天洑数据建模实施案例集锦（4） – 用户用电量时序预测

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 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 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）。

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

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 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 会效益提供助力。