[发明专利]基于集成时间序列分析技术的电能表计量误差预测方法

说明书

本发明公开了一种基于集成时间序列分析技术的电能表计量误差预测方法，包括：对计量误差及相关数据进行数据异常处理和数据概括；将处理后的计量误差数据依据时间特性划分为多份数据集；构建时间序列模型ARIMA和神经网络模型，并进行训练评估；集成所述时间序列模型ARIMA和神经网络模型，从而获得最终预测结果。本发明提供的于集成时间序列分析技术的电能表计量误差预测方法，较传统时间序列分析方法有了更强的预测能力；将时间序列模型与神经网络模型一起组成基模型，能够有效利用多个单模型的特点，提升预测能力和准确性。

技术领域

本发明涉及电能表计量领域，具体涉及一种基于集成时间序列分析技术的电能表计量误差预测方法。

背景技术

随着国民经济的不断发展和人们生活水平的不断提高，每年的用电量也在稳步增长。电能表计量的准确性与电力企业、用户的经济利益直接相关，长期以来电力运营单位对电能表计量误差的研究主要集中在事后的维修，电能表计量误差影响因素的分析等方面。而由于数据和分析技术的限制，对电能表计量误差的预测方面工作还较少。申请号为201610593828.1的发明专利申请公开了一种基于ITD和时间序列分析的计量误差计算方法，其误差预测的方式为：

1)通过本征时间尺度分解(ITD)法将原计量误差时间序列数据分解成若干分量；

2)针对各个分量序列进行单序列的时间序列建模(ARMA\ARIMA)和预测；

3)最后将预测结果进行叠加获得电能表计量误差的未来预测值。

这种方法依据计量误差数据本身的信号特征，对其进行分解和时间序列分析，虽然能够在一定程度上对计量误差进行预测，但仍然存在几方面的不足：

1)主要利用的是数据本身的时频特征，没有加入外部影响特征的数据，模型缺少对影响计量误差的因素(及间接因素)的表达。

2)经典的时间序列分析方法(如ARIMA)对数据本身统计特性要求较为严格，建模过程繁琐。

3)单个预测模型对复杂的计量误差时序数据建模和预测能力较弱。

发明内容

针对现有技术的不足，本发明的主要目的在于：提出一种以时间序列分析和神经网络为基模型的集成学习方法，基于电能表监控设备采集的海量计量数据，以及外部社会经济活动数据为基础，实现对电能表计量误差的预测。

为实现前述目的，本发明公开了一种基于集成时间序列分析技术的电能表计量误差预测方法，包括以下步骤：

S1.对已采集的原始计量误差数据进行数据异常处理和数据概括，获得第i个电能表的计量误差数据序列为{e_i,1,e_i,2,…,e_i,t}，e_i,t是第i个电能表在第t天的平均计量误差值；

S2.将处理后的计量误差数据依据时间特性划分为多份数据集，所述多份数据集包括训练集和测试集；

S3.构建时间序列预测模型ARIMA，使用所述训练集对所述ARIMA模型进行训练，获得最优时间序列模型，并使用所述最优时间序列模型预测未来h天的计量误差结果表示第t+h天的计量误差值；

S4.结合电能表相关数据作为输入特征构建神经网络模型N_net，预测未来h天的计量误差结果表示第t+h天的计量误差值；

S5.根据所述预测结果和所述测试集，分别计算ARIMA模型和N_net模型的均方根误差RMSE_i,arima和RMSE_i,nnet；

S6.对所述ARIMA模型和所述N_net模型进行集成学习，采用堆叠学习方法对预测结果进行加权，权重计算公式为：