CN117764638B - 一种供电企业售电数据预测方法、系统、设备及存储介质 - Google Patents
一种供电企业售电数据预测方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN117764638B CN117764638B CN202410185986.8A CN202410185986A CN117764638B CN 117764638 B CN117764638 B CN 117764638B CN 202410185986 A CN202410185986 A CN 202410185986A CN 117764638 B CN117764638 B CN 117764638B
- Authority
- CN
- China
- Prior art keywords
- seasonal
- data
- electricity
- sales
- 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.)
- Active
Links
- 230000005611 electricity Effects 0.000 title claims abstract description 447
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000001932 seasonal effect Effects 0.000 claims abstract description 398
- 238000004458 analytical method Methods 0.000 claims abstract description 30
- 238000012937 correction Methods 0.000 claims description 50
- 238000012549 training Methods 0.000 claims description 17
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 7
- 230000007787 long-term memory Effects 0.000 description 11
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000006403 short-term memory Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种供电企业售电数据预测方法、系统、设备及存储介质,所述方法为获取目标区域的供电企业历史售电量数据和售电量影响因素数据,根据目标区域获取对应的区域季节性月份,分别对各个区域季节性月份的供电企业历史售电量数据和售电量影响因素数据进行分析得到季节性关键售电影响因子后,根据季节性关键售电影响因子得到季节性售电预测数据集,并根据季节性售电预测数据集构建季节性日售电量预测模型,以及根据待预测时段获取的季节性日售电量预测模型对待预测时段进行售电量预测分析得到对应的售电量预测结果。本发明能提升售电量预测模型构建的有效性,进而保证不同地区的供电淡旺季售电量数据预测分析的高效性和精准性。
Description
技术领域
本发明涉及电力数据处理技术领域,特别是涉及一种供电企业售电数据预测方法、系统、计算机设备及存储介质。
背景技术
售电数据分析处理是各个供电企业进行运营情况分析的关键工作,且精准预测售电数据也是支持电网规划、资源配置优化和发电经济成本控制的重要依据,为保证供电合理和社会生产、生活稳定提供可靠的数据支撑。
售电数据是一种易受气温变化、季节更换和节假日效应等众多因素影响的时间序列数据。尽管现有的线性回归法、指数平滑法、自回归积分滑动平均模型法(Autoregressive Integrated Moving Average Model,ARIMA)和时间序列分解法可用于对时序数据进行预测处理,然而其对非线性、非平稳、易受多种因素变化影响的复杂时序数据的预测偏差较大,难以全面有效掌握售电数据的变化趋势,导致售电数据预测精准性不足,根本无法为电力部门及时调整供电计划、合理安排发电情况,以及在避免资源浪费的情况下保证社会正常供电提供可靠保障。
发明内容
本发明的目的是提供一种供电企业售电数据预测方法,通过基于地区供电季节性规律和售电量影响因素与季节性月份售电量间的相关性,筛选季节性关键售电量影响因子,并根据季节性关键售电量影响因子构建季节性售电预测数据集,以及基于此训练得到对应的季节性日售电量预测模型,用于对季节性月份(淡季或旺季)内待预测时段的售电量进行预测分析,解决现有售电量预测方法难以全面有效掌握售电数据的变化趋势,导致售电数据预测精准性不足的应用缺陷,能够基于保证关键售电量影响因子筛选可靠性的方面,提升售电量预测模型构建的有效性,进而保证不同地区的供电淡旺季售电量数据预测分析的高效性和精准性,为电力部门及时调整供电计划,合理安排发电情况,以及在避免资源浪费的情况下保证社会正常供电提供可靠保障。
为了实现上述目的,有必要针对上述技术问题,提供一种供电企业售电数据预测方法、系统、计算机设备及存储介质。
第一方面,本发明实施例提供了一种供电企业售电数据预测方法,所述方法包括以下步骤:
获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;
根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;
根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;
根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果。
进一步地,所述分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子的步骤包括:
分别计算各个区域季节性月份内各个售电量影响因素数据与对应的供电企业历史售电量数据之间的互信息,得到对应的季节性因子互信息值;
基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;
将所有修正季节性因子互信息值进行比较分析,得到预设数目的季节性关键售电影响因子。
进一步地,所述基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值的步骤包括:
计算各个区域季节性月份内售电量影响因素数据的平均值和准差,根据所述平均值和所述标准差,获取对应的极端数据数目,并根据所述极端数据数目,得到对应的第一修正参数;所述第一修正参数表示为:
其中,表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中的极端数据数目;/>表示区域季节性月份内第/>个售电量影响因素对应的第一修正参数;
获取各个区域季节性月份内售电量影响因素数据中的相同数据,根据相同数据的个数和组数,得到对应的第二修正参数;所述第二修正参数表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中相同数据的个数和组数;/>表示区域季节性月份内第/>个售电量影响因素对应的第二修正参数;
