考虑舒适温度和随机变动影响的月售电量预测方法技术

本发明专利技术公开了一种考虑舒适温度和随机变动影响的月售电量预测方法，首先考虑舒适温度区间的存在，即选择低温阀值温度与高温阀值温度，当实际温度低于低温阀值温度或高于高温阀值温度时采取采暖措施或制冷措施，由此对月售电量预测线性回归模型的月度取暖系数和制冷系数进行修正；其次，考虑随机变动的影响，提出“随机变动级别”将随机变动量化，并将其量化值作为月售电量影响因素纳入月售电量回归预测模型。最后，在常规月售电量预测线性回归模型基础上，考虑以上两点改进措施，形成考虑舒适温度和随机变动影响的月售电量预测线性回归模型。本发明专利技术更好地建立温度与月售电量的关系，合理地考虑随机变动对月售电量的影响，提高月售电量预测精度。

【技术实现步骤摘要】

本专利技术涉及电力系统电量预测
，具体涉及电力系统中月售电量预测方法，尤其涉及考虑舒适温度和随机变动影响的月售电量预测方法。
技术介绍
月售电量预测是指在对历史资料进行整理和分析的情况下，采用一定手段对未来月售电量进行估计或表述。无论是国家电网公司的同业对标考核制度，还是在电力市场环境下的电力营销工作，月售电量预测都是其中一项重要内容。如何提高月售电量预测精度是电力企业极为关心且致力于研究的重要问题，其作用主要有以下几个方面：⑴满足同业对标指标考核的要求。⑵有效地控制利润平衡。⑶有效地挖掘潜在电力客户。⑷有效地制定电力决策。⑸有效地制定月度发电计划。同业对标指标要求月售电量预测精度需要达到96％，但实际情况中预测精度往往只能达到93～94％左右，离考核目标有一定的差距，需要找到突破口完成该项指标。目前，已经存在多种月售电量的预测方法，例如单耗法、曲线拟合、时间序列、回归分析、灰色预测、神经网络、模糊技术和遗传算法等，在实际的电量预测中也都取得了较为理想的效果。其中回归分析法是研究最多且应用最广泛的一种，该方法利用历史数据可以建立月售电量和其相关影响因素的关系，进而由这些因素未来的数据预测出未来的月售电量值。月售电量预测常规线性回归模型一般考虑国民生产总值、社会固定资产、人口、时间、温度、节假日天数以及不同月份等影响因素，不过存在着两方面的不足：一方面，模型中考虑温度的基本思路为选择某一阀值温度作为区分高温和低温的临界温度，当实际温度低于或高于该阀值温度时产生采暖或制冷措施从而影响电量负荷，但在实际生活中，在一定的舒适温度区间内往往不存在采暖和制冷措施；另一方面，由于随机因素(如政治变动)不易量化的原因，现有研究几乎都舍弃了随机变动对月售电量的影响，这不仅使有严重随机变动的月份预测误差较大，同时也由于该月的售电量已经成为异常值，将该异常值进一步用于后期的预测时，后期预测误差也可能随之增大。
技术实现思路
本专利技术的目的是克服常规月售电量预测线性回归模型的不足，提出考虑舒适温度和随机变动影响的月售电量预测线性回归模型。该模型针对常规的月售电量预测线性回归模型忽略了存在舒适温度区间且忽略了随机变动影响而导致预测精度可能不高的问题，提出两种相应的改进措施：选择低温阀值温度与高温阀值温度，当实际温度低于低温阀值温度或高于高温阀值温度才时会产生采暖措施或制冷措施；用“随机变动级别”将随机变动量化，并将其量化值作为月售电量影响因素纳入月售电量回归预测模型。实现本专利技术目的之技术方案是：首先，考虑舒适温度区间的存在——选择低温阀值温度与高温阀值温度，认为当实际温度低于低温阀值温度或高于高温阀值温度才时会产生采暖措施或制冷措施，由此对月售电量预测线性回归模型的月度取暖系数和制冷系数进行修正；其次，考虑随机变动的影响——提出“随机变动级别”将随机变动量化，并将其量化值作为月售电量影响因素纳入月售电量回归预测模型。最后，在常规月售电量预测线性回归模型基础上，考虑以上两点改进措施，形成考虑舒适温度和随机变动影响的月售电量预测线性回归模型。所述方法的具体步骤如下：I)历史数据收集。主要包含所需预测月份之前连续几年的月售电量、日售电量以及日最高与最低温度。II)历史数据整理及参数确定。1)考虑舒适温度区间的月取暖系数和制冷系数由日售电量与日平均温度之间的关系确定低温阀值温度和高温阀值温度。常规的月售电量预测线性回归模型为：log(Dt)=c+αt+kMHDDt+lMCDDt+Σj=212fjMjt+ut---(1-1)]]>式中：t为时间变量，单位为月；MHDDt、MCDDt分别表示第t月的取暖系数和制冷系数；Dt为第t月的月售电量，log(Dt)为Dt的对数；c、α、k、l、fj(j＝2,3,…12)为模型的回归系数；ut为模型的误差项。其中第t月的取暖系数MHDDt和制冷系数MCDDt。采暖系数表示平均气温低于低温阀值温度的大小，采暖系数越大，说明气温越低，需要的采暖强度越大；制冷系数表示平均气温高于高温阀值温度的大小，制冷系数越大，说明气温越高，需要的制冷强度越大。第t月中每一天的取暖系数和制冷系数计算公式如下：HDDi=max(Tref-Ti,0)CDDi=max(Ti-Tref,0)---(1-2)]]>式(3)中：HDDi、CDDi分别表示第i天的取暖系数和制冷系数；Ti为第i天的日平均温度，其值为第i天最高温度与最低温度的平均值；Tref为阀值温度，它是区分高温和低温的临界温度，其值可由日售电量与日平均温度关系曲线的最小值点进行确定。根据上式，进而得到第t月的取暖系数和制冷系数：MHDDt=Σi=1mHDDiMCDDt=Σi=1mCDDi---(1-3)]]>式中：MHDDt、MCDDt分别表示第t月的取暖系数和制冷系数；m表示第t月的天数。如上所述，月售电量预测常规线性回归模型考虑温度对月售电量的影响时，其基本思路为选择某一阀值温度作为区分高温和低温的临界温度，当实际温度低于或高于该阀值温度时产生采暖或制冷措施从而影响电量负荷，但在实际生活中，在一定的舒适温度区间内往往不存在采暖和制冷措施。本专利技术提出考虑温度对月售电量影响的改进方法：分别选择低温阀值温度与高温阀值温度，当实际温度低于低温阀值温度或高于高温阀值温度才时会产生采暖措施或制冷措施。由此，对月售电量预测常规线性回归模型中温度与月售电量之间的关系式，即式(1-2)～(1-3)进行改进。第t月中每一天的改进取暖系数和制冷系数计算公式如下：XHDDi=max(Tref,l-Ti,0)XCDDi=max(Ti-Tref,h,0)---(1)]]>式(1)中：XHDDi、XCDDi分别表示第i天的改进取暖系数和改进制冷系数；Ti为第i天的日平均温度；Tref,l和Tref,h分别为低温阀值温度和高温阀值温度，其值可根据地区日售电量与日平均温度的关系曲线进行确定，确定依据为当温度低于低温阀值温度或高于高温阀值温度时，日电量有明显的线性上升趋势(即出现了采暖措施或制冷措施使得电量上升)，而温度在低温阀值温度和高温阀值温度之间时，电量基本保持不变(即温度舒适，无采暖措施或制冷措施)。根据式(1)，得到第t月的改进取暖系数和改进制冷系数：XMHDDt=Σi=1mXHDDiXMCDDt=Σi=1mXCDDi---(2)]]>式(2)中：XMHDDt、XMCDDt分别表示第t月的改进取暖系数和改进制冷系数；m表示第t月的天数。根据式(1)和式(2)求得各月份的改进取暖系数和改进制冷系数。2)其次，整理出各月份对应的时间变量和代表月份的虚拟变量。3)计算各月份的随机变动级别。随机变动是指由于随机因素或突发事件发生而引起的变动。在进行月售电量预测时，若某月发生较大随机变动，该月的月售电量往往会表现异常，从而导致该月的月售电量预测误差较大。同时，若继续将该月的月售电量异常值用于建模，也将进一步影响后期的预测效果。在这种情况下，一种常用的方法是利用异常数据辨识法寻找异常电量数据并加以剔除，然而该方法存在以下问题：建模样本较少时，直接剔除异常电量数据会使样本进一步减少，不利于建模与预测；所谓的异常数据，如本文档来自技高网...

