一种用电量预测方法和装置制造方法及图纸

本发明专利技术提供一种用电量预测方法和装置，基于预先训练得到的变量获取实时数据；基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量，预测效果好，且提高了预测精度；本发明专利技术提供的技术方案应用于长期预测时，对随机波动性较大的数列拟合效果较好，而且对于数据量大的场合和数据量小的场合都适用，在数据量小的场合不会在训练集上过拟合，拟合效果较好，大大提高了预测精度；本发明专利技术提供的技术方案受随机因素的影响小，预测结果的可靠性高。

A power consumption prediction method and device

【技术实现步骤摘要】
一种用电量预测方法和装置
本专利技术涉及配用电
，具体涉及一种用电量预测方法和装置。
技术介绍
用电量预测是从已知的用电需求出发，考虑经济、气候、政治等相关因素，探索出用电量与主要影响因素之间的内在联系和发展变化规律，对未来的用电量需求做出预测。用电量预测的核心是如何改进和简化预测的技术方法，提高预测的精度，使预测手段和结果满足市场经济的电力发展要求，有利于国民经济健康、协调、快速地发展，为合理安排电源和电网的建设进度提供宏观决策的依据，使电力建设满足国民经济增长和人民生活水平的提高。目前用电量地预测方法主要有：回归分析法、动平均法、神经网络法、灰色系统法、以及组合预测等。回归分析法和动平均法拟合效果较好，但预测效果差。神经网络法用到的模型复杂，参数较多，适用于数据量大的场合，数据量小容易在训练集上过拟合使预测精度大大降低。灰色系统法与通过大量样本进行分析的方法相比，不要求原始数据越多越好，但应用于长期预测时，对随机波动性较大的数列拟合效果可能不好。组合预测模型的拟合方差和预测相对误差总体上一般优于单一模型，但组合预测模型受随机因素的影响较大，同样会导致预测效果较差。
技术实现思路
为了克服上述现有技术中预测效果差且预测精度低的不足，本专利技术提供一种用电量预测方法，基于预先训练得到的变量获取实时数据；基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量，预测效果好，且提高了预测精度。为了实现上述专利技术目的，本专利技术采取如下技术方案：一方面，本专利技术提供一种用电量预测方法，包括：基于预先训练得到的变量获取实时数据；基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量。所述训练，包括：获取历史用电量数据、经济数据、交通数据和气象数据；对获取的数据进行缺失值处理，得到数据集；将所述数据集分为训练集和验证集；对训练集进行弹性网络降维；对降维后的数据进行Granger因果关系检验，得到与用电量相关度最高的变量；基于通过检验的变量获取实时数据。训练还包括：采用验证集数据对与用电量相关度最高的变量进行验证。所述对获取的数据进行缺失值处理，包括：采用多重插补法对获取的数据进行缺失值处理。对训练集进行弹性网络降维，包括：确定弹性网络混合参数和弹性网络复杂参数的组合；确定重取样方法，并采用重取样方法对组合进行选择和校验；根据均方误差最小确定最优组合。所述对降维后的数据进行Granger因果关系检验，得到与用电量相关度最高的变量，包括：确定用电量与降维后的训练集之间的因果关系检验值；基于因果关系检验值对对降维后的训练集进行检验，筛选出通过检验的变量；所述通过检验的变量为与用电量相关度最高的变量。采用验证集数据对与用电量相关度最高的变量进行验证，包括：按下式计算用电量预测误差：式中，MAPE为用电量预测误差，i∈[1,n]，n为预测结果总数，ei为验证集中的第i个数据与第i个预测结果之间的用电量相对误差，且yi为验证集中的第i个数据，为第i个预测结果。另一方面，本专利技术还提供一种用电量预测装置，包括：获取模块，用于基于预先训练得到的变量获取实时数据；预测模块，用于基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量。所述获取模块包括训练单元，所述训练单元包括：第一获取单元，用于获取历史用电量数据、经济数据、交通数据和气象数据；处理单元，用于对获取的数据进行缺失值处理，得到数据集；划分单元，用于将所述数据集分为训练集和验证集；降维单元，用于对训练集进行弹性网络降维；检验单元，用于对降维后的数据进行Granger因果关系检验，得到与用电量相关度最高的变量；第二获取单元，用于基于通过检验的变量获取实时数据。所述训练单元还包括验证单元，所述验证单元具体用于：采用验证集数据对与用电量相关度最高的变量进行验证。所述处理单元具体用于：采用多重插补法对获取的数据进行缺失值处理。所述降维单元具体用于：确定弹性网络混合参数和弹性网络复杂参数的组合；确定重取样方法，并采用重取样方法对组合进行选择和校验；根据均方误差最小确定最优组合。所述检验单元具体用于：确定用电量与降维后的训练集之间的因果关系检验值；基于因果关系检验值对对降维后的训练集进行检验，筛选出通过检验的变量；所述通过检验的变量为与用电量相关度最高的变量。验证单元具体用于：按下式计算用电量预测误差：式中，MAPE为用电量预测误差，i∈[1,n]，n为预测结果总数，ei为验证集中的第i个数据与第i个预测结果之间的用电量相对误差，且yi为验证集中的第i个数据，为第i个预测结果。所述第一执行模块获取的数据集包括用电量数据、经济数据、交通数据和气象数据。与最接近的现有技术相比，本专利技术提供的技术方案具有以下有益效果：本专利技术提供的用电量预测方法中，基于预先训练得到的变量获取实时数据；基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量，预测效果好，且提高了预测精度；本专利技术提供的技术方案应用于长期预测时，对随机波动性较大的数列拟合效果较好，而且对于数据量大的场合和数据量小的场合都适用，在数据量小的场合不会在训练集上过拟合，拟合效果较好，大大提高了预测精度；本专利技术提供的技术方案受随机因素的影响小，且通过对训练集进行降维，使高维数据维数大大降低，提高了预测结果的可靠性。附图说明图1是本专利技术实施例中用电量预测方法流程图；图2是本专利技术实施例中通过mice包应用多重插补流程图；图3是本专利技术实施例中对第二产业用电量弹性网络回归时的CV统计图；图4是本专利技术实施例中2018年某市第二产业用电量预测结果示意图。具体实施方式下面结合附图对本专利技术作进一步详细说明。实施例1本专利技术实施例1提供了一种用电量预测方法，具体流程图如图1所示，具体过程如下：S101：基于预先训练得到的变量获取实时数据；S102：基于变量对应的实时数据采用Ridge回归法进行本文档来自技高网...

