一种代理购电电量的预测方法

技术领域

本发明涉及用电管理领域，具体涉及一种代理购电电量的预测方法。

背景技术

传统的电量预测方法包括灰色预测模型、ARIMA、指数平滑等，其中灰度算法目前为电力行业中应用较为广泛的电量预测方法，它具有以下几个优点：不需要大量样本、样本不需要有规律分布、计算工作量小。月度电量预测受诸多复杂因素的影响，如经济因素、政策因素、季节因素、气候因素等，其中经济因素与用电量的相关度最高，如今中国经济发展有高速度转向高质量，各地区月度用电量的变化也呈现差异性和多样性，这给众多电量预测方法的通用性和预测准确度带来挑战。针对这一现象，文献《基于灰色预测和随机森林组合算法的电量预测》提出了一种基于灰色预测和随机森林的组合电量预测方法，充分利用两种算法的优点，建立电量预测模型。首先利用灰色预测方法通过历史电量数据进行电量初步预测；其次再利用经济指标数据，通过随机森林算法对初步预测的用电量进行修正，以达到最佳的用电量预测效果。

但是，单纯的灰度算法存在一定的缺点：灰色预测能够短期范围内预测准确信息，但是如果时间拉长，将会降低准确度；灰色预测是通过往年对应月的月电量来依次推测目标月的月用电量，如采用全部月用电量直接外推目标年度的全部月用电量，预测精度会有所下降；灰色预测缺乏对政策、疫情等突发因素的考量，具有一定局限性。因此，本领域技术人员提供了一种代理购电电量的预测方法，以解决上述背景技术中提出的问题。

发明内容

为解决上述技术问题，本发明提供一种代理购电电量的预测方法，包括如下几个步骤：

(1)确定预测对象；

(2)收集相关历史数据与外部影响因素数据；

(3)对海量数据进行异常数据辨识与修正；

(4)识别影响预测结果的相关因素；

(5)建立尽量完备的预测模型库；

(6)辨识预测对象的历史规律，选择适当的预测模型，并对模型参数进行迭代寻优；

(7)基于多种优选模型建立综合预测模型；

(8)综合预测模型的预测结果进行后评估并迭代优化。

优选的：确定预测对象通过从电力营销业务应用系统获取基础数据，收集整理代理购电相关文件，梳理代理购电业务全流程，按照用户用电分类、市场化属性等标识统计全省用户信息，归纳影响代理购电月电量预测的用户类别。

优选的：对海量数据进行异常数据辨识与修正采用随机抽样法验证数据准确率，包括现场数据校核、系统数据校核，现场数据校核，采用随机验证法随机选取1500个用户，在地市公司营销员工的积极配合下，完成用户电力营销业务应用系统与现场数据校核工作，并参考电力用户用电信息采集系统数据得到数据校核结果；

系统数据校核，随机选取5类用户共计4000个用户，验证电量抽取的成功率。

优选的：建立尽量完备的预测模型库包括抽取用户用电量数据，通过电力营销应用系统，统计近三年各类用户用电量明细，获取电量预测的基础数据。

优选的：预测模型包括灰色预测电量模型、遗传算法预测电量模型，编写灰色预测电量模型，结合3类数据进行算法的贯通性测试，继而实现灰色预测电量模型算法搭建；编写遗传算法预测电量模型，结合3类数据进行算法的贯通性测试，继而实现遗传算法预测电量模型搭建。

本发明的技术效果和优点：

本发明提出一种代理购电月电量的预测模型，即在灰度预测基础上结合人工智能算法——遗传算法，在求解较为复杂的组合问题时，能够较快地获得优化结果，提升算法精度。若能通过遗传算法，结合历年政策、疫情等突发因素对灰色预测进行优化，则可以进一步提升灰色预测模型在代理购电月电量预测上的精准度。

附图说明

图1是本申请提供的用户明细需求表；

图2是本申请提供的数据校核结果；

图3是本申请提供的数据校核准确率；

图4是本申请提供的电量数据抽取结果；

图5是本申请提供的电量数据抽取成功率；

图6是本申请提供的2019年用户用电量明细；

图7是本申请提供的2020年用户用电量明细；

图8是本申请提供的2021年用户用电量明细；

图9是本申请提供的2019-2021年电网企业代理工商业用户电量趋势；

图10是本申请提供的基础数据组；

图11是本申请提供的灰色预测电量模型贯通性情况；

图12是本申请提供的遗传算法预测电量模型贯通性情况；

图13是本申请提供的融合模型贯通性情况；

图14是本申请提供的整体试运行检验情况；

图15是本申请提供的试运行误差曲线；

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。

请参阅图1～15，在本实施例中提供一种代理购电电量的预测方法，包括如下几个步骤：

(1)确定预测对象；

(2)收集相关历史数据与外部影响因素数据；

从电力营销业务应用系统获取基础数据，确定用户明细，收集整理代理购电相关文件，梳理代理购电业务全流程，按照用户用电分类、市场化属性等标识统计全省用户信息，归纳影响代理购电月电量预测的用户类别，共10类，如图1所示。

(3)对海量数据进行异常数据辨识与修正；

随机抽样法验证数据准确率，现场数据校核，对上述各类型用户，采用随机验证法随机选取1500个用户，在地市公司营销员工的积极配合下，完成用户电力营销业务应用系统与现场数据校核工作，并参考电力用户用电信息采集系统数据得到数据校核结果，如图2所示，电力营销业务应用系统的数据准确率达到99.93％。

(4)识别影响预测结果的相关因素；

(5)建立尽量完备的预测模型库；

通过电力营销应用系统，统计近三年各类用户用电量明细，获取电量预测的基础数据，如图6、图7、图8所示，表中电量单位均为亿千瓦时。

(6)辨识预测对象的历史规律，选择适当的预测模型，并对模型参数进行迭代寻优；

编写灰色预测电量模型。结合图10中3类数据进行算法的贯通性测试，继而实现灰色预测电量模型算法搭建，灰色预测电量模型贯通性情况如图11所示。

编写遗传算法预测电量模型。结合图10中3类数据进行算法的贯通性测试，继而实现遗传算法预测电量模型搭建，遗传算法预测电量模型贯通性情况如图12所示。

(7)基于多种优选模型建立综合预测模型；

基于上述两种算法的优缺点，结合工作实际情况，对两个模型进行融合，融合模型贯通性情况如图13所示。

对灰度与遗传算法进行深入研究，按照电量预测目标完成两种算法的建模与融合工作。分别完成多组数据贯通性测试，三种电量预测算法模型的贯通率均达到100％。

(8)综合预测模型的预测结果进行后评估并迭代优化。

整体试运行检验，分别采用连续12-30个月售电量实际情况，预测2021年10月一般工商业、大工业月售电量，2021年10月大工业、一般工商业及其他实际售电量分别为12.1101亿千瓦时、23.9105亿千瓦时。经测试，分项电量预测准确率均在设定的标准值内，符合目标要求。如图14和图15所示。

显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。本发明中未具体描述和解释说明的结构、装置以及操作方法，如无特别说明和限定，均按照本领域的常规手段进行实施。