【技术保护点】
考虑舒适温度和随机变动影响的月售电量预测方法，其特征在于：所述方法的具体步骤包括以下内容；I)历史数据收集，主要包含所需预测月份之前连续几年的月售电量、日售电量以及日最高与最低温度；II)历史数据整理及参数确定；1)确定考虑舒适温度区间的月取暖系数和制冷系数由日售电量与日平均温度之间的关系确定低温阀值温度和高温阀值温度；考虑温度对月售电量影响的改进方法，分别选择低温阀值温度与高温阀值温度，当实际温度低于低温阀值温度或高于高温阀值温度才时会产生采暖措施或制冷措施；第t月中每一天的改进取暖系数和制冷系数计算公式如下：XHDDi=max(Tref,l-Ti,0)XCDDi=max(Ti-Tref,h,0)---(1)]]>式中，XHDDi、XCDDi分别表示第i天的改进取暖系数和改进制冷系数；Ti为第i天的日平均温度；Tref,l和Tref,h分别为低温阀值温度和高温阀值温度；根据式(1)得到第t月的改进取暖系数和改进制冷系数；XMHDDt=Σi=1mXHDDiXMCDDt=Σi=1mXCDDi---(2)]]>式中，XMHDDt、XMCDDt分别表示第t月的改进取暖系数和改进制冷系数；t为时间变量，单位为月；m表示第t月的天数；根据式(1)和式(2)求得各月份的改进取暖系数和改进制冷系数；2)整理出各月份对应的时间变量和代表月份的虚拟变量；3)确定随机变动级别利用公式(3)计算“随机变动级别”Jt；式中，第t月的随机变动级别为Jt，Dt为第t月的月售电量；Dt‑12为第t月去年同期的月售电量；Zt为Dt相对于Dt‑12所增长的百分点；fix（Zt）为Zt向零方向取整后的数值；mod（fix(Zt),5)为fix(Zt)除以5的余数；mod(‑fix(Zt),5)为fix(Zt)的相反数除以5的余数；上述各月份求得的量为输入量，各月份的月售电量为输出量；III)模型确定；通过步骤II)得到考虑舒适温度和随机变量影响的月售电量预测线性回归模型；log(Dt)=c+αt+kXMHDDt+lXMCDDt+rJt+Σj=212fjMjt+ut---(4)]]>式中，XMHDDt、XMCDDt分别表示第t月的改进取暖系数和改进制冷系数；Dt为第t月的月售电量，log(Dt)为Dt的对数，其中j＝2,3,…12；c、α、k、l、r和fj为模型的回归系数；ut为模型的误差项；Jt为计算得到第t月的随机变动级别；①时间t描述月售电量的长期趋势，某月的t值计算式为；t＝n＋1    (5)式中，t为时间变量；n为当月距离建模起点月份之间的月份个数；②关于11个月份虚拟变量Mjt1月为基础月，M的下标j＝2,3,…,12分别表示2月、3月、…、12月；每个虚拟变量只能赋值0或1，且11个变量中只有一个变量为1，其余变量均为0；当第j月为2月，则M2t＝1，其他Mjt＝0；当第j月为3月，则M3t＝1，其他Mjt＝0，以此类推；当第j月为1月，则所有Mjt＝0；将历史各月份的输入与输出量按模型(4)进行建模，由最小二乘法估计出回归系数c、α、k、l、r和fj，得到完整预测模型；IV)确定预测月售电量时的输入量；输入变量的确定，时间变量t和11个月份虚拟变量都可以提前获悉其准确值，而所需预测月份的改进月取暖系数、改进月制冷系数以及随机变动级别都需提前预测，其中，改进月取暖系数和改进月制冷系数需要由所需预测月份的预测温度求得；随机变动级别其所预测月份无特大随机变动情况下赋值为0；所述特大随机变动情况包括大幅减容、经济大幅度下降或电量骤升事件；V)月售电量预测；将步骤IV)的输入量代入步骤III)的预测模型，得到月售电量预测值。...

