一种基于经济数据的区域电量预测装置、方法、介质与流程

1.本发明属于电力工程技术领域，具体涉及电力预测技术。


背景技术：

2.地区企业电量预测往往依靠政府提供的城市规划以及企业自身需求申报，具有较大的不确定性，鉴于当前电网投资审查愈加精细化，故准确的电量预测能在一定程度上辅助建设部门，判断某片区未来电网网架投资规模及建设类型。
3.而区域经济数据和区域电量数据存在较强的关联关系，目前的主流电量预测算法主要基于电力数据，较少采用经济数据进行电量预测，存在预测准确度不高的情况。


技术实现要素：

4.本发明所要解决的技术问题就是提供一种基于经济数据的区域电量预测装置、方法、介质，解决现有区域电量预测准确率不高的问题。
5.为解决上述技术问题，本发明采用如下技术方案：
6.一种区域电量预测方法，包括如下步骤：
7.获取区域的历史月份以及与该月份对应的电量数据和经济数据；
8.基于最小二乘法对所有历史月份所对应历史电量进行拟合，构建电量趋势模型；
9.基于独立热编码计算所有历史月份的独立热编码值构建独立热编码表；
10.基于回归模型构建电量预测模型；
11.构建电量预测模型的输入特征和输出特征；
12.基于构建的输入特征和输出特征进行电量预测模型的训练；
13.基于电量预测模型对预测月份的电量进行计算。
14.优选的，所述经济数据包括规模以上工业增加值、固定资产投资、社会消费品零售总额以及出口总值。
15.优选的，所述的构建电量预测模型的输入特征和输出特征，具体为：根据历史月份逐个匹配某月份的上一年度的经济数据、某月份所对应的电量趋势、某月份的独立热编码值，构建电量预测输入特征；根据历史月份逐个匹配某月份下一个月的电量数据，构建电量预测输出特征。
16.优选的，所述的基于电量预测模型对预测月份的电量进行计算，具体为：根据所有预测月份逐个匹配某月份的上一年度的经济数据、某月份所对应历史的电量趋势、某月份的独立热编码值，构建电量预测特征，并将此电量预测特征作为电量预测模型的输入，计算预测月份的电量。
17.另外一方面，本发明还提供了一种电量预测装置，采用所述的电量预测方法进行电量预测，包括：
18.获取单元，所述获取单元用于获取区域的历史月份以及与该月份对应的电量数据和经济数据；
19.计算单元，所述计算单元用于基于最小二乘法对所有历史月份所对应历史电量进行拟合、构建电量趋势模型，以及基于独立热编码计算所有历史月份的独立热编码值、构建独立热编码表；
20.模型单元，所述模型单元用于基于回归模型构建电量预测模型；
21.构造单元，所述构造单元用于构建电量预测模型的输入特征和输出特征；
22.训练单元，所述的训练单元用于基于构建的输入特征和输出特征进行电量预测模型的训练；
23.预测单元，所述预测单元用于基于电量预测模型对预测月份的电量进行计算。
24.本发明还提供了一种存储介质，所述存储介质存储有程序，其中，在所述程序运行时控制所述存储介质所在设备执行所述的电量预测方法。
25.本发明还提供了一种电子设备，包括存储器和处理器，所述存储器用于存储包括程序指令的信息，所述处理器用于控制程序指令的执行，所述程序指令被处理器加载并执行时实现所述的电量预测方法。
26.本发明利用经济数据辅助电量预测，与现有技术相比，本发明的优点是：本发明通过引入经济数据、电量趋势等特征进行电量预测，较好的解决了电量预测准确度不高的问题，利用少量的历史数据即可进行高准确的电量预测，经实验证明，本发明所使用的方法可将电量预测准确率提升至98％以上。
27.本发明采用的具体技术方案及其带来的有益效果将会在下面的具体实施方式中结合附图中予以详细的揭露。
附图说明
28.下面结合附图和具体实施方式对本发明作进一步描述：
29.图1为本发明实施例提供的一种电量预测方法的流程图；
30.图2为本发明实施例提供的一种电子设备的示意图。
具体实施方式
31.下面结合本发明实施例的附图对本发明实施例的技术方案进行解释和说明，但下述实施例仅为本发明的优选实施例，并非全部。基于实施方式中的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得其他实施例，都属于本发明的保护范围。
32.图1为本发明实施例提供的一种电量预测方法的流程图。在本实施例中，电量预测方法可以由电子设备执行，此电子设备可以为服务器(例如云服务器，服务器集群等)或者终端(例如个人电脑、笔记本电脑等)，此处不作限定。
33.在本实施例中，电量预测方法可以包括步骤s10、步骤s20、步骤s30、步骤s40、步骤s50、步骤s60、步骤s70。
34.在本实施例中，电量预测方法主要针对特定区域，例如县、市级区域。
