基于双向ARIMA时间序列法的供电可靠性指标预测方法及系统

摘要

本发明提供了一种基于双向ARIMA时间序列法的供电可靠性指标预测方法及系统，包括：获取供电可靠性指标相关历史数据；对获取的历史数据进行分割，得到各供电可靠性指标横向和纵向的双向时间序列数据；通过双向ARIMA模型对各供电可靠性指标进行预测，得到双向时间序列数据分别对应的各供电可靠性指标点预测值；对双向时间序列数据分别对应的各供电可靠性指标的点预测值进行加权组合，得到加权后各供电可靠性指标的点预测值；结合历史数据均值及方差进行各供电可靠性指标的区间预测；在各供电可靠性指标预测区间内，确定各供电可靠性指标的预测数值。本发明在供电可靠性指标的预测方面具有针对性强、计算速度快、预测精准度高的优点。

说明书

技术领域

本发明涉及配电网供电可靠性技术领域，更具体地，涉及一种基于双向ARIMA时间序列法的供电可靠性指标预测方法。

背景技术

随着我国社会经济的快速发展，人们对供电质量的需求也逐步增加，对电网公司的供电服务水平也提出了更高的要求。供电系统用户供电可靠性指供电系统对用户持续供电的能力，是衡量电力企业供电水平的重要标准。我国采用供电可靠率、用户平均停电时间和用户平均停电频率等指标作为主要衡量配电网供电可靠性的技术指标。

根据中电联2021年数据，全国供电系统用户平均供电可靠率99.872％，用户平均停电时间11.26小时/户。其中，全国城市地区平均供电可靠率99.944％，农村地区平均供电可靠率99.840％。尽管我国供电可靠性在过去的二十年里改善明显，但相比于发达国家仍有极大地提升空间。

供电可靠性管理是提升供电可靠性工作的重要部分，目前我国各省级电力企业均出台了相应的可靠性管理方案。其中，组织测算计划停电时户数，编制年度、月度计划停电预测值，月末精控下月预测值等工作均需要对供电可靠性指标进行精准预测。然而，由于用户停电存在大量不确定因素，目前绝大部分区县公司仍采用粗放的人工经验估计方法，严重影响了供电可靠性精细化管理进程。

因此，亟需一种可支撑电力企业供电可靠性精细化管理的供电可靠性指标预测方法。

发明内容

为解决现有技术中存在的不足，本发明提供一种基于双向ARIMA时间序列法的供电可靠性指标预测方法。其目的是提高区县电力公司供电可靠性指标预测能力，满足国家电网公司供电可靠性精细化管理需求，提升供电可靠性目标管理水平，进而逐步提升我国电力系统供电可靠率。

本发明采用如下的技术方案。

一种基于双向ARIMA时间序列法的供电可靠性指标预测方法，包括如下步骤：

步骤1，获取供电可靠性指标相关历史数据；

步骤2，对获取的历史数据以自然月为时间序列横向分割，以同月不同年数据为时间序列纵向分割，得到各供电可靠性指标横向和纵向的双向时间序列数据；

步骤3，根据双向时间序列数据确定双向ARIMA模型参数，并结合双向时间序列数据通过双向ARIMA模型对各供电可靠性指标进行预测，得到双向时间序列数据分别对应的各供电可靠性指标点预测值；