根据所述第一修正参数和所述第二修正参数,对所述季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;所述修正季节性因子互信息值表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素数据与对应的供电企业历史售电量数据之间的季节性因子互信息值和修正季节性因子互信息值;/>和/>分别表示区域季节性月份第/>个售电量影响因素的第一修正参数和第二修正参数。
进一步地,所述根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集的步骤包括:
根据预测关联月数和各个区域季节性月份,对所述供电企业历史售电量数据进行划分,得到对应的区域季节性历史售电数据;
将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集。
进一步地,当所述季节性关键售电影响因子包括节假日因素时,所述季节性售电预测数据集包括季节性非节假日售电预测数据集和季节性节假日售电预测数据集;
所述将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集的步骤包括:
将所述区域季节性历史售电数据按照工作日和节假日进行划分,得到对应的季节性非节假日历史售电数据和季节性节假日历史售电数据,并将所述季节性非节假日历史售电数据和所述季节性节假日历史售电数据,分别与对应的季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性非节假日售电预测数据集和季节性节假日售电预测数据集。
进一步地,所述季节性日售电量预测模型包括季节性非节假日售电预测模型和季节性节假日售电预测模型;
所述根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型的步骤包括:
根据所述季节性非节假日售电预测数据集和所述季节性节假日售电预测数据集,分别对基于注意力机制的长短期记忆模型进行优化训练,得到对应的季节性日售电量预测模型。
进一步地,所述根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果的步骤包括:
根据所述待预测时段,获取对应的区域季节性月份,并根据所述区域季节性月份和所述预测关联月数,获取对应的季节性月份预测基础数据;
分别通过所述季节性非节假日售电预测模型和所述季节性节假日售电预测模型,对所述季节性月份预测基础数据内的非节假日和节假日进行售电量分析处理,得到所述待预测时段的售电量预测结果。
第二方面,本发明实施例提供了一种供电企业售电数据预测系统,所述系统包括:
数据采集模块,用于获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;
因子筛选模块,用于根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;
模型训练模块,用于根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;
售电预测模块,用于根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果。
第三方面,本发明实施例还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述方法的步骤。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述方法的步骤。
上述本申请提供了一种供电企业售电数据预测方法、系统、计算机设备和存储介质,通过所述方法实现了获取目标区域的包括预设时长的历史日售电量数据的供电企业历史售电量数据和对应的包括预设时长的日湿度数据、日温度数据和日节假日信息的售电量影响因素数据;所述供电企业历史售电量数据,并根据目标区域获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析得到对应的季节性关键售电影响因子后,根据季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据季节性售电预测数据集构建对应的季节性日售电量预测模型,以及根据待预测时段,获取对应的季节性日售电量预测模型,并根据季节性日售电量预测模型对待预测时段进行售电量预测分析得到对应的售电量预测结果的技术方案。与现有技术相比,该供电企业售电数据预测方法,能够基于地区供电季节性规律和售电量影响因素与季节性月份售电量间的相关性筛选季节性关键售电量影响因子,保证关键售电量影响因子筛选可靠性的同时,结合使用基于注意力机制的长短期记忆网络,提升售电量预测模型构建的有效性,能够从复杂非线性关系的售电量时序列数据中可靠地提取售电量变化趋势,进而保证不同地区的供电淡旺季售电量数据预测分析的高效性和精准性,为电力部门及时调整供电计划,合理安排发电情况,以及在避免资源浪费的情况下保证社会正常供电提供可靠保障。
附图说明
图1是本发明实施例中供电企业售电数据预测方法的应用场景示意图;
图2是本发明实施例中供电企业售电数据预测方法的流程示意图;
图3是本发明实施例中季节性日售电量预测模型的结构示意图;
图4是本发明实施例中表2所示的4-5月售电量数据的折线示意图;
图5是本发明实施例中基于表2所示的4-5月售电量数据预测6月第一周售电量数据的偏差率变动示意图;
图6是本发明实施例中表4所示的1-3月售电量数据的折线示意图;
图7是本发明实施例中表4所示的1-3月售电量数据预测4月第一周售电量数据的偏差率变动示意图;
图8是本发明实施例中供电企业售电数据预测系统的结构示意图;
图9是本发明实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案和有益效果更加清楚明白,下面结合附图及实施例,对本发明作进一步详细说明,显然,以下所描述的实施例是本发明实施例的一部分,仅用于说明本发明,但不用来限制本发明的范围。基于本发明中的实施例,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所有其他实施例,都属于本发明保护的范围。
本发明提供的供电企业售电数据预测方法可理解为基于现有时间序列数据预测方法难以有效应对具有非线性、非平稳性和易受多种因素变化影响特点的售电量数据预测场景,导致售电数据预测精准性不足的应用现状,而提出的一种通过基于地区供电季节性规律和售电量影响因素与季节性月份售电量间的相关性筛选关键售电量影响因子,并根据关键售电量影响因子分别构建对应的季节性售电预测数据集,以及基于此训练得到对应的季节性日售电量预测模型,用于对季节性月份(淡季或旺季)内待预测时段的售电量进行预测分析的供电企业售电数据预测方法,可以应用于如图1所示的终端或服务器上。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。服务器可根据实际应用需求,采用本发明提供的供电企业售电数据预测方法进行高效且精准的区域季节性月份售电量数据预测,并将得到的售电量预测结果用于服务器后续研究,或传送给终端以供终端使用者进行查看分析;下述实施例将对本发明的供电企业售电数据预测方法进行详细说明。
在一个实施例中,如图2所示,提供了一种供电企业售电数据预测方法,包括以下步骤:
S11、获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;其中,目标区域可理解为是需要进行售电量分析的供电企业供电区域,此处不作具体限定;预设时长原则可根据实际应用需求选取确定,但为了保证后续关键售电影响因子分析的可靠性,至少需要获取包括一年时长的日数据;对应的,预设时长内的供电企业历史售电量数据与售电量影响因素数据一一对应,即供电企业历史售电量数据包括2022年4月1日的售电量数据时,对应的售电量影响因素数据必然也包括2022年4月1日的湿度数据、温度数据和节假日信息(是工作日或节假日)。
S12、根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;其中,区域季节性月份包括区域淡季月份和区域旺季月份,可理解为是与目标区域对应的供电淡季月份和供电旺季月份;对应的季节性关键售电影响因子也同样包括淡季关键售电影响因子和旺季关键售电影响因子;在实际应用中,不同目标区域对应的区域季节性月份可通过预先对目标区域的历史供电量数据进行分析确定,比如,通过对某地区至少一年的月供电数据进行比对分析,得到对应的区域淡季月份和区域旺季月份分别为4月和6月,那么经过对4月和6月对应的供电企业历史售电量数据和售电量影响因素数据进行分析,就可以得到对应的淡季4月对应的淡季关键售电影响因子以及6月对应的旺季关键售电影响因子。
原则上各个区域的供电企业售电量均会受湿度、温度和节假日等因素的影响,但考虑到实际应用中,对于不同区域而言,每个影响因素的实际关联贡献作用存在差异,为了保证不同区域售电量预测分析模型建立的精准性,本实施例优选地,采用基于目标区域的季节性月份(淡季月份或旺季月份)的供电企业历史售电量数据和售电量影响因素数据分析确定与目标区域对应的季节性关键售电影响因子(淡季关键售电影响因子和旺季关键售电影响因子);需要说明的是,考虑到在实际应用中虽然基于某个目标区域的供电规律可同时得到至少一个供电淡季月份和供电旺季月份(即同时得到多个区域季节性月份),而针对各个区域季节性月份的分析处理方式保持一致。
此外,考虑到用于筛选关键影响因子的传统互信息计算中,不仅存在出现频次较少的数据对应的互信息值较高,导致极端数据占比较大的情况,而且也存在因样本数据相同出现排序混乱导致互信值计算有误的问题,为了提升基于互信息筛选的关键影响因子的精准性,本实施优选采用基于数据频数信息对互信息值进行修正;具体的,所述分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子的步骤包括:
分别计算各个区域季节性月份内各个售电量影响因素数据与对应的供电企业历史售电量数据之间的互信息,得到对应的季节性因子互信息值;其中,季节性因子互信息值的获取方法可理解为是基于信息熵和联合熵计算,通过传统互信息计算公式分别计算各个售电量影响因素对应的数据与供电企业历史售电量数据之间的互信息值,此处不再详述;
基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;其中,频数信息可理解为是每个样本数据出现的次数;对应的修正季节性因子互信息值可理解是在传统互信息计算的基础上,基于频数信息去除极端数据的影响和平衡数据相同样本排序得到更加准确可靠的互信息修正值;具体的,所述基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值的步骤包括:
计算各个区域季节性月份内售电量影响因素数据的平均值和准差,根据所述平均值和所述标准差,获取对应的极端数据数目,并根据所述极端数据数目,得到对应的第一修正参数;其中,极端数据可理解为是大于或者小于均值与1倍标准差和的样本数据;对应的,所述第一修正参数表示为:
其中,表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中的极端数据数目;/>表示区域季节性月份内第/>个售电量影响因素对应的第一修正参数;
获取各个区域季节性月份内售电量影响因素数据中的相同数据,根据相同数据的个数和组数,得到对应的第二修正参数;所述第二修正参数表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中相同数据的个数和组数;/>表示区域季节性月份内第/>个售电量影响因素对应的第二修正参数;
根据所述第一修正参数和所述第二修正参数,对所述季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;所述修正季节性因子互信息值表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素数据与对应的供电企业历史售电量数据之间的季节性因子互信息值和修正季节性因子互信息值;/>和/>分别表示区域季节性月份第/>个售电量影响因素的第一修正参数和第二修正参数。
为了便于对上述修正季节性因子互信息值获取方法的理解,本实施例以表1所示的某地区4月最高温度和售电量的数据为例进行说明。
表1 某地区4月(供电淡季月份)最高温度和售电量的数据表
(续上表)
基于表1计算4月份内温度和售电量的修正季节性因子互信息值的过程如下:
1)可调用预设的互信息计算matlab程序求原始数据的季节性因子互信息值(MI值),即0.41724;
2)计算温度的均值与标准差判断正常数据的区间范围,通过计算得到4月温度的均值与标准差分别为21.02173913和5.797740345,因此,正常数据范围为[15.22399879,26.81947948];
3)计算第一修正参数,基于步骤2)得到的正常数据范围可知4月份温度异常的数据共计13个,基于上述第一修正参数的计算公式可的即/>;
4)寻找相同数据样本组,共得到7组17个相同数据,基于上述第二修正参数的计算公式可得/>;
5)修正MI值可得:;
需要说明的是,其他售电影响因子对应的修正季节性因子互信息值均可参考上述计算过程得到,此处不再赘述。
将所有修正季节性因子互信息值进行比较分析,得到预设数目的季节性关键售电影响因子;其中,预设数目原则上可根据实际应用需求设定,为了保证售电量预测模型构建的有效性,本实施例优选地至少包括两个售电影响因子,在实际应用中,具体的得到的季节性关键售电影响因子与实际分析的数据有关,比如,可以包括温度、湿度和节假日因素的任一了两两组合,此处不作具体限定。
本实施例采用改进的互信息计算方法对售电量影响因素进行筛选,能够在保证因子获取的全面性的同时,还能保证影响因子获取的精准性,进而为后续预测模型的构建提供了可靠的数据保障;通过上述方法步骤得到与目标区域的区域季节性月份对应的季节性关键售电影响因子后,就可以通过下述方法构建用于训练售电预测模型的数据集。
S13、根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;其中,季节性售电预测数据集可理解为是包括与区域季节性月份对应的供电企业历史售电量数据、以及季节性关键售电影响因子的售电量影响因素数据,且用于训练构建季节性日售电量预测模型的数据集;具体的,所述根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集的步骤包括:
