面向用电需求分析的疫情数据企业经济预测系统及方法技术方案

本发明专利技术提供一种面向用电需求分析的疫情数据企业经济预测系统及方法，涉及电力系统自动化技术领域。本系统由数据整理模块、企业经济数据清洗模块、数据重塑模块、企业经济预测模块、参数寻优模块以及用电量需求关联分析模块组成。其中包括企业经济数据清洗，疫情数据经济相关性筛选；疫情数据及企业经济数据重塑；构建带有参数几何化寻优的长短期记忆网络企业经济预测模型并进行参数寻优和训练；对企业复工复产经济进行预测；通过得到的企业经济预测数据与用电量需求进行关联分析。本发明专利技术方法适用于面向用电需求关联分析的突发疫情下企业复工复产经济数据预测，通过经济预测数据与用电量的关联分析实现疫情期间预先计划企业用电和用电量预分配。业用电和用电量预分配。业用电和用电量预分配。

【技术实现步骤摘要】
面向用电需求分析的疫情数据企业经济预测系统及方法


[0001]本专利技术涉及电力系统自动化
，尤其涉及一种面向用电需求分析的疫情数据企业 经济预测系统及方法。

技术介绍

[0002]疫情影响下的经济预测变得复杂，对电量进行准确预测，可以保证人民生活和社会正常 生产，有效地降低电力企业的运行成本，保证电网经济运行，提高社会和经济效益。预测方 法主要分为两类:一类是以时间序列和回归分析法为代表的传统方法，另一类是人工神经网络 (ANN)、支持向量机(SVM)、灰色模型(GM)等人工智能方法。虽然传统的预测方法能 达到不错的预测效果，但容易受到多种因素的共同影响，无法获得精确的预测结果。人工智 能学习方法，其优势在于无需建立准确的数学模型，就可以抽象出时间序列的特征。在实际 经济预测中，对于复杂对象的经济预测，传统方法存在着很大的局限性，而选择合适的智能 算法，能够在权衡计算资源耗费的同时，达到经济预测的最高效化。
[0003][0004][0005][0006]近年来随着智能算法不断发展，产生了各种用于不同特性场合下的算法类型，在电力本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种面向用电需求分析的疫情数据企业经济预测系统，其特征在于，包括数据整理模块、企业经济数据清洗模块、数据重塑模块、企业经济预测模块、参数寻优模块以及用电量需求关联分析模块；所述数据整理模块采集目标地区的疫情数据、气象数据、舆情数据、政策数据及历史经济数据构造成向量形式储存到系统数据库中，输出历史经济数据至企业经济数据清洗模块；所述企业经济数据清洗模块接收气象数据、舆情数据、政策数据与历史经济数据进行成分相关性分析，并根据与经济数据的相关性对疫情数据进行筛选，输出至数据重塑模块；所述数据重塑模块对接收到的疫情数据以及历史经济数据进行处理，将处理后的疫情数据和经济数据输出至企业经济预测模块进行训练；所述企业经济预测模块用接收到处理后的疫情数据和经济数据进行训练，训练时通过参数优化模块对训练参数进行优化，用训练完的预测模型对企业复工复产经济进行预测，并将预测结果输出至用电量需求关联分析模块；所述用电量需求关联分析模块对用电量需求进行关联分析。2.一种面向用电需求分析的疫情数据企业经济预测方法，基于权利要求1一种面向用电需求分析的疫情数据企业经济预测系统实现，其特征在于，包括以下步骤：步骤1：通过数据整理模块将目标地区的疫情数据、气象数据、舆情数据、政策数据及历史经济数据构造成向量形式储存到系统数据库中准备调用，其中所有向量均以时间顺序排列，缺失的数据表示为空字符，向量为长度相等的向量形式；所述疫情数据包括新增疑似、确诊、治愈、死亡数以及累计疑似、确诊、治愈、死亡数的数据向量；步骤2：在企业经济数据清洗模块中对历史经济数据进行成分相关性分析，通过建立影响扣除模型对历史经济数据进行降维，得到与疫情数据相关性系数大于设