CN117933457A - 一种基于多种电量预测模型组合的电量预测方法与系统 - Google Patents
一种基于多种电量预测模型组合的电量预测方法与系统 Download PDFInfo
- Publication number
- CN117933457A CN117933457A CN202410027134.6A CN202410027134A CN117933457A CN 117933457 A CN117933457 A CN 117933457A CN 202410027134 A CN202410027134 A CN 202410027134A CN 117933457 A CN117933457 A CN 117933457A
- Authority
- CN
- China
- Prior art keywords
- electric quantity
- prediction
- model
- models
- data
- 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
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 abstract description 14
- 230000008901 benefit Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多种电量预测模型组合的电量预测方法与系统,具体为:获取用户历史电量数据,获取各类模型不同影响因子的源数据;选定目前已有模型,输入历史电量数据和不同影响因子的源数据,比较一段时间周期内各类模型的预测偏差;针对各类模型在一段时间内的预测偏差进行复盘分析,分析各模型的稳定性以及准确性;针对各类模型的预测偏差,根据不同模型的稳定性和准确性数值,通过综合加权得到各模型的权重;根据计算好的权重值,将不同模型进行加权组合形成组合模型。本发明针对电量已有预测模型,通过比较各类模型在一段时间周期内稳定性和准确性,进行加权组合,形成一个更科学、更精确的代理购电量组合预测模型。
Description
技术领域
本发明属于电量预测技术领域,更具体地涉及一种基于多种电量预测模型组合的电量预测方法与系统。
背景技术
建立电网企业代理购电机制,保障机制平稳运行,是进一步深化燃煤发电上网电价市场化改革提出的明确要求,对有序平稳实现工商业用户全部进入电力市场、促进电力市场加快建设发展具有重要意义。电网企业要定期预测代理购电工商业用户用电量及典型负荷曲线,现货市场运行或开展中长期分时段交易的地方,应考虑季节变更、节假日安排等因素分别预测分时段用电量。保障居民(含执行居民电价的学校、社会福利机构、社区服务中心等公益性事业用户,下同)、农业用户的用电量规模单独预测。
以往电量预测研究主要基于电网总体运行特征,综合自然条件、经济状况与社会事件等因素,对全社会的用电量或是全网系统负荷进行预测,且总体用电呈现较好的周期性趋势。相较于直接参与电力市场交易的工商业用户,电网企业代理的代理购电工商业用户通常个体用电量规模小,用电一致性较差,且代理购电工商业用户群体的用电量受外部突发性事件影响较大,这些难以预测的突发性事件无疑加大了电量预测的难度。在现有电量预测技术中,有基于日数据的电量预测方法,也有基于月数据的电量预测方法,考虑到代理购电量预测有具体的考核指标要求,当电量预测有实际精度要求时,无法简单判断哪一种电量预测算法更能符合当下预测需求,或者说每种电量预测算法可能都有其适用场景。在一年中既有春、秋季这种受周期性、趋势性用电特征影响较大的季节,也有夏、冬季这种和温度关联性极强的季节,对于不同算法来说在不同季节、不同月份的预测偏差可能都各不相同。因此,如何综合考虑不同算法在一年不同时间周期的预测偏差,并满足代理购电量预测精度要求,对电量预测来说是一个很现实的问题。
发明内容
为解决现有技术中存在的不足,本发明提供一种基于多种电量预测模型组合的电量预测方法与系统,针对已选定的不同模型需求输入历史电量数据和不同影响因子的源数据,从稳定性以及准确性两方面出发,比较一段时间周期内不同模型的预测偏差,针对各模型稳定性、准确性两个评价结果,进行综合加权,基于权重值对已选定的多种模型进行加权组合,得到组合预测模型,预测精度优于已选定的其他模型。
本发明采用如下的技术方案。
本发明的第一方面提供一种基于多种电量预测模型组合的电量预测方法,包括如下步骤:
步骤1,获取用户历史电量数据以及不同影响因子的源数据;
步骤2,选定目前已有模型,输入历史电量数据和不同影响因子的源数据,比较设定时间周期内各类模型的预测偏差;
步骤3,针对各类模型的预测偏差,计算各模型的稳定性以及准确性;
步骤4,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值;
步骤5,根据计算好的权重值,将不同模型进行加权组合形成电量预测组合模型,基于组合模型进行电量预测。
本发明进一步包括以下优选方案。
步骤1中,用户历史电量数据包括分类用户年电量数据、每月电量数据和每日电量数据,分类用户电量数据进行预处理,以如下公式所示:
其中:C'j为预处理后的第j个电量数据,Cj为预处理前的第j个电量数据。
优选地,步骤1中,各类模型不同影响因子的源数据包括各地城市每日的最高温度、最低温度、平均温度、日历数据、地区GDP数据、分类用户每月用户数。
优选地,步骤3中,通过以下公式计算各个电量预测模型的稳定性:
其中,Sta为计算模型在设定时间周期内的稳定性,n表示时间周期数,Xi表示第i个时间周期电量预测模型是否满足5%的偏差考核要求,取值0或1,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
更进一步地,步骤3中,按照下式计算各电量预测模型的准确性:
其中,Acc表示模型该时间周期内的准确性,n表示时间周期数,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