根据预测关联月数和各个区域季节性月份,对所述供电企业历史售电量数据进行划分,得到对应的区域季节性历史售电数据;其中,预测关联月数可理解为是通过季节性分解方法(STL分解)识别得到的区域季节性月份之前、受季节性用电规律因素影响且与相应区域季节性月份存在趋势相关性的月份数目,具体会因实际应用的目标区域而异,比如,对于某地区而言,1-3月为淡季月份4月售电量预测的关联月份,对应的关联月数为3,而4-5月为旺季6月售电量预测的关联月份,对应的关联月数为2;在确定预测关联月数和区域季节性月份后,就可以根据区域季节性月份和对应的预测关联月数,从已有的供电企业历史售电量数据中获取区域季节性月份之前与预测关联月数对应的月份的售电量数据,作为对应的区域季节性历史售电数据;
将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集;
如前所述在实际应用中,季节性关键售电影响因子可能存在多种组合,如温度与湿度、温度与节假日,湿度与节假日等情况;考虑到法定节假日和特殊节日可能会存在有别于正常工作日的特殊事件,导致同一季节性月份内不同日期的售电量趋势会有所不同,为了进一步提升关键影响因子包括节假日因素时售电量预测结果的精准性,本实施例优选地在明确售电预测受节假日因素影响时,进一步对季节性售电预测数据集按照工作日和节假日进行数据集细分;即当所述季节性关键售电影响因子包括节假日因素时,所述季节性售电预测数据集包括季节性非节假日售电预测数据集和季节性节假日售电预测数据集;具体的,所述将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集的步骤包括:
将所述区域季节性历史售电数据按照工作日和节假日进行划分,得到对应的季节性非节假日历史售电数据和季节性节假日历史售电数据,并将所述季节性非节假日历史售电数据和所述季节性节假日历史售电数据,分别与对应的季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性非节假日售电预测数据集和季节性节假日售电预测数据集;
在季节性关键售电影响因子包括节假日因素,对应的季节性日售电量预测模型也同样包括季节性非节假日售电预测模型和季节性节假日售电预测模型两种;具体的,所述根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型的步骤包括:
根据所述季节性非节假日售电预测数据集和所述季节性节假日售电预测数据集,分别对基于注意力机制的长短期记忆模型进行优化训练,得到对应的季节性日售电量预测模型;其中,基于注意力机制的长短期记忆模型可理解为是添加了注意力权重的长短期记忆模型(LSTM),本实施例优选地采用如图3所示包括长短期记忆网络和注意力层(Attention层)的网络结构,且长短期记忆网络包括依次连接的LSTM层(2层)、Dropout层和全连接层;对应的,将售电量数据输入LSTM-Attention网络时的运算表达式为:
其中,为输入售电量序列,/>为LSTM中的中间输出,/>为sigmoid激活函数,/>为矩阵权重,/>为偏置项;/>为LSTM的预测输出,将/>经过attention层后就可得到更新后的预测结果/>。
本实施例采用图3所示的季节性日售电量预测模型结果可保证能够从复杂非线性关系的售电量时序列数据中可靠地提取售电量变化趋势,进而保证售电量预测结果的精准性。
在实际应用中,季节性非节假日售电预测数据集和季节性节假日售电预测数据集可以包括售电量数据和温度数据,或售电量数据和湿度数据两种情况;此时,使用季节性非节假日售电预测数据集或季节性节假日售电预测数据集对基于注意力机制的长短期记忆模型进行训练过程如下:
1)先对原始数据采用下述公式进行最大最小归一化处理,映射到[0,1]之间:
其中,和/>分别表示原始数据和对应的归一化数据;/>和/>分别表示样本数据的最大值和最小值;
2)将归一化处理后的数据集按照时间顺序和一定的分割比例划分为训练集和测试集;
3)根据输入变量个数和输出变量个数分别决定LSTM输入节点和输出节点的个数,设定合适的隐藏层节点个数(64)和学习率(0.001),初始化模型和优化器(Adam)执行训练,并根据样本实际值与预测值的误差即MAE作为损失函数对模型参数进行反向传播优化;对应损失函数表示为:
其中,表示损失函数,/>表示样本总数,/>和/>分别表示第j个样本实际值和对应的预测值;
在实际应用中的该步骤可理解为以Adam优化器,即optimizer =optim.Adam(model.parameters(), lr=0.001);定义训练循环,在每个训练周期内,按照以下伪代码执行:
运行模型的前向传播,得到模型输出outputs
epochs = 100
for epoch in range(epochs): # 前向传播
outputs = model(inputs)# 假设inputs是输入数据
计算损失:loss = loss_function(predictions, y_train)
执行反向传播和优化,更新模型参数:
optimizer.zero_grad()
total_loss.backward()
optimizer.step()
输出训练过程中的总损失值
通过上述训练过程即可得到当前最优参数的基于注意力机制的长短期记忆模型;
4)获得当前最优参数的基于注意力机制的长短期记忆模型后,对测试集样本进行预测,获得日售电量预测值,将预测结果按照评价标准评估预测的准确性,若准确性不能满足要求,可以通过适当调整网络结构或其他优化模型方式对初始训练模型进一步优化设计后,再重新训练,直至得到满足应用需求的季节性日售电量预测模型。
需要说明的是,为了进一步凸显不同季节性关键售电影响因子的贡献差异,本实施例优选地采用基于各个季节性关键售电影响因子对应的修正季节性因子互信息值作为季节性日售电量预测模型中不同输入数据特征的注意力融合权重,以保证售电量预测结果的精准性;比如,季节性关键售电影响因子同时包括温度和湿度,且温度和湿度对应的修正季节性因子互信息值分别为0.6和0.8,则对应的温度注意力权重为0.6/1.4,且湿度注意力权重为0.8/1.4,对应的预测结果可理解为是将对应长短期记忆模型的全连接输出按照对应注意力权重进行加权求和得到的结果。
S14、根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果;其中,待预测时段可理解为是某个区域季节性月份内的几天、一周或几周时长,可根据实际应用需求设定,此处不作限定。
在实际应用中,不同的待预测时段所需使用的季节性日售电量预测模型以及基础分析数据均不相同,需要在获取待预测时段之后,获取与之对应的季节性月份预测基础数据和季节性日售电量预测模型进行预测分析,以保证预测结果的可靠性;具体的,所述根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果的步骤包括:
根据所述待预测时段,获取对应的区域季节性月份,并根据所述区域季节性月份和所述预测关联月数,获取对应的季节性月份预测基础数据;其中,待预测时段与区域季节性月份的对应关系可通过预先配置实现,以提供数据处理效率;对应的季节性月份预测基础数据如前所述可理解为是区域季节性月份之前与预测关联月数对应月份的供电企业历史售电量数据和季节性关键售电影响因子数据的售电量影响因素数据;
