true CN116050668A (zh) | 2023-05-02 |
Family
ID=86116650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310285059.9A Pending CN116050668A (zh) | 2023-03-17 | 2023-03-17 | 一种基于arma模型的烟厂用电量预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116050668A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
-
2023
- 2023-03-17 CN CN202310285059.9A patent/CN116050668A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648647A (zh) * | 2024-01-29 | 2024-03-05 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
CN117648647B (zh) * | 2024-01-29 | 2024-04-23 | 国网山东省电力公司经济技术研究院 | 一种多能源配电网用户数据优化分类方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111985824A (zh) | 一种智能电表箱的非侵入式负荷监测方法及其监测设备 | |
CN111382789B (zh) | 基于机器学习的电力负荷识别方法及系统 | |
CN116050668A (zh) | 一种基于arma模型的烟厂用电量预测方法 | |
CN115685050B (zh) | 一种电能表故障检测方法及系统 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN116796403A (zh) | 一种基于商业建筑综合能耗预测的建筑节能方法 | |
CN116304537B (zh) | 基于智能量测终端的窃电用户核查方法 | |
CN111917114B (zh) | 一种适用于嵌入式平台的电力负荷事件检测方法 | |
CN116975689A (zh) | 一种碳排放的智能识别与控制方法及系统 | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
CN110298767A (zh) | 一种火力发电厂时间序列变量异常监测方法及系统 | |
CN106651005B (zh) | 基线负荷预测方法及装置 | |
CN115204946A (zh) | 一种考虑天气因素的建筑用电负荷基线生成方法与系统 | |
CN114924965A (zh) | 一种基于互联网的软件开发用性能预测系统 | |
CN110888100A (zh) | 一种单相智能电能表在线带载检测系统及方法 | |
CN111191676A (zh) | 一种基于可回溯的动态窗口模型的用电数据趋势异常分析方法 | |
CN116108350B (zh) | 一种基于多任务学习的非侵入式电器识别方法及系统 | |
CN116739532B (zh) | 一种能源项目管理方法、系统、终端设备及存储介质 | |
CN117786370B (zh) | 一种网格化服务终端用信息智能分析系统 | |
CN114301061B (zh) | 一种基于用户智能负荷辨识模块分析方法 | |
CN116859169B (zh) | 一种非侵入式电力负荷分解方法及系统 | |
CN110109974B (zh) | 一种基于功率信息的压铸机生产数据智能获取系统 | |
CN117010698A (zh) | 一种基于模糊逻辑的人均用电量预测方法 | |
CN115292906A (zh) | 一种短期风向预测方法、系统、介质及设备 | |
CN117833243A (zh) | 一种电力短期需求预测方法、系统、设备及介质 |
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 |