【技术保护点】
1.一种用电量预测方法，其特征在于，包括：/n基于预先训练得到的变量获取实时数据；/n基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；/n所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量。/n

【技术特征摘要】
1.一种用电量预测方法，其特征在于，包括：
基于预先训练得到的变量获取实时数据；
基于所述变量对应的实时数据采用Ridge回归法进行预测，得到用电量预测值；
所述训练得到的变量是基于历史用电量数据、经济数据、交通数据和气象数据采用两步变量筛选得到与用电量相关度最高的变量。


2.根据权利要求1所述的用电量预测方法，其特征在于，所述训练，包括：
获取历史用电量数据、经济数据、交通数据和气象数据；
对获取的数据进行缺失值处理，得到数据集；
将所述数据集分为训练集和验证集；
对训练集进行弹性网络降维；
对降维后的数据进行Granger因果关系检验，得到与用电量相关度最高的变量；
基于通过检验的变量获取实时数据。


3.根据权利要求2所述的用电量预测方法，其特征在于，所述训练还包括：
采用验证集数据对与用电量相关度最高的变量进行验证。


4.根据权利要求2所述的用电量预测方法，其特征在于，所述对获取的数据进行缺失值处理，包括：
采用多重插补法对获取的数据进行缺失值处理。


5.根据权利要求2所述的用电量预测方法，其特征在于，所述对训练集进行弹性网络降维，包括：
确定弹性网络混合参数和弹性网络复杂参数的组合；
确定重取样方法，并采用重取样方法对组合进行选择和校验；
根据均方误差最小确定最优组合。


6.根据权利要求2所述的用电量预测方法，其特征在于，所述对降维后的数据进行Granger因果关系检验，得到与用电量相关度最高的变量，包括：
确定用电量与降维后的训练集之间的因果关系检验值；
基于因果关系检验值对对降维后的训练集进行检验，筛选出通过检验的变量；
所述通过检验的变量为与用电量相关度最高的变量。


7.根据权利要求3所述的用电量预测方法，其特征在于，所述采用验证集数据对与用电量相关度最高的变量进行验证，包括：
按下式计算用电量预测误差：



式中，MAPE为用电量预测误差，i∈[1,n]，n为预测结果总数，ei为验证集中的第i个数据与第i个预测结果之间的用电量相对误差，且yi为验证集中的第i个数据，为第i个预测结果。


8.一种用电量预测...

【专利技术属性】
技术研发人员：龚桃荣，田世明，胡春凤，李德智，陈宋宋，韩凝晖，周颖，宫飞翔，石坤，董明宇，苏运，张琪祁，
申请(专利权)人：中国电力科学研究院有限公司，国网上海市电力公司，国家电网有限公司，
类型：发明
国别省市：北京;11