分别通过所述季节性非节假日售电预测模型和所述季节性节假日售电预测模型,对所述季节性月份预测基础数据内的非节假日和节假日进行售电量分析处理,得到所述待预测时段的售电量预测结果;其中,待预测时段的售电量预测结果包括非节假日时段和节假日时段的售电量预测结果,对应的获取过程可理解为是:将季节性月份预测基础数据内的非节假日部分数据输入季节性非节假日售电预测模型进行预测分析,得到非节假日时段的售电量预测结果;将季节性月份预测基础数据内的节假日部分数据输入季节性节假日售电预测模型进行预测分析,得到节假日时段的售电量预测结果。
下面分别以某地区2022年的供电旺季和供电淡季的售电量预测为例对上述售电量预测方法的应用进行验证说明:当待预测时段为6月第一周的每日售电量数据时,可获取季节性月份预测基础数据为表2所示的4-5月售电量数据时,将非节假日的数据(波动比较稳定)和节假日数据(波动较大)进行分开分析处理,得到表3所示的预测结果。
表2 4-5月售电量数据表
(续上表)
表3 基于表2数据得到的6月售电量预测数据
如图4所示,对表2所示的4-5月售电量数据进行节假日和非节假日区分展示可知,节假日和非节假日之间过度期间的波动较大,会很大程度影响预测的准确性。节假日售电量普遍低于非节假日售电量,节假日售电量大部分集中在谷值,与非节假日售电量差值较大,同时旺季数据与表4淡季数据波动较大;由此可见,季节和节假日对售电量的影响幅度较大,在预测售电量时同时考虑季节性用电规律因素和节假日因素是有必要的。如表3和图5所示,选取旺季范围内4-5月售电量数据预测6月前一周的售电量得到的预测结果可知,旺季的售电量预测误差高于淡季的预测误差;旺季节假日的预测误差较大,但非假日对售电量的影响也具有偶然性,由此可以得到旺季售电量具有很大的不确定性,由于受多重不确定性因素共同影响作用,考虑节假日因素预测售电量更为合理。
当待预测时段为4月第一周的每日售电量数据时,可获取季节性月份预测基础数据为表4的1-3月售电量数据,将非节假日和节假日数据分开处理得到表5所示的预测结果。
表4 2022年1-3月售电量数据表
(续上表)
表5 基于表4数据得到的4月售电量预测数据表
如图6所示,通过对表4所示的1-3月售电量数据进行节假日和非节假日进行区分展示可知,节假日和休息日的售电量有较大波动,对预测结果稳定性有较大影响,反观正常非节假日的波动比较稳定,因此考虑节假日分开预测有其可行性。如表5和图7所示,总体来看淡季预测结果优于旺季,整体偏差率较为稳定,将节假日和工作日分开预测较为合理,且取得了较好的预测结果。
此外,为进一步证明本发明提出的供电企业售电数据预测方法的有效性,本实施例还提供了基于表4所示的1-3月售电量数据,与采用现有ARIMA预测方法预测4月第一周售电量的对比实验,并得到如表6所示的对比结论。
表6 ARIMA预测方法与基于注意力机制的长短期记忆模型预测结果对比表
基于表6所示的预测数据可知,ARIMA模型和本发明提供的基于注意力机制的长短期记忆网络模型在对同一时间序列数据进行预测时的性能表现有很大差异:ARIMA在第1、2、5、6、7天的预测中,出现了显著的负偏差率,表明ARIMA模型在这些时间点上低估了实际值,导致了严重的预测误差,特别是第6和第7天的偏差率高达-79.92%和-57.15%,这是相当大的误差;同时,ARIMA在第3和第4天的预测中出现了正偏差率,即高估了实际值,虽然偏差率相对较小,但仍然显示出ARIMA在这些时间点上的不准确性;而本发明提供的供电企业售电数据预测方法相对于ARIMA而言,在整体上表现更好,其预测偏差率均值相对较小,这意味着它对整个时间段内的预测更为准确,其虽然在第1、2、3、4、5、6、7天的预测中都表现出正偏差率,但这些偏差率相对较小,且在可接受范围内,也表明对于这些时间点的预测相对一致,没有明显的高估或低估的情况,同时在第1、2、5、6、7天相较于ARIMA的预测出现了显著的改进,尤其是第6和第7天的偏差率明显减小,甚至变为正值,表明在这些时间点上的预测更加准确;通过上述对比实验可知,本发明提供的方法相对于ARIMA而言,可在这个售电量时间序列预测问题中表现更好,它提供了更为准确和一致的预测结果。
本申请实施例通过获取目标区域的包括预设时长的历史日售电量数据的供电企业历史售电量数据和对应的包括预设时长的日湿度数据、日温度数据和日节假日信息的售电量影响因素数据;所述供电企业历史售电量数据,并根据目标区域获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析得到对应的季节性关键售电影响因子后,根据季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据季节性售电预测数据集构建对应的季节性日售电量预测模型,以及根据待预测时段,获取对应的季节性日售电量预测模型,并根据季节性日售电量预测模型对待预测时段进行售电量预测分析得到对应的售电量预测结果的方案,有效解决了现有时间序列数据预测方法难以有效应对具有非线性、非平稳性和易受多种因素变化影响特点的售电量数据预测场景,导致售电数据预测精准性不足的应用缺陷,能够基于地区供电季节性规律和售电量影响因素与季节性月份售电量间的相关性筛选季节性关键售电量影响因子,保证关键售电量影响因子筛选可靠性的同时,结合使用基于注意力机制的长短期记忆网络,提升售电量预测模型构建的有效性,进而保证不同地区的供电淡旺季售电量数据预测分析的高效性和精准性,为电力部门及时调整供电计划,合理安排发电情况,以及在避免资源浪费的情况下保证社会正常供电提供可靠保障。
需要说明的是,虽然上述流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。
在一个实施例中,如图8所示,提供了一种供电企业售电数据预测系统,所述系统包括:
数据采集模块1,用于获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;
因子筛选模块2,用于根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;
模型训练模块3,用于根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;
售电预测模块4,用于根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果。
关于供电企业售电数据预测系统的具体限定可以参见上文中对于供电企业售电数据预测方法的限定,对应的技术效果也可等同得到,在此不再赘述。上述供电企业售电数据预测系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
图9示出一个实施例中计算机设备的内部结构图,该计算机设备具体可以是终端或服务器。如图9所示,该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示器、摄像头和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现供电企业售电数据预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域普通技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法的步骤。
