电力消费数据预测样本及预测模型的选用及预测方法技术

本发明专利技术公开了一种电力消费数据预测样本及预测模型的选用及预测方法，利用电力市场数据构建了GDP与各行业电力消耗量的拟合关系，并分析了RSM、RBF和Kriging三种模型的预测能力，建立一种能准确应用于电力市场数据预测的多学科优化设计方法。本预测方法具有精度高、计算量小的特点，能够保证设计变量在连续空间中得到最优解。

【技术实现步骤摘要】
电力消费数据预测样本及预测模型的选用及预测方法
本专利技术涉及一种电力消费数据预测样本及预测模型的选用及预测方法。
技术介绍
电力市场数据与宏、微观经济具有较大的关联性，通过经济发展情况对电力市场数据进行预测具有可行性。同时，电力市场数据具有其它宏观数据无法比拟的优势，如电力数据几乎是实时的，可以很快挖掘出来，再如电力数据非常准确，具有很小的统计误差。使得电力数据预测具备了较好的数据基础。Kraft开创性地对电力消费数据与经济发展进行了研究，结果表明它们显示的特征为格兰杰，而Akarca利用更短的时间序列样本区间，无法得出类似的结论。这暴露了电力大数据与经济增长关系间的准确性问题，为什么对同样的问题却有不同的结论。在当前的研究中，存在的主要问题为数据过于陈旧，这些较老的数据是否能支撑对现今问题的准确分析。以前适用于电力大数据分析中的某些方法，但现在可能并不合适，面临着失灵的危险。
技术实现思路
本专利技术所要解决的技术问题是：提供一种较为准确的电力消费数据预测样本及预测模型的选用及预测方法。为解决上述技术问题，本专利技术所采用的技术方案为：电力消费数据预测样本及预测模型的选用及预测方法，包括以下步骤：步骤一、构建代理模型的输入为国内生产总值GDP，输出为8个电力数据，即总消耗电量A，第一产业消耗电量B，第二产业消耗电量C，建筑业消耗电量D，交运、仓储及邮政消耗电量E，批发零售、住宿餐饮业消耗电量F，生活消费消耗电量G和其它行业消耗电量H；样本数据采集时间跨度范围不少于19年，共得不少于19个数据样本，其中2个作为测试样本，其余为训练样本；步骤二、构建一阶多项式函数RSM模型：RSM模型目标为残差平方和RSS最小，即：式中，n为样本点个数，i为样本序号，yi为样本真实值，为响应面模型的预测值；初始化数学表达式为：步骤三、构建RBF神经网络应用于非线性问题的拟合模型：RBF模型的基函数是径向函数，构造方式为线性叠加，假定输入X和输出Y，RBF的表达如下式：式中，ωi是权系数，ri是欧式距离，φ(ri)是非线性径向基函数；依据f(xj)＝yj插值，可以得到以下方程组：Φ(||xi-xj||)·ω＝Y(4)上式的解如下：ω＝Φ(||xi-xj||)-1·Y(5)Gaussian函数是最常用的基函数，即：RBF模型为插值类型，径向函数采用Multiquadric函数；步骤四、构建KRIGING模型：通过下式确定Kriging模型的输入变量和响应值：y(x)＝f(x)+μ(x)(7)协方差矩阵为：式中，R(θ,V,W)为带有参数θ的采样点V、W的相关函数；Kriging模型采用各向异性进行拟合，Gaussian函数作为相关函数；步骤五、代理模型误差分析：采用复相关系数R2以及均方根RMS来检验三种模型的精度；检测响应面模型精度的复相关系数R2表达式如下：式中为样本实际值的均值；R2∈[0,1]；检测真实值和预测值的偏差程度的均方根RMS表达式如下：对三种模型电力消费数据的R2和RMS进行计算，判断其误差能否满足使用要求，并将不能满足使用要求的模型剔除；步骤六、模型预测准确性分析：采用平均相对误差(MRE)和相对精度(RP)两种评价指标，通过对GDP和电力消费数据的拟合关系进行分析，以对满足使用要求的几种代理模型的准确性进行检测；MRE和RP的计算公式如下：综合比较几种模型的预测精度，得出模型预测准确性由强到弱的排列；步骤七、电力消费数据预测：采用模型预测准确性最强的模型对所需电力消费数据进行预测。作为一种优选的方案，所述步骤一的样本数据采集时间跨度范围为25年，共25个数据样本。本专利技术的有益效果是：本方法给出了电力消费数据预测样本的选用方法，利用电力市场数据构建了GDP与各行业电力消耗量的拟合关系，并分析了RSM、RBF和Kriging三种模型的预测能力，建立一种能准确应用于电力市场数据预测的多学科优化设计方法。本预测方法具有精度高、计算量小的特点，能够保证设计变量在连续空间中得到最优解。具体实施方式下面详细描述本专利技术的具体实施方案。电力消费数据预测样本及预测模型的选用及预测方法，包括以下步骤：步骤一、构建代理模型的输入为国内生产总值GDP，输出为8个电力数据，即总消耗电量A，第一产业消耗电量B，第二产业消耗电量C，建筑业消耗电量D，交运、仓储及邮政消耗电量E，批发零售、住宿餐饮业消耗电量F，生活消费消耗电量G和其它行业消耗电量H；样本数据采集时间跨度范围为25年，共得25个数据样本，其中2个作为测试样本，其余为训练样本；步骤二、构建一阶多项式函数RSM模型：RSM模型目标为残差平方和RSS最小，即：式中，n为样本点个数，i为样本序号，yi为样本真实值，为响应面模型的预测值；初始化数学表达式为：步骤三、构建RBF神经网络应用于非线性问题的拟合模型：RBF模型的基函数是径向函数，构造方式为线性叠加，假定输入X和输出Y，RBF的表达如下式：式中，ωi是权系数，ri是欧式距离，φ(ri)是非线性径向基函数；依据f(xj)＝yj插值，可以得到以下方程组：Φ(||xi-xj||)·ω＝Y(4)上式的解如下：ω＝Φ(||xi-xj||)-1·Y(5)Gaussian函数是最常用的基函数，即：RBF模型为插值类型，径向函数采用Multiquadric函数，其预测曲线的光顺程度较好。步骤四、构建KRIGING模型：通过下式确定Kriging模型的输入变量和响应值：y(x)＝f(x)+μ(x)(7)协方差矩阵为：式中，R(θ,V,W)为带有参数θ的采样点V、W的相关函数；Kriging模型采用各向异性进行拟合，Gaussian函数作为相关函数；步骤五、代理模型误差分析：采用复相关系数R2以及均方根RMS来检验三种模型的精度；检测响应面模型精度的复相关系数R2表达式如下：式中为样本实际值的均值；R2∈[0,1]；R2→1说明响应面模型精度较高。通常来说，R2的接受水平是0.9，R2低于0.9意味着模型精度不高，不能满足要求。检测真实值和预测值的偏差程度的均方根RMS(RMS值越小说明模型的误差越小，一般应小于0.2)，表达式如下：对三种模型电力消费数据的R2和RMS进行计算，判断其误差能否满足使用要求，并将不能满足使用要求的模型剔除；对三种模型电力消费数据的R2和RMS进行计算，结果见表1。由表可知，对于RSM模型，电力消费数据A的R2最高，即0.982，其对应的RMS为0.050。电力消费数据B的R2最低，即0.本文档来自技高网...