35.为了对电量预测，电子设备可以执行步骤s10。
36.步骤s10：获取某区域的月份、电量数据和经济数据
37.本实施例中电子设备可获取某区域的近2年(也可以更长时间)的电量数据和规模以上工业增加值、固定资产投资、社会消费品零售总额以及出口总值(单位可以为人民币，
或者美元)。
38.可以理解的是，经济数据还可以包括其他常用的项目。
39.获取某区域的月份、电量数据和经济数据后，本实施例中电子设备可执行步骤s20。
40.步骤s20:基于最小二乘法构建电量趋势模型
41.本实施例中,基于最小二乘法构建电量趋势模型具体为：利用最小二乘法对所有历史月份所对应历史电量进行拟合。
42.基于最小二乘法构建电量趋势模型，电子设备可执行步骤s30。
43.步骤s30：基于独立热编码计算所有历史月份的独立热编码值构建独立热编码表(独立热编码即数据预处理中的独热编码)。
44.基于独立热编码计算所有历史月份的独立热编码值构建独立热编码表后，电子设备可执行步骤s40。
45.步骤s40:基于回归模型构建电量预测模型
46.本实施例中,基于回归模型构建电量预测模型具体为：回归模型可以为任意多元回归模型。电量预测模型包括模型输入、模型输出和回归模型，通过回归模型对模型输入进行拟合，得到模型输出。模型输入就是预测所依据的数据，模型输出就是预测结果。
47.根据经验得到，如果历史电量数据较少一般采用较为简单的多元回归模型，如lass回归模型，如果历史电量数据较多一般采用较为复杂的多元回归模型，如xgboost模型。
48.基于回归模型构建电量预测模型后，电子设备可执行步骤s50。
49.步骤s50：构建电量预测模型的输入特征和输出特征
50.本实施例中,基于回归模型构建电量预测模型具体为：根据历史月份逐个匹配某月份的上一年度的经济数据、某月份所对应的电量趋势、某月份的独立热编码值，构建电量预测输入特征，根据历史月份逐个匹配某月份下一个月的电量数据，构建电量预测输出特征。
51.构建电量预测模型的输入特征和输出特征后，电子设备可执行s60。
52.步骤s60：基于构建的输入特征和输出特征进行电量预测模型的训练
53.基于构建的输入特征和输出特征进行电量预测模型的训练后，电子设备可执行s70。
54.步骤s70：基于电量预测模型对预测月份的电量进行计算
55.本实施例中,基于电量预测模型对预测月份的电量进行计算具体为：根据所有预测月份逐个匹配某月份的上一年度的经济数据、某月份所对应历史的电量趋势、某月份的独立热编码值，构建电量预测特征，并将此电量预测特征作为电量预测模型的输入，计算预测月份的电量。
56.在本实施例中，电量预测装置可以包括：
57.获取单元，所述获取单元用于获取区域的月份、电量数据和经济数据；
58.计算单元，所述计算单元用于基于最小二乘法构建电量趋势模型和基于独立热编码计算所有历史月份的独立热编码值构建独立热编码表；
59.模型单元，所述模型单元用于基于回归模型构建电量预测模型；
60.构造单元，所属构造单元用于构建电量预测模型的输入特征和输出特征；
61.训练单元，所述的训练单元用于基于构建的输入特征和输出特征进行电量预测模型的训练；
62.预测单元，所述预测单元用于基于电量预测模型对预测月份的电量进行计算。
63.本技术实施例提供一种存储介质，所述存储介质包括存储的程序，其中，在所述程序运行时控制所述存储介质所在设备执行本实施例中的电量预测方法。
64.另外，请参阅图2，图2为本技术实施例提供的一种电子设备20的示意图。
65.在本实施例中，电子设备20可以为终端，例如平板电脑、个人电脑等；电子设备20也可以为服务器，例如云服务器、服务器集群等，此处不作限定。
66.示例性的，电子设备20可以包括：通过网络与外界连接的通信模块22、用于执行程序指令的一个或多个处理器24、总线23和不同形式的存储器21，例如，磁盘、rom、或ram，或其任意组合。存储器21、通信模块22、处理器24之间可以通过总线23连接。
67.示例性的，存储器21中存储有程序。处理器24可以从存储器21调用并运行这些程序，从而便可以通过运行程序而实现电量预测方法。
68.本发明通过引入经济数据、电量趋势等特征进行电量预测，较好的解决了电量预测准确度不高的问题，利用少量的历史数据即可进行高准确的电量预测，经实验证明，本发明所使用的方法可将电量预测准确率提升至98％以上。
69.以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，熟悉该本领域的技术人员应该明白本发明包括但不限于附图和上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。