[发明专利]一种考虑多区域差异的气象敏感电量挖掘方法

摘要

本发明公开了一种考虑多区域差异的气象敏感电量挖掘方法，其综合考虑了多个被挖掘地区的电量与温度、湿度、降雨量等各种气象因素的非线性关系；通过X‑12‑ARIMA等技术，能够精细化剥离电量的长期趋势分量即自然增长量，有效的捕捉到电量随气象等条件和日类型的变化规律，从而实现了对特定区域每日气象敏感电量的精度挖掘，利用该气象敏感电量能够有利于深入分析电量变化的根本原因，进而指导短期电量预测。

主权项

一种考虑多区域差异的气象敏感电量挖掘方法，包括：步骤S1，对于N个被挖掘地区，采集每一个被挖掘地区在当前时间之前连续3年以上的日度电量数据、气象条件数据和对应于采集日期的日类型信息，其中，气象条件包括温度、湿度和降雨量，日类型分为工作日和休息日，N为正整数，数据采集时间记为M天，第i个被挖掘地区在所述数据采集时间内第d天的日度电量、气象条件和日类型分别记为Yid、Wid和Did，i为1至N之间的正整数，d为1至M之间的正整数；步骤S2，计算出剥离长期趋势分量后，每一个所述被挖掘地区在所述数据采集时间内每一天的日度电量Yid′；步骤S3，按照量纲的不同，分别对步骤S1采集到的所述每一个被挖掘地区在所述数据采集时间内每一天的气象条件Wid和步骤S2计算得到的所述每一个被挖掘地区在所述数据采集时间内每一天剥离长期趋势分量后的日度电量Yid′进行标幺化处理，使得所述气象条件Wid和日度电量Yid′均线性映射到[0,1]之间；步骤S4，建立关系数据集，该关系数据集对应每一个所述被挖掘地区均含有M条关系数据，其中，该关系数据集对应第i个被挖掘地区的第d条关系数据由所述第i个被挖掘地区在所述数据采集时间内第d天的日类型Did以及标幺化处理后的气象条件Wid和日度电量Yid′组成；步骤S5，选取出所述关系数据集中属于所需进行气象敏感电量挖掘季节时间范围内的关系数据，并以选取出的每一条关系数据作为一个训练样本来建立模型训练数据集；步骤S6，用神经网络模型分别对所述模型训练数据集中日类型Did为工作日的训练样本和日类型Did为休息日的训练样本进行参数训练，以对其中的气象条件Wid和日度电量Yid′该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的神经网络函数映射关系Y′＝fANN(W,D)；用支持向量机模型分别对所述模型训练数据集中日类型Did为工作日的训练样本和日类型Did为休息日的训练样本进行参数训练，以对其中的气象条件Wid和日度电量Yid′该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的向量机函数映射关系Y′＝fSVM(W,D)；用多元线性回归模型分别对所述模型训练数据集中日类型Did为工作日的训练样本和日类型Did为休息日的训练样本进行参数训练，以对其中的气象条件Wid和日度电量Yid′该两种数据进行拟合，得到所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的多元线性回归函数映射关系Y′＝fMLR(W,D)；步骤S7，通过对步骤S6得到的三个函数映射关系进行交叉验证，得到所述三个函数映射关系的拟合相对均方根误差并分别记为RMSEANN、RMSESVM和RMSEMLR，并按照下式(5)、(6)和(7)计算出所述三个函数映射关系的权重，以得到如下式(8)的所述N个被挖掘地区从日类型D和气象条件W到日度电量Y′的加权平均函数映射关系Y′＝f(W,D)：ωANN=1/RMSEANN1/RMSEANN+1/RMSESVM+1/RMSEMLR---(5)]]>ωSVM=1/RMSESVM1/RMSEANN+1/RMSESVM+1/RMSEMLR---(6)]]>ωMLR=1/RMSEMLR1/RMSEANN+1/RMSESVM+1/RMSEMLR---(7)]]>Y′＝f(W,D)＝ωANNfANN(W,D)+ωSVMfSVM(W,D)+ωMLRfMLR(W,D)  (8)式中，ωANN、ωSVM、ωMLR依次为神经网络函数映射关系、支持向量机函数映射关系、多元线性回归函数映射关系的权重；步骤S8，依据步骤S7得到的加权平均函数映射关系Y′＝f(W,D)，按照下式(9)计算任意一个所述被挖掘地区在所述数据采集时间内的任意一天的气象敏感电量：Bid＝f(W＝Wid,D＝Did)‑f(W＝Wi0,D＝Did)  (9)式中，Bid表示第i个被挖掘地区在所述数据采集时间内第d天的气象敏感电量，Wi0为预设的第i个被挖掘地区的最舒适气象条件。