一种基于组合预测模型的电能表库存需求预测方法技术

本发明专利技术公开了一种基于组合预测模型的电能表库存需求预测方法，涉及需求预测领域。目前，电能表年度采购普遍存在准确度不高的现象。本发明专利技术包括步骤：构建第一电能表库存需求预测模型，得到电能表库存需求预测值向量Y

A forecasting method of electric energy meter inventory demand based on combined forecasting model

【技术实现步骤摘要】
[0017]p
i
＝γ(y
i
‑
s
i
)+(1
‑
γ)p
i
‑
k
[0018]式中：y
i
为i时刻的库存需求值；y
i+h
为向前h步的预测值；s
i
为信号分量；t
i
为趋势分量；p
i
‑
k+h
为季节分量；k为季节周期长度；α为信号分量平滑参数；β为趋势分量平滑参数；γ为季节分量平滑参数。
[0019]基于预测结果，得到电能表库存需求预测值向量Y
1*
如下：
[0020]Y
1*
＝[y1,y2,...,y
T
][0021]式中：Y
1*
为库存需求预测值向量，T为预测时刻数量。
[0022]作为优选技术手段：在步骤2)中，基于电能表库存需求历史数据，对特征变量进行选取，具体如下：
[0023]基于电能表库存月度需求历史数据，选取输入回归模型的特征变量。
[0024]为评估时间特征对电能表库存需求的影响，选取历史数据的季度、月份数据，作为电能表库存需求预测的时间特征，分别表示为F
ssn
和F
mon
；为评估历史库存需求对待预测月份库存需求的影响，选取预测月前一、二、三月的库存需求，作为电能表库存需求预测的历史数据特征，分别表示为F
t
‑1、F
t
‑2和F/>t
‑3；为评估过去一段时间的需求量对待预测月份库存需求的影响，选取预测月前三个月、前半年的各月库存需求之和，作为电能表库存需求预测的历史统计特征，分别表示为F
sum3
和F
sum6
。
[0025]作为优选技术手段：在步骤3)中，构建基于XGBoost算法的电能表库存需求预测模型，具体如下：
[0026]以步骤2)中获取的特征变量作为第i个样本的特征，记为x
i
；以电能表库存需求值作为第i个样本的标签，记为y
i
；将训练集数据T＝{(x1,y1),(x2,y2),
…
,(x
i
,y
i
),
…
,(x
n
,y
n
)}作为输入，基于XGBoost算法对未来一年各月电能表库存需求进行回归分析；
[0027]XGBoost通过添加树，拟合最后预测的残差来学习新功能，然后获得样本得分，通过将每棵树的分数相加，可以得出样本的最终预测分数；通过遍历数据特征选择最优切分变量和切分点构建回归树，再通过以下函数构建模型：
[0028][0029]式中：K表示回归树的个数；f
k
(x
i
)是其中一个回归树；为第i个样本的预测值；
[0030]模型的目标函数定义为：
[0031][0032][0033]式中：l为损失函数，表示预测值与实际值的差距；Ω为正则化项；w为叶子结点的权重；T为叶子节点个数；γ和λ为防止过度拟合的控制系数。
[0034]基于预测结果，得到电能表库存需求预测值向量Y
2*
如下：
[0035][0036]式中：Y
2*
为库存需求预测值向量。
[0037]有益效果：在本技术方案中，一方面通过指数平滑中的Holt
‑
Winters法捕捉历史数据中的周期性特征，可以对电表库存数据随季度、月份等出现的周期性波动进行有效的
预测；另一方面基于XGBoost算法捕捉库存需求与历史数据之间的回归关系，充分考虑过去一段时间内库存数据变化对预测值的影响。本技术方案采用组合预测的方法，综合了以上两种预测算法的优势，使预测数据既符合历史数据的周期性波动趋势，又能根据不同情况下实际数据的变化情况进行差异化的预测，相比于传统的按照经验的预测方法，本技术方案所提方法治理更加准确，可实现对未来一年内各月电能表的库存需求的有效预测预测，为实际工作中的电表轮换计划制定、电表采购等提供支撑。
附图说明
[0038]图1是本专利技术的流程图。