定阈值的经济数据；步骤3：计算各组疫情数据与历史经济数据的单独相关性系数，由计算结果筛选出与历史经济数据的单独相关性系数大于设定阈值的疫情数据；步骤4：通过数据重塑模块对步骤3筛选出的疫情数据以及目标区域的历史经济数据进行异常数据处理、缺失数据处理以及归一化处理；步骤5：构建基于疫情数据的企业复工复产经济预测模型，通过疫情数据和历史经济数据对企业经济预测及参数寻优模块中的企业复工复产经济预测模型进行训练，并将模型参数通过系统参数寻优模块进行寻优；步骤6：用训练好的拥有最优参数的预测模型对企业复工复产经济进行预测；步骤7：根据得到的疫情期间企业复工复产经济预测数据进行面对用电量需求的关联分析；将输出的疫情期间企业复工复产经济预测数据输入到用电量关联分析模型中，对经济预测数据与用电量进行关联分析，从而使电网可以预先对用电量的分配进行规划并进行计划发电。3.根据权利要求2所述的一种面向用电需求分析的疫情数据企业经济预测方法，其特征在于，所述步骤2具体包括以下步骤：步骤2.1：计算气象数据、舆情数据、政策数据与历史经济数据的相关性系数分别为R1、
R2、R3；所述相关性系数的计算方法为，将两组数据分别作为变量X和变量Y，则这两组数据的相关性系数由如下公式计算：式中R
i(X,Y)
为变量X与Y的相关性系数，E(X)为期望计算函数；步骤2.2：设气象数据、舆情数据、政策数据为X1、X2、X3，它们的忽略阈值分别为Q1、Q2、Q3；Y为未进行降维的历史经济数据，则降维后的历史经济数据Y
′
由下式得到：Y
′
＝Y+R1(Q1‑
X1)+R2(Q2‑
X2)+R3(Q3‑
X3)；用降维得到的Y
′
替代原本的历史经济数据Y。4.根据权利要求2所述的一种面向用电需求分析的疫情数据企业经济预测方法，其特征在于，所述步骤4具体包括以下步骤：步骤4.1：设第d天第t个采样点的经济数据为Y(d,t)，异常阈值为σ，若满足不等式：max[|Y(d,t)
‑
Y(d,t
‑
1)|,|Y(d,t)
‑
Y(d,t+1)|]>σ，则Y(d,t)判定为异常数据；步骤4.2：将判定为异常数据的Y(d,t)剔除后，空置的采样点(d,t)作为缺失数据与其他缺失数据一同处理；步骤4.3：按同日经济数据构成一个向量的规则将所有历史经济数据构成日经济向量，对所有完整日经济向量进行平均值聚类；所述平均值聚类为，分别求出各个日经济向量中经济数据的日平均值，然后找到求出的所有日平均值中的最大值与最小值，将它们的差作为平均值域，根据聚类的类别数k将平均值域分为长度相等的k份，根据每一份的范围将所有完整日经济向量进行归类；步骤4.4：根据不同聚类的类别数的聚类误差的和选择聚类效果好且类数少的聚类类数，对有缺失的向量进行归类；用相应类的质心向量作为相似向量，对待补全目标向量的缺失部分进行缩放替代补全；步骤4.5：数据补全完成后，对数据进行归一化处理，所述归一化采用上下界归一化法进行处理，将所有数据映射到0～1内，其映射法则为：其中x为需要归一化的数据，x
new
为归一化之后的数据，x
min
和x
max
分别是该组数据中的最小值与最大值。5.根据权利要求4所述的一种面向用电需求分析的疫情数据企业经济预测方法，其特征在于，所述步骤4.4具体包括以下步骤：步骤4.4.1：将含缺失数据的日经济向量表示为一条日经济曲线，找到曲线中包含有缺失数据的最短曲线段ab，该曲线段的两端点a和b必须是已知的数据；步骤4.4.2：找到缺失数据的日经济向量所在类的质心向量表示为的日经济曲线上与ab段位置对应的曲线段cd...

【专利技术属性】
技术研发人员：李晓乐，李振宇，禹加，于海洋，李璐，陈鑫，田一昆，李丽，刘昆，宋靖舒，仇明杰，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：