步骤4，利用历史数据寻优得到最优双向加权比例并对双向时间序列数据分别对应的各供电可靠性指标的点预测值进行加权组合，得到加权后各供电可靠性指标的点预测值；

步骤5，在加权后预测月供电可靠性指标点值的基础上结合历史数据均值及方差进行各供电可靠性指标的区间预测，得到预测的区间范围；

步骤6，在各供电可靠性指标预测区间内，结合预测月特殊天气情况及停电作业计划安排确定各供电可靠性指标的预测数值。

优选地，所述步骤1中，供电可靠性指标包括：供电可靠率、用户平均停电时间、用户平均停电次数；

所获取的历史数据范围至少为两年的数据。

优选地，所述步骤2中，得到的横向时间序列数据为：将获取的全部历史数据按时间顺序排列后得到的数据集合；

得到的纵向时间序列数据为：将同一月份的数据按时间顺序进行排列的与年份数相同个数的数据集合。

优选地，所述步骤3还包括以下步骤：

步骤3-1：对双向时间序列数据进行平稳化检验，确定差分阶数d1、d2；

步骤3-2：利用偏自相关系数图PACF确定模型参数p1、p2可能性；

步骤3-3：利用自相关系数图ACF确定模型参数q1、q2可能性；

步骤3-4：利用信息准则或热力图定阶，遍历搜索AIC和BIC最小的参数组合，确定p1、p2、q1、q2；

步骤3-5：根据上述步骤得到的双向ARIMA模型参数，得到拟合模型ARIMA(p1，d1，q1)、ARIMA(p2，d2，q2)，并将其作为预测模型；

步骤3-6：对各供电可靠性指标进行预测。

优选地，所述步骤3-1还包括：分别对双向时间序列进行平稳性检验，若检验结果为不平稳则进行一阶差分并再次进行平稳性检验，若检验结果仍为不平稳则进行二阶差分并再次进行平稳性检验，直至时间序列平稳，此时总差分次数即为差分阶数d1、d2。

优选地，所述步骤3-2还包括：分别绘制经d1、d2阶差分后的双向时间序列PACF图，根据双向时间序列PACF图能够得到超出置信边界的阶数，即为参数p的可能性，根据差分阶数d1、d2分别能够得到参数p1、p2的可能性；

所述步骤3-3：分别绘制经d1、d2阶差分后的双向时间序列ACF图，根据双向时间序列ACF图能够得到超出置信边界的阶数，即为参数q的可能性，根据差分阶数d1、d2跟别能够得到参数q1、q2的可能性。

优选地，所述步骤4中，双向ARIMA模型的目标函数及约束条件如下：

s.t.0≤k≤1

其中，F

F＝F

其中，F

优选地，计算得到横向时间序列数据的样本标准差，设置置信度并进行区间预测，区间预测上下限值的计算式如下：

其中，F

本发明还提供了一种基于双向ARIMA时间序列法的供电可靠性指标预测系统，包括：数据获取模块、数据分割模块、预测模型构建模块、加权预测模块、区间预测模块和指标预测模块；

数据获取模块用于获取供电可靠性指标相关历史数据；

数据分割模块用于对获取到的数据进行分割，得到各供电可靠性指标横向和纵向的双向时间序列数据；

预测模型构建模块用于构建双向ARIMA模型，并将其作为预测模型；

加权预测模块基于加权组合计算供电可靠性指标点预测值；

区间预测模块用于在供电可靠性指标点预测值的基础上进行区间预测；

指标预测模块能够在预测区间的范围内，结合预测月特殊天气情况及停电作业计划安排确定各供电可靠性指标的预测数值.

本发明还提供了一种终端，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行所述基于双向ARIMA时间序列法的供电可靠性指标预测方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于双向ARIMA时间序列法的供电可靠性指标预测方法的步骤。

本发明的有益效果在于，与现有技术相比，本发明提供的基于双向ARIMA时间序列法的供电可靠性指标预测方法，采用横、纵双向的基础数据时间序列拆分处理方法，并通过历史数据训练得到最优双向加权比例，得到加权供电可靠性指标点预测值，进行供电可靠性指标区间预测，该方法具有针对性强、计算速度快、预测精准度高的优点，能够充分挖掘历史数据的规律性，将影响因素复杂的停电预估问题化繁为简，使基层供电可靠性从业人员预测工作有据可循；特别是能够有效提升区县供电公司供电可靠性指标预测精准度，对省级电力企业供电可靠性精细化管理及我国供电可靠率提升起到一定的推进作用。

附图说明

图1是本发明中基于双向ARIMA时间序列法的供电可靠性指标预测方法的流程示意图；

图2是本发明中历史数据双向分解的示意图；

图3时本发明中基于双向ARIMA时间序列法的供电可靠性指标预测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。

