[发明专利]基于X13季节调整和因素回归的售电量预测方法及装置

权利要求书

1.一种基于X13季节调整和因素回归的售电量预测方法，其特征在于，所述方法包括：

对历史售电量数据进行预处理，得到预处理后的历史售电量数据；

依据X13季节调整方法将所述预处理后的历史售电数据分解为趋势项、季节项和随机项三个序列；

依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值；其中，所述相关行业为所述历史售电量数据对应的行业；

依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值；

依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值；

将待预测时间售电量的趋势项预测值、季节项预测值和随机项预测值进行加和重构，得到第一售电量预测值；

采用层次分析法AHP对所述第一售电量进行择优处理，得到第二售电量预测值。

2.根据权利要求1所述的方法，其特征在于，所述对历史售电量数据进行预处理，得到预处理后的历史售电量数据，包括：

采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据；

采用分箱法从所述除去异常值的历史售电量数据中筛选出建模数据。

3.根据权利要求1所述的方法，其特征在于，所述依据所述趋势项、多个第一机器学习算法以及相关行业对应的因素建立所述趋势项预测模型，并依据所述趋势项预测模型计算待预测时间售电量的趋势项预测值，包括：

依据所述趋势项、相关行业对应的因素和多个预设的机器学习算法，建立多个趋势项预测模型；其中，所述相关行业为所述历史售电量数据对应的行业；

采用L_1/2稀疏迭代算法对相关行业对应的因素进行预测，得到所述因素的预测值；

将所述因素的预测值分别代入到所述多个趋势预测模型中，并分别计算每个趋势预测模型对应的待预测时间售电量的趋势项预测值。

4.根据权利要求1所述的方法，其特征在于，所述依据所述季节项和第二机器学习算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值，包括：

采用L_1/2稀疏迭代算法建立季节项预测模型，并依据所述季节项预测模型计算待预测时间售电量的季节项预测值。

5.根据权利要求1所述的方法，其特征在于，所述依据所述随机项、第三机器学习算法和预设的随机项因素建立随机项预测模型，并依据所述随机项预测模型计算待预测时间售电量的随机项预测值，包括：

依据所述随机项、混合专家模型算法和预设的随机项因素建立随机预测模型；

获取所述预设的随机项因素的预测值；

将所述随机项因素的预测值代入到所述随机项的预测模型中，计算待预测时间售电量的随机项预测值。

6.根据权利要求2所述的方法，其特征在于，所述采用分箱法从所述历史售电量数据中识别出异常值，并将识别出的异常值由所述历史售电量均值代替，得到除去异常值的历史售电量数据，包括：

从所述历史售电量数据中确定疑似异常点；将所述疑似异常点作为目标点；

将历史售电量数据中相连的数据点进行差分运算，得到历史售电量数据的差分序列和目标点的两个相关点；其中，所述相关点为与所述目标点与相邻的两个点进行差分的结果；

从所述历史售电量数据的差分序列中除去所述目标相关点，并对除去目标相关点的历史售电量数据的差分序列进行分箱处理，得到售电量数据差分序列的正常范围；

判断两个所述目标相关点是否均不在所述售电量数据差分序列的正常范围内；

若两个所述目标相关点均不在所述正常范围内，则所述目标点为异常值并利用历史均值代替所述目标点，得到除去异常值的历史售电量数据。