一种基于logistic模型的饱和用电量预测方法及系统技术方案

本申请提供一种基于logistic模型的饱和用电量预测方法及系统，包括：根据目标区域历史用电量数据，确定目标区域用电量的初始logistic拟合曲线；根据初始logistic拟合曲线与目标区域历史用电量数据，计算得到初始差值曲线；分别对初始logistic拟合曲线与初始差值曲线进行归一化处理，获得训练样本数据集；通过支持向量机对训练样本数据集进行训练学习，得到回归预测曲线；将回归预测曲线与初始logistic拟合曲线相加，得到优化后的logistic拟合曲线。通过引入差值的预测值对传统logistic初步预测结果进行优化，一方面可以弥补由于受到多方面因素影响所造成的城市实际用电量与初始logistic拟合曲线存在的偏离情况，另一方面弥补logistic模型本身参数估计不准确的缺陷。准确的缺陷。准确的缺陷。

【技术实现步骤摘要】
一种基于logistic模型的饱和用电量预测方法及系统


[0001]本申请属于电量预测
，尤其涉及一种基于logistic模型的饱和用电量预测方法及系统。

技术介绍

[0002]城市用电量一般会出现三个阶段，首先是缓慢发展阶段、其次是高速增长阶段，最后是低速饱和阶段。在城市发展初期，由于社会和经济等各方面的原因，用电量会呈现出低速增长的趋势，此阶段为缓慢发展阶段；当社会和经济发展到一定程度后，用电量会出现高速增长的情况，由此进入高速增长阶段；随着城市的不断发展，由于受到客观因素的影响，用电量将稳定在一定的范围内小幅度波动，用电量增长的速度也将逐渐减慢甚至停止增长，此阶段为低速饱和阶段，通常的，当城市用电量的增长率低于2％，则可以判断该城市的电力需求进入饱和阶段。
[0003]传统logistic模型可以充分体现用电量长期发展规律，十分适合饱和用电量预测，但城市饱和用电量由于受多种因素影响，往往预测结果不尽理想。另一方面，如果考虑采用组合预测方法，即利用两种基本预测方法进行组合预测，通常的方法是根据不同标准对两种方法进行加权后求和得出最终的结果，由于该方式需要确定权重，但较难找到比较科学合理的权重确定方法，因此并不能够保证预测精度有效的提高。
[0004]因此，如何提供一种能够保证饱和用电量预测精度的方法是目前亟需解决的技术问题。

