基于模糊隶属度函数的日电量预测方法及系统与流程

1.本发明涉及电网电量预测技术领域，具体涉及一种基于模糊隶属度函数的日电量预测方法及系统。


背景技术：

2.电力是国民经济发展不可或缺的脊梁柱，具有重要的战略地位。电量作为电力行业中最重要的指标，能够反映电力销售情况并以此判断经济发展状况，具有巨大的数据挖掘价值。长期以来的经验表明，日电量数据具有一定的规律性且与气温具有极强的相关性，能根据历史日电量数据和天气预报数据预测未来一段时间内的日电量，电网企业希望通过日电量数据安排未来一段时间的电力供应计划从而保证电力的安全经济供应，希望根据日电量数据研判经济发展态势从而制定相应的政策激励措施，因此需要一种日电量预测方法。


技术实现要素：

3.有鉴于此，本发明的目的在于提供一种基于模糊隶属度函数的日电量预测方法及系统，充分利用天气预报数据，有效提高电网日电量预测的准确率。
4.为实现上述目的，本发明采用如下技术方案：
5.一种基于模糊隶属度函数的日电量预测方法，包括以下步骤：
6.步骤s1:以日期为索引，构造历史日电量与历史气温的时间序列；
7.步骤s2:建立模糊隶属度函数；
8.步骤s3:以皮尔逊相关系数最大为目标函数，通过元启发式算法优化模糊隶属度函数的参数；
9.步骤s4:基于优化后的模糊隶属度函数将历史气温和预测气温转化为相关因子，并标记为协变量；
10.步骤s5:建立时间序列预测模型，并利用历史日电量和历史协变量训练模型，最后输入预测协变量计算日电量预测值。
11.进一步的，所述模糊隶属度函数将气温分解为五个区间，并建立五组映射关系，具体包括：
12.令气温为x，映射值为y，映射关系为f(
·
)，a,b,c,d均为模糊隶属度函数的参数；
13.低温饱和区：将x≤a视为低温饱和区，并有y＝f(x)＝b-a；
14.低温影响区：将a＜x≤b视为低温影响区，并有y＝f(x)＝b-x；
15.舒适区：将b＜x≤c视为舒适区，并有y＝f(x)＝0；
16.高温影响区：将c＜x≤d视为高温影响区，并有y＝f(x)＝x-c；
17.高温饱和区：将x＞d视为高温饱和区，并有y＝f(x)＝d-c。
18.进一步的，所述模糊隶属度函数的参数包括a,b,c,d四个数值，利用优化模糊隶属度函数的参数，具体如下：
19.(1)：随机生成n组数据，每组数据包含4个数值，且4个数值均在预设区间之内，从小到大排序后分别赋值为a,b,c,d；
20.(2)：对于每组数据分别确定模糊隶属度函数，并通过模糊隶属度函数计算历史气温的映射值；
21.(3)：按照相同日期匹配历史气温映射值与历史日电量，生成两个序列，并计算皮尔逊相关系数；
22.(4)：重复(2)和(3)直到计算得到n组数据对应的皮尔逊相关系数，找到皮尔逊相关系数最小的那组数据，记为最优初值；
23.(5)：将(4)得到的最优初值作为迭代初始值，设计适应度函数，通过选择、杂交、变异操作更新a,b,c,d四个数值，直到a,b,c,d 四个数值不再变化。
24.进一步的，所述适应度函数，具体为：
25.令适应度函数的输入为向量p，向量p中的元素分别为 p1,p2,p3,p4，令a＝p1、b＝p2、c＝p3和d＝p4，确定映射关系f(
·
)，令按照先后顺序排序的历史气温序列为向量x＝{x
t
}，利用映射关系 f(
·
)计算得到映射值y
t
，计算y
t
的平均值并记为令按照先后顺序排序的历史电量序列为向量z＝{z
t
}，计算z
t
的平均值并记为
26.根据下式计算适应度作为适应度函数的输出r＝h(p)：
[0027][0028]
10
×
[max(0,p
2-p3) max(0,p
3-p4)]
[0029]
进一步的，所述时间序列的步长为1天，包含6个分项，具体包括：
[0030]
年度趋势项：以1年为步长，从历史电量数据中拟合年度增长率；
[0031]
月度周期项：以12个月为周期，确定每个月电量占年度电量的比重；
[0032]
星期周期项：以7天为周期，分别确定星期一至星期日电量占周电量的比重；
[0033]
法定节假日修正项：根据国务院发布的法定节假日与调休，对时间序列进行修正；
[0034]
