一种能源需求密度预测方法和系统与流程

本发明涉及一种能源需求密度预测方法和系统，属于电力系统能源供需预测。

背景技术：

1、随着全球能源需求的不断增长，准确预测能源需求的变化成为一个重要的研究领域。在能源需求预测中，密度预测通常是指对特定地区或时间段内的能源需求进行预测。这种预测方法旨在了解能源需求在空间和时间上的分布，以便有效规划和管理能源供应。然而，现有的能源需求密度预测方法存在一些问题，这限制了它们的准确性和实用性。

2、当前能源需求密度预测方法存在如下技术问题：

3、(1)传统的能源需求密度预测方法往往过于依赖历史数据和统计模型，无法全面考虑经济增长趋势以及环境的变化等因素。这导致预测结果的准确性受到限制，特别是在面对复杂的年度高峰能源供需不平衡情况时更为明显。

4、(2)能源供需是一个复杂的系统，涉及多个因素如经济增长、人口增长、技术发展等。现有方法往往难以准确捕捉这些复杂的因素之间的相互作用，导致预测结果的偏差。

5、(3)传统的能源需求预测模型通常是基于点预测，即预测未来能源需求的平均值或中位数，点预测会受到因人口、经济、温度这些具有不确定性的影响因素而产生的某些局部极端值的影响，从而造成预测结果的不准确、不全面。

技术实现思路

1、为解决现有技术中存在的问题，本发明提出了一种能源需求密度预测方法和系统。

2、本发明的技术方案如下：

3、一种能源需求密度预测方法，包括：

4、获取目标区域的年度需求高峰时期的历史能源需求数据以及历史能源需求效应数据；

5、构建相关于能源需求与驱动变量之间关系的半参数相加模型，所述驱动变量包括日历效应、温度效应、人口和经济效应和模型误差；

6、根据所述历史能源需求数据以及历史能源需求效应数据，结合所述半参数相加模型和aic模型，确定最佳日历效应、最佳温度效应以及最佳人口和经济效应；

7、基于最佳日历效应、最佳温度效应以及最佳人口和经济效应，分别获取最佳温度效应预测值、最佳日历效应预测值以及最佳人口和经济效应预测值；

8、基于最佳温度效应预测值、最佳日历效应预测值以及最佳人口和经济效应预测值，结合半参数相加模型，进行能源需求密度预测。

9、进一步地，所述能源需求数据包括目标区域的以半小时为单位的总能源需求数据和工业能源需求数据；所述能源需求效应数据包括以半小时为单位的日历效应数据、温度效应数据以及人口和经济效应数据。

10、进一步地，

11、所述半参数相加模型以半小时为时间尺度对一天的能源需求、日历效应、温度效应以及人口和经济效应进行48个期间的划分，所述半参数相加模型表示为：

12、

13、其中，yt,p为目标区域在时间t所属期间p的总能源需求；

14、ot,p为目标区域在时间t所属期间p的工业能源需求；

15、hp(t)为目标区域在时间t所属期间p的日历效应；

16、fp(w1,t,w2,t)为目标区域在时间t所属期间p的温度效应，w1,t、w2,t分别为目标区域中典型子区域1和典型子区域2在时间t所属期间p的温度向量；

17、为目标区域在时间t的人口和经济效应，其中，

18、zj,t为目标区域在时间t的第j人口和经济子影响因素，j＝1,2,3,4,5,6时分别对应表示居住人口数量子影响因素、每户人数子影响因素、家庭数量子影响因素、平均电价子影响因素、空调指数子影响因素、其他子影响因素子因素；cj为zj,t对应的影响系数；nt为目标区域在时间t的模型误差。

19、进一步地，所述目标区域在时间t所属期间p的日历效应hp(t)包括日季节性模式效应、假日效应和年度效应，hp(t)的具体表达式为：

20、hp(t)＝αt,p+βt,p+γt,p+δt,p+lp(t)

21、其中，αt,p为目标区域在时间t所属期间p对应的日季节性模式效应；

22、βt,p、γt,p、δt,p为目标区域在时间t所属期间p对应的第一、第二和第三假日效应；

23、lp(t)为目标区域在时间t所属期间p对应的年度效应，为平滑函数；

24、所述目标区域在时间t所属期间p的温度效应fp(w1,t,w2,t)的具体表达式为：

25、

26、其中，fk,p、gk,p、fj,p、gj,p、qp、rp、sp分别为第一、第二、第三、第四、第五、第六、第七拟合函数，均为平滑函数，并均使用三次回归样条进行拟合，其中，

27、第一拟合函数fk,p、第三拟合函数fj,p和第五拟合函数qp用于22和29℃的温度拟合；

28、第六拟合函数rp用于13.8和16.9℃的温度拟合；

29、第二拟合函数gk,p和第四拟合函数gj,p用于-2.2和-0.7℃的温度拟合；

30、xt-k为典型子区域1和典型子区域2在时间t前k个半小时的两地平均温度；

31、dt-k为典型子区域1和典型子区域2在时间t前k个半小时的两地温差；

32、xt-48j为典型子区域1和典型子区域2在时间t前j天的两地平均温度；

33、dt-48j为典型子区域1和典型子区域2在时间t前j天的两地温差；

34、为典型子区域1和典型子区域2在时间t前24小时的两地平均温度最大值，即过去24小时内xt的最大值；

35、xt为典型子区域1和典型子区域2在时间t的两地平均温度，xt＝(w1,t+w2,t)/2；为典型子区域1和典型子区域2在时间t前24小时的两地平均温度最小值；