优选地,步骤4中,根据各电量预测模型的准确性和稳定性,电量预测模型的权重值以如下公式表示:
其中,wk表示第k个电量预测模型的权重,Stak表示第k个电量预测模型的稳定性,Acck表示第k个电量预测模型的准确性,m表示电量预测模型的个数。
优选地,步骤5中,根据计算得到的权重值,将不同电量预测模型进行加权组合形成组合模型,以如下公式表示:
其中,wk表示第k个模型的权重,xk表示第k个预测模型,y表示组合模型。
更进一步地,所述电量预测方法还进一步包括步骤6,使用组合模型对待预测时段电量进行预测,当预测偏差大于设定的偏差阈值时,删除当前稳定性与准确性乘积最低的电量预测模型,重复步骤2-步骤6,直至预测误差率小于设定误差阈值,得到新的组合模型。
更进一步地,按照以下公式计算组合模型的预测偏差:
式中:pi表示第i个时间周期模型预测电量值,ei表示第i个时间周期实际电量值。
本发明的第二方面提供一种基于多种电量预测模型组合的电量预测系统,运行实施一种基于多种电量预测模型组合的电量预测方法,包括:
数据获取模块,电量预测模型训练模块,电量预测模型稳定性和准确性计算模块,电量预测模型加权模块,模型组合模块;
数据获取模块,用于获取用户历史电量数据,以及各类模型不同影响因子的源数据;
电量预测模型训练模块,用于针对已选定的多种模型,输入历史电量数据和不同影响因子的源数据,比较时间周期内各类模型的预测偏差;
电量预测模型稳定性和准确性计算模块,用于对各类模型在时间周期内的预测偏差进行复盘分析,计算各模型的稳定性以及准确性;
电量预测模型加权模块,用于针对各类模型的预测偏差,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值;
模型组合模块,用于根据计算好的权重值,将不同模型进行加权组合形成组合模型,基于组合模型进行电量预测。
本发明的有益效果在于,与现有技术相比,本发明提出了一种基于多种电量预测模型组合的电量预测方法与系统,针对代理购电量已有预测模型,输入历史电量数据和不同影响因子的源数据,分析各类模型在一段时间周期内的稳定性和准确性,通过综合加权的方式得到各模型的权重,根据计算好的权重值,将不同模型进行加权组合形成组合预测模型。组合预测模型的重点在于加权系数的确定,如果对各个单项预测模型的加权系数赋值合理,那么整个组合预测模型的预测精度也会相应提高。相较于现有组合预测方法,本发明提出了基于模型准确性和稳定性两大指标综合加权这样新颖的组合方式,一方面考虑到模型在过去一段时间周期内的预测准确率,体现模型整体的预测精度,另一方面结合模型在过去一段时间周期内的预测稳定性,表征模型整体的波动情况,通过加权的方式综合不同模型在过去一段时间周期内的预测表现,形成更科学、更精确的组合预测模型。
附图说明
图1是本发明的一种基于多种电量预测模型组合的电量预测方法的步骤流程图;
图2是本发明的一种基于多种电量预测模型组合的电量预测系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例,而不是全部实施例。基于本发明精神,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有所其它实施例,都属于本发明的保护范围。
本发明提供一种基于多种电量预测模型组合的电量预测方法,如图1所示,包括以下步骤:
步骤1,获取用户历史电量数据,以及不同影响因子的源数据。
在优选但非限制性地实施方式中,步骤1中,用户历史电量数据包括分类用户年电量数据、每月电量数据和每日电量数据,分类用户电量数据进行预处理,以如下公式所示:
其中:C'j为预处理后的第j个电量数据,Cj为预处理前的第j个电量数据。
更进一步地,步骤1中,各类模型不同影响因子的源数据包括各地城市每日的最高温度、最低温度、平均温度、日历数据、地区GDP数据、分类用户每月用户数。
更进一步地,步骤1中,组合多种预测模型,即包括模型A、模型B、模型C等,同时各类预测模型也可以基于不同的数据颗粒度,例如月电量数据、日电量数据;
各类预测模型不同影响因子即是各类预测模型的输入数据,例如最高温度、最低温度、平均温度、用户数、地区GDP水平等,输入数据要和对应预测模型的颗粒度相匹配,即基于月电量数据的预测模型,其影响因子的颗粒度也为月数据,基于日电量数据的预测模型,其影响因子的颗粒度也为日数据。
步骤2,选定目前已有模型,输入历史电量数据和不同影响因子的源数据,比较设定时间周期内各类模型的预测偏差。
在优选但非限制性地实施方式中,设定时间周期内各类模型的预测偏差,设定时间周期可以是过去一年,过去一月,过去一日等,作为预测数据样本,其余源数据作为训练数据样本,同时预测偏差即是各类模型在该时间周期内的预测值与真实电量值的偏差情况。
步骤3,针对各类模型的预测偏差,计算各模型的稳定性以及准确性。
在优选但非限制性地实施方式中,电量预测模型的稳定性是设定时间周期内模型预测偏差在考核指标范围内的频率,以如下公式所示:
其中,Sta为计算模型在设定时间周期内的稳定性,n表示时间周期数,Xi表示第i个时间周期电量预测模型是否满足5%的偏差考核要求,取值0或1,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
更进一步地,电量预测模型的准确性是设定时间周期内模型预测绝对准确率的平均值,以如下公式所示:
其中,Acc表示模型在设定时间周期内的准确性,n表示时间周期数,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
步骤4,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值。
在优选但非限制性地实施方式中,步骤4中,根据各电量预测模型的准确性和稳定性,电量预测模型的权重值以如下公式表示:
其中,wk表示第k个电量预测模型的权重,Stak表示第k个电量预测模型的稳定性,Acck表示第k个电量预测模型的准确性,m表示电量预测模型的个数。
