[go: up one dir, main page]

CN111507607A - 日电量预测方法、装置、计算机设备和介质 - Google Patents

日电量预测方法、装置、计算机设备和介质 Download PDF

Info

Publication number
CN111507607A
CN111507607A CN202010287356.3A CN202010287356A CN111507607A CN 111507607 A CN111507607 A CN 111507607A CN 202010287356 A CN202010287356 A CN 202010287356A CN 111507607 A CN111507607 A CN 111507607A
Authority
CN
China
Prior art keywords
factor
time
trend
load data
seasonal variation
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010287356.3A
Other languages
English (en)
Inventor
原野
耿贞伟
李辉
高宇豆
张莉娜
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Information Center of Yunnan Power Grid Co Ltd
Original Assignee
Information Center of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Information Center of Yunnan Power Grid Co Ltd filed Critical Information Center of Yunnan Power Grid Co Ltd
Priority to CN202010287356.3A priority Critical patent/CN111507607A/zh
Publication of CN111507607A publication Critical patent/CN111507607A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06315—Needs-based resource requirements planning or analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种日电量预测方法，包括：采集用户的历史用电负荷数据；基于霍尔特‑温特方法解析用电负荷数据并建立预测模型；基于预测模型生成电力调度方案。根据解析用户的历史用电负荷数据，深入历史用电负荷数据中隐藏的用户用电规律，利用预测模型生成电力调度方案，进而能够对不同的客户提供多样化、差异化的服务，具有较强的针对性。

