2022/09/08

【技术】天洑数据建模实施案例集锦(4) - 用户用电量时序预测

背景和概述

用电量预测是用户用能分析的一项重要研究内容,不仅能够帮助电力企业预判整个行业用电量发展趋势,还能帮助企业合理安排购电计划。其预测方法分为经典预测方法和现代智能预测方法,经典预测方法基于发展趋势的相似性进行预测,当用电量趋势波动较大时预测效果会产生明显下降。

问题和难点

1. 多种外部因素影响用户用电量:用户用电量不仅受天气、季节等自然因素的影响,还与多种社会经济因素存在关联关系。这会增加用电量预测的建模难度。

2. 电网短期用电量既具有波动性又具有非线性特征,这会降低用电量的预测精度。

3. 传统的用电量预测方法在挖掘种类多、体量大、纬度高和生成速度快的用电大数据时存在一定的局限性,难以准确把握用户的用电量关联因素及变化规律。

解决方案:基于DTEmpower的时序预测建模实战 

为了对用户用电量进行精准预测,并为智能配用电提供数据模型支撑,本案例基于DTEmpower数据建模平台中的时序预测功能模块(如图1),采用数据驱动的方法建立用户用电量的预测模型(如图2)。

1.jpg

图1  DTEmpower不仅提供了一站式的数据建模解决方案,通过简单的节点拖拽即可搭建完整的建模流程;还集成了ARIMA、SARIMA、TBATS等常见的时序预测算法,满足用户对时序预测建模需求的同时,扫清了数据驱动技术在实际工业应用中落地的一大障碍


2.jpg

图2  基于DTEmpower的用户用电量预测建模过程,通过5个节点的连接即可搭建完整的时序预测模型,最终模型对t+1时刻预测值的R2指标为94.27%

1. 【时序变量设定】节点可以设置时间变量、预测变量和外源变量三类:时间变量为时序模型的对应时间索引列,预测变量为时序模型用于预测的变量,外源变量为影响预测变量的其他变量。

2. 【时序预处理】节点完成对时序数据校验:由于时序模型训练算法对于数据集有比较严格的限制,如连续采样且时间间隔均匀等,因此为了避免后续算法节点运行出错,需要结合【时序预处理】节点对数据进行校验和预处理。
应用价值 

提前预知用户用电量的变化

通过时序预测的方法,精确快速的预测用户用电量的变化情况,为合理的电力输送及调度提供模型支撑。

提高电力系统的经济和社会效益

高精度的用户用电量预测模型有利于节煤、节油和降低发电成本,避免资源浪费,为制定合理的电源建设规划,提高电力系统的经济效益和社会效益提供助力。

相关案例


如对相关软件感兴趣,可以联系我们或申请软件试用