步骤5,根据计算好的权重值,将不同模型进行加权组合形成电量预测组合模型,基于组合模型进行电量预测。
在优选但非限制性地实施方式中,步骤5中,根据计算得到的权重值,将不同电量预测模型进行加权组合形成组合模型,以如下公式表示:
其中,wk表示第k个模型的权重,xk表示第k个预测模型,y表示组合模型。
更进一步地,所述电量预测方法还进一步包括步骤6,使用组合模型对待预测时段电量进行预测,当预测偏差大于设定的偏差阈值时,删除当前稳定性与准确性乘积最低的电量预测模型,重复步骤2-步骤6,直至预测误差率小于设定误差阈值,得到新的组合模型。
更进一步地,按照以下公式计算组合模型的预测偏差:
式中:pi表示第i个时间周期模型预测电量值,ei表示第i个时间周期实际电量值。
本发明提供一种基于多种电量预测模型组合的电量预测系统,运行所述的一种基于多种电量预测模型组合的电量预测方法,如图2所示,包括:
数据获取模块,电量预测模型训练模块,电量预测模型稳定性和准确性计算模块,电量预测模型加权模块,模型组合模块;
数据获取模块,用于获取用户历史电量数据,以及各类模型不同影响因子的源数据;
电量预测模型训练模块,用于针对已选定的多种模型,输入历史电量数据和不同影响因子的源数据,比较时间周期内各类模型的预测偏差;
电量预测模型稳定性和准确性计算模块,用于对各类模型在时间周期内的预测偏差进行复盘分析,计算各模型的稳定性以及准确性;
电量预测模型加权模块,用于针对各类模型的预测偏差,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值;
模型组合模块,用于根据计算好的权重值,将不同模型进行加权组合形成组合模型,基于组合模型进行电量预测。
本公开可以是系统和/或方法。
最后应当说明的是,以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种基于多种电量预测模型组合的电量预测方法,其特征在于,包括如下步骤:
步骤1,获取用户历史电量数据以及不同影响因子的源数据;
步骤2,选定目前已有模型,输入历史电量数据和不同影响因子的源数据,比较设定时间周期内各类模型的预测偏差;
步骤3,针对各类模型的预测偏差,计算各模型的稳定性以及准确性;
步骤4,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值;
步骤5,根据计算好的权重值,将不同模型进行加权组合形成电量预测组合模型,基于组合模型进行电量预测。
2.根据权利要求1所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤1中,用户历史电量数据包括分类用户年电量数据、每月电量数据和每日电量数据,分类用户电量数据进行预处理,以如下公式所示:
其中,C'j为预处理后的第j个电量数据,Cj为预处理前的第j个电量数据。
3.根据权利要求1所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤1中,各类模型不同影响因子的源数据包括各地城市每日的最高温度、最低温度、平均温度、日历数据、地区GDP数据、分类用户每月用户数。
4.根据权利要求1所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤3中,通过以下公式计算各个电量预测模型的稳定性:
其中,Sta为计算模型在设定时间周期内的稳定性,n表示时间周期数,Xi表示第i个时间周期电量预测模型是否满足5%的偏差考核要求,取值0或1,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
5.根据权利要求1或4所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤3中,按照下式计算各电量预测模型的准确性:
其中,Acc表示模型在设定时间周期内的准确性,n表示时间周期数,pi表示第i时间周期模型预测电量值,ei表示第i时间周期实际电量值。
6.根据权利要求1所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤4中,根据各电量预测模型的准确性和稳定性,电量预测模型的权重值以如下公式表示:
其中,wk表示第k个电量预测模型的权重,Stak表示第k个电量预测模型的稳定性,Acck表示第k个电量预测模型的准确性,m表示电量预测模型的个数。
7.根据权利要求1所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
步骤5中,根据计算得到的权重值,将不同电量预测模型进行加权组合形成组合模型,以如下公式表示:
其中,wk表示第k个模型的权重,xk表示第k个预测模型,y表示组合模型。
8.根据权利要求1或7所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
所述电量预测方法还进一步包括步骤6,使用组合模型对待预测时段电量进行预测,当预测偏差大于设定的偏差阈值时,删除当前稳定性与准确性乘积最低的电量预测模型,重复步骤2-步骤6,直至预测误差率小于设定误差阈值,得到新的组合模型。
9.根据要求8所述的一种基于多种电量预测模型组合的电量预测方法,其特征在于:
按照以下公式计算组合模型的预测偏差:
式中:pi表示第i个时间周期模型预测电量值,ei表示第i个时间周期实际电量值。
10.一种实现权利要求1-9任一项权利要求所述方法的基于多种电量预测模型组合的电量预测系统,包括数据获取模块,电量预测模型训练模块,电量预测模型稳定性和准确性计算模块,电量预测模型加权模块,模型组合模块;其特征在于:
数据获取模块,用于获取用户历史电量数据,以及各类模型不同影响因子的源数据;
电量预测模型训练模块,用于针对已选定的多种模型,输入历史电量数据和不同影响因子的源数据,比较时间周期内各类模型的预测偏差;
电量预测模型稳定性和准确性计算模块,用于对各类模型在时间周期内的预测偏差进行复盘分析,计算各模型的稳定性以及准确性;
