一种基于前导分析和因素补偿的售电量预测方法及装置制造方法及图纸

本发明专利技术公开了一种基于前导分析和因素补偿的售电量预测方法及装置，首先对原始售电量数据进行预处理，提升了建模数据质量；然后利用X13季节调整算法得到了售电量数据的趋势项、季节项和随机项三个子序列，在利用相关性分析深入研究各子序列影响因素的基础上，通过对子序列预测结果进行重构得到预测时间售电量的预测值；其中趋势项预测考虑了影响趋势项的相关指标并且采用多种机器学习算法分别进行预测，随机项预测考虑了春节因素及随机项因素，在外部因素变化异常的情况下也能实现精准的售电量预测；最后采用基于AHP的综合评价方法在四种加和结果中得到最具预测性能的预测结果。因此，采用本实施例的方法提升了售电量预测精度。

【技术实现步骤摘要】
一种基于前导分析和因素补偿的售电量预测方法及装置
本专利技术涉及电力领域，尤其涉及一种基于前导分析和因素补偿的售电量预测方法及装置。
技术介绍
售电量预测是国家电网公司一项重要的基础性工作，月度售电量预测对于国家电网公司合理的确定销售电量总定额、分解售电量销售指标、制定有序用电方案、指导发电厂和输配电网的合理运行、推动电力市场发展和建设都具有十分重要的意义。一般传统的售电量预测方法主要分为直接预测方法和分解预测方法，直接预测方法是指利用一种预测方法直接对售电量进行预测，主要包括灰度系统预测法、时间序列预测法、回归分析预测法。分解预测方法是指对售电量历史数据进行分解，分解成不同子序列，然后对各子序列分别预测并重构。这些方法在一定程度上能够对售电量进行预测，但是这些方法都没有考虑前导因素，无法识别售电量趋势变化的“拐点”；并且未考虑春节对售电量趋势变化的影响，因此得到的预测精度不理想。
技术实现思路
有鉴于此，本专利技术实施例公开了一种基于前导分析和因素补偿的售电量预测方法及装置，解决了现有技术中没有考虑前导因素春节因素从而使得预测精度不够的问题。本专利技术实施例提供的一种基于前导分析和因素补偿的售电量预测方法，所述方法可以包括：对历史售电量数据进行预处理，得到预处理后的历史售电量数据，并依据X13季节调整方法将所述预处理后的历史售电量数据分解为趋势项、季节项和随机项三个序列；获取影响所述趋势项的相关指标，并依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值；所述趋势项预测值为多个；所述影响所述趋势项的相关指标包括：前导性指标和即时性指标；或者包括前导性指标；基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值；依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值；将所述多个趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；依据层次分析法AHP对所述第一售电量进行择优处理，得到待预测时间的第二售电量预测值。可选的，所述前导性指标包括以下指标中的一个或者多个；前导性指标：业扩净增容量、制造业PMI、非制造业PMI；所述即时性指标包括以下即时性指标中的一个或者多个：即时性指标：人均可支配收入、第二产业GDP增速、第三产业GDP增速和工业增加值增速。可选的，依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值，包括：若获取到了多个影响所述趋势项的相关指标，采用主成分分析法PCA计算所述多个影响所述趋势项的相关指标的去相关结果；依据所述趋势项、所述去相关结果和预设的多个第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项的预测值。可选的，所述基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值，包括：基于季节项和L1/2稀疏迭代算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值。可选的，所述依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值，包括：采用移动假日剥离算法剥离所述随机项中的春节因素，得到剥离春节因素的随机项；采用箱线图法从所述剥离春节因素的随机项中获取异常月份；依据逻辑回归算法和所述异常月份的异常数据建立异常判断模型；其中，所述异常数据包括：异常月份的温度、节假日和异常售电量情况；基于所述异常判断模型和预设的随机因素判断所述待预测时间是否异常；若所述待预测时间异常，依据所述异常判断模型和L1/2稀疏迭代算法以及所述剥离春节因素的随机项建立第一随机项预测模型，并依据所述第一随机预测模型计算待预测时间售电量的随机项第一预测值；若所述待预测时间不异常，基于混合专家算法和所述剥离春节因素的随机项建立第二随机项预测模型，并依据所述第二随机预测模型计算待预测时间售电量随机项第二预测值。可选的，所述预设的随机因素包括：温度因素和节假日因素。可选的，还包括：若所述待预测时间在1-3月份之间，获取历史售电量数据中每年春节距每年1-3月份首日天数以及1-3月份中每个月份的占季比；其中，所述每个月份的占季比为各月售电量占季度总电量的比例；将每年春节距每年1-3月份首日天数和每个月份的占季比进行拟合，得到拟合函数；获取待预测年的春节距该年1-3月首日的天数，并依据所述待预测年的春节距该年1-3月首日的天数和所述拟合函数计算所述待预测时间的占季比；所述待预测年为所述待预测时间所属年份；获取所述待预测年第一季度的所述第二售电量预测值；基于所示第二售电量预测值和所述待预测时间的占季比，计算调整后的待预测时间的售电量预测值。可选的，所述对历史售电量数据进行预处理，得到预处理后的历史售电量数据，包括：采用分箱法从所述历史售电量数据中识别出预设的异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；采用分箱法从所述除去异常值的历史售电量数据中筛选出建模数据。本专利技术实施例还公开了一种基于前导分析和因素补偿的售电量预测装置，所述装置包括：预处理单元，用于对历史售电量数据进行预处理，得到预处理后的历史售电量数据，并依据X13季节调整方法将所述预处理后的历史售电量数据分解为趋势项、季节项和随机项三个序列；趋势项预测单元，用于获取影响所述趋势项的相关指标，并依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值；所述趋势项预测值为多个；季节项预测单元，用于基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值；随机项预测单元，用于依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值；加和重构单元，用于将所述多个趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到待预测时间的第一售电量预测值；择优处理单元，用于依据层次分析法AHP对所述第一售电量进行择优处理，得到待预测时间的第二售电量预测值。可选的，所述随机项预测单元，包括：剥离子单元，用于采用移动假日剥离算法剥离所述随机项中的春节因素，得到剥离春节因素的随机项；获取子单元，用于采用箱线图法从所述剥离春节因素的随机项中获取异常月份；异常判断模型建立子单元，用于依据逻辑回归算法和所述异常月份的异常数据建立异常判断模型；其中，所述异常数据包括：异常月份的温度、节假日和异常售电量本文档来自技高网...

