【技术实现步骤摘要】
本专利技术涉及用电量预测，具体涉及一种基于布朗线性指数平滑的用电量趋势预测方法、系统。
技术介绍
1、随着社会经济的快速发展和能源利用方式的深刻变革，电力需求呈现出愈加复杂和多样化的特性。在这一背景下，对历史用电量数据的深入分析和挖掘，以预测未来用电量趋势的变化，已经成为一项至关重要的任务。准确的用电量趋势预测有助于电力系统实现更有效的负荷调度、合理规划能源供应，并为用户提供用电建议，从而提高电力系统的运行效率和能源利用效益。
2、传统的用电量预测方法，如移动平均法和简单指数平滑法，尽管在某些情况下有效，但面对复杂和动态的电力市场存在明显不足。移动平均法因其简单的计算过程而易于实现，但这种方法在处理具有明显趋势或季节性的用电数据时表现不佳，此外，窗口大小的选择对预测结果影响大，但很难确定最优大小；而简单指数平滑法虽然能更好地响应数据的最近变化，但它基于恒定水平上波动的假设，忽视了用电量中可能存在的趋势变化。综合来看，这些传统方法在适应性上难以满足现代电力市场的复杂需求。
技术实现思路
1、本专利技术提供一种基于布朗线性指数平滑的用电量趋势预测方法、系统，解决电力行业中传统用电量预测方法的不足的问题。
2、本专利技术通过下述技术方案实现：
3、一种基于布朗线性指数平滑的用电量趋势预测方法，包括：
4、采集历史时间序列的实际用电量；
5、基于布朗线性指数设计双重指数平滑预测模型，通过所述双重指数平滑预测模型基于所述实际用电数据
6、根据所述历史时间序列最后一个时间点对应的趋势和级别预测以所述历史时间序列的最后一个时间点为基准的未来时间的用电量。
7、作为优化，所述双重指数平滑预测模型具体为：
8、leveli+1＝α*datai+1+(1-α)*(leveli+trendi)；
9、trendi+1＝β*(leveli+1-leveli)+(1-β)*trendi；
10、其中，leveli+1表示下个时间点需要计算的新级别，trendi+1示下个时间点需要计算的新趋势，datai+1表示下个时间点实际用电量，leveli表示当前级别，trendi表示当前趋势，i∈[1，n]，n为历史时间序列中时间点的数量；α、β分别为级别和趋势的平滑指数。
11、作为优化，通过所述双重指数平滑预测模型基于所述实际用电数据动态调整预测参数以得到该历史时间序列的拟合用电数据的预测值的具体过程为：
12、a1、基于实际用电量初始化所述双重指数平滑预测模型，得到历史时间序列中时间点的数量n以及要预测的未来月份的数量t，同时将当前级别初始化为所述历史时间序列中第一个月的实际用电量，将当前趋势初始化为所述历史时间序列中第二个月的实际用电量和第一个月的实际用电量的差值；
13、a2、对所述历史时间序列中第j个月开始进行如下操作，j∈[2，n]：
14、计算所述历史时间序列中第j个月的新级别和新趋势，并基于所述新级别和新趋势得到所述历史时间序列中第j个月的拟合用电量的预测值；
15、a3、判断j是否大于n，若是，则结束，得到第n个月的拟合用电量的预测值以及新级别和新趋势，否则，跳转至a4；
16、a4、将第j个月对应的新级别和新趋势作为当前级别和当前趋势，然后将j+1作为新的j，返回a2。
17、作为优化，所述历史时间序列中第j个月的拟合用电量的预测值具体表示为：
18、y＝levelj+trendj；
19、其中，levelj、trendj分别表示第j个月的新级别和新趋势，yj表示历史时间序列中第j个月的拟合用电量的预测值。
20、作为优化，根据所述历史时间序列最后一个时间点对应的趋势和级别预测以所述历史时间序列的最后一个时间点为基准的未来时间的用电量，该未来时间的用电量的预测公式具体为：
21、wt＝leveln+trendn*t；
22、其中，t为以所述历史时间序列的最后一个时间点为基准的要预测的未来月份的数量，wt表示相对于历史时间序列的最后一个时间点未来第t个月的用电量的预测值，leveln、trendn分别表示所述历史时间序列的最后一个时间点的新级别和新趋势。
23、作为优化，未来月份的数量范围介于历史时间序列的时间点的四分之一到三分之一之间，即
24、作为优化，在得到了所述历史时间序列中第j个月的拟合用电量的预测值以后，将该预测值按序填入预测列表中，且在计算得到未来月份的用电量预测值以后，将未来月份的用电量预测值按序填入已填写所述历史时间序列的用电量预测值的预测列表中。
25、本专利技术还公开了一种基于布朗线性指数平滑的用电量趋势预测系统，用于实施前述的一种基于布朗线性指数平滑的用电量趋势预测方法，包括：
26、采集模块，用于采集历史时间序列的实际用电量；
27、历史时间序列数据预测模块，用于基于布朗线性指数设计双重指数平滑预测模型，通过所述双重指数平滑预测模型基于所述实际用电数据动态调整预测参数以得到该历史时间序列的拟合用电量的预测值，所述预测参数包括趋势和级别；
