预测电力企业综合能耗的方法及其设备技术

本申请提供了一种预测电力企业综合能耗的方法，包括：采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练，预测得到电力企业在未来m个月度中每个月度的综合能耗趋势值；采用时间序列算法，确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值，以及，确定企业所在省份在未来m个月度中每个月度的工业增加值预测值；采用支持向量回归模型确定电力企业在m个月度中每个月度的综合能耗值。

【技术实现步骤摘要】
预测电力企业综合能耗的方法及其设备
本申请涉及能耗测量领域，并且更具体地，涉及一种预测电力企业综合能耗的方法及其设备。
技术介绍
电力行业是基础的能源行业，同时也是主要的能源资源消耗和污染物排放行业之一。随着工业化及城镇化的不断推进，我国的电力需求及电力行业规模也不断扩大，电力行业的能源消耗及环境污染等问题也日益突出。我国电力行业对原煤、燃油、天然气等能源的消费巨大，原煤消耗量约占全国煤炭消费总量的50％，二氧化硫排放量占全国排放总量的55％，是我国节能减排工作的重点领域。在当前我国节能减排的大环境下，进行电力企业综合能耗阶段性预测，对优化电力行业结构，提高电力行业节能及资源配置效率，及能耗监督管理等方面具有重要意义。行业内已有的电力企业能耗预测方法有三类：第一类是采用灰色预测模型进行电力企业能耗预测。该方法是将电力企业已知的历史能耗数据作为原始序列，再通过灰生成算法生成灰色序列，弱化原始序列的随机性以显示能耗数据的特征规律，再通过相应的微分方程模型预测未来一个阶段时期的能耗。灰色预测模型具有样本需求量少、计算工作量小、样本无需规律性分布等特点。但该方法也具有对历史数据依赖性较强，容错性小，不适合进行长期预测的缺陷。第二类是采用时间序列预测模型的电力企业能耗预测。该方法基于对电力企业能耗数据在过去一段连续时期内的观测，以获得其在变化趋势上的基本模式，再对未来的能耗值进行预测。时间序列预测模型能够快速计算电力行业近期能耗的连续变化特征，但该方法对原始能耗数据的平稳性要求较高，且对时间跨度较大的预测存在较大的不确定性。第三类是基于最小二乘回归分析模型进行电力企业的能耗预测。该方法首先假设某类变量因素与电力企业能耗量存在相关性，再通过最小二乘法求解变量参数获得多项式，然后进行拟合并分析拟合效果，获得合适的拟合模型后再进行能耗预测。该方法对相关自变量的依赖性较大，需要寻找高度相关的变量且预测精度不高，因此难以建立较为理想的预测模型。因此，亟需一种更准确合理的预测企业电力综合能耗的方法。
技术实现思路
本申请提供一种预测电力企业综合能耗的方法，能够更合理准确的对电力企业综合能耗进行预测。第一方面，提供一种预测企业电力综合能耗的方法，包括：采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗进行训练，预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值，其中，m，s为正整数；采用时间序列算法，根据所述电力企业所在省份s个历史月度中每个月度的电力需求，确定所述企业所在省份在未来m个月度中每个月度的电力需求预测值，以及，根据所述s个历史月度中每个月度的工业增加值，确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值；采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练，根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值，确定电力企业在m个月度中每个月度的综合能耗值。结合第一方面，在第一方面的第一种可能的实现方式中，所述采用参数估计法对企业的s个历史月度中每个月度的综合能耗值进行训练，预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值，再将所述企业的s个历史月度中每个月度的综能耗值的80％数据作为训练集，剩余20％作为验证集；确定所述训练集变化稳定；确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数；根据所述验证集，验证所述趋势函数方程满足目标误差阈值；根据所述趋势函数方程，确定所述企业在未来m个月度中每个于都的电力企业综合能耗趋势值。结合第一方面及其上述实现方式，在第一方面的第二种可能的实现方式中，所述采用时间序列算法，根据所述s个历史月度中每个月度的电力需求，确定所述电力企业所在省份在未来m个月度中每个月度的电力需求预测值，以及，根据所述s个历史月度中每个月度的工业增加值，确定所述企业所在省份在未来m个月度中每个月度的工业增加值预测值，包括：根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值，其中，所述第t+k个月为所述m个月中的一个月，Yt+k＝at+kbt+ct+k,(k＝1,2,...,t)，式中at为水平项，bt为斜率项，ct为周期项，假设k为使t+k-s*k≤t成立的最小整数，令，ct+k＝ct+k-sK,(k＝1,2,...,t)，其中，at＝α(Yt-ct-s)+(1-α)(at-1+bt-1),(0＜α＜1)，bt＝β(at-at-1)+(1-β)bt-1,(0＜β＜1)，ct＝γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。利用初始条件：as+1＝Ys+1bs+1＝(Ys+1-Y1)/sci＝Yi-(Yi+bs+1(i-1)),(i＝1,2,...,s+1)解得ai,bi,ci,i＝1,2,...,s+1，其中，平滑参数α，β，γ在平均绝对百分比误差最小的条件下选择。结合第一方面及其上述实现方式，在第一方面的第三种可能的实现方式中，所述采用支持向量回归模型，根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值，确定电力企业在m个月度中每个月度的综合能耗值，包括：对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行支持向量回归模型训练，将所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值，作为向量输入定义为Rn代表n维输入空间，企业月度综合能耗值为目标函数输出数据R，将每个数据样本点利用非线性函数Φ映射到高维特征空间F，在高维特征空间中进行线性回归，确定所述电力企业在所述m个月度中每个月度的综合能耗。结合第一方面及其上述实现方式，在第一方面的第二种可能的实现方式中，所述采用支持向量回归模型，根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值，确定电力企业在m个月度中每个月度的综合能耗值，包括：确定表征月度的电力企业综合能耗值的估计函数f为：f(x)＝(ω,Φ(x))+b,Φ.Rn→F,ω∈F，其中，b为阈值常数，n为3；引入结构风险函数：其中，ε(·)为损失函数，λ为调整常数，Remp为经验风险，C为惩罚系数；引入的损失函数为线性ε不敏感损失函数：其中，m为样本数量，λ为0.5，C为1，不敏感系数ε为0.1，xi代表样本中的一个样本点；确定最小化结构风险函数为：其中ξi,ξi*为松弛变量；引入拉格朗日乘子，利用对偶原理转化为对偶问题：其中，Qi,j＝ΦT(xi)Φ(xj)，I＝[1,...,l]T，α,α*为拉格朗日乘子；确定最小化结构风险函数得到数据点表示的ω：利用K本文档来自技高网...

【技术保护点】
1.一种预测电力企业综合能耗的方法，其特征在于，包括：采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练，预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值，其中，m，s为正整数；采用时间序列算法，根据所述电力企业所在省份s个历史月度中每个月度的电力需求，确定所述电力企业所在省在未来m个月度中每个月度的电力需求预测值，以及，根据所述s个历史月度中每个月度的工业增加值，确定所述电力企业所在省份在未来m个月度中每个月度的工业增加值预测值；采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练，根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值，确定所述电力企业在m个月度中每个月度的综合能耗值。

【技术特征摘要】
2017.12.22 CN 20171140694001.一种预测电力企业综合能耗的方法，其特征在于，包括：采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练，预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值，其中，m，s为正整数；采用时间序列算法，根据所述电力企业所在省份s个历史月度中每个月度的电力需求，确定所述电力企业所在省在未来m个月度中每个月度的电力需求预测值，以及，根据所述s个历史月度中每个月度的工业增加值，确定所述电力企业所在省份在未来m个月度中每个月度的工业增加值预测值；采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练，根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值，确定所述电力企业在m个月度中每个月度的综合能耗值。2.根据权利要求1所述的方法，其特征在于，所述采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练，预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值，包括：将所述企业所在省的s个历史月度中每个月度的电力需求以及所述s个历史月度中每个月度的工业增加值中的80％数据作为训练集，剩余20％作为验证集；确定所述训练集变化稳定；确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数；根据所述验证集，验证所述趋势函数方程满足目标误差阈值；根据所述趋势函数方程，确定所述企业在未来m个月度中每个于都的电力综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值。3.根据权利要求1或2所述的方法，其特征在于，所述采用时间序列算法，根据所述企业所在省s个历史月度中每个月度的电力需求，确定所述企业所在省在未来m个月度中每个月度的电力需求预测值，以及，根据所述s个历史月度中每个月度的工业增加值，确定所述企业所在省在未来m个月度中每个月度的工业增加值预测值，包括：根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值，其中，所述第t+k个月为所述m个月中的一个月，Yt+k＝at+kbt+ct+k,(k＝1,2,...,t)式中at为水平项，bt为斜率项，ct为周期项，假设k为使t+k-s*k≤t成立的最小整数，令，ct+k＝ct+k-sK,(k＝1,2,...,t)其中，at＝α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1)，bt＝β(at-at-1)+(1-β)bt-1,(0<β<1)，ct＝γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。利用初始条件：as+1＝Ys+1bs+1＝(Ys+1-Y1)/sci＝Yi-(Yi+bs+1(i-1)),(i＝1,2,...,s+1)解得ai,bi,ci,i＝1,2,...,s+1，其中，平滑参数α，β，γ在平均绝对百分比误差最小的条件下选择。4.根据权利要求1至3中任一项所述的方法，其特征在于，所述采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练，根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值，确定所述电力企业在所述m个月度中每个月度的综合能耗值，包括：将所述电力企业s个月度中每个月度的综合能耗趋势值、所述s个月度中每个月度的电力需求预测值、以及所述s个月度中每个月度工业增加值预测值，作为向量输入定义为Rn代表n维输入空间，企业月度综合能耗值为目标函数输出数据R，将每个数据样本点利用非线性函数Φ映射到高维特征空间F，在高维特征空间中进行线性回归获得支持向量回归模型，再根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值，确定所述企业在所述m个月度中每个月度的电力综合能耗。5.根据权利要求4所述的方法，其特征在于，所述采用支持向量回归模型，根据所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的省份电力需求预测值、以及所述m个月度中每个月度省份工业增加值预测值，确定所述电力企业在所述m个月度中每个月度的综合能耗值，包括：确定表征月度的综合能耗值的估计函数f为：f(x)＝(ω,Φ(x))+b,Φ.Rn→F,ω∈F，其中，b为阈值常数，n为3；引入结构风险函数：其中，ε(·)为损失函数，λ为调整常数，Remp为经验风险，C为惩罚系数；引入的损失函数为线性ε不敏感损失函数：其中，m为样本数量，λ为0.5，C为1，不敏感...

【专利技术属性】
技术研发人员：李佳鹤，李鸿亮，楼云霄，何莹莹，朱添夏，
申请(专利权)人：浙江中易和节能技术有限公司，
类型：发明
国别省市：浙江,33