技术实现思路

[0005]为了解决现有技术中上述技术问题，本申请提供一种基于logistic模型的饱和用电量预测方法及系统。
[0006]第一方面，本申请提供一种基于logistic模型的饱和用电量预测方法，包括：获取目标区域历史用电量数据；根据所述目标区域历史用电量数据，确定所述目标区域用电量的初始logistic拟合曲线，其中，所述初始logistic拟合曲线的自变量为时间，因变量为所述目标区域的用电量的初始预测值；根据所述初始logistic拟合曲线与所述目标区域历史用电量数据，计算得到初始差值曲线，所述初始差值曲线的自变量为时间，因变量为初始差值，其中所述初始差值是指所述目标区域的历史用电量与所述用电量的初始预测值的差值；分别对所述初始logistic拟合曲线与所述初始差值曲线进行归一化处理，获得训练样本数据集，所述训练样本数据集包括所述目标区域的用电量的初始预测值的样本数据，以及所述初始差值的样本数据；通过支持向量机对所述训练样本数据集进行训练学习，得到回归预测曲线，所述回归预测曲线自变量为时间，所述回归预测曲线的因变量为差值的预测值，所述差值的预测值是指所述目标区域的历史用电量与用电量的优化预测值的差值；将所述回归预测曲线与所述初始logistic拟合曲线相加，得到优化后的logistic拟合曲线，其中，所述优化后的logistic拟合曲线的自变量为时间，因变量为用电量的优化预测
值。
[0007]可选的，所述方法还包括：根据所述优化后的logistic拟合曲线，预测所述目标区域的目标时间段的饱和用电量。
[0008]可选的，所述根据所述目标区域历史用电量数据，确定所述目标区域用电量的初始logistic拟合曲线，包括：利用Yule算法，估算logistic拟合曲线中参数a、b、c，其中，logistic拟合曲线满足如下第一关系式：
[0009][0010]其中，t表示时间，y
t
表示目标区域的用电量的初始预测值，a、b、c表示logistic拟合曲线的参数；根据所估算的参数a、b、c，确定所述目标区域用电量的初始logistic拟合曲线。
[0011]可选的，根据第二关系式，对所述初始logistic拟合曲线进行归一化处理，所述第二关系式为：
[0012][0013]其中，表示所述目标区域的用电量的初始预测值的样本数据，表示所述目标区域的用电量的初始预测值，表示所述目标区域的用电量的初始预测值中最小值，m表示所述目标区域的初始预测值与目标区域的历史用电量相比变化率在1％以内的用电量的初始预测值。
[0014]可选的，根据第三关系式，对所述差值曲线进行归一化处理，所述第三关系式为：
[0015][0016]其中，表示所述初始差值的样本数据，g
t
表示所述初始差值，min(g
t
)表示所述初始差值中最小值，max(g
t
)表示所述初始差值中最大值。
[0017]可选的，选择高斯型径向基核函数作为支持向量机对所述训练样本数据集进行训练学习的核函数，所述核函数的公式为：
[0018][0019]其中，K(x
i
，x
j
)表示核函数，x
i
和x
j
表示所述目标区域不同时间段的用电量的初始预测值的样本数据，参数γ设置为2.8。
[0020]第二方面，本申请还提供一种基于logistic模型的饱和用电量预测系统，获取模块，用于获取目标区域历史用电量数据；初始logistic拟合曲线确定模块，用于根据所述目标区域历史用电量数据，确定所述目标区域用电量的初始logistic拟合曲线，其中，所述初始logistic拟合曲线的自变量为时间，因变量为所述目标区域的用电量的初始预测值；初始差值曲线计算模块，用于根据所述初始logistic拟合曲线与所述目标区域历史用电量数据，计算得到初始差值曲线，所述初始差值曲线的自变量为时间，因变量为初始差值，其中所述初始差值是指所述目标区域的历史用电量与所述用电量的初始预测值的差值；归一化
处理模块，用于分别对所述初始logistic拟合曲线与所述初始差值曲线进行归一化处理，获得训练样本数据集，所述训练样本数据集包括所述目标区域的用电量的初始预测值的样本数据，以及所述初始差值的样本数据；回归预测曲线计算模块，用于通过支持向量机对所述训练样本数据集进行训练学习，得到回归预测曲线，所述回归预测曲线自变量为时间，所述回归预测曲线的因变量为差值的预测值，所述差值的预测值是指所述目标区域的历史用电量与用电量的优化预测值的差值；相加模块，用于将所述回归预测曲线与所述初始logistic拟合曲线相加，得到优化后的logistic拟合曲线，其中，所述优化后的logistic拟合曲线的自变量为时间，因变量为用电量的优化预测值。
[0021]可选的，所述系统还包括预测模块，所述预测模块，用于根据所述优化后的logistic拟合曲线，预测所述目标区域的目标时间段的饱和用电量。
[0022]可选的，所述归一化处理模块包括第一归一化处理子模块和第二归一化处理子模块；
[0023]所述第一归一化处理子模块，用于根据第二关系式，对所述初始logistic拟合曲线进行归一化处理，所述第二关系式为：
[0024][0025]其中，表示所述目标区域的用电量的初始预测值的样本数据，表示所述目标区域的用电量的初始预测值，表示所述目标区域的用电量的初始预测值中最小值，m表示所述目标区域的初始预测值与目标区域的历史用电量相比变化本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于logistic模型的饱和用电量预测方法，其特征在于，包括：获取目标区域历史用电量数据；根据所述目标区域历史用电量数据，确定所述目标区域用电量的初始logistic拟合曲线，其中，所述初始logistic拟合曲线的自变量为时间，因变量为所述目标区域的用电量的初始预测值；根据所述初始logistic拟合曲线与所述目标区域历史用电量数据，计算得到初始差值曲线，所述初始差值曲线的自变量为时间，因变量为初始差值，其中所述初始差值是指所述目标区域的历史用电量与所述用电量的初始预测值的差值；分别对所述初始logistic拟合曲线与所述初始差值曲线进行归一化处理，获得训练样本数据集，所述训练样本数据集包括所述目标区域的用电量的初始预测值的样本数据，以及所述初始差值的样本数据；通过支持向量机对所述训练样本数据集进行训练学习，得到回归预测曲线，所述回归预测曲线自变量为时间，所述回归预测曲线的因变量为差值的预测值，所述差值的预测值是指所述目标区域的历史用电量与用电量的优化预测值的差值；将所述回归预测曲线与所述初始logistic拟合曲线相加，得到优化后的logistic拟合曲线，其中，所述优化后的logistic拟合曲线的自变量为时间，因变量为用电量的优化预测值。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：根据所述优化后的logistic拟合曲线，预测所述目标区域的目标时间段的饱和用电量。3.根据权利要求1所述的方法，其特征在于，所述根据所述目标区域历史用电量数据，确定所述目标区域用电量的初始logistic拟合曲线，包括：利用Yule算法，估算logistic拟合曲线中参数a、b、c，其中，logistic拟合曲线满足如下第一关系式：其中，t表示时间，y
t
表示目标区域的用电量的初始预测值，a、b、c表示logistic拟合曲线的参数；根据所估算的参数a、b、c，确定所述目标区域用电量的初始logistic拟合曲线。4.根据权利要求1所述的方法，其特征在于，根据第二关系式，对所述初始logistic拟合曲线进行归一化处理，所述第二关系式为：其中，表示所述目标区域的用电量的初始预测值的样本数据，表示所述目标区域的用电量的初始预测值，表示所述目标区域的用电量的初始预测值中最小值，m表示所述目标区域的初始预测值与目标区域的历史用电量相比变化率在1％以内的用电量的初始预测值。5.根据权利要求1所述的方法，其特征在于，根据第三关系式，对所述差值曲线进行归
一化处理，所述第三关系式为：其中，表示所述初始差值的样本数据，g
t
表示所述初始差值，min(g
t
)表示所述初始差值中最小值，max(g
t
)表示所述初始差值中最大值。6.根据权利要求1所述的方法，其特征在于，选择高斯型径向基核函数作为支持向量机对所述训练样本数据集进行训练学习的核函数，所述核函数的公式为：其中，K(x
i
,x
j
)表示核函数，x
i
和x
...

【专利技术属性】
技术研发人员：何琳，刘锦明，崔翔，门艳，刘芳，金梦，刘景华，
申请(专利权)人：中国电力企业联合会电力建设技术经济咨询中心，
类型：发明
国别省市：