协变量修正项：其它与电量具有强相关性的时间序列对电量的影响数值，由实际电量-年度趋势项-月度周期项-星期周期项-法定节假日修正项后的部分与协变量拟合得到；
[0035]
白噪声项：其余无法通过上述五项拟合的残差项，满足正态分布。
[0036]
进一步的，所述协变量为最高温度和最低温度经过优化后的模糊隶属度函数变换后得到的相关因子。
[0037]
一种基于模糊隶属度函数的日电量预测系统，包括:
[0038]
数据预处理模块，用于采集、清洗、查询和分组日电量与气温数据，并构建时间序列；
[0039]
数据转换模块，用于将时间序列中的气温转换为影响因子；
[0040]
训练模块，用于建立时间序列预测模型，并将上述时间序列作为输入以训练模型参数，得到电量关于时间和协变量的表达式；
[0041]
预测模块，用于输入待预测的时间序列以及预测气温，并将预测气温按照相同的历史度函数转换为影响因子，最后根据训练后的时间序列预测模型计算电量预测值；
[0042]
结果展示模块，用于展示历史数据和预测数据。
[0043]
进一步的，所述数据预处理模块将省级电网电量按照供电单位和用电类别进行分解，其中用电类别包括大工业用电、非普工业用电、商业用电、非居民照明用电、居民生活用电和农业用电，供电单位按照县区划分，同时接入对应县区的最高气温与最低气温，构成多条时间序列。
[0044]
进一步的，所述数据转换模块中分别使用模糊隶属度函数将最高气温和最低气温分为低温饱和区、低温影响区、舒适区、高温影响区和高温饱和区五个区间，并分别优化模糊隶属度函数的参数，将最高气温和最低气温转换为影响因子。
[0045]
进一步的，所述训练模块根据时间序列输入数据拟合年度趋势项、月度周期项、星期周期项、法定节假日修正项、协变量修正项和白噪声项的表达式，并组合得到电量关于时间、最高气温影响因子和最低气温影响因子的表达式。
[0046]
本发明与现有技术相比具有以下有益效果：
[0047]
1、本发明利用模糊隶属度函数将气温转化为影响因子，避免了高温和低温对电量影响趋势差异给预测模型造成的困难，同时利用皮尔逊相关系数和元启发式算法确定了模糊隶属度函数的参数，能够根据气候变化进行参数自适应调整，提高了电量预测模型的准确度与鲁棒性；
[0048]
2、本发明将时间序列预测模型分成年度趋势项、月度周期项、星期周期项、法定节假日修正项、协变量修正项和白噪声项六个部分，充分考虑了日电量曲线的非线性特征，提高了曲线拟合精度，提高了电量预测的准确率；
[0049]
3、本发明充分考虑了地区间气象状态的差异以及不同用电类别对气温的相关性差异，最后将分县区分用电类别日电量预测数据汇总后还原全省日电量，能够提高电量预测的准确率。
附图说明
[0050]
为了更清楚地说明本技术实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
[0051]
图1为本技术提供的基于模糊隶属度函数的日电量预测方法一实施例流程示意图；
[0052]
图2为本技术提供的一具体场景下模糊隶属度函数示意图；
[0053]
图3为本技术提供的一具体场景下通过元启发式算法优化模糊隶属度函数参数的流程图；
[0054]
图4为本技术提供的一具体场景下时间序列预测模型的训练和预测示意图；
[0055]
图5为本技术提供的一具体场景下时间序列模型分项示意图；
[0056]
图6为本技术提供的应用于省级电网的日电量预测系统一实施例结构示意图；
[0057]
图7为本技术提供的一具体场景下结果展示模块生成的可视化图表。
具体实施方式
[0058]
下面结合附图及实施例对本发明做进一步说明。
[0059]
请参照图1，本发明提供一种基于模糊隶属度函数的日电量预测方法，包括以下步骤：
[0060]
步骤s1:以日期为索引，构造历史日电量与历史气温的时间序列；
[0061]
步骤s2:建立模糊隶属度函数；
[0062]
步骤s3:以皮尔逊相关系数最大为目标函数，通过元启发式算法优化模糊隶属度函数的参数；
[0063]
步骤s4:基于优化后的模糊隶属度函数将历史气温和预测气温转化为相关因子，并标记为协变量；
[0064]
步骤s5:建立时间序列预测模型，并利用历史日电量和历史协变量训练模型，最后输入预测协变量计算日电量预测值。
