[发明专利]一种参数自适应的用电量预测方法及其系统

说明书

本发明提出了一种参数自适应的用电量预测方法和系统，涉及用电量测量技术领域，包括：采集原始时间序列D，选取最近一年的数据作为验证集，其它数据作为训练集；利用X12分解算法对原始时间序列D进行分解，获取趋势分量D_TC、季节周期分量D_SF与随机分量D_IR；利用ARIMA算法对趋势分量进行预测；利用自适应加权求和算法对季节周期分量进行预测；利用平均法对随机分量进行预测；利用X12算法将三种预测分量进行合成，预测用电量。使用本方法，数据源简单，且预测方法中，分解模型自适应，参数选择自适应，与传统模型相比，预测精度上有较大的提升，且使用方便，易于推广。

技术领域

本发明涉及用电量测量技术领域，尤其涉及一种参数自适应的用电量预测方法及其实现该方法的系统。

背景技术

在电力系统中，售电量预测具有重要意义。例如，通过对售电量的预测分析，电力企业可以更合理地确定销售总定额，从而制定相关决策指导发电厂、输配电网的合理运行；准确的电量预测能够使电力企业有效地控制利润平衡——通过预算 收入合理安排支出（如项目投入、线路铺设、变压器检修等），这在目前国家电网公司每年业绩考核制度下扮演者重要角色。

目前月度用电量预测方法可分为两大类：传统的预测方法和基于人工智能的预测方法，前者根据数学和统计学原理对负荷的历史变化规律以及外部影响因素进行分析，主要包括回归分析法、时间序列法以及灰色模型预测法等；后者利用不同的人工智能模型直接建立输入输出之间复杂的非线性映射关系，主要有人工神经网络预测法、支持向量机法以及组合模型预测法等。

而传统的时间预测模型ARIMA本质上是线性模型，其在处理光滑、且规律性好的时间序列能够得到很好的效果，但是在处理规律性较差的时间序列却得不到好的效果。

X12-ARIMA法中心思想为采用中心化移动加权平均法逐项分解原始时间序列，接着分别利用对应的预测方法对其进行建模，最终合成所需的时间序列。

X12算法中季节周期性分量的预测与初值alpha有很大的关系，因此对alpha的取值准确与否直接关系到最终的预测结果的准确度。传统的方法是根据经验进行选取，选取的值是否准确依赖极其丰富的经验，以及对每个地区或者整体的用电情况必须做到了如指掌，这种方式随意性强，不能保证预测的一致性，且不易推广使用。

发明内容

本发明的目的是提供一种参数自适应的用电量预测系统，能够解决目前用电量需求预测方法存在的预测不准确、处理效果不好的问题。

为实现上述发明目的，本发明采用了以下技术方案。

一种参数自适应的用电量预测方法，包括：

1.1．采集原始时间序列D，获取n+1年的历史用电数据，选取最近一年的数据作为验证集，其它数据作为训练集；

1.2．利用X12分解算法对原始时间序列D进行分解，获取趋势分量D_TC、季节周期分量D_SF与随机分量D_IR，消除原始时间序列中不同分量之间的相互影响；

1.3．利用ARIMA算法对趋势分量进行预测；

1.4．利用自适应加权求和算法对季节周期分量进行预测；