一种季节性的支持向量回归模型的月用电量预测方法与流程

本发明涉及预测分析技术领域，更具体地，涉及一种季节性的支持向量回归模型的月用电量预测方法。

背景技术：

电力在日常生活中必不可少，渗透日常生活的每一处，随着经济发展，社会各界对电力需求越来越大，电力供应和节能减排压力也随之加大；此外，随着电力体制改革后售电侧放开，剔除新增用户，售电业务初期争夺的对象主要集中在工商业客户尤其是大客户资源，而目前缺乏对于工商业客户的月用电量的预测方法。

为工商业用户提供更多增值性的客户服务，提升工商业用户的满意度和忠诚度成为了售电企业适应新电改形势下市场竞争的必要措施。

在此背景下，提出一种季节性的支持向量回归模型的工商业大用户月用电量预测方法，对工商业大用户进行月电量预测，除有助于用户了解自己的电力消耗情况，实现节源开流外，还对电力部门具有重要意义，主要表现在：一是有利于电力部门优化资源配置；二是有利于电力市场营销部门的市场开拓。

技术实现要素：

为了获取工商业大用户的月用电量预测，来达到帮助用户了解未来的用电量规模的目的，本发明提供一种季节性的支持向量回归模型的月用电量预测方法。

所述方法包括以下步骤：

s1：对账单数据进行月电量折算；

s2：对折算后的数据划分数据集，以区分有效用户和无效用户

s3：对有效用户的月电量数据进行缺失值修复；

s4：对有效用户的月电量数据进行异常值修复；

s5：计算每个样本的季节指数，并进行季节性修正；

s6：构建状态空间矩阵；

s7：根据状态空间矩阵构建支持向量回归模型(svm)进行预测得到预测值，对预测值进行修正。

本发明提供的一种季节性的支持向量回归模型的月用电量预测方法，包括获取用户历史电费账单数据后对账单数据进行折算，将账单电量转换为月电量；根据合同号及月电量的数据完整程度划分数据集，区分出有效用户和无效用户；对有效用户数据集缺失值和异常值进行处理；计算各个数据样本的季节指数，利用季节指数对原始数据进行修正；构建支持向量回归模型(svm)时间序列特征矩阵；建立svm进行预测分析和修正，得到预测值。

实施本发明，获取工商业大用户的月用电量预测，即有助于用户了解自己的电力消耗情况，实现节源开流，还对电力部门具有重要意义，主要表现在：一是有利于电力部门优化资源配置；二是有利于电力市场营销部门的市场开拓。

优选地，所述的步骤s1包括以下步骤：

s1.1：将账单电量折算成每一天电量，折算公式如下：

其中，表示每天的电量值，x终表示当期账单最后一天电量值，x始表示当期账单第一天的初始电量值，d终-始表示当期的天数；

s1.2：根据当月天数进行月电量计算。

优选地，所述的步骤s1.2包括以下步骤：

s1.2.1：对一个月出现的账单张数进行判断；

s1.2.2：根据判断结果进行月电量计算；

当一个月出现的账单数为一张时，当月的月用电量计算公式为：

其中，为上个月用电量的均值，为当前月用电量的均值，dj为在上个月用电量区间内包含当前月的天数，di为当前月用电量区间内包含当前月的天数；

当一个月出现的账单数为两张或者两张以上时，当月的月用电量计算公式为：

其中表示第i月的第n张账单期内均值，din表示第i月的第n张账单包含的i月的天数，表示第i月的第n-1张账单期内均值，dim表示第i月的第m张账单包含的i月的天数，n表示账单的张数，m∈(1,n)。

优选地，所述的步骤s2的具体过程为：根据合同号和月电量的数据完整程度划分数据集，按年月电量账单缺失30％以上则为无效用户，区分出有效用户和无效用户。

优选地，所述的步骤s3具体过程为：根据过半数填充原则，选择每年缺失值个数都小于6的所有样本，采用k近邻方法填充缺失值。

优选地，所述的步骤s4包括以下步骤：

s4.1：根据数据集的历史数据求出月电量的四分位点，其中q[1]为1/4分位点，q[3]为3/4分位点，分位差iqr＝q[3]-q[1]；

s4.2：异常标记，以q[3]+1.5*iqr为上限，以max(q[1]-1.5*iqr,10)为下限，将超出上、下限的点标记为异常点；

s4.3：异常值修复，对大于q[3]+1.5*iqr的异常点，用q[3]+1.5*iqr替代；对下限为q[1]-1.5*iqr的异常点，用q[1]-1.5*iqr代替；对下限为10的异常点，将其标记为空(na)；然后采用k近邻方法填充缺失值。

优选地，所述的步骤s5包括以下步骤：

s5.1：计算历年各月的同期平均数mi；

s5.2：将各期平均数相加除以项数得到总平均数sm；

s5.3：将各期平均数与总平均数相除得到季节指数ki＝mi/sm。

s5.4：原始数据进行修正；将各月的原始数据除以相对应的季节指数，得到第i个样本的修正时间序列为其中为基于季节指数修正后的第i个样本的电量值。

优选地，步骤s6的状态空间矩阵的构建过程为：假设第j期的数据与前面第j-1到j-p期有关，p∈(1,j)；针对单个样本，有n期数据，预测期数为m，从前往后构建p维数据集，其构建的状态空间矩阵为：

