System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力物资预测,尤其涉及一种电力物资需求预测方法、装置、终端及存储介质。
技术介绍
1、随着电力行业的不断发展,电力物资的需求预测越来越受到关注,而电力物资的供给与需求之间的协调关系直接影响到整个电力行业的发展。一般电力供应管理与分配都是由电网公司来承担,这一过程中常存在供需不平衡问题。电力储备过剩或不足会带来库存过多、经济损失等一系列问题,所以构建精度较高的电力物资需求预测模型具有重要的有实际意义。
2、常见的电力物资需求预测模型主要有回归分析模型、时间序列模型等,然而这些模型都存在一定的不足,如时间序列模型只能考虑时序因素对需求的影响,难以反映出其他复杂因素对需求的影响,而回归分析模型需确定大量的影响因素及其权重,模型复杂性高且容易受到噪声的影响。因此,目前的电力物资需求预测模型普遍存在精度低、波动大等问题,难以满足电力行业的需求。
技术实现思路
1、本专利技术实施例提供了一种电力物资需求预测方法、装置、终端及存储介质,以解决现有需求预测模型精度低、波动大、难以满足电力行业的需求的问题。
2、第一方面,本专利技术实施例提供了一种电力物资需求预测方法,包括:
3、基于历史电力物资需求数据的时序特征,训练得到基于时间序列的第一需求预测模型;
4、基于历史电力物资需求数据的影响因素特征,训练得到至少一个第二需求预测模型,每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型;
5、基于最大
6、基于所述组合预测模型对目标电力物资的需求进行预测。
7、在一种可能的实现方式中,基于历史电力物资需求数据的时序特征,训练得到基于时间序列的第一需求预测模型,包括:
8、对历史电力物资需求数据进行趋势性、周期性和季节性分解,并去除所述历史电力物资需求数据中的非系统性噪声和异常值,获得训练集;
9、根据所述训练集,拟合季节性自回归移动平均模型中的非季节性系数和季节性系数,获得初始第一需求预测模型;
10、检验所述初始第一需求预测模型的残差序列是否符合白噪声假设;
11、在所述残差序列符合白噪声假设时,将所述初始第一需求预测模型确定为第一需求预测模型。
12、在一种可能的实现方式中,基于历史电力物资需求数据的影响因素特征,训练得到至少一个第二需求预测模型,包括:
13、对所述历史电力物资需求数据按照影响因素特征进行聚类,按照聚类结果将所述历史电力物资需求数据划分为多个子训练集;
14、根据每个子训练集,对预设神经网络模型或预设分类器模型进行训练,得到每个子训练集对应的第二需求预测模型。
15、在一种可能的实现方式中,在基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型之前,还包括:
16、计算目标电力物资的特征数据与每个子训练集对应的聚类中心的距离;
17、根据所述距离筛选小于预设距离阈值的子训练集对应的第二需求预测模型作为目标第二需求预测模型;
18、基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型,包括:
19、基于最大信息熵原理对所述第一需求预测模型和每个所述目标第二需求预测模型进行组合,获得组合预测模型。
20、在一种可能的实现方式中,基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型,包括:
21、获取目标电力物资在历史参考时刻的历史实际需求值、利用所述第一需求预测模型对目标电力物资进行预测的第一当前预测值以及对目标电力物资的历史参考时刻进行预测的第一历史参考预测值、利用每个所述第二需求预测模型对目标电力物资进行预测的第二当前预测值以及对目标电力物资的历史参考时刻进行预测的第二历史参考预测值;
22、根据所述历史实际需求值和对应的第一历史参考预测值,计算得到目标电力物资在所述第一需求预测模型下的第一各阶中心矩;
23、根据所述历史实际需求值和每个所述第二需求预测模型对应的第二历史参考预测值,计算得到目标电力物资在每个所述第二需求预测模型下的第二各阶中心矩;
24、将所述第一当前预测值作为目标电力物资在所述第一需求预测模型下的第一均值,将每个所述第二当前预测值作为目标电力物资在每个所述第二需求预测模型下的第二均值,以所述第一均值及对应的第一各阶中心矩、每个所述第二均值及对应的第二各阶中心矩作为目标电力物资的概率分布约束信息,基于最大信息熵原理在所述概率分布约束信息下对所述第一需求预测模型和每个所述第二需求预测模型的权重进行求解;
25、根据求解结果对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型。
26、在一种可能的实现方式中,在基于所述组合预测模型对目标电力物资的需求进行预测之后,还包括:
27、根据所述历史电力物资需求数据的时间跨度设定窗口尺寸;
28、按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据;
29、根据所述更新样本数据分别对所述第一需求预测模型和每个所述第二需求预测模型进行更新;
30、基于最大信息熵原理对更新的第一需求预测模型和更新的每个第二需求预测模型进行组合,获得更新的组合预测模型。
31、在一种可能的实现方式中,在按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据之前,还包括:
32、基于均方根误差、平均绝对误差、相对误差和r平方对所述组合预测模型的预测结果的准确度进行综合评价;
33、按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据,包括:
34、在所述综合评价结果表征所述组合预测模型的预测结果的准确度小于预设准确度阈值时,按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据。
35、第二方面,本专利技术实施例提供了一种电力物资需求预测装置,包括:
36、第一训练模块,用于基于历史电力物资需求数据的时序特征,训练得到基于时间序列的第一需求预测模型;
37、第二训练模块,用于基于历史电力物资需求数据的影响因素特征,训练得到至少一个第二需求预测模型,每个所述第二需求预测模型为基于神经网络的需求预测模型或基于分类器的需求预测模型;
38、组合模块,用于基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型;
39、预测模块,用于基于所述组合预测模型对目标电力物资的需求进行预测。
40、第三方面,本专利技术实施例提供了一种终端,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储本文档来自技高网...
【技术保护点】
1.一种电力物资需求预测方法,其特征在于,包括:
2.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于历史电力物资需求数据的时序特征,训练得到基于时间序列的第一需求预测模型,包括:
3.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于历史电力物资需求数据的影响因素特征,训练得到至少一个第二需求预测模型,包括:
4.根据权利要求3所述的电力物资需求预测方法,其特征在于,在基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型之前,还包括:
5.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型,包括:
6.根据权利要求1-5任一项所述的电力物资需求预测方法,其特征在于,在基于所述组合预测模型对目标电力物资的需求进行预测之后,还包括:
7.根据权利要求6所述的电力物资需求预测方法,其特征在于,在按照所述窗口尺寸获取新的电力物资需求数据作为更新样本数据之前,还包括
8.一种电力物资需求预测装置,其特征在于,包括:
9.一种终端,其特征在于,包括存储器和处理器,所述存储器用于存储计算机程序,所述处理器用于调用并运行所述存储器中存储的计算机程序,执行如权利要求1至7中任一项所述的方法。
10.一种计算机可读存储介质,所述计算机可读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如上的权利要求1至7中任一项所述方法的步骤。
...【技术特征摘要】
1.一种电力物资需求预测方法,其特征在于,包括:
2.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于历史电力物资需求数据的时序特征,训练得到基于时间序列的第一需求预测模型,包括:
3.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于历史电力物资需求数据的影响因素特征,训练得到至少一个第二需求预测模型,包括:
4.根据权利要求3所述的电力物资需求预测方法,其特征在于,在基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型之前,还包括:
5.根据权利要求1所述的电力物资需求预测方法,其特征在于,基于最大信息熵原理对所述第一需求预测模型和每个所述第二需求预测模型进行组合,获得组合预测模型,包括:<...
【专利技术属性】
技术研发人员:布力,莫爵曦,周昉昉,刘晔,林嘉鑫,王永利,
申请(专利权)人:广东电网有限责任公司信息中心,
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。