【技术特征摘要】
1.考虑舒适温度和随机变动影响的月售电量预测方法，其特征在于：所述方法的具体步骤包括以下内容；I)历史数据收集，主要包含所需预测月份之前连续几年的月售电量、日售电量以及日最高与最低温度；II)历史数据整理及参数确定；1)确定考虑舒适温度区间的月取暖系数和制冷系数由日售电量与日平均温度之间的关系确定低温阀值温度和高温阀值温度；考虑温度对月售电量影响的改进方法，分别选择低温阀值温度与高温阀值温度，当实际温度低于低温阀值温度或高于高温阀值温度才时会产生采暖措施或制冷措施；第t月中每一天的改进取暖系数和制冷系数计算公式如下：XHDDi=max(Tref,l-Ti,0)XCDDi=max(Ti-Tref,h,0)---(1)]]>式中，XHDDi、XCDDi分别表示第i天的改进取暖系数和改进制冷系数；Ti为第i天的日平均温度；Tref,l和Tref,h分别为低温阀值温度和高温阀值温度；根据式(1)得到第t月的改进取暖系数和改进制冷系数；XMHDDt=Σi=1mXHDDiXMCDDt=Σi=1mXCDDi---(2)]]>式中，XMHDDt、XMCDDt分别表示第t月的改进取暖系数和改进制冷系数；t为时间变量，单位为月；m表示第t月的天数；根据式(1)和式(2)求得各月份的改进取暖系数和改进制冷系数；2)整理出各月份对应的时间变量和代表月份的虚拟变量；3)确定随机变动级别利用公式(3)计算“随机变动级别”Jt；式中，第t月的随机变动级别为Jt，Dt为第t月的月售电量；Dt-12为第t月去年同期的月售电量；Zt为Dt相对于Dt-12所增长的百分点；fix（Zt）为Zt向零方向取整后的数值；mod（fix(Zt),5)为fix(Zt)除以5的余数；mod(-fix(Zt),5)为fix(Zt)的相反数除以5的余数；...

【专利技术属性】
技术研发人员：陈涛，程超，张林，周宁，张同尊，万朝辉，
申请(专利权)人：国家电网公司，国网重庆市电力公司，重庆大学，
类型：发明
国别省市：北京;11