Description

日电量预测方法、装置、计算机设备和介质
技术领域
本发明涉及配电领域，特别是涉及一种日电量预测方法、装置、计算机设备和介质。
背景技术
在电力体质改革的背景下，配售电服务将逐步放开，实现市场化，客户资源将成为配售电市场争夺的对象；对供电公司而言，提升客户服务质量是争夺客户资源的有力手段。
随着电力客户服务需求越来越多样化，传统“被动式”客户服务模式已经不能适应客户不断变化的服务要求，电力客户越来越需要电网企业提供多样化、差异化的服务，因此，对供电服务的期望值越来越高，对电网企业提供服务的要求也越来越多。但目前电网企业对于客户的针对性仍然比较弱，难以进行多样化、差异化的服务。
发明内容
基于此，有必要针对上述技术问题，提供一种日电量预测方法、装置、计算机设备和介质，其具有能够深入分析用户的用电需求的效果。
一种日电量预测方法，包括：
采集用户的历史用电负荷数据；
基于霍尔特-温特方法解析所述用电负荷数据并建立预测模型；
基于所述预测模型生成电力调度方案。
在其中一个实施例中，基于霍尔特-温特方法解析所述用电负荷数据并建立所述预测模型具体包括：
分解所述历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
基于所述趋势因子U、所述趋势增量因子b、所述季节变动因子F与指数平滑法形成预测公式以建立预测模型。
在其中一个实施例中，t时刻的所述趋势因子U计算公式如下所示：
Figure BDA0002449035410000021
其中，t为时间；
α为平滑系数；
L为季节长度或时间周期；
dt为t时刻的所述电负荷数据实际值d；
Ft-L为t-L时刻的所述季节变动因子F；
Ut-l为t-l时刻的所述趋势因子U；
bt-1为t-l时刻的所述趋势增量因子b。
在其中一个实施例中，t时刻的所述趋势增量因子b计算公式如下所示：
bt＝β(Ut-Ut-1)+(1-β)bt-1
其中，t为时间；
β为平滑系数；
Ut为t时刻的所述趋势因子U，Ut-l为t-l时刻的所述趋势因子U；
bt-1为t-l时刻的所述趋势增量因子b。
在其中一个实施例中，t时刻的所述季节变动因子F计算公式如下所示：
Figure BDA0002449035410000031
其中，t为时间；
γ为平滑系数；
dt为t时刻的所述电负荷数据实际值d；
Ut为t时刻的所述趋势因子U；
Ft-L为t-L时刻的所述季节变动因子F。
在其中一个实施例中，所述预测公式如下：
Ft+m＝(Ut+mbt)Ft-L+m
其中，m为要预测的时刻距离现在时刻的时刻间隔数；
Ft为t时刻的所述季节变动因子F，Ft-L为t-L时刻的所述季节变动因子F；
Ut为t时刻的所述趋势因子U；
bt为t时刻的所述趋势增量因子b。
本发明提供一种日电量预测装置，所述装置包括：
数据采集模块，用于采集用户的历史用电负荷数据；
数据处理模块，用于基于霍尔特-温特方法解析所述用电负荷数据并建立预测模型；
方案生成模块，用于基于所述预测模型生成电力调度方案。
在其中一个实施例中，所述数据处理模块包括：
数据分解模块，用于分解所述历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
模型建立模块，用于基于所述趋势因子U、所述趋势增量因子b、所述季节变动因子F与指数平滑法形成预测公式以建立预测模型。
本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明具有以下有益效果：
根据解析用户的历史用电负荷数据，深入历史用电负荷数据中隐藏的用户用电规律，利用预测模型生成电力调度方案，进而能够对不同的客户提供多样化、差异化的服务，具有较强的针对性。
附图说明
图1为一个实施例中日电量预测方法的流程示意图；
图2为一个实施例中日电量预测装置的结构框图；
图3为另一个实施例中日电量预测装置的结构框图；
图4为一个实施例中计算机设备的内部结构图。
附图标记：10、数据采集模块；20、数据处理模块；21、数据分解模块；22、模型建立模块；30、方案生成模块。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的首选实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
在本发明的描述中，需要理解的是，术语“上”、“下”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方法或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在电力体质改革的背景下，配售电服务将逐步放开，实现市场化，客户资源将成为配售电市场争夺的对象；对供电公司而言，提升客户服务质量是争夺客户资源的有力手段。
