一种用电量的预测方法及装置制造方法及图纸

本发明专利技术提供了一种用电量的预测方法及装置，涉及电力负荷预测技术领域。该方法包括：获取待预测地区的各期的历史用电量数据以及相应的钢铁材料历史价格数据；进行平滑处理；根据一时差相关分析模型确定钢铁材料价格对用电量的最佳影响超前期；根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型；根据所述支持向量回归机模型和所述最佳影响超前期下的钢铁材料价格，确定待预测地区的用电量。本发明专利技术解决了钢铁行业用电量的预测误差相对较大，预测结果不准确的问题。

【技术实现步骤摘要】

本专利技术涉及电力负荷预测
，特别涉及一种用电量的预测方法及装置。
技术介绍
当前，用电量预测是指在充分考虑社会、自然、技术和经济条件下运用一套处理过去与未来用电量的方法，在满足一定精度要求的条件下确定未来特定时刻的用电量数值。准确及时的用电量预测对于制定经济优化的发电计划、制定经济合理的电力调配计划等方面具有十分重要的意义。钢铁行业是重要的高耗能行业，其用电量在全社会用电量中占据较大比重，用电量波动对电网影响效果强，因此对钢铁行业用电量的预测研究至关重要。目前针对钢铁行业用电量的研究主要是利用钢铁产量的变化趋势来预测钢铁行业用电量。预测方法分为传统预测方法如趋势外推、线性回归及智能预测方法如神经网络等。传统预测方法通过不同的数学公式来拟合和研究用电量的历史变化规律，根据用电量的发展趋势来达到预测用电量的目的。智能预测方法则是借助机器学习算法通过对历史数据的仿真进行预测。这些预测方法存在的各自的弊端，如传统预测方法无法拟合复杂的非线性关系，神经网络收敛速度慢且容易陷入局部最优，不能得到全局最优解，支持向量回归机对核函数和惩罚因子参数的依赖性高，参数选择的不准确对预测结果影响很大。目前钢铁行业用电量的预测一般需要首先预测未来各影响因素指标的数值，进而再利用模型进行预测，即在对未来用电量的预测中所使用的影响因素指标与用电量是同期的，例如当前可以使用工业增加值预测12月的用电量，则首先需要先预估12个月份的工业增加值，再将该值带入到模型中，这样，由于工业增加值即为预估量，通过该预估量再来预测钢铁行业用电量，则会导致误差相对较大，可见当前钢铁行业用电量的预测较为不准确。
技术实现思路
本专利技术的实施例提供一种用电量的预测方法及装置，以解决目前钢铁行业用电量的预测一般需要首先预测未来各影响因素指标的数值，进而再利用模型进行预测，会导致误差相对较大，钢铁行业用电量的预测较为不准确的问题。为达到上述目的，本专利技术采用如下技术方案：一种用电量的预测方法，包括：获取待预测地区的各期的历史用电量数据以及相应的钢铁材料历史价格数据；根据一移动平均模型，对所述历史用电量数据以及钢铁材料历史价格数据分别进行平滑处理；根据一时差相关分析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用电量的最佳影响超前期；根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型；根据所述支持向量回归机模型和所述最佳影响超前期下的钢铁材料价格，确定待预测地区的用电量。具体的，所述钢铁材料历史价格数据，包括：粗钢历史价格数据、钢材历史价格数据、生铁历史价格数据及铁矿石历史价格数据。具体的，所述根据一移动平均模型，对所述历史用电量数据以及钢铁材料历史价格数据分别进行平滑处理，包括：根据公式：At′=At-n+At-n+1+...