[发明专利]一种多维度基于时间序列趋势分解的电量预测方法

权利要求书

1.一种多维度基于时间序列趋势分解的电量预测方法，其特征在于，步骤包括：

步骤1、建立原始电量时间序列，提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量，构建趋势分量乘法模型；

步骤2、针对平稳化趋势分量，利用时间序列外推法进行逐点预测；

步骤3、针对周期性季节趋势分量，按“近大远小”的原则，利用过去同期数据的加权平均公式，进行逐点预测；

步骤4、针对偏差性随机趋势分量，利用过去同期数据的平均值公式，进行逐点预测；

步骤5、将各趋势分量的预测值代入乘法模型，得出最终电量预测结果。

2.根据权利要求1所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，步骤1中所述的原始电量时间序列取月度或日度电量时间序列。

3.根据权利要求1所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，构建的趋势分量乘法模型具体为：

L_t＝T_t×S_t×R_t (1)

公式(1)中：L_t为原始电量时间序列；T_t、S_t、R_t分别为L_t的平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量，其中t＝1，2，…，n，n为时间序列中元素数目。

4.根据权利要求3所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，所述的提取平稳化趋势分量、周期性季节趋势分量和偏差性随机趋势分量具体为：

1)根据用电量的周期特性人为提取电量数据的周期特征值m；

2)若周期特征值m为偶数，建立2×m-MA模型计算平稳化趋势分量，即T_t序列；若周期特征数m为奇数，则建立m-MA模型计算平稳化趋势分量序列T_t；

3)按下列公式计算除去平稳化趋势分量后的电量调整序列deT_t＝L_t/T_t；

4)以周期特征值m为间隔，将电量调整序列deT_t中各周期的历史同期数据作平均，得到一个周期内的季节趋势序列，并将该周期性扩展至整个历史数据时间段，即得到周期性季节趋势分量S_t；

5)在电量调整序列deT_t中，按下式提取偏差性随机趋势分量序列R_t＝deT_t/S_t。

5.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，当原始电量时间序列采用月度电量数据时，则m取12；当原始电量时间序列采用日度电量数据时，则m取7。

6.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，当取月度电量时间序列时，步骤3中，按“近大远小”的原则对历史季节周期分量同期值赋予一定的权值并求和，其计算值作为当期周期电量的季节周期分量，公式如下：

S_i,j＝αS_i-1,j+α(1-α)S_i-2,j+…+α(1-α)^n-1S_i-n,j (2)

式中：S_i,j为第i年第j月的月度电量周期性季节趋势分量；α为加权系数；其取值可依据周期性季节趋势分量的相对波动来进行选择，相对波动定义如下：

其中，f_i,j表示第i年第j月的月度周期性季节趋势分量的相对波动，n_Y是选用的第j月的月度电量数据的总个数；

若某月度电量周期性季节趋势分量的相对波动小于10％时，α在0.1～0.5之间选取；若月度电量周期性季节趋势分量的相对波动大于或等于10％时，则α在0.6～0.8之间选取；在周期性季节趋势分量的预测过程中，逐点利用上述加权平均值公式(2)进行外推。

7.根据权利要求4所述的多维度基于时间序列趋势分解的电量预测方法，其特征在于，步骤4中所述，偏差性随机趋势分量的预测方法如下：

直接利用垂直处理法，即对历史偏差性随机趋势分量同期值取平均，以得到当期月度电量的偏差性随机趋势分量的预测值，公式如下：

公式(3)中，R_i,j为第i年第j月的电量偏差性随机趋势分量；

在偏差性随机趋势分量的预测过程中，逐点利用上述平均值公式(3)进行外推。