随着电力客户服务需求越来越多样化，传统“被动式”客户服务模式已经不能适应客户不断变化的服务要求，电力客户越来越需要电网企业提供多样化、差异化的服务，因此，对供电服务的期望值越来越高，对电网企业提供服务的要求也越来越多。但目前电网企业对于客户的针对性仍然比较弱，难以进行多样化、差异化的服务。
基于此，本发明针对上述问题提供了一种日电量预测方法，如图1所示，具体包括以下步骤：
步骤S10：采集用户的历史用电负荷数据。
步骤S20：基于霍尔特-温特方法解析用电负荷数据并建立预测模型。
步骤S30：基于预测模型生成电力调度方案。
在一个可选的实施例中，对于步骤S10，具体的，对用户的历史用电负荷数据进行采集，可以包括，以自然月为单位，统计近一年内日用电量的趋势变化；或以星期为单位统计日用电量周规律特征。采集到的历史用电负荷数据生成的统计图表支持按图片/数据表的方式导出。
在一个可选的实施例中，对于步骤S20，具体包括以下步骤：
步骤S201：分解历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F。
步骤S202：基于趋势因子U、趋势增量因子b、季节变动因子F与指数平滑法形成预测公式以建立预测模型。
具体的，霍尔特-温特方法的基本思想是把具体线性趋势、季节变动和随机变动的时间序列进行分解研究，并与指数平滑法相结合，分别对t时刻的趋势因子U、趋势增量因子b及季节变动因子F做出估计，然后建立预测模型，从而达到外推预测指的目的。该方法是把具有线性趋势、季节性变动和不规则变动的时间序列进行分解，与指数平滑法结合起来的预测方法。
在一个可选的实施例中，t时刻的趋势因子U的计算公式如下所示：
Figure BDA0002449035410000061
其中，t为时间，α为平滑系数；L为季节长度或时间周期；dt为t时刻的电负荷数据实际值d；Ft-L为t-L时刻的季节变动因子F；Ut-l为t-l时刻的趋势因子U；bt-1为t-l时刻的趋势增量因子b。公式(1)计算得到的Ut为t时刻除去了季节变化影响的时间序列指数平滑平均数，通过季节变动因子Ft-L的修正，消除了电负荷数据实际值d中季节变化的影响。
在另一个可选的实施例中，t时刻的趋势增量因子b计算公式如下所示：
bt＝β(Ut-Ut-1)+(1-β)bt-1 (2)
其中，t为时间；β为平滑系数；Ut为t时刻的趋势因子U，Ut-l为t-l时刻的趋势因子U；bt-1为t-l时刻的趋势增量因子b。公式(2)计算得到的bt为t时刻时间序列变化趋势的指数平滑平均数，利用趋势增量因子bt-1对前一刻平均数Ut-l进行修正，并用Ut-Ut-l与上期趋势增量因子bt-1进行加权平均，作为趋势增量的估计，进一步改善了指数平滑结果的准确性。
在其他可选的实施例中，t时刻的季节变动因子F计算公式如下所示：
Figure BDA0002449035410000071
其中，t为时间；γ为平滑系数；dt为t时刻的电负荷数据实际值d；Ut为t时刻的趋势因子U；Ft-L为t-L时刻的季节变动因子F。通过公式(3)计算得到的Ft为t时刻季节因子的指数平滑平均数，通过给季节变动因子F乘以系数γ(0<γ<1)，进一步改善了季节变动因子F对预测结果的影响。
在一个可选的实施例中，预测公式如下所示：
Ft+m＝(Ut+mbt)Ft-L+m (4)
其中，m为要预测的时刻距离现在时刻的时刻间隔数；Ft为t时刻的季节变动因子F，Ft-L为t-L时刻的季节变动因子F；Ut为t时刻的趋势因子U；bt为t时刻的趋势增量因子b。对于预测公式中的Ut、bt及Ft，分别通过公式(1)、公式(2)及公式(3)的处理，使得预测结果更加精确。公式(1)计算得到的Ut为t时刻除去了季节变化影响的时间序列指数平滑平均数，通过季节变动因子Ft-L的修正，消除了电负荷数据实际值d中季节变化的影响；公式(2)计算得到的bt为t时刻时间序列变化趋势的指数平滑平均数，利用趋势增量因子bt-1对前一刻平均数Ut-l进行修正，并用Ut-Ut-l与上期趋势增量因子bt-1进行加权平均，作为趋势增量的估计，进一步改善了指数平滑结果的准确性；通过公式(3)计算得到的Ft为t时刻季节因子的指数平滑平均数，通过给季节变动因子F乘以系数γ(0<γ<1)，进一步改善了季节变动因子F对预测结果的影响。
在一个可选的实施例中，α、β、γ均为在(0,1)之间取值的平滑系数，且使得电负荷数据满足一下条件：