+At+...+At+n2n+1]]>确定所述历史用电量数据以及钢铁材料历史价格数据一期平滑处理后的当期数据值At′；2n+1为移动平均期数，n为预设常数；At为所述历史用电量数据以及钢铁材料历史价格数据平滑处理前的当期数据值。具体的，根据一时差相关分析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用电量的最佳影响超前期，包括：根据公式：rl=Σt=1n(xt-l-x‾)(yt-y‾)Σt=1n(xt-l-x‾)2Σt=1n(yt-y‾)2,l=1,2,3,4]]>分别选择不同超前期数l，确定不同超前期数下的同一种钢铁材料价格数据对用电量的相关性系数rl；确定不同超前期数下的同一种钢铁材料价格数据对用电量的相关性系数rl的最大值，并将rl的最大值所对应的超前期数l作为该种钢铁材料价格对用电量的最佳影响超前期；其中，xt-l为第t-l期同一种钢铁材料价格样本；为同一种钢铁材料各期价格样本的平均值；yt为第t期用电量样本；为各期用电量样本的平均值。此外，在根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型之前，包括：根据公式：xi=xi′-xminxmax-xmin]]>对平滑处理后的第一样本数据分别进行归一化处理，得到归一化处理后的数据xi；该第一样本数据包括：最佳影响超前期下的粗钢历史价格数据、钢材历史价格数据、生铁历史价格数据、铁矿石历史价格数据以及平滑处理后的历史用电量数据；其中，xi′为归一化处理之前的一种第一样本数据的当前值；xmin为所述一种第一样本数据的最小值；xmax为所述一种第一样本数据的最大值。具体的，所述根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型，包括：根据一核函数、平滑处理后且归一化处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型；所述支持向量回归机模型为所述核函数为K(xi,x)＝exp(-||xi-x||2/σ2)；αi为拉格朗日乘子，b为偏置，En为n阶单位矩阵，1n＝[1,…,1]T,y＝[y1,…,yn]T,αi＝[α1,…,αn]T，Ω＝K(xi,x)i＝1,…,N；γ及σ为常数；x为一个平滑处理后且归一化处理后的钢铁材料历史价格数据样本；xi为除x样本之外的其他平滑处理后且归一化处理后的钢铁材料历史价格数据样本；N为平滑处理后且归一化处理后的钢铁材料历史价格数据样本的数目。进一步的，该用电量的预测方法，还包括：预先设置常数γ及σ的初始值；根据所述常数γ及σ的初始值，通过一烟花算法优化所述常数γ及σ。一种用电量的预测装置，包括：数据获取单元，用于获取待预测地区的各期的历史用电量数据以及相应的钢铁材料历史价格数据；平滑处理单元，用于根据一移动平均模型，对所述历史用电量数据以及钢铁材料历史价格数据分别进行平滑处理；最佳影响超前期确定单元，用于根据一时差相关分析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用电量的最佳影响超前期；支持向量回归机模型建立单元，用于根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型；用电量预测单元，用于根据所述支持向量回归机模型和所述最佳影响超前期下的钢铁材料价格，确定待预测地区的用电量。具体的，所述数本文档来自技高网...