[0065]
在本实施例中，优选的，如图2所示，模糊隶属度函数能够将气温分解为五个区间，并建立五组映射关系，具体如下：
[0066]
令气温为x，映射值为y，映射关系为f(
·
)。
[0067]
低温饱和区(如图2中201所示)：将x≤a视为低温饱和区，并有 y＝f(x)＝b-a。
[0068]
低温影响区(如图2中202所示)：将a＜x≤b视为低温影响区，并有y＝f(x)＝b-x。
[0069]
舒适区(如图2中203所示)：将b＜x≤c视为舒适区，并有 y＝f(x)＝0。
[0070]
高温影响区(如图2中204所示)：将c＜x≤d视为高温影响区，并有y＝f(x)＝x-c。
[0071]
高温饱和区(如图2中205所示)：将x＞d视为高温饱和区，并有 y＝f(x)＝d-c。
[0072]
其中，a,b,c,d均为模糊隶属度函数的参数，如图2中206所示。
[0073]
参考图3，本实施例中，模糊隶属度函数参数优化过程，具体为：
[0074]
步骤301：随机生成n组数据，每组数据包含4个数值，且4个数值均在0-40之间，从小到大排序后分别赋值为a,b,c,d。
[0075]
步骤302：对于每组数据分别确定模糊隶属度函数，并通过模糊隶属度函数计算历史气温的映射值。
[0076]
步骤303：按照相同日期匹配历史气温映射值与历史日电量，生成两个序列，并计算皮尔逊相关系数。
[0077]
步骤304：重复步骤302和步骤303直到计算得到n组数据对应的皮尔逊相关系数，找到皮尔逊相关系数最小的那组数据，记为最优初值。
[0078]
步骤305：将步骤304得到的最优初值作为迭代初始值，设计适应度函数，调用遗传算法，通过选择、杂交、变异等操作更新a,b,c,d 四个数值，直到a,b,c,d四个数值不再变化。
[0079]
其中，令适应度函数的输入为向量p，向量p中的元素分别为 p1,p2,p3,p4，令a＝p1、b＝p2、c＝p3和d＝p4，确定映射关系f(
·
)，令按照先后顺序排序的历史气温序列为向量x＝{x
t
}，利用映射关系 f(
·
)计算得到映射值y
t
，计算y
t
的平均值并记为y，令按照先后顺序排序的历史电量序列为向量z＝{z
t
}，计算z
t
的平均值并记为z，根据下式计算适应度作为适应度函数的输出r＝h(p)：
[0080][0081]
10
×
[max(0,p
2-p3) max(0,p
3-p4)]
[0082]
在本实施例中，参考图4，构建时间序列预测模型，训练模型并利用模型预测电量，具体为：
[0083]
利用facebook开发的prophet模型构建时间序列。在模型训练部分401，设置变量“ds”为历史日期，步长为1天；设置变量“y”为历史日电量，设置变量“add1”为历史日最高气温通过模糊隶属度函数变换后的影响因子，设置变量“add2”为历史日最低气温通过模糊隶属度函数变换后的影响因子，设置年度周期性和星期周期性，标注变量“add1”和变量“add2”为协变量，使用加性模型进行拟合。
[0084]
在模型预测部分402，设置变量“ds”为预测日期，步长为1天；设置变量“add1”为预测日最高气温通过与上述相同的模糊隶属度函数变换后的影响因子，设置变量“add2”为预测日最低气温通过与上述相同的模糊隶属度函数变换后的影响因子，利用过上述训练后的 prophet模型预测日电量。
[0085]
如图5所示，时间序列预测模型中包含6个分项，具体包括：
[0086]
年度趋势项501：以1年为步长，从历史电量数据中拟合年度增长率。
[0087]
月度周期项502：以12个月为周期，确定每个月电量占年度电量的比重。
[0088]
星期周期项503：以7天为周期，分别确定星期一至星期日电量占周电量的比重。
[0089]
法定节假日修正项504：根据国务院发布的法定节假日与调休，对时间序列进行修正。
[0090]
协变量修正项505：其它与电量具有强相关性的时间序列对电量的影响数值，由实际电量-年度趋势项-月度周期项-星期周期项-法定节假日修正项后的部分与协变量拟合得到。
[0091]
