[发明专利]一种电力市场月度用电预测方法

摘要

本发明公开了一种电力市场月度用电预测方法，包括步骤1：用电预测模型的设定，定义要预测的状态空间模型，使用随机森林模型进行补充预测，在R软件中加载randomForest，rpart软件包，导入解释变量和被解释变量；步骤2：确定预测模型输入量，气温综合指标的构建，通过有效工作日法调整移动节假日效应，预测的先行指标，通过模型测算和系数计算来确定先行期。本发明在确定了气温综合指标，先行性、业扩预测指标等之后，利用状态空间向量模型和随机森林的机器学习模型相结合对用电量进行预测，更加准确有效。

主权项

一种电力市场月度用电预测方法，其特征在于，包括以下步骤：S1：用电预测模型的设定，包括状态空间模型和随机森林模型S1_11：定义要预测的状态空间模型$\left\{\begin{array}{cc}{x}_t={\mathrm{\Φx}}_{t-1}+{\mathrm{\Ψ\μ}}_{t-q}+{\mathrm{\ν}}_t& \left(1\right)\\ y_t={\mathrm{\Πx}}_t+{\mathrm{\Γ\μ}}_{t-q}+{\mathrm{\ω}}_t& \left(2\right)\end{array}\right.,$式(1)为状态转移方程，式(2)为观测方程，其中，x_t为不可观测因素，μ_t‑q为外部影响因素，t表示当期时间，q表示先行期，x_t‑1是x_t的前一期；y_t为售电量，Φ为待估计的状态转移矩阵，Π为观测矩阵，Ψ为外部影响因素的系数矩阵，Γ为外部因素对售电影响的系数矩阵，ν_t和ω_t为随机扰动项；并设定V和W分别为ν_t和ω_t的方差‑协方差矩阵；S1_12：通过S1_11中预测模型类型，确定需要估计的参数Φ，Π，Ψ，Γ，V以及W，即确定好预测模型使用的变量和变量之间的作用系数后，加载R软件的命令包astsa，通过该命令包，调用相应滤波命令，即卡尔曼滤波函数Kfilter0，Kfilter1，Kfilter2；S1_13：导入数据，数据分别是售电量数据作为模型中的y_t，影响售电量的其他因素数据作为模型中的μ_t，对解释变量μ_t和被解释变量y_t进行标准化处理；S1_14：设置状态空间模型待估参数Φ，Π，Ψ，Γ，V以及W的初始值；S1_15：设置状态空间模型的似然函数，以及似然函数的参数Φ，Π，Ψ，Γ，V以及W取值，使用S1_14中初始值，在似然函数命令里，使用S1_12中相应滤波命令，并通过滤波命令，返回似然函数值；S1_16：参数估计，通过参数Φ，Π，Ψ，Γ，V以及W的初始值，和设定的似然函数作为优化命令optim的输入项，使用Nelder‑Mead法，即下山单纯性法或者Newton‑Raphson，即牛顿—拉弗森迭代方法，迭代计算的参数最优值作为参数Φ，Π，Ψ，Γ，V以及W的最终取值；S1_17：得到估计出的参数Φ，Π，Ψ，Γ的取值后，作为状态空间模型的系数得到预测模型的最终表达式，最后代入变量数据作为模型新输入量对售电进行预测；S1_21：使用随机森林模型对状态空间模型选取的变量进行补充，在R软件中加载randomForest，rpart软件包，导入解释变量和被解释变量；S1_22：设定参数值N和M：确认原始训练样本的个数N，确定拥有的变量个数M，样本数是随机森林模型估计参数需要的时间区间，变量个数是所有影响用电量的因素个数；S1_23：应用bootstrap，即自助抽样法，有放回地抽取k个自助样本集，每个自助样本区间生长为单棵决策树，在树的每个节点处从M个变量里随机选取m个变量，按照节点不纯度最小的原则从这m个特征中选取一个特征进行分支生长；S1_24：根据生成的k个决策树分类器对需要进行预测的数据，即售电量数据进行分类，根据决策树的估计均值与实际均值的差异，选择差异小的模型作为最终的预测模型；S2：确定预测模型输入量，即数据指标，包括反映用电阶梯效应、累积效应的气温综合指标，消除春节移动效应带来的月度数据核算问题相关指标，反映先