售电量预测不准的难题,如何破解呢?

2017-10-03 12:12:40 电+网   点击量: 评论 (0)
一、 售电量预测的重要性售电交易如火如荼,各个省份的偏差考核也越来越严格。从广东售电公司盈利分析,亏损的公司绝大部分都是偏差考核罚款导致的。宁夏的2017年第一季度大用户直接交易处罚累计14家大用户,其
一、 售电量预测的重要性
售电交易如火如荼,各个省份的偏差考核也越来越严格。
从广东售电公司盈利分析,亏损的公司绝大部分都是偏差考核罚款导致的。宁夏的2017年第一季度大用户直接交易处罚累计14家大用户,其中罚款9家,累计金额4600770元,累计取消交易资格5家。其中罚款最多的一家大用户是吴忠市常信化工有限公司,罚款金额1437109元。
一个个血的教训给参加电力交易的售电公司、大用户敲响了警钟。
 
二、 售电量预测为什么那么难?
电力负荷具有复杂性、分散性、随机性等特点,要做好负荷预测,绝非易事,经济大环境的变化、企业订单量变化、机器运行稳定性、电网扩容、设备故障检修、气候变化、突发意外,影响的因素非常多。因为不容易,就更需要花时间精力去做好。无论是售电公司自己做还是大用户自己去做,都离不开专业团队,都要需要经历电量数据采集、数据趋势分析、未来用电测算、专业的数学建模等复杂的处理过程。下面“说电君”给大家详情的分析一下常用的售电量预测的方法。
 
三、售电量预测的常用方法
3.1季节比例模型
   季节比例模型假定被预测变量在一个周期的特定部分的总量与周期中的总量的比例是一个常数。通过历史数据把这个常数确定后,就可以根据一个周期的前半部分的值预测后半部分的值。
该模型算法比较简单,比较适合电量波动不大的企业,如果电力波动较大,预测的准确性就会下降。
 
3.2BP神经网络模型
BP(Back Propagation)网络是1986年由Rumelhart和McCelland为首的科学家小组提出,是一种按误差逆传播算法训练的多层前馈网络,是目前应用最广泛的神经网络模型之一。
BP网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程。
 
它的学习规则是使用最速下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。
 

 
我们现在来分析下这些话:“是一种按误差逆传播算法训练的多层前馈网络”。
BP是后向传播的英文缩写,那么传播对象是什么?传播的目的是什么?传播的方式是后向,可这又是什么意思呢?
 
传播的对象是误差,传播的目的是得到所有层的估计误差,后向是说由后层误差推导前层误差:即BP的思想可以总结为利用输出后的误差来估计输出层的直接前导层的误差,再用这个误差估计更前一层的误差,如此一层一层地反传下去,就获得了所有其他各层的误差估计。 
 
 
3.3三次指数平滑法(Holt-Winters)
指数平滑法有几种不同形式:一次指数平滑法针对没有趋势和季节性的序列,二次指数平滑法针对有趋势但没有季节性的序列。术语“Holt-Winters法”有时特指三次指数平滑法。
 
所有的指数平滑法都要更新上一时间步长的计算结果,并使用当前时间步长的数据中包含的新信息。它们通过“混合”新信息和旧信息来实现,而相关的新旧信息的权重由一个可调整的拌和参数来控制。各种方法的不同之处在于它们跟踪的量的个数和对应的拌和参数的个数。
 
在时间序列中,我们需要基于该时间序列当前已有的数据来预测其在之后的走势,三次指数平滑算法可以很好的进行时间序列的预测。时间序列数据一般有以下几种特点:趋势(Trend) 和季节性(Seasonality)。
 
三次指数平滑算法可以对同时含有趋势和季节性的时间序列进行预测,该算法是基于一次指数平滑和二次指数平滑算法的。
 
四、 总结分析
因为电量的影响因素非常多,行业、企业类型,季节、温湿度、节假日、市场变化、企业的生产运行情况等多方因素都对用户的售电量具有不同程度的影响。
 
单一的模型很难进行准确的预测了,多元线性回归算法也是人们在预测的工作中使用较为普通的工具,如果想预测准确必须基于多种机器学习算法及数据处理手段,采用多种模型结合,并且将组合的模型算法用于验证的历史数据,然后不断的进行算法修正,最终实现比较高的预测准确性。
 
电力预测的准确性可以提高售电公司或者大用户在电力交易中的竞争力。
 
原标题:售电量预测不准的难题,如何破解?
大云网官方微信售电那点事儿

责任编辑:lixin

免责声明:本文仅代表作者个人观点,与本站无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。
我要收藏
个赞