综上,本发明实施例提供的一种供电企业售电数据预测方法、系统、计算机设备及存储介质,其供电企业售电数据预测方法实现了获取目标区域的包括预设时长的历史日售电量数据的供电企业历史售电量数据和对应的包括预设时长的日湿度数据、日温度数据和日节假日信息的售电量影响因素数据;所述供电企业历史售电量数据,并根据目标区域获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析得到对应的季节性关键售电影响因子后,根据季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据季节性售电预测数据集构建对应的季节性日售电量预测模型,以及根据待预测时段,获取对应的季节性日售电量预测模型,并根据季节性日售电量预测模型对待预测时段进行售电量预测分析得到对应的售电量预测结果的技术方案,该方法能够基于地区供电季节性规律和售电量影响因素与季节性月份售电量间的相关性筛选季节性关键售电量影响因子,保证关键售电量影响因子筛选可靠性的同时,结合使用基于注意力机制的长短期记忆网络,提升售电量预测模型构建的有效性,能够从复杂非线性关系的售电量时序列数据中可靠地提取售电量变化趋势,进而保证不同地区的供电淡旺季售电量数据预测分析的高效性和精准性,为电力部门及时调整供电计划,合理安排发电情况,以及在避免资源浪费的情况下保证社会正常供电提供可靠保障。
本说明书中的各个实施例均采用递进的方式描述,各个实施例直接相同或相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。尤其,对于系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。需要说明的是,上述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种优选实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和替换,这些改进和替换也应视为本申请的保护范围。因此,本申请专利的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种供电企业售电数据预测方法,其特征在于,所述方法包括以下步骤:
获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;
根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;所述区域季节性月份包括与所述目标区域对应的供电淡季月份和供电旺季月份;
根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;
根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果;
其中,所述分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子的步骤包括:
分别计算各个区域季节性月份内各个售电量影响因素数据与对应的供电企业历史售电量数据之间的互信息,得到对应的季节性因子互信息值;
基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;
将所有修正季节性因子互信息值进行比较分析,得到预设数目的季节性关键售电影响因子;
其中,所述基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值的步骤包括:
计算各个区域季节性月份内售电量影响因素数据的平均值和标准差,根据所述平均值和所述标准差,获取对应的极端数据数目,并根据所述极端数据数目,得到对应的第一修正参数;所述第一修正参数表示为:
其中,表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中的极端数据数目;/>表示区域季节性月份内第/>个售电量影响因素对应的第一修正参数;
获取各个区域季节性月份内售电量影响因素数据中的相同数据,根据相同数据的个数和组数,得到对应的第二修正参数;所述第二修正参数表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中相同数据的个数和组数;/>表示区域季节性月份内第/>个售电量影响因素对应的第二修正参数;
根据所述第一修正参数和所述第二修正参数,对所述季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;所述修正季节性因子互信息值表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素数据与对应的供电企业历史售电量数据之间的季节性因子互信息值和修正季节性因子互信息值;/>和/>分别表示区域季节性月份第/>个售电量影响因素的第一修正参数和第二修正参数;
所述根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集的步骤包括:
根据预测关联月数和各个区域季节性月份,对所述供电企业历史售电量数据进行划分,得到对应的区域季节性历史售电数据;所述预测关联月数通过季节性分解方法识别得到的区域季节性月份之前、受季节性用电规律因素影响且与相应区域季节性月份存在趋势相关性的月份数目;
将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集。
2.如权利要求1所述的供电企业售电数据预测方法,其特征在于,当所述季节性关键售电影响因子包括节假日因素时,所述季节性售电预测数据集包括季节性非节假日售电预测数据集和季节性节假日售电预测数据集;
所述将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集的步骤包括:
将所述区域季节性历史售电数据按照工作日和节假日进行划分,得到对应的季节性非节假日历史售电数据和季节性节假日历史售电数据,并将所述季节性非节假日历史售电数据和所述季节性节假日历史售电数据,分别与对应的季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性非节假日售电预测数据集和季节性节假日售电预测数据集。
3.如权利要求2所述的供电企业售电数据预测方法,其特征在于,所述季节性日售电量预测模型包括季节性非节假日售电预测模型和季节性节假日售电预测模型;
所述根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型的步骤包括:
根据所述季节性非节假日售电预测数据集和所述季节性节假日售电预测数据集,分别对基于注意力机制的长短期记忆模型进行优化训练,得到对应的季节性日售电量预测模型。
4.如权利要求3所述的供电企业售电数据预测方法,其特征在于,所述根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果的步骤包括:
根据所述待预测时段,获取对应的区域季节性月份,并根据所述区域季节性月份和所述预测关联月数,获取对应的季节性月份预测基础数据;
分别通过所述季节性非节假日售电预测模型和所述季节性节假日售电预测模型,对所述季节性月份预测基础数据内的非节假日和节假日进行售电量分析处理,得到所述待预测时段的售电量预测结果。
5.一种供电企业售电数据预测系统,其特征在于,所述系统包括:
数据采集模块,用于获取目标区域的供电企业历史售电量数据和对应的售电量影响因素数据;所述供电企业历史售电量数据包括预设时长的历史日售电量数据;所述售电量影响因素数据包括预设时长的日湿度数据、日温度数据和日节假日信息;