优选地，步骤s7包括以下步骤：

s7.1：根据s6所得状态空间矩阵中1到(n-m)的(p+1)维状态空间矩阵构建svm模型；

s7.2：对第i个样本后面m期数据进行预测，得到的预测值为其中j∈1,2,…,m；

s7.3：对预测值为进行修正，即进行季节性指数还原，得到修正后的预测值为：

其中，season_indexij表示对第i个样本的第j期的预测结果进行季节指数还原。

与现有技术相比，本发明技术方案的有益效果是：在本发明为工商业大用户提供月用电量预测的增值性服务，有助于用户了解自己的电力消耗情况，实现节源开流外，还有利于电力部门优化资源配置，利于电力市场营销部门的市场开拓，提升客户满意度和忠诚度，从而适应新电改形势下的市场竞争要求。

附图说明

图1为本实施例季节性的支持向量回归模型的月用电量预测方法的流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

本实施例提供一种季节性的支持向量回归模型的月用电量预测方法，如图1所示，该方法包括以下步骤

s1：进行账单数据月电量折算；用户账单数据包括各自的合同号、缴费起止时间、用电量、电费、用户类型等信息。由于用户账单电量的起止时间和抄表周期(计费时段)会出现不统一的情况，如单个供电合同可能一个月有两张或两张以上的用电账单，故需要对用户账单数据进行预处理，预处理的过程主要将可能存在的用户双月账单数据处理成“自然月”账单数据，使之满足数据模型的建立与效果评估要求。

具体折算方法如下：

(1)将账单电量折算成每一天电量，折算公式为：

其中，表示每天的电量值，x终表示当期账单最后一天电量值，x始表示当期账单第一天的初始电量值，d终-始表示当期的天数；

(2)根据当前月天数进行月电量计算，即第i月的月电量为：

其中为上个月用电量的均值，为当前月用电量的均值，dj为在上个月用电量区间内包含当前月的天数，di为当前月用电量区间内包含当前月的天数；

(3)若一个月出现两张或多张账单时，首先采用(1)计算账单期内的每天用电量，然后通过计算当月的月用电量，其中表示第i月的第n张账单期内均值，din表示第i月的第n张账单包含的i月的天数，表示第i月的第n-1张账单期内均值，dim表示第i月的第m张账单包含的i月的天数，n表示账单的张数，m∈(1,n)。

s2：对于折算后的数据划分数据集，即根据合同号和月电量的数据完整程度划分数据集，利用合同号的区分有效用户和无效用户的规则可根据需求自行设定，按年月电量账单缺失30％以上则为无效用户，区分出有效用户和无效用户。

s3：对有效用户的月电量数据进行缺失值修复，根据过半数填充原则，选择每年的缺失值个数和都小于6的样本，采用k近邻方法填充缺失值。

s4：对有效用户的月电量数据进行异常值修复，具体做法如下：

(1)根据数据集的历史数据求出月电量的四分位点，其中q[1]为1/4分位点，q[3]为3/4分位点，分位差iqr＝q[3]-q[1]。

(2)以q[3]+1.5*iqr为上限，以max(q[1]-1.5*iqr,10)为下限，将超出上、下限的点标记为异常点；对大于q[3]+1.5*iqr的异常点，用q[3]+1.5*iqr替代；对下限为q[1]-1.5*iqr的异常点，用q[1]-1.5*iqr代替；对下限为10的异常点，将其标记为空(na)，然后采用k近邻方法填充缺失值。

s5：计算每个样本的季节指数，并进行季节性修正；在经过以往的一些工作实践以及研究发现，支持向量回归模型svm对用电量预测效果较好，且比较适用于样本数据量较少的预测要求。此外，工商业用户月用电量具有明显的季节趋势性，2月和3月是一年中用电量最低的月份，7月和8月是一年中用电量最高的月份。

为使svm模型更加稳定，故要对其进行季节性修正，以满足模型建立的要求，其季节性趋势修正过程如下：

(1)计算历年各月的同期平均数mi；

(2)将各期平均数相加除以项数得到总平均数sm；

(3)将各期平均数与总平均数相除得到季节指数ki＝mi/sm。

(4)原始数据进行修正。将各月的原始数据除以相对应的季节指数，得到第i个样本的修正时间序列为以满足模型建立的要求，其中为基于季节指数修正后的第i个样本的电量值。

s6：构建p+1维的状态空间矩阵，即假设第j期的数据与前面第j-1到j-p期有关，p∈(1,j)；针对单个样本，有n期数据，预测期数为m，从前往后构建p维数据集，其构建的状态空间矩阵为：

s7、根据前面1到(n-m)的(p+1)维状态空间矩阵构建svm模型，进而预测第i个样本后面m期数据，得到的预测值为其中j∈1,2,…,m；对预测值为进行修正，进行季节性指数还原，得到修正后的预测值，即：

其中，season_indexij表示对第i个样本的第j期的预测结果进行季节指数还原。

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。