行意义的内生性指标；S2_11：气温综合指标的构建，根据历年6月、12月气温均温，分别作为高低温均值，并以均温2‑3度上下浮动来确定气温阈值范围，确定的高温阈值为upt，低温阈值为dpt，当气温超出高温阈值，或者低于低温阈值，则降温或取暖负荷开始启动；S2_12：确定阈值的搜索点，设定好均温带宽后，在均温带宽的范围内，按照步长0.1度进行网格搜索，之后把每一个均温点都作为阈值的测算点；S2_13：根据阈值合成地区气温指数，根据所确定的阈值，各个地区第i个月的高温指数分别为第i月j日的平均气温高与高温阈值upt的差值，作为输入量，再通过气温影响函数映射出一个取值，加和第i月的所有统计天数，从而得到为第i月的高温指数，低温指数处理方式相同；具体计算公式为：其中，n_i为第i月的统计天数，f(*)为气温影响函数；S2_14：加权合成气温指数，首先分区域的气温采用该地区用电量最大的城市的气温来计算，其次，区域权重是所在地市的居民、商业售电量占全区域居民、商业售电量比重的前两年均值，最后，加权合成全区域第i月的高低温合成指数；具体为，S2_15：根据预测误差确定最终全区域的气温指数，把所有数据样本分为两个部分，其中2/3到3/4是训练样本，剩下的是实验样本；根据阈值搜索点；根据每套气温指数作为状态空间模型和随机森林模型的输入数据，这些输入数据是每套气温指数和相对应时间的用电量数据；然后根据模型预测程序对用电量分别预测，预测后得到模型的预测误差；最后根据预测用电的相对误差和总平均相对误差，综合考虑具有最小预测误差的气温指数，该指数确定的阈值就是最优的高低温阈值；S2_21：通过有效工作日法调整移动节假日效应，划分春节三个时段，分别为春节前七天，即除夕开始前七天；春节期间七天，即初一到初七；春节后七天，即初八到正月十四，称它们为春节前中后三个时段；S2_22：确定不同时段的初始调整系数，设春节前七天调整系数为c1，期间七天为c2，后七天为c3，S2_23：以步长0.1搜索不同时段的调整系数的范围，即根据S2_22中公式所计算的c1，c2，c3三个数值作为调整系数的初始值，根据0.1作为步长在这个数值上下搜索，从而形成系数集合，形成c1、c2和c3的系数集合；S2_24：根据调整系数c1，c2，c3，折算出春节前中后三周所在月份内有效工作的天数，具体计算为：春节前一周的有效工作日＝c1*第i月春节前一周存在的天数，春节所在周的有效工作日＝c2*第i月春节所在周存在的天数，春节后一周的有效工作日＝c3*第i月春节后一周存在的天数，春节所在月份的有效工作日＝第i月非春节工作天数+第i月春节期间有效工作天数；S2_25：根据有效工作日集合可以计算出日均售电量，S2_26：根据日均售电量集，作为状态空间模型和随机森林模型的输入数据，进行预测，根据模型预测误差，确定最优调整系数c1’，c2’，c3’；S2_27：最终调整系数确定了有效工作日和日均售电量后，把日均售电量作为模型输入值，得到的日均售电量预测值，再乘以有效工作日，得到月度用电的预测值；S2_31：确定初选指标，通过专家评定法梳理影响售电量的先行指标，通过模型测算和系数计算来确定先行期；S2_32：将影响因素分为要确定先行期的因素和其他因素，确定先行期的因素称为影响指标x，其他因素称为控制指标z，用电量称为被影响指标y；首先使用售电量y对其他影响因素z进行回归得到残差e₁，再把要确定先行期的因素x对其他影响因素z进行回归，得到残差e₂，最后计算e₁和e₂的简单相关系数r；回归方程为：1)y_t＝Γz_t+e₁2)x_t＝Πz_t+e₂其中式1)和式2)是回归方程，t为时间下标，Γ，Π为系数矩阵；S2_33：对所有指标引入偏相关系数法，得到回归残差e₁和e₂后，根据相关系数的计算公式，得偏相关系数r：根据x的每个时期，分别计算所有时期的偏相关系数，选择相关系数较大的期数，作为x的先行期的初选集；S2_34：确定了最终先行期的所有指标，区分为外部和内部指标，以及通过时间维度构建出横向纵向的预测指标体系。