白噪声项506：其余无法通过上述五项拟合的残差项，需满足正态分布。
[0092]
六个分项的数值相加后，即得到预测电量
[0093]
本发明还提供一种应用于省级电网的日电量预测系统60，如图6 所示，本技术实施例中的日电量预测系统包括数据预处理模块601、数据转换模块602、训练模块603、预测模块604、结果展示模块605 五个功能模块，五个功能模块的具体说明如下：
[0094]
数据预处理模块601，用于采集、清洗、查询和分组日电量与气温数据，并构建时间序列；
[0095]
数据转换模块602，用于将时间序列中的气温转换为影响因子；
[0096]
训练模块603，用于建立时间序列预测模型，并将上述时间序列作为输入以训练模型参数，得到电量关于时间和协变量的表达式；
[0097]
预测模块604，用于输入待预测的时间序列以及预测气温，并将预测气温按照相同的历史度函数转换为影响因子，最后根据训练后的时间序列预测模型计算电量预测值。
[0098]
结果展示模块605，用于以图表方式展示历史数据和预测数据，能够在同一张图上展示电量和气温的变化趋势，并能区分历史数据和预测数据。
[0099]
其中，数据预处理模块601能够将省级电网电量按照供电单位和用电类别进行分解，其中用电类别包括大工业用电、非普工业用电、商业用电、非居民照明用电、居民生活用
电和农业用电，供电单位按照县区划分，同时接入对应县区的最高气温与最低气温，构成多条时间序列。对于具体某一条时间序列，包含日期、该县区最高气温、该县区最低气温和该县区某用电类别电量四个字段。
[0100]
进一步的，数据转换模块602中分别使用模糊隶属度函数将最高气温和最低气温分为低温饱和区、低温影响区、舒适区、高温影响区和高温饱和区五个区间，并分别优化模糊隶属度函数的参数，将最高气温和最低气温转换为影响因子。
[0101]
同时，所述训练模块603根据时间序列输入数据拟合年度趋势项、月度周期项、星期周期项、法定节假日修正项、协变量修正项和白噪声项的表达式，并组合得到电量关于时间、最高气温影响因子和最低气温影响因子的表达式。
[0102]
此外，预测模块604能够根据各县区天气预报结果，将最高气温和最低气温转换为影响因子，并预测各县区不同用电类别的日电量。
[0103]
最后，结果展示模块605能够利用百度的echarts技术生成动态可视化报表，如图7所示，报表中包含了当年历史日电量、当年预测日电量、同期日电量、当年历史最高气温、当年预测最高气温、同期最高气温、当年历史最低气温、当年预测最低气温和同期最低气温，能够清洗直观的分析气温对电量的影响。
[0104]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将上述系统的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0105]
需要说明的是，上述实施例所提供的方法及其细节举例可结合至实施例提供的系统中，相互参照，不再赘述。
[0106]
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各实例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟是以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同的方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0107]
在本技术所提供的实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如，上述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以由另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。
[0108]
上述实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本技术各实施例技术方案的精神和范围，均应包含在本技术的保护范围之内。