如图1所示，本发明提出了一种基于双向ARIMA时间序列法的供电可靠性指标预测方法，该方法包括如下步骤：

步骤1，获取供电可靠性指标相关历史数据；

其中，供电可靠性指标包括：供电可靠率、用户平均停电时间、用户平均停电次数、系统停电等效小时数；所获取的历史数据范围为两年以上的数据。

本发明中，可以通过系统导出或人工收资方式得到所需的历史数据。

步骤2，对获取的历史数据以自然月为时间序列横向分割，以同月不同年数据为时间序列纵向分割，得到各供电可靠性指标横向和纵向的双向时间序列数据。

具体的，得到的横向时间序列数据为：将获取的全部历史数据按时间顺序排列后得到的数据集合；

得到的纵向时间序列数据为：将同一月份的数据按时间顺序进行排列的与年份数相同个数的数据集合。

步骤3，根据双向时间序列数据确定双向ARIMA模型参数，并结合双向时间序列数据通过双向ARIMA模型对各供电可靠性指标进行预测，得到双向时间序列数据分别对应的各供电可靠性指标点预测值。

具体的，步骤3还包括以下步骤：

步骤3-1：对双向时间序列数据进行平稳化检验，确定差分阶数d1、d2。

具体的，分别对双向时间序列进行平稳性检验，如果检验结果为不平稳则进行一阶差分；再次进行平稳性检验，若检验结果仍为不平稳则进行二阶差分，直至时间序列平稳，总差分次数即为d1、d2。

步骤3-2：分别根据差分阶数d1、d2，利用偏自相关系数图PACF确定模型参数p1、p2的可能性。

具体的，分别绘制经d1、d2阶差分后的双向时间序列PACF图，根据双向时间序列PACF图能够得到超出置信边界的阶数，即为参数p的可能性，根据差分阶数d1、d2分别能够得到参数p1、p2的可能性。

步骤3-3：分别根据差分阶数d1、d2，利用自相关系数图ACF确定模型参数q1、q2的可能性。

具体的，分别绘制经d1、d2阶差分后的双向时间序列ACF图，根据双向时间序列ACF图能够得到超出置信边界的阶数，即为参数q的可能性，根据差分阶数d1、d2跟别能够得到参数q1、q2的可能性。

步骤3-4：利用信息准则或热力图定阶，遍历搜索AIC和BIC最小的参数组合，确定p1、p2、q1、q2的具体值。

具体的，根据上述步骤3-2和步骤3-3得到的各种p、q参数可能性的情况下，计算赤池信息量AIC和贝叶斯信息量BIC，选择AIC和BIC最小的参数组合，确定p1、p2、q1、q2的具体值。

步骤3-5：根据上述步骤得到的双向ARIMA模型参数，得到拟合的双向ARIMA模型ARIMA(p1，d1，q1)、ARIMA(p2，d2，q2)，并将其作为预测模型。

步骤3-6：分别基于双向时间序列数据，通过步骤3-5得到的预测模型对各供电可靠性指标进行预测，得到双向时间序列数据分别对应的各供电可靠性指标点预测值。

步骤4，利用历史数据寻优得到最优双向加权比例并对双向时间序列数据分别对应的各供电可靠性指标的点预测值进行加权组合，得到加权后各供电可靠性指标的点预测值；

具体的，由历史数据多次代入步骤3得到的ARIMA(p1，d1，q1)、ARIMA(p2，d2，q2)预测模型后得到最优双向加权比例，将最优双向加权比例作为后续预测的比例参数，得到预测模型的目标函数及约束条件如下：

s.t.0≤k≤1

其中，F

进一步的，供电可靠性指标点预测值的计算如下：

F＝F

其中，F为预测月加权后的各供电可靠性指标点预测值。

通过步骤4能够得到加权后各供电可靠性指标的点预测值。

步骤5，在加权后各供电可靠性指标的点预测值基础上结合历史数据均值及方差进行各供电可靠性指标的区间预测，得到预测的各供电可靠性指标区间范围值。

具体的，根据步骤2得到的横向时间序列数据进行计算，计算得到横向时间序列数据的样本标准差，设置置信度，在供电可靠性指标点预测值的基础上进行区间预测，区间预测的具体计算式如下：

