【技術實現步驟摘要】
本專利技術涉及數據處理，具體涉及基于大數據分析的電力銷售預測方法。
技術介紹
1、電力行業是一個資本密集型企業，通過預測電力銷售情況，可以更好規劃發電、輸電及配電等資源，提高資源利用率，同時制定更具針對性的營銷策略和定價策略。因此，需要對每月的售電量進行預測。通常使用arima模型進行數據的預測，然而使用原始數據權重的arima模型，在處理非平穩數據時存在缺陷，忽略了售電量數據的周期性變化及長期增長趨勢，進而導致售電量的預測模型無法結合歷史數據的波動變化趨勢進行預測，從而影響售電量的預測值的準確性。
技術實現思路
1、本專利技術提供基于大數據分析的電力銷售預測方法，以解決現有的問題。
2、本專利技術的基于大數據分析的電力銷售預測方法采用如下技術方案：
3、本專利技術提出了基于大數據分析的電力銷售預測方法，該方法包括以下步驟：
4、獲取歷史售電數據；所述歷史售電數據中包含若干年中若干月份的售電量；
5、基于歷史售電數據獲得售電量擬合曲線，進而得到售電量擬合曲線上若干極值點，并劃分得到若干售電量分段曲線；根據售電量分段曲線及不同年相同月份的售電量，得到每個月的售電量波動程度；
6、根據相鄰月份的售電量波動程度，得到每個月的初始序列及對應的若干差分序列；根據差分序列中數據點的數值差異及變化，得到每個月的每個差分序列的平穩程度，進而得到每年中每個月的售電量平穩程度；
7、獲取每個月的相鄰參考月，結合每年中每個月的售電量
8、根據更新重要程度序列，得到每個月的售電量調整權重，并對arima模型進行調整，結合每個月的售電量，得到預測月份的售電量預測值。
9、進一步地，所述基于歷史售電數據獲得售電量擬合曲線，進而得到售電量擬合曲線上若干極值點，并劃分得到若干售電量分段曲線，包括的具體步驟如下：
10、以月份為橫軸，每個月的售電量為縱軸構建坐標系，將歷史售電數據中每年的每個月的售電量轉換為坐標系中的坐標點，連接相鄰月份的坐標點，得到電力公司的售電量擬合曲線；
11、獲得售電量擬合曲線的所有極值點，并根據極值點對售電量擬合曲線進行分段，得到若干售電量分段曲線。
12、進一步地，所述根據售電量分段曲線及不同年相同月份的售電量，得到每個月的售電量波動程度，對應的具體計算公式為：
13、
14、其中，bi表示第i個月的售電量波動程度；n表示售電量的年份數量；zn,i表示第n年第i個月的售電量；zn,i,min表示第n年第i個月售電量所在的售電量分段曲線上的極小值；zn,i,max表示第n年第i個月售電量所在的售電量分段曲線上的極小值；zn+1,i表示第n+1年第i個月份的售電量，||表示絕對值函數。
15、進一步地，所述根據相鄰月份的售電量波動程度，得到每個月的初始序列及對應的若干差分序列，包括的具體步驟如下：
16、在售電量擬合曲線上，以任意一年中一個月為中心，將該月第一半徑范圍內的若干月份，記為該月的參考月，將該月與該月的所有參考月的售電量波動程度，按照月份的順序構成該月的初始序列；
17、對該月的初始序列進行迭代差分，得到該月的所有差分序列。
18、進一步地，所述根據差分序列中數據點的數值差異及變化，得到每個月的每個差分序列的平穩程度，對應的具體計算公式為：
19、
20、其中，pj,x表示第j個月份中第x個差分序列的平穩程度；rj,x表示第j個月份中第x個差分序列中數據點的數量；b′j,x,r表示第j個月份中第x個差分序列中第r個數據點的值；表示第j個月份中第x個差分序列中所有數據點的均值；exp()為以自然常數為底的指數函數。
21、進一步地，所述得到每年中每個月的售電量平穩程度，包括的具體步驟如下：
22、對任意一個月中所有差分序列的平穩程度進行線性歸一化，將該月中歸一化后的平穩程度大于平穩閾值的若干差分序列中，差分階數最小的差分序列的平穩程度作為該月的售電量平穩程度。
23、進一步地，所述獲取每個月的相鄰參考月，結合每年中每個月的售電量平穩程度，得到每年中每個月的平穩程度序列，包括的具體步驟如下：
24、以除售電量擬合曲線中前第一數量個數的月份之外的任意一個月為起點，將該月的所有相鄰參考月的售電量平穩程度，按照月份的順序構成該月的平穩程度序列。
25、進一步地，所述每個月的相鄰參考月，具體的獲取步驟：
26、在售電量擬合曲線上，以除售電量擬合曲線中前第一數量個數的月份之外的任意一個月為起點，將該月之前的第一數量內的若干月份，記為該月的相鄰參考月。
27、進一步地，所述根據每個月的平穩程度序列和預測月份的平穩程度序列，得到每個月對預測月份的重要性，進而得到預測月份的更新重要程度序列，包括的具體步驟如下：
28、
29、其中，gj表示第j個月對預測月份的重要性；r表示第二數量；pj,r表示第j個月的相鄰參考月中第r個月的平穩程度；pr表示預測月份的相鄰參考月中第r個月的平穩程度；pj表示第j個月份的平穩程度序列；p表示預測月份的平穩程度序列；cov()表示相關函數；exp()為以自然常數為底的指數函數；
