1.一种预测电力企业综合能耗的方法,其特征在于,包括:
采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;
采用时间序列算法,根据所述电力企业所在省份s个历史月度中每个月度的电力需求,确定所述电力企业所在省在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述电力企业所在省份在未来m个月度中每个月度的工业增加值预测值;
采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省份m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定所述电力企业在m个月度中每个月度的综合能耗值。
2.根据权利要求1所述的方法,其特征在于,所述采用参数估计法对电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,包括:
将所述企业所在省的s个历史月度中每个月度的电力需求以及所述s个历史月度中每个月度的工业增加值中的80%数据作为训练集,剩余20%作为验证集;
确定所述训练集变化稳定;
确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;
根据所述验证集,验证所述趋势函数方程满足目标误差阈值;
根据所述趋势函数方程,确定所述企业在未来m个月度中每个于都的电力综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值。
3.根据权利要求1或2所述的方法,其特征在于,所述采用时间序列算法,根据所述企业所在省s个历史月度中每个月度的电力需求,确定所述企业所在省在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省在未来m个月度中每个月度的工业增加值预测值,包括:
根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)
其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
4.根据权利要求1至3中任一项所述的方法,其特征在于,所述采用支持向量回归模型对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势值、s个历史月度中企业所在省份的电力需求值及工业增加值进行训练,根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,确定所述电力企业在所述m个月度中每个月度的综合能耗值,包括:
将所述电力企业s个月度中每个月度的综合能耗趋势值、所述s个月度中每个月度的电力需求预测值、以及所述s个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归获得支持向量回归模型,再根据所述m个月度中每个月度的综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,确定所述企业在所述m个月度中每个月度的电力综合能耗。
5.根据权利要求4所述的方法,其特征在于,所述采用支持向量回归模型,根据所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的省份电力需求预测值、以及所述m个月度中每个月度省份工业增加值预测值,确定所述电力企业在所述m个月度中每个月度的综合能耗值,包括:
确定表征月度的综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;
引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;
引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的每个样本;
确定最小化结构风险函数为:
其中ξi,为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:
K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。
6.一种预测企业电力综合能耗的设备,其特征在于,包括:
获取单元,所述获取单元用于获取电力企业的s个历史月度中每个月度的综合能耗值,以及所述电力企业所在省所述s个历史月度中每个月度的工业增加值及电力需求值;
处理单元,所述处理单元用于采用参数估计法对所述电力企业的s个历史月度中每个月度的综合能耗值进行训练,预测得到所述企业在未来m个月度中每个月度的综合能耗趋势值及s个历史月度中每个月度的综合能耗趋势值,其中,m,s为正整数;
所处理单元用于采用时间序列算法,根据所述电力企业所在省s个历史月度中每个月度的电力需求,确定所述电力企业所在省份在未来m个月度中每个月度的电力需求预测值,以及,根据所述s个历史月度中每个月度的工业增加值,确定所述企业所在省在未来m个月度中每个月度的工业增加值预测值;
所述处理单元还用于采用支持向量回归模型,根据所述电力企业m个月度中每个月度的综合能耗趋势预测值、电力企业所在省m个月度中每个月度的电力需求预测值、以及m个月度中每个月度工业增加值预测值,确定所述电力企业在m个月度中每个月度的综合能耗值。
7.根据权利要求6所述的设备,其特征在于,所述处理单元用于:
将所述电力企业的s个历史月度中每个月度的综合能耗值中的80%数据作为训练集,剩余20%作为验证集;
确定所述训练集变化稳定;
确定所述训练集对应的趋势函数方程和所述趋势函数方程中的估计参数;
根据所述验证集,验证所述趋势函数方程满足目标误差阈值;
根据所述趋势函数方程,确定所述企业在未来m个月度中每个月度的综合能耗趋势值及历史s个月度中每个月度的综合能耗趋势值。
8.根据权利要求6或7所述的设备,其特征在于,所述处理单元用于:
根据下式确定所述s个月中第t个月对应的随后第t+k个月的电力需求预测值和所述第t+k个月的工业增加值预测值,其中,所述第t+k个月为所述m个月中的一个月,
Yt+k=at+kbt+ct+k,(k=1,2,...,t)
式中at为水平项,bt为斜率项,ct为周期项,假设k为使t+k-s*k≤t成立的最小整数,令,
ct+k=ct+k-sK,(k=1,2,...,t)
其中,
at=α(Yt-ct-s)+(1-α)(at-1+bt-1),(0<α<1),
bt=β(at-at-1)+(1-β)bt-1,(0<β<1),
ct=γ(Yt-at)+(1-γ)ct-s,(o≤γ≤1)。
利用初始条件:
as+1=Ys+1
bs+1=(Ys+1-Y1)/s
ci=Yi-(Yi+bs+1(i-1)),(i=1,2,...,s+1)
解得ai,bi,ci,i=1,2,...,s+1,其中,平滑参数α,β,γ在平均绝对百分比误差最小的条件下选择。
9.根据权利要求6至8中任一项所述的设备,其特征在于,所述处理单元用于:
采用支持向量回归算法对s个历史月度中每个月度的电力企业综合能耗值与s个历史月度中电力企业综合能耗趋势拟合值、s个历史月度中企业所在省的电力需求值及工业增加值进行训练,将所述m个月度中每个月度的电力企业综合能耗趋势值、所述m个月度中每个月度的电力需求预测值、以及所述m个月度中每个月度工业增加值预测值,作为向量输入定义为Rn代表n维输入空间,企业月度综合能耗值为目标函数输出数据R,将每个数据样本点利用非线性函数Φ映射到高维特征空间F,在高维特征空间中进行线性回归,确定所述企业在所述m个月度中每个月度的电力企业综合能耗。
10.根据权利要求9所述的设备,其特征在于,所述处理单元用于:
确定表征月度的电力企业综合能耗值的估计函数f为:
f(x)=(ω,Φ(x))+b,Φ.Rn→F,ω∈F,
其中,b为阈值常数,n为3;
引入结构风险函数:
其中,ε(·)为损失函数,λ为调整常数,Remp为经验风险,C为惩罚系数;
引入的损失函数为线性ε不敏感损失函数:
其中,m为样本数量,λ为0.5,C为1,不敏感系数ε为0.1,xi代表样本中的一个样本点;
确定最小化结构风险函数为:
其中ξi,为松弛变量;
引入拉格朗日乘子,利用对偶原理转化为对偶问题:
其中,Qi,j=ΦT(xi)Φ(xj),I=[1,...,l]T,α,α*为拉格朗日乘子;
确定最小化结构风险函数得到数据点表示的ω:
利用KKT(Karush-Kuhn-Tucker)最优化条件计算b:
获得回归函数f(x)的表达式:
其中,K(x,xi)为高斯径向基核函数:
K(xi,xj)=exp(-||xi-xj||2/2σ2),xj代表核函数中心,σ为函数的宽度。