28、未来月份数据预测模块，用于根据所述历史时间序列最后一个时间点对应的趋势和级别预测以所述历史时间序列的最后一个时间点为基准的未来时间的用电量。
29、本专利技术还公开了一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如前述的一种基于布朗线性指数平滑的用电量趋势预测方法。
30、本专利技术还公开了一种存储介质，存储有计算机程序，所述计算机程序被处理器执行时实现前述的一种基于布朗线性指数平滑的用电量趋势预测方法。
31、本专利技术与现有技术相比，具有如下的优点和有益效果：
32、本专利技术专利提供了一种基于布朗线性指数平滑的用电量趋势预测方法，能有效克服传统用电量预测方法的局限性，尤其是在处理具有明显趋势或季节性的用电数据方面，通过引入布朗线性指数平滑算法，本专利技术不仅能够精准捕捉和反映用电数据的趋势变化，而且能够灵活适应不同时间序列数据的波动模式。这一特点使得预测模型在应对快速变化的电力市场需求时，展现出更高的准确性和可靠性。
33、本专利技术的预测模型能够动态调整预测参数，更好地适应用电量的实际变化，提供了一种更为实时和有效的用电量预测工具，这不仅有助于电力公司优化负荷调度和能源管理，还能为政府和企业提供科学的数据支持，以制定更合理的能源策略和决策，从而促进电力资源的高效利用和可持续发展。
本文档来自技高网...【技术保护点】
1.一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，所述双重指数平滑预测模型具体为：
3.根据权利要求2所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，通过所述双重指数平滑预测模型基于所述实际用电数据动态调整预测参数以得到该历史时间序列的拟合用电数据的预测值的具体过程为：
4.根据权利要求3所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，所述历史时间序列中第j个月的拟合用电量的预测值具体表示为：
5.根据权利要求3所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，根据所述历史时间序列最后一个时间点对应的趋势和级别预测以所述历史时间序列的最后一个时间点为基准的未来时间的用电量，该未来时间的用电量的预测公式具体为：
6.根据权利要求5所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，未来月份的数量范围介于历史时间序列的时间点的四分之一到三分之一之间，即
7
8.一种基于布朗线性指数平滑的用电量趋势预测系统，用于实施权利要求1-7任一所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，包括：
9.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行如权利要求1至7中任一所述的一种基于布朗线性指数平滑的用电量趋势预测方法。
10.一种存储介质，存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种基于布朗线性指数平滑的用电量趋势预测方法。
...【技术特征摘要】
1.一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，包括：
2.根据权利要求1所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，所述双重指数平滑预测模型具体为：
3.根据权利要求2所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，通过所述双重指数平滑预测模型基于所述实际用电数据动态调整预测参数以得到该历史时间序列的拟合用电数据的预测值的具体过程为：
4.根据权利要求3所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，所述历史时间序列中第j个月的拟合用电量的预测值具体表示为：
5.根据权利要求3所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，根据所述历史时间序列最后一个时间点对应的趋势和级别预测以所述历史时间序列的最后一个时间点为基准的未来时间的用电量，该未来时间的用电量的预测公式具体为：
6.根据权利要求5所述的一种基于布朗线性指数平滑的用电量趋势预测方法，其特征在于，未来月份的数量范围介于历史时间序列的时间点的四分之...
【专利技术属性】
技术研发人员：汪伟，王海燕，程超，叶强，邓盈盈，
申请(专利权)人：国网四川省电力公司经济技术研究院，
类型：发明
国别省市：
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。