【技术保护点】
一种基于前导分析和因素补偿的售电量预测方法，其特征在于，所述方法包括：对历史售电量数据进行预处理，得到预处理后的历史售电量数据，并依据X13季节调整方法将所述预处理后的历史售电量数据分解为趋势项、季节项和随机项三个序列；获取影响所述趋势项的相关指标，并依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值；所述趋势项预测值为多个；所述影响所述趋势项的相关指标包括：前导性指标和即时性指标；或者包括前导性指标；基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值；依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值；将所述多个趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；依据层次分析法AHP对所述第一售电量进行择优处理，得到待预测时间的第二售电量预测值。

【技术特征摘要】
1.一种基于前导分析和因素补偿的售电量预测方法，其特征在于，所述方法包括：对历史售电量数据进行预处理，得到预处理后的历史售电量数据，并依据X13季节调整方法将所述预处理后的历史售电量数据分解为趋势项、季节项和随机项三个序列；获取影响所述趋势项的相关指标，并依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值；所述趋势项预测值为多个；所述影响所述趋势项的相关指标包括：前导性指标和即时性指标；或者包括前导性指标；基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值；依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值；将所述多个趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；依据层次分析法AHP对所述第一售电量进行择优处理，得到待预测时间的第二售电量预测值。2.根据权利要求1所述的方法，其特征在于，所述前导性指标包括以下指标中的一个或者多个；前导性指标：业扩净增容量、制造业PMI、非制造业PMI；所述即时性指标包括以下即时性指标中的一个或者多个：即时性指标：人均可支配收入、第二产业GDP增速、第三产业GDP增速和工业增加值增速。3.根据权利要求2所述的方法，其特征在于，所述依据所述趋势项、影响所述趋势项的相关指标以及预设的多种第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项预测值，包括：若获取到了多个影响所述趋势项的相关指标，采用主成分分析法PCA计算所述多个影响所述趋势项的相关指标的去相关结果；依据所述趋势项、所述去相关结果和预设的多个第一机器学习算法建立多个趋势项预测模型，并依据所述多个趋势项预测模型计算待预测时间售电量的趋势项的预测值。4.根据权利要求1所述的方法，其特征在于，所述基于所述季节项和预设的第二机器学习算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值，包括：基于季节项和L1/2稀疏迭代算法建立所述季节项预测模型，并依据所述季节项预测模型计算所述待预测时间售电量的季节项预测值。5.根据权利要求1所述的方法，其特征在于，所述依据所述随机项、春节因素和预设的随机项因素，采用预设的剥离和补偿规则以及预设的第三机器学习算法建立随机项的预测模型，并依据所述随机项的预测模型计算待预测时间售电量的随机项预测值，包括：采用移动假日剥离算法剥离所述随机项中的春节因素，得到剥离春节因素的随机项；采用箱线图法从所述剥离春节因素的随机项中获取异常月份；依据逻辑回归算法和所述异常月份的异常数据建立异常判断模型；其中，所述异常数据包括：异常月份的温度、节假日和异常售电量情况；基于所述异常判断模型和预设的随机因素判断所述待预测时间是否异常；若所述待预测时间异常，依据所述异常判断模型和L1/2稀疏迭代算法以及所述剥离春节因素的随机项建立第一随机项预测模型，并依据所述第一随机预测模型计算待预测时间售电量的随机项第一预测值；若所述待预测时间不异常，基于混合专家算法和所述剥离春节因素的随机项建立第二随机项预测模型，并依据所述第二随机预测模型计算待预测时间售电量随机项第二预测值。6.根据权利要求1所述的方法，其特征在于，所述预设的随机因素包括：温度因素和节假日因素。7.根据权利要求5所述的方法，其特征在于，若所述待预测时间不异常，依据所述第二随机预测模型计算待预测时间售电量的随机项的第二预测值后，还包括：对所述随机项的第二预测值进行卡尔曼滤波，得到随机项第三预测值。8.根据权利要求1所述的方法，其特征在于，还包括：若所述待预测时间在1-3月份之间，获取历史售电量数据中每年春节距每年1-3月份首日天数以及1-3月份中每个月份的占季比；其中，所述每个月份的...

【专利技术属性】
技术研发人员：陈雨泽，赵加奎，刘建，方学民，欧阳红，方红旺，朱平飞，袁葆，刘玉玺，王树龙，卢耀宗，
申请(专利权)人：北京中电普华信息技术有限公司，国网信息通信产业集团有限公司，国家电网公司，
类型：发明
国别省市：北京,11