[发明专利]一种疫情影响下售电量精准预测方法

权利要求书

1.一种疫情影响下售电量精准预测方法，其特征在于，包括：

建模数据清洗和数据规约处理；

构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量；

构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线；

用卡尔曼滤波算法，基于历史电量，对算法一的结果以及算法二的结果进行优化估计，得到正常情况下模型最优预测结果；

构造算法三，利用均值法得到疫情持续期间的每天影响电量；

构造算法四，利用Logistic生长曲线分别预测疫情病例人数和疫情影响时长，并利用综合评价熵权法计算得到每天疫情影响权重；

利用算法三和算法四的结果，加权计算每天的疫情影响电量，进而计算整个疫情影响期间的影响电量总量；

利用疫情影响的电量计算结果，对正常的模型预测结果进行修正，得到最终的售电量精准预测结果。

2.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法一，由自回归模型拟合售电量曲线，并利用LightGBM集成学习算法预测售电量，是指：

建立自回归模型：

f(X_t-1,X_t-2,...,X_t-p)＝X_t

其中，序列值随机变量X_t由前p个时刻的序列值得到。基于计算得到的自回归模型，利用LightGBM算法预测售电量。

3.根据权利要求1所述的疫情影响下售电量精准预测方法，其特征在于，构造算法二，利用X13季节分解算法分解售电量曲线，分解为趋势项、季节项、随机项，并利用ARIMA模型分别对分解后的趋势项、季节项、随机项进行预测，并将预测结果进行重构，以得到预测后的售电量曲线，包括：

在预处理的基础上，采用X13季节调整算法将历史售电量数据分解为趋势项、季节项和随机项三个序列：

Y_t＝T_t+S_t+I_t

其中Y_t表示预处理之后的历史售电量数据，T_t表示售电量趋势项，S_t表示售电量季节项，I_t表示售电量随机项。

4.根据权利要求3所述的疫情影响下售电量精准预测方法，其特征在于，利用ARIMA模型对分解后的趋势项进行预测，得到预测后的售电量曲线，是指：

基于分解的售电量，结合差分自回归移动平均(ARIMA)算法，对售电量的趋势项进行预测，再将三部分预测结果进行加和，得到最终的预测结果。

5.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，利用卡尔曼滤波算法，基于历史电量，对算法一结果以及算法二结果进行优化估计，得到正常情况下模型最优预测结果，是指：

根据历史电量值，利用卡尔曼滤波对算法一结果和算法二结果进行优化估计，得到现在状态(k)的最优化估算值X(k|k)：

X(k|k)＝X(k|k-1)+Kg(k)(Z(k)-H*X(k|k-1))

其中，Kg为卡尔曼增益，H为状态系统参数，Z是k时刻测量值/真实值，需要对其方差进行递归更新，得到最优的加权结果。

6.根据权利要求1所述疫情影响下售电量精准预测方法，其特征在于，构造算法三，利用均值法得到疫情持续期间的每天影响电量，是指：

根据疫情爆发后当月的售电量和正常情况下的预测售电量，得到疫情爆发期间当月的影响电量总量ΔQ，利用均值法计算疫情爆发期间每天影响电量为：其中，T为受疫情影响的当月天数。