[发明专利]一种基于KPCA和线性回归的电力消费预测方法

说明书

本发明公开一种基于KPCA和线性回归的电力消费预测方法，将收集到的预设时间段的城市变量经过PCA和KPCA进行处理后得到的PCA处理变量和KPCA处理变量，再将PCA处理变量和KPCA处理变量分为训练集、试验集和预测集后带入到线性回归模型中，选择最优模型得到预测结果。经验证本方法所得预测结果与实际电力消费结果吻合程度较高，可以通过本方法对已发生时间段的电力预测消费进行计算。通过结合KPCA方法和线性回归模型的方式，在城市变量样本较少的情况下，对预测年份或时间段的电力消费情况进行预测，解决了现有用电消费预测模型的不稳定性和不确定性，减小预测结果与实际情况的误差。

技术领域

本发明专利属于电力数据分析技术领域，尤其涉及一种基于KPCA和线性回归的电力消费预测方法。

背景技术

随着我国经济的快速发展，我国的总用电量也在不断增加。电力消费总量作为当代社会生产和居民生活所必需的能源，其变化可以间接衡量国民经济的发展和居民生活水平的提高。准确预测社会长期总电力需求，可以为国家制定经济发展战略和实施产业结构转型提供指导，也是国家履行节能减排、低碳环保国际义务的重要依据。

因此，对长期电力消费总量进行预测是有现实意义的。用电消费预测的方法多种多样，主要的方法可以分为三类，即计量经济模型，机器学习模型和自下而上的综合能源系统优化模型。

但是这些现有的电力消费预测模型用于预测长期电力消费都有很大的不稳定性和不确定性，得到的预测结果与实际情况的误差较大。

发明内容

本申请公开了一种基于KPCA和线性回归的电力消费预测方法，已解决现有技术中预测电力消费时稳定性、准确性较差、预测结果与实际情况的误差较大的问题。

本申请提供的一种基于KPCA和线性回归的电力消费预测方法，包括：

收集预设时间段的城市变量，包括：全社会用电量、人口增长率、城镇人口占比、名义GDP、居民电价、煤炭价格、第二产业增加值占比、第三产业增加值占比和人均就业产值；

将城市变量通过PCA计算后转换为PCA处理变量；

通过KPCA方法中的KPCA核函数，对城市变量进行降维处理，得到一组KPCA处理变量；

将城市变量、PCA处理变量、KPCA处理变量分别分为训练集、验证集、预测集三部分并带入到线性回归模型中，分别计算训练集、验证集、预测集位于每一个模型的均方误差，并根据得到的均方误差选择最优模型，得到所要预测年份或所要预测年份时间段的全社会用电量的预测结果。

在一种实现方式中，将所述城市变量按照电力特征、人口特征、经济特征、价格特征、产业结构特征和生产效率特征进行分类。

在一种实现方式中，所述PCA的计算过程为：

Ca_i＝λ_ia_i

其中，原始独立变量为Xn*p，n为观测次数，p为样本维数，Cp*p为Xn*p的协方差矩阵，λi和ai分别为Cp*p的特征值和相应的特征向量；

如果取第一个m主成分，主成分矩阵F计算如下：

P＝(a_ij)_p*m＝(a₁,a₂,a₃,...,a_m)

F＝XP

其中Pp*m是由C的最大第一个m特征向量形成的矩阵，Fn*m是具有m维的主分量，i^th为城市变量的特征向量；具体来说，i^th的主成分Fi为：