Figure BDA0002449035410000081
平滑系数α、β、γ的选取不同，必然会导致预测结果的不可靠性。有人提出了“最优平滑系数”的思想，利用计算机编程，通过穷举3个平滑系数(从0.01到0.99)的任意组合，分别根据其做出相应的预测，并通过这些计算结果计算出相对误差值的平方和，从中选取最小的相对误差值平方和所对应的平滑系数作为“最优平滑系数”。
确定平滑系数值之后，还需要确定预测的初始趋势因子U0、初始趋势增量因子b0及初始季节变动因子F0，本申请采用如下公式来确定：
Figure BDA0002449035410000082
Figure BDA0002449035410000083
将计算得出的初始平滑因子代入公式(1)～(5)，每次分别计算出t时刻的趋势因子Ut、t时刻的趋势增量因子bt、t时刻的季节变动因子Ft及预测值Ft+m。
在一个可选的实施例中个，对于步骤S30，具体的，通过计算获得的t时刻的趋势因子Ut、t时刻的趋势增量因子bt、t时刻的季节变动因子Ft及预测值Ft+m，生成具有针对性的电力调度方案，辅助相关工作人员进行电力调度，提升客户满意度。
通过上述技术方案，能够根据解析用户的历史用电负荷数据，深入历史用电负荷数据中隐藏的用户用电规律，利用预测模型生成电力调度方案，进而能够对不同的客户提供多样化、差异化的服务，具有较强的针对性。
如图2所示，本申请还提供一种日电量预测装置，具体包括：
数据采集模块10，用于采集用户的历史用电负荷数据；
数据处理模块20，用于基于霍尔特-温特方法解析用电负荷数据并建立预测模型；
方案生成模块30，用于基于预测模型生成电力调度方案。
对于数据采集模块10，在一个可选的实施例中，具体的数据采集模块10对用户的历史用电负荷数据进行采集，可以包括，以自然月为单位，统计近一年内日用电量的趋势变化；或以星期为单位统计日用电量周规律特征。采集到的历史用电负荷数据生成的统计图表支持按图片/数据表的方式导出。
如图3所示，在一个可选的实施例中，数据处理模块20包括数据分解模块21和模型建立模块22，数据分解模块21，用于分解历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；模型建立模块22，用于基于趋势因子U、趋势增量因子b、季节变动因子F与指数平滑法形成预测公式以建立预测模型。数据处理模块20基于霍尔特-温特方法，把具体线性趋势、季节变动和随机变动的时间序列进行分解研究，并与指数平滑法相结合，分别对t时刻的趋势因子U、趋势增量因子b及季节变动因子F做出估计，然后建立预测模型，从而达到外推预测指的目的。该方法是把具有线性趋势、季节性变动和不规则变动的时间序列进行分解，与指数平滑法结合起来的预测方法。
数据处理模块20通过上述实施例中的预测公式获得预测值Ft+m，对于预测公式中的Ut、bt及Ft，分别通过公式(1)、公式(2)及公式(3)的处理，使得预测结果更加精确。公式(1)计算得到的Ut为t时刻除去了季节变化影响的时间序列指数平滑平均数，通过季节变动因子Ft-L的修正，消除了电负荷数据实际值d中季节变化的影响；公式(2)计算得到的bt为t时刻时间序列变化趋势的指数平滑平均数，利用趋势增量因子bt-1对前一刻平均数Ut-l进行修正，并用Ut-Ut-l与上期趋势增量因子bt-1进行加权平均，作为趋势增量的估计，进一步改善了指数平滑结果的准确性；通过公式(3)计算得到的Ft为t时刻季节因子的指数平滑平均数，通过给季节变动因子F乘以系数γ(0<γ<1)，进一步改善了季节变动因子F对预测结果的影响。
在一个可选的实施例中，方案生成模块30通过计算获得的t时刻的趋势因子Ut、t时刻的趋势增量因子bt、t时刻的季节变动因子Ft及预测值Ft+m，生成具有针对性的电力调度方案，辅助相关工作人员进行电力调度，提升客户满意度。
日电量预测装置能够根据解析用户的历史用电负荷数据，深入历史用电负荷数据中隐藏的用户用电规律，利用预测模型生成电力调度方案，进而能够对不同的客户提供多样化、差异化的服务，具有较强的针对性。
上述日电量预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种日电量预测方法。
本领域技术人员可以理解，图4中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现以下步骤：
步骤A：采集用户的历史用电负荷数据；
步骤B：基于霍尔特-温特方法解析用电负荷数据并建立预测模型；
步骤C：基于预测模型生成电力调度方案。
在一个实施例中，处理器执行步骤B时具体实现以下步骤：