因子筛选模块,用于根据所述目标区域,获取对应的区域季节性月份,分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子;所述区域季节性月份包括与所述目标区域对应的供电淡季月份和供电旺季月份;
模型训练模块,用于根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,并根据所述季节性售电预测数据集,构建对应的季节性日售电量预测模型;
售电预测模块,用于根据待预测时段,获取对应的季节性日售电量预测模型,并根据所述季节性日售电量预测模型对所述待预测时段进行售电量预测分析,得到对应的售电量预测结果;
其中,所述分别对各个区域季节性月份对应的供电企业历史售电量数据和售电量影响因素数据进行分析,得到对应的季节性关键售电影响因子,包括:
分别计算各个区域季节性月份内各个售电量影响因素数据与对应的供电企业历史售电量数据之间的互信息,得到对应的季节性因子互信息值;
基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;
将所有修正季节性因子互信息值进行比较分析,得到预设数目的季节性关键售电影响因子;
其中,所述基于各个区域季节性月份内售电量影响因素数据的频数信息,对相应的季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值,包括:
计算各个区域季节性月份内售电量影响因素数据的平均值和标准差,根据所述平均值和所述标准差,获取对应的极端数据数目,并根据所述极端数据数目,得到对应的第一修正参数;所述第一修正参数表示为:
其中,表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中的极端数据数目;/>表示区域季节性月份内第/>个售电量影响因素对应的第一修正参数;
获取各个区域季节性月份内售电量影响因素数据中的相同数据,根据相同数据的个数和组数,得到对应的第二修正参数;所述第二修正参数表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素对应的售电量影响因素数据中相同数据的个数和组数;/>表示区域季节性月份内第/>个售电量影响因素对应的第二修正参数;
根据所述第一修正参数和所述第二修正参数,对所述季节性因子互信息值进行修正,得到对应的修正季节性因子互信息值;所述修正季节性因子互信息值表示为:
其中,和/>分别表示区域季节性月份内第/>个售电量影响因素数据与对应的供电企业历史售电量数据之间的季节性因子互信息值和修正季节性因子互信息值;/>和/>分别表示区域季节性月份第/>个售电量影响因素的第一修正参数和第二修正参数;
所述根据所述季节性关键售电影响因子,得到对应的季节性售电预测数据集,包括:
根据预测关联月数和各个区域季节性月份,对所述供电企业历史售电量数据进行划分,得到对应的区域季节性历史售电数据;所述预测关联月数通过季节性分解方法识别得到的区域季节性月份之前、受季节性用电规律因素影响且与相应区域季节性月份存在趋势相关性的月份数目;
将所述区域季节性历史售电数据与对应季节性关键售电影响因子的售电量影响因素数据进行组合,得到对应的季节性售电预测数据集。
6.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至4中任一所述方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至4中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185986.8A CN117764638B (zh) | 2024-02-20 | 2024-02-20 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410185986.8A CN117764638B (zh) | 2024-02-20 | 2024-02-20 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117764638A CN117764638A (zh) | 2024-03-26 |
CN117764638B true CN117764638B (zh) | 2024-04-30 |
Family
ID=90322338
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410185986.8A Active CN117764638B (zh) | 2024-02-20 | 2024-02-20 | 一种供电企业售电数据预测方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117764638B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011229313A (ja) * | 2010-04-21 | 2011-11-10 | Chugoku Electric Power Co Inc:The | 発電量予測システム及びプログラム、売電量予測システム及びプログラム |
CN105243449A (zh) * | 2015-10-13 | 2016-01-13 | 北京中电普华信息技术有限公司 | 售电量预测结果修正方法及装置 |
CN105321001A (zh) * | 2015-11-10 | 2016-02-10 | 国网北京市电力公司 | 售电数据处理方法和装置 |
JP2016035719A (ja) * | 2014-08-04 | 2016-03-17 | 株式会社東芝 | 電力取引支援装置、電力取引システム、制御方法及び制御プログラム |
CN106022536A (zh) * | 2016-05-30 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
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 |
CN110598912A (zh) * | 2019-08-21 | 2019-12-20 | 广东工业大学 | 一种售电公司的春节期间售电量预测方法 |
CN115204937A (zh) * | 2022-06-01 | 2022-10-18 | 国网浙江省电力有限公司温州供电公司 | 一种基于粒子群算法的配电台区售电量精准预测方法 |
CN115619447A (zh) * | 2022-11-02 | 2023-01-17 | 国网四川省电力公司经济技术研究院 | 一种月度售电量组合预测方法、设备和介质 |
CN117151276A (zh) * | 2023-08-07 | 2023-12-01 | 浙江恒业电子股份有限公司 | 售电平台的智能化管理系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210224833A1 (en) * | 2020-01-21 | 2021-07-22 | Oracle International Corporation | Seasonality Prediction Model |