其中，F

具体的，置信度的选择应根据实际工程需要进行选择，常见置信度为99.9％、99％、95％、90％。

步骤6，在各供电可靠性指标的预测区间内，结合预测月特殊天气情况及停电作业计划安排确定各供电可靠性指标的预测数值。

具体的，得到的供电可靠性指标的预测数值包括供电可靠率、用户平均停电时间、用户平均停电次数和系统停电等效小时数的预测值；

进一步的，结合预测月特殊天气情况及停电作业计划安排确定各供电可靠性指标的预测数值还包括：若预测月存在极端天气，如雨雪冰冻、大风等，或大规模停电检修安排时，应以某一系数将预测区间整体下移，得到具体的预测数值，系数和具体预测数值由本领域技术人员结合当地供电企业实际情况确定。

如图3所示，本发明还提供了一种基于双向ARIMA时间序列法的供电可靠性指标预测系统，上述供电可靠性指标预测方法能够基于该系统实现，该系统包括：数据获取模块、数据分割模块、预测模型构建模块、加权预测模块、区间预测模块和指标预测模块；

数据获取模块用于获取供电可靠性指标相关历史数据；

数据分割模块用于对获取到的数据进行分割，得到各供电可靠性指标横向和纵向的双向时间序列数据；

预测模型构建模块用于构建双向ARIMA模型，并将其作为预测模型；

加权预测模块基于加权组合计算供电可靠性指标点预测值；

区间预测模块用于在供电可靠性指标点预测值的基础上进行区间预测，得到各供电可靠性指标的区间预测值；

指标预测模块能够在预测区间的范围内，结合预测月特殊天气情况及停电作业计划安排确定各供电可靠性指标的预测数值。

进一步的，为了说明本发明的有益效果，通过以下实验和结果对比进行分析：

以供电可靠性指标中的用户平均停电时间为例，获取辽宁省某区县电力公司用户平均停电时间月度数据共六年零六个月，共计78个自然月，通过本发明的方法进行历史数据双向分解，如图2所示，梳理统计以月为单位的供电可靠性指标，以前77个月数据作为基础历史数据样本，第78个月数据为目标预测月测试本发明预测效果。

在本发明的纵向分解中，前六年每年第六月作为纵向时间序列基础数据，对纵向ARIMA预测模型定阶；在横向分解中，前77个自然月依时间顺序形成横向时间序列基础数据，对横向ARIMA预测模型定阶，进一步确定最优双向加权比例并加权组合后进行供电可靠性指标区间预测。

同时对获取到的用户平均停电时间月度数据分别采用传统的采用单一分解的方式进行分解，即仅采用前六年每年第六月作为时间序列基础数据，或仅采用前77个自然月依时间顺序形成数列作为时间序列基础数据，分别对纵向ARIMA预测模型定阶，并进行供电可靠性指标区间预测.

对比传统方法和本发明提出方法预测结果，通过预测结果对比发现，在该实验中，仅使用横向ARIMA模型预测误差为14.23％；仅使用纵向ARIMA模型预测误差为21.33％；而本发明采用的通过最优双向加权后预测结果的误差为11.92％，预测精度提升明显。

进一步的，得到双向加权后点预测值基础上，尝试设置不同置信度下的预测区间覆盖情况，当置信度为95％时，预测区间覆盖率达到75％；当置信度为90％时，预测区间覆盖率达到100％。

本发明的有益效果在于，与现有技术相比，本发明提供的基于双向ARIMA时间序列法的供电可靠性指标预测方法，采用横、纵双向的基础数据时间序列拆分处理方法，并通过历史数据训练得到最优双向加权比例，得到加权供电可靠性指标点预测值，进行供电可靠性指标区间预测，该方法具有针对性强、计算速度快、预测精准度高的优点。

本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。

计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是——但不限于——电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。

这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。

用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言-诸如Smalltalk、C++等，以及常规的过程式编程语言-诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络-包括局域网(LAN)或广域网(WAN)-连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。