[发明专利]一种基于回归分析的电力行业时间序列的预测方法和系统

说明书

本发明公开了一种基于回归分析的电力行业时间序列的预测方法和系统。所述方法包括：获取目标对象的历史数据以及目标对象影响因子的历史数据；将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合，生成各影响因子预估序列；将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合，形成完整的待输入数据；将完整的待输入数据输入预测模型，并进行场景参数的设置，得到目标对象在目标时段的最终预估序列。本发明通过先生成各影响因子预估序列扩充输入数据，并通过场景参数调整，可以得到更准确的时间序列预测结果，本发明可用于电力行业的各种数据指标的分析和预测。

技术领域

本发明涉及电力行业预测技术领域，具体涉及一种电力行业时间序列预测方法和系统。

背景技术

20世纪90年代以来，世界各国的电力工业相继引入市场竞争，市场化运营己成为国际电力工业发展的一种趋势。电力市场竞价交易的顺利进行必须以科学合理的竞价算法为理论基础，竞价算法作为电力市场交易的核心问题，最终目的就是在系统安全、稳定运行的条件下，提高其经济性。在这一过程中，对出清价格的准确预测发挥着重要的作用。

同时，由于电能难以大量存储以及电力需求时刻变化等特点，要求系统发电应与负荷的变化实现动态平衡。提高负荷预测准确率有利于提高发电设备的利用率和经济调度的有效性，特别是在电力行业市场化调节的背景下，电力供需将通过实时交易实现平衡，短期负荷预测精度越来越重要。

除了对负荷预测外，电力行业还有很多其他物理量的预测对电网安全稳定运行具有现实意义，例如机组运行时间、爬坡速率、最小出力等。所有这些物理量，都具有时间序列和周期性的特征。在这种情况下，时间序列的准确预测与分析就成为一个亟待解决的问题。

时间序列预测技术是将预测目标的历史数据按照时间顺序排列成时间序列，然后分析它随着时间变化的趋势，推导预测目标的未来值。传统的时间序列预测方法，例如ARIMA(autoregressive integrated moving average)模型已经在很多场景中使用，但在它们通常有如下缺陷：适用的时序数据过于局限，例如最通用的ARIMA模型，其要求时序数据是稳定的，或者通过差分化后是稳定的，且在差分运算时提取的是固定周期的信息。这往往很难符合现实数据的情况。此外，对于数据中存在缺失值的情况，传统的方法都需要先进行缺失值填补，这很大程度上损害了数据的可靠性。因此，需要提供更精确的对电力行业时间序列的预测方法。

发明内容

发明目的：针对现有技术的不足，本发明提出一种基于回归分析的电力行业时间序列预测方法及系统，实现电力行业时间序列的准确预测，促进电力行业的整体效率提升。

技术方案：第一方面，提供一种基于回归分析的电力行业时间序列的预测方法，包括以下步骤：

获取目标对象的历史数据以及目标对象影响因子的历史数据，所述目标对象的历史数据为目标对象在过去一段时间内若干时间节点的数值序列，所述目标对象影响因子的历史数据为对目标对象的数值具有影响作用的各类因素在过去一段时间内若干时间节点的数值序列；

将目标对象影响因子的历史数据依次输入时间序列预测模型进行回归拟合，生成各影响因子预估序列；

将目标对象的历史数据、目标对象影响因子的历史数据以及影响因子预估序列进行组合，形成完整的待输入数据；

将完整的待输入数据输入训练好的预测模型，并进行场景参数的设置，得到目标对象在目标时段的最终预估序列。

作为优选的实施方式，所述时间序列预测模型为prophet模型。

作为优选的实施方式，所述目标对象影响因子包括天气状况、经济状况、电网运行状况。