-
2024
- 2024-02-20 CN CN202410185986.8A patent/CN117764638B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011229313A (ja) * | 2010-04-21 | 2011-11-10 | Chugoku Electric Power Co Inc:The | 発電量予測システム及びプログラム、売電量予測システム及びプログラム |
JP2016035719A (ja) * | 2014-08-04 | 2016-03-17 | 株式会社東芝 | 電力取引支援装置、電力取引システム、制御方法及び制御プログラム |
CN105243449A (zh) * | 2015-10-13 | 2016-01-13 | 北京中电普华信息技术有限公司 | 售电量预测结果修正方法及装置 |
CN105321001A (zh) * | 2015-11-10 | 2016-02-10 | 国网北京市电力公司 | 售电数据处理方法和装置 |
CN106022536A (zh) * | 2016-05-30 | 2016-10-12 | 中国南方电网有限责任公司电网技术研究中心 | 季节性用电预测方法和系统 |
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 |
CN110598912A (zh) * | 2019-08-21 | 2019-12-20 | 广东工业大学 | 一种售电公司的春节期间售电量预测方法 |
CN115204937A (zh) * | 2022-06-01 | 2022-10-18 | 国网浙江省电力有限公司温州供电公司 | 一种基于粒子群算法的配电台区售电量精准预测方法 |
CN115619447A (zh) * | 2022-11-02 | 2023-01-17 | 国网四川省电力公司经济技术研究院 | 一种月度售电量组合预测方法、设备和介质 |
CN117151276A (zh) * | 2023-08-07 | 2023-12-01 | 浙江恒业电子股份有限公司 | 售电平台的智能化管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117764638A (zh) | 2024-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chien et al. | Strategic capacity planning for smart production: Decision modeling under demand uncertainty | |
Nelson | ‘Some tactical problems in digital simulation’for the next 10 years | |
Cooley et al. | Aggregate consequences of limited contract enforceability | |
US8010324B1 (en) | Computer-implemented system and method for storing data analysis models | |
NO20230419A1 (en) | Computer-based systems, computing components and computing objects configured to implement dynamic outlier bias reduction in machine learning models | |
Janes et al. | Identification of defect-prone classes in telecommunication software systems using design metrics | |
Lagerström et al. | Identifying factors affecting software development cost and productivity | |
Yassine | Investigating product development process reliability and robustness using simulation | |
JP2005182465A (ja) | 保守支援方法及びプログラム | |
US11700210B2 (en) | Enhanced selection of cloud architecture profiles | |
US20150039555A1 (en) | Heuristically modifying dbms environments using performance analytics | |
US20220207414A1 (en) | System performance optimization | |
US11995667B2 (en) | Systems and methods for business analytics model scoring and selection | |
CN112182118B (zh) | 基于多数据源的目标对象预测方法及其相关设备 | |
EP3891670A1 (en) | Indiagnostics framework for large scale hierarchical time-series forecasting models | |
JP2021064049A (ja) | 計算機システム及び数理モデルの生成支援方法 | |
CN102411757B (zh) | 一种大型主机cpu容量预测方法及系统 | |
CN115564152A (zh) | 基于stirpat模型的碳排放量预测方法及装置 | |
Mittman et al. | A hierarchical model for heterogenous reliability field data | |
Mistrík et al. | Economics-driven software architecture | |
US10896388B2 (en) | Systems and methods for business analytics management and modeling | |
CN111260142A (zh) | 商品指标数据预测方法、装置、存储介质及电子设备 | |
CN113949644A (zh) | 基于LSTM-prophet的网站访问量预测方法及系统 | |
González-Rojas et al. | Multilevel complexity measurement in enterprise architecture models | |
Ganichev et al. | Rethinking Russian digital economy development under sunctions |
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 |