[0039]图2是本专利技术的预测效果对比图。
具体实施方式
[0040]以下结合说明书附图对本专利技术的技术方案做进一步的详细说明。如图1所示，本专利技术包括如下步骤：
[0041]S10：构建基于Holt
‑
Winters法的电能表库存需求预测模型：
[0042]y
i+h
＝s
i
+ht
i
+p
i
‑
k+h
[0043]s
i
＝α(y
i
‑
p
i
‑
k
)+(1
‑
α)(s
i
‑1+t
i
‑1)
[0044]t
i
＝β(s
i
‑
s
i
‑1)+(1
‑
β)t
i
‑1[0045]p
i
＝γ(y
i
‑
s
i
)+(1
‑
γ)p
i
‑
k
[0046]式中：y
i
为i时刻的库存需求值；y
i+h
为向前h步的预测值；s
i
为信号分量；t
i
为趋势分量；p
i
‑
k+h
为季节分量；k为季节周期长度；α为信号分量平滑参数；β为趋势分量平滑参数；γ为季节分量平滑参数。
[0047]S20：基于电能表库存需求历史数据，对特征变量进行选取：
[0048]基于电能表库存月度需求历史数据，选取输入回归模型的特征变量。
[0049]为评估时间特征对电能表库存需求的影响，选取历史数据的季度、月份数据，作为电能表库存需求预测的时间特征，分别表示为F
ssn
和F
mon
；为评估历史库存需求对待预测月份库存需求的影响，选取预测月前一、二、三月的库存需求，作为电能表库存需求预测的历史数据特征，分别表示为F
t
‑1、F
t
‑2和F
t
‑3；为评估过去一段时间的需求量对待预测月份库存需求的影响，选取预测月前三个月、前半年的各月库存需求之和，作为电能表库存需求预测的历史统计特征，分别表示为F
sum3
和F
sum6
。
[0050]S30：构建基于XGBoost算法的电能表库存需求预测模型：
[0051]以步骤2)中获取的特征变量作为第i个样本的特征，记本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于组合预测模型的电能表库存需求预测方法，其特征在于包括以下步骤：1)构建基于Holt
‑
Winters法的第一电能表库存需求预测模型，得到电能表库存需求预测值向量Y
1*
；2)基于电能表库存需求历史数据，对特征变量进行选取；3)根据选取的特征变量，构建基于XGBoost算法的第二电能表库存需求预测模型，得到的电能表库存需求预测值向量Y
2*
；4)构建电能表库存需求组合预测模型：采用线性回归法，并基于步骤1)中第一电能表库存需求预测模型得到电能表库存需求预测值向量Y
1*
和步骤3)中第二电能表库存需求预测模型得到的电能表库存需求预测值向量Y
2*
作为电能表库存需求组合预测模型的自变量，将实际库存需求值Y作为因变量进行线性回归分析，训练得到电能表库存需求组合预测模型的线性回归方程，构建电能表库存需求组合预测模型，确定表达式如下：式中：Y
*
为库存需求预测值；φ1、φ2分别为Y
1*
和Y
2*
的权重系数，由训练得到，φ0为常数项；5)基于线性回归方程，计算未来时段的库存需求。2.根据权利要求1所述的一种基于组合预测模型的电能表库存需求预测方法，其特征在于：步骤1)中构建基于Holt
‑
Winters法的电能表库存需求预测模型，具体如下：y
i+h
＝s
i
+ht
i
+p
i
‑
k+h
s
i
＝α(y
i
‑
p
i
‑
k
)+(1
‑
α)(s
i
‑1+t
i
‑1)t
i
＝β(s
i
‑
s
i
‑1)+(1
‑
β)t
i
‑1p
i
＝γ(y
i
‑
s
i
)+(1
‑
γ)p
i
‑
k
式中：y
i
为i时刻的库存需求值；y
i+h
为向前h步的预测值；s
i
为信号分量；t
i
为趋势分量；p
i
‑
k+h
为季节分量；k为季节周期长度；α为信号分量平滑参数；β为趋势分量...

【专利技术属性】
技术研发人员：王伟峰，董寒宇，费晓明，开馨，沈亚萍，韩蕾，侯艳琼，赵紫玉，侯加庆，周丹，
申请(专利权)人：国网浙江省电力有限公司湖州供电公司浙江华云信息科技有限公司国家电网有限公司，
类型：发明
国别省市：