电量预测模型加权模块,用于针对各类模型的预测偏差,根据不同模型的稳定性和准确性数值综合加权得到各模型的权重值;
模型组合模块,用于根据计算好的权重值,将不同模型进行加权组合形成组合模型,基于组合模型进行电量预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027134.6A CN117933457A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多种电量预测模型组合的电量预测方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410027134.6A CN117933457A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多种电量预测模型组合的电量预测方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117933457A true CN117933457A (zh) | 2024-04-26 |
Family
ID=90749961
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410027134.6A Pending CN117933457A (zh) | 2024-01-08 | 2024-01-08 | 一种基于多种电量预测模型组合的电量预测方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117933457A (zh) |
-
2024
- 2024-01-08 CN CN202410027134.6A patent/CN117933457A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097220B (zh) | 一种风力发电月度电量预测方法 | |
WO2022021727A1 (zh) | 城市综合体用电量预测方法、装置、电子设备及存储介质 | |
CN111680841A (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
Wang et al. | Application of grey model in influencing factors analysis and trend prediction of carbon emission in Shanxi Province | |
CN116362584A (zh) | 一种基于用户侧储能容量配置的经济性分析方法 | |
CN116739368A (zh) | 基于能源大数据的工业园区碳排放水平监测及评估方法 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
Mokhov et al. | Electrical energy consumption prediction of the federal district of russia on the based of the reccurent neural network | |
CN112288187A (zh) | 一种基于大数据的售电量预测方法 | |
CN111126716A (zh) | 一种基于极端梯度提升算法预测电价的系统模型 | |
CN113837486B (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
CN117933457A (zh) | 一种基于多种电量预测模型组合的电量预测方法与系统 | |
Du et al. | Economic Forecast of the Southern China on BP Neural Network---Taking Chongqing as an Example | |
CN110490488B (zh) | 基于大数据分析技术的电力企业主网规划数据分析系统 | |
Zhang et al. | Daily tourism forecasting through a novel method based on principal component analysis, grey wolf optimizer, and extreme learning machine | |
CN110909916B (zh) | 一种基于熵权法的风力发电月度电量区间预测方法 | |
Zhao et al. | Internet-of-thing based real-time electrical market monitoring system design | |
CN114048200A (zh) | 一种计及缺失数据补齐的用户用电行为分析方法 | |
CN114066004A (zh) | 一种基于电力大数据的gdp现时预测方法 | |
CN113011779A (zh) | 一种基于模糊综合评价的能源消费价格补偿方法及装置 | |
Cui | Iot financial management system for energy enterprise management risk and prevention and control strategy under the background of double carbon | |
CN117236532B (zh) | 一种基于负荷数据的用电高峰负荷预测的方法及系统 | |
CN115730701B (zh) | 一种适用于小型用能场所电力调度设备的负荷预测方法及系统 | |
Pawar et al. | Electricity Forecasting Using Machine Learning: A Review |
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 |