步骤B1：分解历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
步骤B2：基于趋势因子U、趋势增量因子b、季节变动因子F与指数平滑法形成预测公式以建立预测模型。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
步骤A：采集用户的历史用电负荷数据；
步骤B：基于霍尔特-温特方法解析用电负荷数据并建立预测模型；
步骤C：基于预测模型生成电力调度方案。
在一个实施例中，处理器执行步骤B时具体实现以下步骤：
步骤B1：分解历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
步骤B2：基于趋势因子U、趋势增量因子b、季节变动因子F与指数平滑法形成预测公式以建立预测模型。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种日电量预测方法，其特征在于，包括：
采集用户的历史用电负荷数据；
基于霍尔特-温特方法解析所述用电负荷数据并建立预测模型；
基于所述预测模型生成电力调度方案。
2.根据权利要求1所述的日电量预测方法，其特征在于，基于霍尔特-温特方法解析所述用电负荷数据并建立所述预测模型具体包括：
分解所述历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
基于所述趋势因子U、所述趋势增量因子b、所述季节变动因子F与指数平滑法形成预测公式以建立预测模型。
3.根据权利要求2所述的日电量预测方法，其特征在于，t时刻的所述趋势因子U计算公式如下所示：
Figure FDA0002449035400000011
其中，t为时间；
α为平滑系数；
L为季节长度或时间周期；
dt为t时刻的所述电负荷数据实际值d；
Ft-L为t-L时刻的所述季节变动因子F；
Ut-l为t-l时刻的所述趋势因子U；
bt-1为t-l时刻的所述趋势增量因子b。
4.根据权利要求2所述的日电量预测方法，其特征在于，t时刻的所述趋势增量因子b计算公式如下所示：
bt＝β(Ut-Ut-1)+(1-β)bt-1
其中，t为时间；
β为平滑系数；
Ut为t时刻的所述趋势因子U，Ut-l为t-l时刻的所述趋势因子U；
bt-1为t-l时刻的所述趋势增量因子b。
5.根据权利要求2所述的日电量预测方法，其特征在于，t时刻的所述季节变动因子F计算公式如下所示：
Figure FDA0002449035400000021
其中，t为时间；
γ为平滑系数；
dt为t时刻的所述电负荷数据实际值d；
Ut为t时刻的所述趋势因子U；
Ft-L为t-L时刻的所述季节变动因子F。
6.根据权利要求2所述的日电量预测方法，其特征在于，所述预测公式如下：
Ft+m＝(Ut+mbt)Ft-L+m
其中，m为要预测的时刻距离现在时刻的时刻间隔数；
Ft为t时刻的所述季节变动因子F，Ft-L为t-L时刻的所述季节变动因子F；
Ut为t时刻的所述趋势因子U；
bt为t时刻的所述趋势增量因子b。
7.一种日电量预测装置，其特征在于，所述装置包括：
数据采集模块，用于采集用户的历史用电负荷数据；
数据处理模块，用于基于霍尔特-温特方法解析所述用电负荷数据并建立预测模型；
方案生成模块，用于基于所述预测模型生成电力调度方案。
8.根据权利要求7所述的日电量预测装置，其特征在于，所述数据处理模块包括：
数据分解模块，用于分解所述历史用电负荷数据以获得趋势因子U、趋势增量因子b及季节变动因子F；
模型建立模块，用于基于所述趋势因子U、所述趋势增量因子b、所述季节变动因子F与指数平滑法形成预测公式以建立预测模型。
9.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
CN202010287356.3A 2020-04-13 2020-04-13 日电量预测方法、装置、计算机设备和介质 Pending CN111507607A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010287356.3A CN111507607A (zh) 2020-04-13 2020-04-13 日电量预测方法、装置、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010287356.3A CN111507607A (zh) 2020-04-13 2020-04-13 日电量预测方法、装置、计算机设备和介质

