【技术实现步骤摘要】
一种疫情影响下售电量精准预测方法
本专利技术涉及电力领域，尤其涉及一种疫情影响下售电量精准预测方法。
技术介绍
售电量预测是国家电网公司的一项重要的基础性工作，精准的售电量预测是确保电网公司完成年度营销任务，保证供电企业完成电力销售任务，以及维护电力市场和电网经济平稳运行的一项重要决策依据。春节期间的突发疫情，对全年的售电量估计造成一定的偏差，研究疫情影响下售电量的偏差趋势以及精准预测疫情影响电量，修正全年预测电量，为全面制定电量购售政策、保证电网行业经济平稳运行提供重要技术支撑，并且对于电力市场因素分析挖掘提供重要指导。
技术实现思路
本专利技术的目的是提供一种疫情影响下售电量精准预测方法，以解决疫情影响期间直接采用模型预测值导致的售电量预测不准，无法估计和探查售电量预测偏差的问题。为了实现上述目的，本专利技术提供如下技术方案：一种疫情影响下售电量精准预测方法，包括：建模数据清洗和数据规约处理；构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测...
【技术保护点】
1.一种疫情影响下售电量精准预测方法，其特征在于，包括：/n建模数据清洗和数据规约处理；/n构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；/n构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；/n用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果；/n构造算法三，利用均值法得到疫情持续期间的每天影响电量；/n构造算法四，利用Logisti...
【技术特征摘要】
1.一种疫情影响下售电量精准预测方法，其特征在于，包括：
建模数据清洗和数据规约处理；
构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；
构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；
用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果；
构造算法三，利用均值法得到疫情持续期间的每天影响电量；
构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；
利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量；
利用疫情影响的电量计算结果，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。
2.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：
建立自回归模型：
f(Xt-1,Xt-2,...,Xt-p)＝Xt
其中，序列值随机变量Xt由前p个时刻的序列值得到。基于计算得到的自回归模型，利用LightGBM算法预测售电量。
3.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线，包括：
在预处理的基础上，采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：
Yt＝Tt+St+It
其中Yt表示预处理之后的历史售电量数据，Tt表示售电量趋势项，St表示售电量季节项，It表示售电量随机项。
4.根据权利要求3所述的疫情影响下售电量精准预测方法，其特征在于，利用ARIMA模型对分解后的趋势项进行预测，得到预测后的售电量曲线，是指：
基于分解的售电量，结合差分自回归移动平均(ARIMA)算法，对售电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果。
5.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，利用卡尔曼滤波算法，基于历史电量，对算法一结果以及算...
【专利技术属性】
技术研发人员：程宏亮，刘宏，张鹏飞，苟蛟龙，罗艺闯，蒋颖，
申请(专利权)人：美林数据技术股份有限公司，
类型：发明
国别省市：陕西;61
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。