一种区域用电量预测方法、装置及系统制造方法及图纸

本发明专利技术公开了一种区域用电量预测方法、装置及系统，其中，区域用电量预测方法包括：筛选出对目标区域用电量影响的关键经济指标；将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。本技术方案采用改进的蝙蝠算法对SVM进行参数优化，以实现收敛速度快、全局最优、预测精度高的目标。

【技术实现步骤摘要】
一种区域用电量预测方法、装置及系统
本申请涉及用电量预测
，特别涉及一种区域用电量预测方法、装置及系统。
技术介绍
电力行业的发展必须通过不断提高电网的运行效率来满足经济社会发展及人民生活用电的需求。正确的判断和预测未来的电力需求变化趋势对于电力企业准确、科学、合理的进行规划，提高电力系统运行的稳定性和经济性具有至关重要的意义。宏观经济同全社会用电量呈现出一定程度的波动相关性，以经济指标走势为参考依据，可以从社会发展角度判断电量的预期增长范围。从宏观环境来看，我国的电力需求变化与经济发展趋势具有密切关系，经济水平的提升可通过电力需求增长加以反映。因此，经济发展过程中的宏观总量、产业结构和地域特征等因素都会对电力需求产生影响。探究两者之间的关系，可以更好地把握电力需求未来的发展。因此，考虑并分析宏观经济信号，并对区域用电量预测方法进行研究具有重要理论价值和现实意义。针对用电量预测方法，传统电力需求预测方法着重于电力需求时间序列内在规律，或电力需求时间序列与经济因素时间序列之间数学上的关联，如回归分析法、时间序列法、灰色预测法等。回归分析法是利用数理统计原理，对大量的统计数据进行数学处理，并确定用电量或用电负荷与某些自变量例如人口、国民经济产值等之间的相关关系，建立一个相关性较好的数学模式即回归方程，并加以外推，用来预测今后的用电量。根据变量的个数，回归分析可以分为一元回归分析和多元回归分析。时间序列预测法是应用较早、最为广泛、发展比较成熟的一种方法。它把负荷数据看作是一个按季节、按周、按天以及按小时周期性变化的时间序列，根据负荷的历史资料，建立一个数学模型来描述电力负荷这个随机变量变化过程的统计规律性，在数学模型的基础上确立负荷预测的数学表达式，对未来的负荷进行预测。在时间序列法中常采用的技术有：卡尔曼滤波、状态估计、Box-Jenkins模型、自回归动平均模型等。其中，处理随机时间序列问题的最有效的方法是Box-Jenkins的时间序列法。灰色系统理论将一切随机变化量看作是在一定范围内变化的灰色量，常用累加生成和累减生成的方法，将杂乱无章的原始数据整理成规律性较强的生成数据序列，形成灰色模型的微分方程。应用灰色理论进行负荷预测，具有样本少、计算简单、精度高和实用性好的优点。在负荷预测问题中，对于回归分析法，必须预先人为给定回归线类型，若给定的不合适将直接影响预测精度。同时对不同的系统由于负荷特点不尽相同，也很难建立起具有通用性的负荷预测模型。回归分析有两个难点:一是回归变量的选取，应选取主要因素而忽略次要因素；二是变量因素的量化涉及到计量经济学的范畴，过于麻烦。虽然时间序列法比回归法更适用于短期负荷预测，但这种经典方法建模过程比较复杂，因此限制了这种模型在实际短期负荷预测中的有效使用。该方法对历史数据准确性要求高，坏数据对预测影响很大，因此对坏数据处理要求严格；在天气和温度变化不大的时候，该模型容易取得比较满意的结果；当天气变化较大或遇到节假日等情况，这种方法存在较大的预测误差，而且预测步数越长，预测精度越差。对于灰色预测法，其缺点是当数据离散程度较大时，由于数据灰度较大预测精度会较差，所以应用于电力系统中长期负荷预测中，仅仅是最近的几个数据精度较高，其它较远的数据只反映趋势值和规划值。从理论上讲，灰色预测模型可以适用于任何非线性变化的负荷指标预测，但由于灰色预测模型是呈指数(增长或者递减)变化的模型，其预测精度与被预测对象的变化规律密切相关，当原始数据波动情况如上下连续波动、指数波动、倍数波动时，预测的精度就较差。近年来，电力需求预测技术已经逐渐从传统预测方法过渡到人工智能预测技术。随着时代的发展，传统预测方法已经无法满足电力需求的预测精度，研究者们开始引入人工智能技术以改进传统的电力需求预测方法。神经网络算法和支持向量机是两种常用的人工智能预测技术。神经网络是模仿人脑神经网络进行学习和处理问题的非线性系统。它由若干个具有并行运算功能的神经元节点及连接它们的相应的权值构成，通过激励函数实现输入变量到输出变量之间的非线性映射。在预测时，神经网络法利用神经网络可以任意逼进非线性系统的特性，对历史曲线进行拟合。常用的神经网络模型有Kohonen模型、BP模型、RBF神经网络等。支持向量机(SVM)是一种基于统计学习理论提出的能实现在有限样本条件下满足VC维理论和结构风险最小原理的机器学习方法，具有泛化能力强、全局最优和计算速度快等突出优点。神经网络算法存在收敛速度慢，计算效率低，计算结果易受初始网络权重和训练样本的影响等缺点，而且神经网络作为一种局部搜索的优化方法，其网络的权值是通过沿局部改善的方向逐渐进行调整的，这样会使算法陷入局部极值，权值收敛到局部极小点，从而导致网络训练失败。支持向量机方法较神经网络法有明显的优点，但是也存在收敛速度较慢、算法参数难以控制、易陷入局部最优等缺点，支持向量机预测的准确性受其参数设置的影响。
技术实现思路
本申请实施方式的目的是提供一种区域用电量预测方法、装置及系统，本技术方案采用改进的蝙蝠算法对SVM进行参数优化，以实现收敛速度快、全局最优、预测精度高的目标。为实现上述目的，本申请实施方式提供一种区域用电量预测方法，包括：筛选出对目标区域用电量影响的关键经济指标；将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。优选地，所述预测模型建立的步骤包括：通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。优选地，还包括：将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理，将归一化处理结果作为输入数据。优选地，筛选出对目标区域用电量影响的关键经济指标的步骤为：通过相关性分析，平稳性检验以及协整检验，从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标，分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。为实现上述目的，本申请实施方式还提供一种区域用电量预测装置，包括：筛选单元，用于筛选出对目标区域用电量影响的关键经济指标；预测单元，用于将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。优选地，还包括：预测模型建立单元；其中，所述预测模型建立单元用于通过蝙蝠算法对支持向量机的参数进行优化获得所述预测模型。优选地，还包括：归一化处理单元；其中，所述归一化处理单元，用于将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理，将归一化处理结果作为输入数据。优选地，所述筛选单元具体用于通过相关性分析，平稳性检验以及协整检验，从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标，分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。为实现上述目的，本申请实施方式还提供一种区域用电量预测系统，所述系统包括：存储器和处理器，所述存储器本文档来自技高网...

【技术保护点】
1.一种区域用电量预测方法，其特征在于，包括：筛选出对目标区域用电量影响的关键经济指标；将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。

【技术特征摘要】
1.一种区域用电量预测方法，其特征在于，包括：筛选出对目标区域用电量影响的关键经济指标；将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。2.如权利要求1所述的方法，其特征在于，所述预测模型通过蝙蝠算法对支持向量机的参数进行优化获得。3.如权利要求1所述的方法，其特征在于，还包括：将所述关键经济指标作为输入数据之前把关键经济指标作归一化处理，将归一化处理结果作为输入数据。4.如权利要求1所述的方法，其特征在于，筛选出对目标区域用电量影响的关键经济指标的步骤为：通过相关性分析，平稳性检验以及协整检验，从GDP、产业结构、居民消费价格指数、商品零售价格指数、人口、城镇化水平、居民消费水平、全社会固定资产投资、城镇居民人均可支配收入指数、能耗强度、电耗强度以及进出口总额这十二项宏观经济指标中筛选出对于目标区域用电量影响最大的经济指标，分别为GDP、产业结构以及电耗强度为目标区域用电量影响的关键经济指标。5.一种区域用电量预测装置，其特征在于，包括：筛选单元，用于筛选出对目标区域用电量影响的关键经济指标；预测单元，用于将所述关键经济指标作为输入数据输入至预测模型中，预测目标区域用电量。6.如权利要求5所述的装置，其特征在于，还包括：预测模型建立单元；其中，所...

【专利技术属性】
技术研发人员：汲国强，汪鸿，刘娟，皇甫成，陈建华，李顺昕，岳云力，李笑蓉，丁健民，单体华，牛东晓，朱全友，聂文海，史智萍，戴舒羽，宋宗耘，秦砺寒，霍菲阳，侯喆瑞，何慧，赵微，运晨超，
申请(专利权)人：国网冀北电力有限公司经济技术研究院，国家电网公司，华北电力大学，国网冀北电力有限公司，
类型：发明
国别省市：北京,11