Publications (1)

Publication Number Publication Date
CN111507607A true CN111507607A (zh) 2020-08-07

Family

ID=71875993

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010287356.3A Pending CN111507607A (zh) 2020-04-13 2020-04-13 日电量预测方法、装置、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN111507607A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949071A (zh) * 2021-12-20 2022-01-18 广东电力交易中心有限责任公司 一种配网侧的负荷资源调控方法、装置及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7987106B1 (en) * 2006-06-05 2011-07-26 Turgut Aykin System and methods for forecasting time series with multiple seasonal patterns
CN103530701A (zh) * 2013-10-12 2014-01-22 国家电网公司 一种基于季节指数法的用户月用电量预测方法和系统
CN105717355A (zh) * 2014-07-11 2016-06-29 英科德技术股份有限公司 用于能量测量的装置、服务器、系统和方法
CN108846528A (zh) * 2018-09-19 2018-11-20 云南电网有限责任公司信息中心 一种大工业电力用户长期负荷预测方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN109214586A (zh) * 2018-09-27 2019-01-15 国网河南省电力公司濮阳供电公司 基于Holt-Winters模型的地区电网售电量预测方法
CN110009419A (zh) * 2019-02-21 2019-07-12 国家电网有限公司 基于经济景气法的改进时间序列售电量预测方法及系统
CN110046767A (zh) * 2019-04-22 2019-07-23 重庆大学 社区变电站月度售电量预测系统
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7987106B1 (en) * 2006-06-05 2011-07-26 Turgut Aykin System and methods for forecasting time series with multiple seasonal patterns
CN103530701A (zh) * 2013-10-12 2014-01-22 国家电网公司 一种基于季节指数法的用户月用电量预测方法和系统
CN105717355A (zh) * 2014-07-11 2016-06-29 英科德技术股份有限公司 用于能量测量的装置、服务器、系统和方法
CN109034505A (zh) * 2018-09-14 2018-12-18 国网河北省电力有限公司电力科学研究院 计量用表需求量在线预测方法及终端设备
CN108846528A (zh) * 2018-09-19 2018-11-20 云南电网有限责任公司信息中心 一种大工业电力用户长期负荷预测方法
CN109214586A (zh) * 2018-09-27 2019-01-15 国网河南省电力公司濮阳供电公司 基于Holt-Winters模型的地区电网售电量预测方法
CN110610280A (zh) * 2018-10-31 2019-12-24 山东大学 一种电力负荷短期预测方法、模型、装置及系统
CN110009419A (zh) * 2019-02-21 2019-07-12 国家电网有限公司 基于经济景气法的改进时间序列售电量预测方法及系统
CN110046767A (zh) * 2019-04-22 2019-07-23 重庆大学 社区变电站月度售电量预测系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
张翰森 等: "基于霍尔特―温特斯法的售电量预测分析", 中国电力教育, no. 33, 31 December 2014 (2014-12-31), pages 191 - 192 *
徐文宝 主编: "抄表核算收费", vol. 1, 31 January 1999, 中国电力出版社, pages: 10 *
徐锋 等主编: "安全学原理", vol. 1, 31 January 2016, 中国质检出版社, pages: 62 - 63 *
符福峘 主编: "信息管理学", vol. 1, 30 June 1995, 国防工业出版社, pages: 387 *
罗序良;: "基于Holt-Winters时间序列预测模型的电力大数据应用", 机电信息, no. 33, 25 November 2016 (2016-11-25), pages 154 - 155 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113949071A (zh) * 2021-12-20 2022-01-18 广东电力交易中心有限责任公司 一种配网侧的负荷资源调控方法、装置及系统

Similar Documents

Publication Publication Date Title
CN111552923B (zh) 一种基于通用分布的负荷预测方法及负荷预测系统
CN109376953B (zh) 一种中长期电量预测方法及系统
CN112396220A (zh) 一种基于场景缩减的含风电与需求侧资源的优化调度方法
JP2009294969A (ja) 需要予測方法および需要予測装置
CN109857935A (zh) 一种信息推荐方法及装置
CN105184402A (zh) 一种基于决策树的个性化用户短期负荷预测算法
CN112907062A (zh) 融合温度特征的电网电量预测方法、装置、介质及终端
CN112232559A (zh) 一种电力区域负荷的短期预测方法及装置
CN119323341B (zh) 多目标条件下工厂生产智能排程方法及系统
CN105678414A (zh) 对资源消耗量进行预测的数据处理方法
CN115796937A (zh) 一种大数据复杂关联性的电力供需趋势分析方法和装置
CN118889365B (zh) 一种基于时间和价格敏感度的可调负荷弹性预测方法、系统、电子设备及可读存储介质
CN112907064A (zh) 基于自适应窗的电量预测方法、装置、存储介质及终端
CN112347092A (zh) 生成数据分析看板的方法、装置和计算机设备
CN115689222A (zh) 物料调度方法及基于物联网的工地物料管理系统
CN117856234A (zh) 一种基于需求侧响应的电力负荷预测方法及系统
CN111507607A (zh) 日电量预测方法、装置、计算机设备和介质
CN117613905A (zh) 一种基于多维分量分解的电力需求中期预测方法及系统
CN109146134A (zh) 一种高峰揽件量预测方法、系统、设备及存储介质
CN110705738B (zh) 基于人工智能的智能用电激励需求响应方法和系统
CN110009161A (zh) 供水预测方法及装置
Feigenbaum et al. Life cycle dynamics of income uncertainty and consumption
CN111178613B (zh) 一种用户用电行为综合预测方法及系统
CN113780625A (zh) 用户电费预测方法、系统、终端及存储介质
CN113052417A (zh) 一种资源配置方法以及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination