本发明公开了一种基于时间序列的滑动窗口式售电量预测方法，包括：用户输入预测周期；获取气温数据集、售电量数据集，并进行预处理，得到气温序列、售电量序列；确定基准窗口，获取对应序列的气温数据、售电量数据；在经过预处理的序列上设置滑动窗口；计算滑动窗口与基准窗口的相似度，对滑动窗口进行滑动，得到相似度集合；选取相似度集合中最大相似度对应的滑动窗口作为预测窗口；将预测窗口划分为前、后窗口，根据前、后窗口对应的数据得到窗口变化率；根据窗口变化率计算预测周期的售电量。通过上述方式，能够快速精确预测后窗口售电量，有良好的可实施性。
1.一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，包括：S100：用户输入预测周期T；
S200：获取气温数据集、售电量数据集，并进行预处理，得到气温序列、售电量序列；
S300：确定基准窗口，并获取对应序列的气温数据、售电量数据；
S400：在经过预处理的气温序列、售电量序列上设置滑动窗口；
S500：计算所述滑动窗口与所述基准窗口的相似度，并对滑动窗口进行滑动，得到相似度集合；
S600：选取所述相似度集合中最大相似度对应的滑动窗口作为预测窗口；
S700：将预测窗口划分为前、后窗口，根据前、后窗口对应序列的数据计算得到窗口变化率；
S800：根据所述窗口变化率计算所述预测周期的售电；
S520：计算滑动窗口前窗口与基准窗口前窗口的售电量相似度；
S530：计算得到滑动窗口与基准窗口的综合相似度；
S540：若滑动窗口未到达终止位置，则滑动窗口在时间序列上向后滑动一个步长，返回至S510；若滑动窗口到达终止位置，则按滑动窗口的时间顺序排列综合相似度，得到综合相似度集合；
所述S540，滑动步长为⌈T/d⌉，其中d为不大于T的正整数且由用户设定，d的值与预测准确度成正比，与预测速度成反比；
S513：计算得到滑动窗口与基准窗口的温度相似度；
所述最高温相似度、最低温相似度，通过计算欧式距离得到；
所述温度相似度，为最高温相似度与最低温相似度的乘积。
2.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S100，包括：预测周期T为用户需要对售电量进行预测的时间段，在时间序列上为当前日期后T日；
根据所述预测周期T获取预测周期内的气温数据，数据来源为天气预报。
3.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S200，包括：所述气温数据集，包括历史气温数据、预测周期内的气温数据；
所述预处理，对气温数据集、售电量数据集分别进行归一化处理；
所述气温数据集、售电量数据集经过归一化处理得到气温序列、售电量序列；
4.如权利要求3所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述归一化处理，为对数据集 进行计算，归一化处理公式为： ，其中为最小值， 为 最大值，为数据集 的长度，为待归一的数据，为归一化后的数据；
对归一化后的数据按时间顺序进行排列，得到对应的数据序列。
5.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S300，包括：所述基准窗口，在时间序列上以当前日期为基准，向前后各增加T日，形成长度为2T+1的窗口，前T日为基准窗口前窗口，后T日为基准窗口后窗口。
6.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S400，包括：所述滑动窗口，长度为2T+1，起始位置为时间序列中首次出现的当前日期的相同月份的1日，终止位置为当前日期的前一天。
7.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S520，包括：所述售电量相似度，通过计算欧式距离得到。
8.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S530，包括：所述综合相似度，由温度相似度与售电量相似度相乘得到。
9.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S700，包括：S710：将所述预测窗口划分为前、后窗口；
S720：计算前窗口中售电总量与后窗口售电总量间变化率；
所述前、后窗口，分别为预测窗口在时间序列上前T日与后T日对应气温序列、售电量序列；
所述变化率，计算公式为： ，其中 为变化率，为前窗口售电总量， 为后窗口售电总量。
10.如权利要求1所述的一种基于时间序列的滑动窗口式售电量预测方法，其特征在于，所述S800，包括：所述预测周期的售电量 ，其中，为变化率，为预测窗口的前窗口的售电总量。
一种基于时间序列的滑动窗口式售电量预测方法
技术领域
[0001] 本发明涉及数据处理技术领域，特别是涉及一种基于时间序列的滑动窗口式售电量预测方法。
背景技术
[0002] 随着智能电网的建设，月售电量反映了电力企业的售电能力以及综合管理水平，因此受到了各级企业的广泛关注。按照历年以来不同地区月售电量相关的数据分析结果发现，研究对象呈现出一种非常复杂的非线性特征，证明其会被不同性质因素进行驱动，如季节更替、突发事件以及经济变化等。
[0003] 现如今对售电量预测的方法，存在回归分析大量数据进行预测和对于影响售电量的一些因素考量不够，导致计算量庞大和预测结果不够准确问题；公告号为CN 106651055 A ，名称为一种短期售电量预测方法及系统，提出了一种获取电力公司已发行用电的低压用户和高压用户的发行电量，以此预测高压用户和低压用户在未发行时间段的用电量，将他们进行求和得到月售电量预测值。但是该方法的数据依赖少，预测得到的结果可能受季节等因素影响较大，预测结果不够准确。公告号为CN 105096159 A，名称为一种区域售电量预测方法及装置，提出了获取各个待预测区域的历史售电量曲线，确定各个待预测区域的历史售电量曲线在时域频域下特征，进行聚类，得到预测算法进行售电量预测，该方法预测范围有限，没有考虑其他季节环境因素。
发明内容
[0004] 本发明主要解决的技术问题是提供一种基于时间序列的滑动窗口式售电量预测方法，能够解决当前日期后T日的售电量预测问题。
[0005] 为解决上述技术问题，采用的一个技术方案是：提供一种基于时间序列的滑动窗口式售电量预测方法，包括：
[0006] S100：用户输入预测周期T；
[0007] S200：获取气温数据集、售电量数据集，并进行预处理，得到气温序列、售电量序列；
[0008] S300：确定基准窗口，并获取对应序列的气温数据、售电量数据；
[0009] S400：在经过预处理的气温序列、售电量序列上设置滑动窗口；
[0010] S500：计算所述滑动窗口与所述基准窗口的相似度，并对滑动窗口进行滑动，得到相似度集合；
[0011] S600：选取所述相似度集合中最大相似度对应的滑动窗口作为预测窗口；
[0012] S700：将预测窗口划分为前、后窗口，根据前、后窗口对应序列的数据计算得到窗口变化率；
[0013] S800：根据所述窗口变化率计算所述预测周期的售电量。
[0014] 进一步地，所述S100，包括：
[0015] 预测周期T为用户需要对售电量进行预测的时间段，在时间序列上为当前日期后T日；
[0016] 进一步地，所述S200，包括：
[0017] 所述获取气温数据集，包括历史气温数据、预测周期内的气温数据；
[0018] 所述气温数据，包括最高温数据、最低温数据；
[0019] 所述获取售电量数据集，包括历史售电量数据；
[0020] 所述预处理，对气温数据集、售电量数据集分别进行归一化处理；
[0021] 所述气温数据集、售电量数据集经过归一化处理得到气温序列、售电量序列；
[0022] 所述气温序列，包括最高温序列、最低温序列。
[0023] 进一步地，所述归一化处理，为对数据集 进行计算，归一化处理的公式为： ，其中 为 最小值， 为 最大值，为数据集 的长度，为待归一的数据，为归一化后的数据；
[0024] 对归一化后的数据按时间顺序进行排列，得到对应的数据序列。
[0025] 进一步地，所述S300，包括：
[0026] 所述基准窗口，在时间序列上以当前日期为基准，向前后各增加T日，形成长度为2T+1的窗口，前T日为基准窗口的前窗口，后T日为基准窗口的后窗口。
[0027] 进一步地，所述S400，包括：
[0028] 所述设置滑动窗口，长度为2T+1，起始位置为时间序列中首次出现的当前日期的相同月份的1日，终止位置为当前日期的前一天。
[0029] 进一步地，所述S500，包括：
[0030] S510：计算滑动窗口与基准窗口的温度相似度；
[0031] S520：计算滑动窗口的前窗口与基准窗口的前窗口的售电量相似度；
[0032] S530：计算得到滑动窗口与基准窗口的综合相似度；
[0033] S540：若滑动窗口未到达终止位置，则滑动窗口在时间序列上向后滑动一个步长，返回至S510；若滑动窗口到达终止位置，则按滑动窗口的时间顺序排列综合相似度，得到综合相似度集合；
[0034] 所述滑动窗口的前窗口，为滑动窗口前T日；
[0035] 所述S540，滑动步长为 ，其中d为不大于T的正整数且由用户设定，d的值与预测准确度成正比，与预测速度成反比。
[0036] 进一步地，所述S510，包括：
[0037] S511：计算滑动窗口与基准窗口的最高温相似度；
[0038] S512：计算滑动窗口与基准窗口的最低温相似度；
[0039] S513：计算得到滑动窗口与基准窗口的温度相似度；
[0040] 所述最高温相似度、最低温相似度，通过计算欧式距离得到；
[0041] 所述温度相似度，为最高温相似度与最低温相似度的乘积。
[0042] 进一步地，所述S520，包括：
[0043] 所述售电量相似度，通过计算欧式距离得到。
[0044] 进一步地，所述S530，包括：
[0045] 所述综合相似度，由温度相似度与售电量相似度相乘得到。
[0046] 进一步地，所述S700，包括：
[0047] S710：将所述预测窗口划分为前、后窗口；
[0048] S720：计算前窗口中售电总量与后窗口售电总量间变化率；
[0049] 所述前、后窗口，分别为预测窗口在时间序列上前T日与后T日对应气温序列、售电量序列；
[0050] 所述变化率，计算公式为： ，其中 为变化率，为前窗口售电总量， 为后窗口售电总量。
[0051] 进一步地，所述S800，包括：
[0052] 所述预测周期的售电量 ，其中 为预测窗口的前窗口的的售电总量。
[0053] 本发明的有益效果是：通过对窗口最高温相似度和窗口最低温相似度相乘计算窗口温度相似度，与前窗口售电量相似度相乘得到综合相似度，从而精确预测后窗售电量。居民售电量变化与气温具有一定的关联性和周期性，所以，当历史时间序列足够长，且短期天气预报数据准确度较高时，该方法能有效预测售电量。窗口间的综合相似度计算基于日最高温度、日最低温度以及日售电量数据，以上细粒度数据能够充分考虑气候、节假日等外部现实因素，且对居民售电量变化反应较为敏感，故能够有效提高预测精度。原理简单易懂，且具有良好的可实施性和准确性。
附图说明
[0054] 图1为一种基于时间序列的滑动窗口式售电量预测方法的流程图；
[0055] 图2为一种基于时间序列的滑动窗口式售电量预测方法的基准窗口及其划分的示意图；
[0056] 图3为一种基于时间序列的滑动窗口式售电量预测方法的滑动窗口滑动的示意图；
[0057] 图4为一种基于时间序列的滑动窗口式售电量预测方法的滑动窗口与基准窗口求相似度的示意图；
[0058] 图5为一种基于时间序列的滑动窗口式售电量预测方法的预测窗口的划分的示意图。
具体实施方式
[0059] 下面结合附图对此的较佳实施例进行详细阐述，以使优点和特征能更易于被本领域技术人员理解，从而保护范围做出更为清楚明确的界定。
[0060] 请参阅图1、图2、图3、图4和图5，实施例包括：
[0061] 一种基于时间序列的滑动窗口式售电量预测方法，包括：
[0062] S100：用户输入预测周期T；
[0063] S200：获取气温数据集、售电量数据集，并进行预处理，得到气温序列、售电量序列；
[0064] S300：确定基准窗口，并获取对应序列的气温数据、售电量数据；
[0065] S400：在经过预处理的气温序列、售电量序列上设置滑动窗口；
[0066] S500：计算所述滑动窗口与所述基准窗口的相似度，并对滑动窗口进行滑动，得到相似度集合；
[0067] S600：选取所述相似度集合中最大相似度对应的滑动窗口作为预测窗口；
[0068] S700：将预测窗口划分为前、后窗口，根据前、后窗口对应序列的数据计算得到窗口变化率；
[0069] S800：根据所述窗口变化率计算所述预测周期的售电量。
[0070] 进一步地，所述S100，包括：
[0071] 预测周期T为用户需要对售电量进行预测的时间段，在时间序列上为当前日期后T日；
[0072] 根据所述预测周期T获取预测周期序列的气温数据，数据来源为天气预报。
[0073] 进一步地，所述S200，包括：
[0074] 所述获取气温数据集，包括历史气温数据、预测周期内的气温数据；
[0075] 所述气温数据，包括最高温数据、最低温数据；
[0076] 所述获取售电量数据集，包括历史售电量数据；
[0077] 所述预处理，对气温数据集、售电量数据集分别进行归一化处理；
[0078] 所述气温数据集、售电量数据集经过归一化处理得到气温序列、售电量序列；
[0079] 所述气温序列，包括最高温序列、最低温序列。
[0080] 进一步地，所述归一化处理，为数据集 进行计算，归一化处理的公式为： ，其中 为 最小值， 为 最大值，为数据集 的长度，为待归一的数据，为归一化后的数据；
[0081] 对归一化后的数据按时间顺序进行排列，得到对应的数据序列。
[0082] 进一步地，所述S300，包括：
[0083] 所述基准窗口，在时间序列上以当前日期为基准，向前后各增加T日，形成长度为2T+1的窗口，前T日为基准窗口的前窗口，后T日为基准窗口的后窗口；
[0084] 如图2所示，基准窗口以当前日期为基准，前T日为基准窗口的前窗口，后T日为基准窗口的后窗口，基准窗口内包含最高温序列，最低温序列和售电量序列，窗口的长度为2T+1，以当前日期为基准，向前后各增加T日，其中最高温序列和最低温序列的长度均为2T+1，数据来源于天气预报；售电量序列长度为2T+1，但其数据长度为T，只有在前窗口中有数据，当前日期和后窗口置空。
[0085] 进一步地，所述S400，包括：
[0086] 所述设置滑动窗口，长度为2T+1，起始位置为时间序列中首次出现的当前日期的相同月份的1日，终止位置为当前日期的前一天；
[0087] 如图3所示，滑动窗口长度为2T+1，起始位置为时间序列中最早年份与当前日期的同月1日，从左往右滑动，直至终止位置，终止位置为当前日期的前一天。
[0088] 进一步地，所述S500，包括：
[0089] S510：计算滑动窗口与基准窗口的温度相似度；
[0090] S520：计算滑动窗口的前窗口与基准窗口的前窗口的售电量相似度；
[0091] S530：计算得到滑动窗口与基准窗口的综合相似度；
[0092] S540：若滑动窗口未到达终止位置，则滑动窗口在时间序列上向后滑动一个步长，返回至S510；若滑动窗口到达终止位置，则按滑动窗口的时间顺序排列综合相似度，得到综合相似度集合；
[0093] 所述滑动窗口的前窗口，为滑动窗口前T日；
[0094] 所述S540，滑动步长为 ，其中d为不大于T的正整数且由用户设定，d的值与预测准确度成正比，与预测速度成反比。
[0095] 进一步地，所述S510，包括：
[0096] S511：计算滑动窗口与基准窗口的最高温相似度；
[0097] S512：计算滑动窗口与基准窗口的最低温相似度；
[0098] S513：计算得到滑动窗口与基准窗口的温度相似度；
[0099] 所述最高温相似度、最低温相似度，通过计算欧式距离得到；
[0100] 如图4所示，滑动窗口从起始位置滑动到终止位置的过程中，每次滑动步长为 ，其中d为不大于T的正整数且由用户设定，d的值与预测准确度成正比，与预测速度成反比，每滑动一次，计算一次滑动窗口与基准窗口的最高温相似度和最低温相似度，再得到温度相似度；
[0101] 所述温度相似度，为最高温相似度与最低温相似度的乘积。
[0102] 进一步地，所述S520，包括：
[0103] 所述售电量相似度，通过计算欧式距离得到；
[0104] 如图4所示，滑动窗口从起始位置滑动到终止位置的过程中，每次滑动步长为 ，其中d为不大于T的正整数且由用户设定，d的值与预测准确度成正比，与预测速度成反比；每滑动一次，计算一次滑动窗口和基准窗口的前窗口的售电量相似度。
[0105] 进一步地，所述S530，包括：
[0106] 所述综合相似度，由温度相似度与售电量相似度相乘得到。
[0107] 进一步地，所述S700，包括：
[0108] S710：将所述预测窗口划分为前、后窗口；
[0109] S720：计算前窗口中售电总量与后窗口售电总量间变化率；
[0110] 所述前、后窗口，分别为预测窗口在时间序列上前T日与后T日应气温序列电量序列；
[0111] 如图5所示，预测窗口划分以时间序列上前T日与后T日被划分为前、后窗口两部分，相对应地气温和售电量序列也随之被划分为前、后窗口两部分；
[0112] 所述变化率，计算公式为： ，其中 为变化率，为前窗口售电总量， 为后窗口售电总量。
[0113] 进一步地，所述S800，包括：
[0114] 所述预测周期的售电量 ，其中 为预测窗口的前窗口的售电总量。
[0115] 以上所述仅为实施例，并非因此限制专利范围，凡是利用说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在专利保护范围内。
