[發明專利]一種月度用電量的預測方法

在審

• 申請號: 201611089585.4
• 申請日: 2016-12-01
• 公開（公告）號: CN106779346A
• 公開（公告）日: 2017-05-31
• 發明（設計）人: 史靜;吳強;王小英;李琥;周琪;黃河;葛毅;高松;王軒;朱磊;胡曉燕;牛文娟;陳思;羅欣;劉梅
• 申請（專利權）人: 國家電網公司;國網江蘇省電力公司;國網江蘇省電力公司經濟技術研究院;北京清軟創新科技股份有限公司
• 主分類號: G06Q10/06
• 分類號: G06Q10/06;G06Q50/06;G06K9/62
• 代理公司: 北京天盾知識產權代理有限公司11421
• 代理人: 胡凱

技術領域

本發明涉及電力系統中期負荷預測研究領域，具體是一種月度用電量的預測方法。

背景技術

月度用電量預測是電力計劃部門、用電、營銷部門的重要工作，其目的是為了合理地安排電力系統的中期運行計劃，降低運行成本，提高供電可靠性。月度用電量預測方法包括常規方法和智能方法兩大類。常規方法主要有時間序列法、趨勢外推法、回歸分析法等；智能方法主要有人工神經網絡、灰色系統模型、支持向量機、小波分析等。

常規預測方法中，時間序列法將用電量僅與時間序列相關聯，算法簡單且運算速度快，但對數據平穩性要求高；趨勢外推法中，當數據序列存在明顯的波動時，預測結果不甚理想；回歸分析法對數據質量依賴性較大，當數據呈現非線性特征或規律性不強時，擬合出的回歸模型預測誤差往往很大，且由于回歸模型較為簡單，算法較為低級，依據歷史數據擬合出的回歸模型有可能出現偽回歸現象，即擬合的回歸關系不能夠真實反映變量和自變量之間存在的均衡關系，僅僅是一種數字上的巧合。

近年來，具有較強的自學習和復雜的非線性函數擬合能力的智能決策方法被廣泛應用到負荷預測領域，且在國際上得到認可。該類方法對大量非結構性、非精確性規律具有自適用能力，具有記憶信息、自主學習、知識推理和優化計算等優點。但某些智能方法也存在一定缺陷；人工神經網絡需要大量的參數，如網絡拓撲結構、權值和閾值的初始值，且學習時間過長,甚至可能達不到學習的目的；灰色系統模型對歷史數據依賴性較強，且未考慮各個因素之間的聯系；小波分析中，小波基的選取對預測結果具有較大的影響。

隨機森林算法在眾多的智能決策類算法中能夠有效規避以上缺陷，實現較為精準的負荷預測，但是人們還沒有把隨機森林算法應用在電量預測領域。

發明內容

本發明的目的在于提供一種月度用電量的預測方法，以解決上述背景技術中提出的問題。

為實現上述目的，本發明提供如下技術方案：

一種月度用電量的預測方法，具體步驟如下：

步驟一，依據皮爾遜相關系數篩選行業指標；

步驟二，隨機森林訓練與預測：是用隨機的方式建立一個森林，森林里面有很多的決策樹組成，隨機森林的每一棵決策樹之間是沒有關聯的；在得到森林之后，當有一個新的輸入樣本進入的時候，就讓森林中的每一棵決策樹分別進行一下判斷，看看這個樣本應該屬于哪一類，然后看看哪一類被選擇最多，就預測這個樣本為那一類；隨機森林又可以利用多棵樹對樣本進行訓練并實現預測。

作為本發明進一步的方案：隨機森林訓練與預測包括隨機樣本選擇、決策樹構建和隨機森林預測結果投票，隨機樣本選擇的具體步驟為對于給定的一個訓練樣本集，進行Bootstrap有放回采樣，得到n個樣本子集；決策樹構建的具體步驟為從只有一個節點開始進行觀察，從總量為M的特征向量中，隨機選擇m個特征，在所有節點中根據這m個特征的增益，選擇最優特征，不斷產生后代節點，直至樹最大；隨機森林預測結果投票的具體步驟為使用n棵子決策樹對測試樣本進行逐一預測，得到n個預測結果，然后采用投票機制，票數最高的即為最終預測結果。

作為本發明進一步的方案：皮爾遜相關系數的具體計算公式為x與y為相關程度的定量指標并且x與y的取值在[-1，1]。

與現有技術相比，本發明的有益效果是：本發明可以采用各大重點行業為著眼點，根據各行業上下游產業鏈情況，結合皮爾遜相關系數，篩選出與用電量關聯關系較強的行業指標；而后對篩選的行業指標與行業用電量進行隨機森林訓練與建模，實現重點行業各行業的逐月用電量預測；該預測方法將預測對象細化到各個重點行業，預測時間細化到月，有助于預測人員充分掌握各行業的逐月用電量情況；同時，在日新月異的經濟形勢下，將經濟和行業因素有效融入到用電量預測中，充分考慮經濟結構變化對用電量的影響，及時準確把握用電量發展趨勢。

附圖說明

圖1為月度用電量的預測方法中隨機森林訓練與預測的流程示意圖。

具體實施方式

下面結合具體實施方式對本專利的技術方案作進一步詳細地說明。

實施例