【技术保护点】
一种用电量的预测方法，其特征在于，包括：获取待预测地区的各期的历史用电量数据以及相应的钢铁材料历史价格数据；根据一移动平均模型，对所述历史用电量数据以及钢铁材料历史价格数据分别进行平滑处理；根据一时差相关分析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用电量的最佳影响超前期；根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型；根据所述支持向量回归机模型和所述最佳影响超前期下的钢铁材料价格，确定待预测地区的用电量。

【技术特征摘要】
1.一种用电量的预测方法，其特征在于，包括：
获取待预测地区的各期的历史用电量数据以及相应的钢铁材料历史价格数据；
根据一移动平均模型，对所述历史用电量数据以及钢铁材料历史价格数据分别进行平
滑处理；
根据一时差相关分析模型对平滑处理后的钢铁材料历史价格数据和历史用电量数据
进行处理，确定钢铁材料价格对用电量的最佳影响超前期；
根据一核函数、平滑处理后的钢铁材料历史价格数据和历史用电量数据构建一支持向
量回归机模型；
根据所述支持向量回归机模型和所述最佳影响超前期下的钢铁材料价格，确定待预测
地区的用电量。
2.根据权利要求1所述的用电量的预测方法，其特征在于，所述钢铁材料历史价格数
据，包括：粗钢历史价格数据、钢材历史价格数据、生铁历史价格数据及铁矿石历史价格数
据。
3.根据权利要求2所述的用电量的预测方法，其特征在于，所述根据一移动平均模型，
对所述历史用电量数据以及钢铁材料历史价格数据分别进行平滑处理，包括：
根据公式：
At′=At-n+At-n+1+...+At+...+At+n2n+1]]>确定所述历史用电量数据以及钢铁材料历史价格数据一期平滑处理后的当期数据值
At′；2n+1为移动平均期数，n为预设常数；At为所述历史用电量数据以及钢铁材料历史价格
数据平滑处理前的当期数据值。
4.根据权利要求3所述的用电量的预测方法，其特征在于，根据一时差相关分析模型对
平滑处理后的钢铁材料历史价格数据和历史用电量数据进行处理，确定钢铁材料价格对用
电量的最佳影响超前期，包括：
根据公式：
rl=Σt=1n(xt-l-x‾)(yt-y‾)Σt=1n(xt-l-x‾)2Σt=1n(yt-y‾)2,l=1,2,3,4]]>分别选择不同超前期数l，确定不同超前期数下的同一种钢铁材料价格数据对用电量
的相关性系数rl；
确定不同超前期数下的同一种钢铁材料价格数据对用电量的相关性系数rl的最大值，
并将rl的最大值所对应的超前期数l作为该种钢铁材料价格对用电量的最佳影响超前期；
其中，xt-l为第t-l期同一种钢铁材料价格样本；为同一种钢铁材料各期价格样本的
平均值；yt为第t期用电量样本；为各期用电量样本的平均值。
5.根据权利要求4所述的用电量的预测方法，其特征在于，在根据一核函数、平滑处理
后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型之前，包括：
根据公式：
xi=xi′-xminxmax-xmin]]>对平滑处理后的第一样本数据分别进行归一化处理，得到归一化处理后的数据xi；该第
一样本数据包括：最佳影响超前期下的粗钢历史价格数据、钢材历史价格数据、生铁历史价
格数据、铁矿石历史价格数据以及平滑处理后的历史用电量数据；
其中，xi′为归一化处理之前的一种第一样本数据的当前值；xmin为所述一种第一样本数
据的最小值；xmax为所述一种第一样本数据的最大值。
6.根据权利要求5所述的用电量的预测方法，其特征在于，所述根据一核函数、平滑处
理后的钢铁材料历史价格数据和历史用电量数据构建一支持向量回归机模型，包括：
根据一核函数、平滑处理后且归一化处理后的钢铁材料历史价格数据和历史用电量数
据构建一支持向量回归机模型；
所述支持向量回归机模型为所述核函数为K(xi,x)＝exp(-||
xi-x||2/σ2)；αi为拉格朗日乘子，b为偏置，En为n阶单位矩阵，1n＝[1,…,1]T,y＝[y1,…,yn]T,αi＝[α1,…,αn]T，Ω＝K(xi,x)i＝1,…,
N；γ及σ为常数；x为一个平滑处理后且归一化处理后的钢铁材料历史价格数据样本；xi为
除x样本之外的其他平滑处理后且归一化处理后的钢铁材料历史价格数据样本；N为平滑处
理后且归一化处理后的钢铁材料历史价格数据样本的数目。
7.根据权利要求6所述的用电量的预测方法，其特征在于，还包括：
预先设置常数γ及σ的初始值；
根据所述常数γ及σ的初始值...

【专利技术属性】
技术研发人员：单体华，秦砺寒，王智敏，史智萍，李顺昕，朱全友，聂文海，黄毅臣，张海霞，张晋梅，赵炜炜，杨金刚，赵国梁，陈丹，杨敏，岳云力，李博，李笑蓉，吕昕，范荻，宋堃，朱正甲，李莉，岳昊，王旭冉，牛东晓，韩江磊，夏慧聪，
申请(专利权)人：国家电网公司，国网冀北电力有限公司经济技术研究院，
类型：发明
国别省市：北京;11