36、为典型子区域1和典型子区域2在时间t前24小时的两地平均温度。

37、进一步地，所述最佳日历效应和最佳温度效应的采用如下方法确定：

38、对所述半参数相加模型进行拆解，形成相关于日历效应、温度效应和第一误差项的第一模型以及相关于人口和经济效应和第二误差项的第二模型具体为：

39、

40、对第一模型和第二模型进行交叉验证处理，获取最佳日历效应和最佳温度效应；

41、其中，最佳日历效应包括目标区域的时间t对应日的季节性模式效应、目标区域的时间t的日效应中的第一、第二和第三假日效应、目标区域的时间t的年度效应；

42、所述最佳温度效应包括典型子区域1和典型子区域2的时间t和时间t前k个半小时的两地平均温度、典型子区域1和典型子区域2的时间t和时间t前k个半小时的两地温差、典型子区域1和典型子区域2的时间t和时间t前j天的两地平均温度、典型子区域1和典型子区域2的时间t和时间t前j天的两地温差、典型子区域1和典型子区域2的时间t和时间t前24小时的两地平均温度最大值、典型子区域1和典型子区域2的时间t和时间t前24小时的两地平均温度最小值、典型子区域1和典型子区域2的时间t和时间t前24小时的两地平均温度。

43、进一步地，所述最佳人口和经济效应采用如下方法确定：

44、选择若干个人口和经济效应确定模型，所述人口和经济效应确定模型包括gsp模型、滞后平均价格模型、降温天数模型；

45、分别计算每个人口和经济效应确定模型在aic模型的对数似然，再利用aic模型分别计算出人口和经济效应确定模型的aic值，选取aic值最小的模型作为最佳人口与经济效应确定模型，基于最佳人口与经济确定模型获取最佳人口和经济效应。

46、进一步地，所述最佳温度效应预测值的获取方法为：

47、1)对历史能源需求效应数据中的温度效应数据按年度进行划分，形成m年的数据，每年的数据长度相等，均设有n天的数据；再对每年的能源需求数据数据按日期顺序排序，并按固定时间步长a天划分成若干数据块，按数据块的顺序进行标号，形成m条年度数据块序列，每条年度数据块序列中的数据块索引值为数据块的标号；

48、2)将数据块进行随机分配，将m条年度数据块序列中具有相同数据块索引值的数据块随机分配至m条年度数据块序列中，形成新的m条数据块序列；

49、3)利用改进的双季节性块引导法进行温度模拟，获取温度预测值，再基于最佳温度效应，选择最佳温度预测值；

50、一种能源需求密度预测系统，包括：历史数据获取模块，半参数相加模型构建模块、最佳驱动变量确定模块、最佳效应预测值获取模块、能源需求密度预测模块；

51、所述历史数据获取模块，用于获取目标区域的年度需求高峰时期的历史能源需求数据以及历史能源需求效应数据；

52、所述半参数相加模型构建模块，用于构建相关于能源需求与驱动变量之间关系的半参数相加模型，所述驱动变量包括日历效应、温度效应、人口和经济效应和模型误差；

53、所述最佳驱动变量确定模块，用于根据所述历史能源需求数据以及历史能源需求效应数据，结合所述半参数相加模型和aic模型，确定最佳日历效应、最佳温度效应以及最佳人口和经济效应；

54、所述最佳效应预测值获取模块，用于基于最佳日历效应、最佳温度效应以及最佳人口和经济效应，分别获取最佳温度效应预测值、最佳日历效应预测值以及最佳人口和经济效应预测值；

55、所述能源需求密度预测模块，用于基于最佳温度效应预测值、最佳日历效应预测值以及最佳人口和经济效应预测值，结合半参数相加模型，进行能源需求密度预测。

56、一种电子设备，所述电子设备包括存储器和处理器，该存储器存储有计算机程序，所述处理器用于调用并运行所述存储器中存储的计算机程序执行上述任一项所述的方法。

57、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一项所述方法的步骤。

58、相比于现有技术本发明具有如下有益效果：

59、本发明提出一种能源需求密度预测方法和系统，该能源需求密度预测方法旨在解决现有能源需求长期预测方法存在的问题，通过搭建半参数相加模型来构建能源需求与驱动变量之间的关系，解决了传统模型无法全面考虑经济增长趋势以及包括经济、人口、温度的环境变化因素，提高能源需求密度预测的准确性。

60、本发明通过半参数相加模型及aic模型确定包括最佳日历效应、最佳温度效应以及最佳人口和经济效应合，准确的捕捉到这些复杂因素之间的相互作用，并结合了半参数相加模型，实现了更为可靠和全面的预测结果。

61、本发明采用改进的双季节块引导法进行温度模拟获取最佳温度效应预测值，该设计使划分的数据块保持在它们被观察到的一年中的同一时间，解决了传统方法不考虑季节变化及精度不高的问题，提供了更可靠和准确的温度模拟。

62、本发明相较于传统的点预测模型，使用密度预测对未来尖峰时期的能源需求进行预测，考虑了周围数据点的分布情况和密度，降低了点预测可能受到局部极端值的影响而造成的预测错误或不准确的风险，更好地解释了预测数据的分布特征和趋势变化。