30、將除前第一數量個數的月份之外的其他所有月份對預測月份的重要性，按照月份的順序構成預測月份的更新重要程度序列。
31、進一步地，所述根據更新重要程度序列，得到每個月的售電量調整權重，對應的具體計算公式為：
32、wk＝sigmoid(wk×(1+gk))
33、其中，wk表示第k個月售電量調整權重；wk表示第k個月份售電量的初始權重；gk表示第k個月份對預測月份的重要性；sigmoid()為sigmoid函數。
34、本專利技術的技術方案的有益效果是：
35、通過對歷史電力銷售數據進行統計和分析，可以有效提高售電量預測的準確性和參考價值。具體的，基于歷史售電數據獲得售電量擬合曲線，識別出售電量變化的極值點，能夠有效劃分售電量分段曲線，從而更精細地分析售電量的波動程度，可以更準確地反映售電量的周期性變化；接著通過計算每個月的售電量波動程度，進而得到每個月的初始序列及對應的差分序列，利用差分序列平穩程度的分析，得到每年中每個月的售電量平穩程度，為售電量預測提供了更加穩定的數據基礎，從而提高了預測的可靠性；利用平穩程度序列，結合每個月的相鄰參考月，能夠準確評估每個月對預測月份的重要性，構建預測月份的更新重要程度序列，從而確保每個月的售電量數據對預測的貢獻度是根據實際波動情況動態調整的，從而提高了模型的適應性和靈活性。最后，通過調整arima模型中的參數，使其能夠更好地適應售電量數據的周期性本文檔來自技高網...
【技術保護點】
1.基于大數據分析的電力銷售預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述基于歷史售電數據獲得售電量擬合曲線，進而得到售電量擬合曲線上若干極值點，并劃分得到若干售電量分段曲線，包括的具體步驟如下：
3.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據售電量分段曲線及不同年相同月份的售電量，得到每個月的售電量波動程度，對應的具體計算公式為：
4.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據相鄰月份的售電量波動程度，得到每個月的初始序列及對應的若干差分序列，包括的具體步驟如下：
5.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據差分序列中數據點的數值差異及變化，得到每個月的每個差分序列的平穩程度，對應的具體計算公式為：
6.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述得到每年中每個月的售電量平穩程度，包括的具體步驟如下：
7.根據權利要求1所述
8.根據權利要求7所述基于大數據分析的電力銷售預測方法，其特征在于，所述每個月的相鄰參考月，具體的獲取步驟：
9.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據每個月的平穩程度序列和預測月份的平穩程度序列，得到每個月對預測月份的重要性，進而得到預測月份的更新重要程度序列，包括的具體步驟如下：
10.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據更新重要程度序列，得到每個月的售電量調整權重，對應的具體計算公式為：
...【技術特征摘要】
1.基于大數據分析的電力銷售預測方法，其特征在于，該方法包括以下步驟：
2.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述基于歷史售電數據獲得售電量擬合曲線，進而得到售電量擬合曲線上若干極值點，并劃分得到若干售電量分段曲線，包括的具體步驟如下：
3.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據售電量分段曲線及不同年相同月份的售電量，得到每個月的售電量波動程度，對應的具體計算公式為：
4.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據相鄰月份的售電量波動程度，得到每個月的初始序列及對應的若干差分序列，包括的具體步驟如下：
5.根據權利要求1所述基于大數據分析的電力銷售預測方法，其特征在于，所述根據差分序列中數據點的數值差異及變化，得到每個月的每個差分序列的平穩程度，對應的具體計算公式為：
【專利技術屬性】
技術研發人員：江舵，顧祺，劉芙蓉，
申請(專利權)人：南通佳充科技服務有限責任公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。