【技术保护点】
1.电力消费数据预测样本及预测模型的选用及预测方法，包括以下步骤：/n步骤一、构建代理模型的输入为国内生产总值GDP，输出为8个电力数据，即总消耗电量A，第一产业消耗电量B，第二产业消耗电量C，建筑业消耗电量D，交运、仓储及邮政消耗电量E，批发零售、住宿餐饮业消耗电量F，生活消费消耗电量G和其它行业消耗电量H；样本数据采集时间跨度范围不少于19年，共得不少于19个数据样本，其中2个作为测试样本，其余为训练样本；/n步骤二、构建一阶多项式函数RSM模型：/nRSM模型以残差平方和RSS最小为目标，即：/n

【技术特征摘要】
1.电力消费数据预测样本及预测模型的选用及预测方法，包括以下步骤：
步骤一、构建代理模型的输入为国内生产总值GDP，输出为8个电力数据，即总消耗电量A，第一产业消耗电量B，第二产业消耗电量C，建筑业消耗电量D，交运、仓储及邮政消耗电量E，批发零售、住宿餐饮业消耗电量F，生活消费消耗电量G和其它行业消耗电量H；样本数据采集时间跨度范围不少于19年，共得不少于19个数据样本，其中2个作为测试样本，其余为训练样本；
步骤二、构建一阶多项式函数RSM模型：
RSM模型以残差平方和RSS最小为目标，即：



式中，n为样本点个数，i为样本序号，yi为样本真实值，为响应面模型的预测值；
一阶RSM模型数学表达式为：



式中，β0、βi分别为常数项、一次项，xi为设计变量，M为设计变量的个数；
步骤三、构建RBF神经网络应用于非线性问题的拟合模型：
RBF模型的基函数是径向函数，构造方式为线性叠加，假定输入X和输出Y，RBF的表达如下式：
式中，ωi是权系数，ri是欧式距离，φ(ri)是非线性径向基函数；
依据f(xj)＝yj插值，可以得到以下方程组：Φ(||xi-xj||)·ω＝Y(4)
上式的解如下：ω＝Φ(||xi-xj||)-1·Y(5)
Gaussian函数是最常用的基函数，即：
步骤四、构建KRIGING模型：
通过下式确定Krig...

【专利技术属性】
技术研发人员：何乐天，金骆松，何洁，
申请(专利权)人：浙江电力交易中心有限公司，
类型：发明
国别省市：浙江;33