CN109376953A - 一种中长期电量预测方法及系统 - Google Patents

Abstract

本发明公开了一种中长期电量预测方法，包括步骤：获取待处理基础数据并进行预处理和相关性检验，筛选出若干影响因素并进行季节分解，得到第一规则分量数据与第一不规则分量数据；对第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；采用不同的预构建模型进行分量预测，得到相应的分量预测值，对分量预测值进行累加组合得到最终预测值。本发明实施例提供了一种中长期电量预测方法及系统，能够在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，从而有效地提高了负荷预测的精确度，进而有效地提高了电网规划的经济性及保障了电力市场的有序推进。

Description

一种中长期电量预测方法及系统

技术领域

本发明涉及电网用电量预测技术领域，尤其涉及一种中长期电量预测方法及系统。

背景技术

近年来，中国改革开放进入深水区，国内经济结构正经历深刻调整，负荷需求变化与经济社会发展关系愈发密切。同时，随着信息化时代的到来，数据统计精度、发布频度与信息化程度不断提升，数据的类型、体量及统计口径都得到有效扩充，很多细化的行业类、景气类指数不断推出，为中长期负荷预测提供了充足数据来源与良好的数据基础。但经济社会、行业结构、相关政策、气象条件等多方面因素之前的耦合关系复杂，难以明确对中长期负荷需求的影响程度，且预测的时间跨度长、不确定因素多，因此中长期负荷预测是个复杂的多维、非线性的不确定性问题。

目前，围绕中长期负荷需求预测这一主题已开展了大量的研究，主要围绕以下两个方面来展开：一是根据电力需求与影响因素的相关关系，结合相应模型进行预测，常用方法有国民生产总值(Gross Domestic Product，GDP)综合电耗法、弹性系数法、经济周期分析法等；二是从电力数据的时序发展规律出发，外延递推负荷发展趋势并得到相应的预测值，如指数平滑法、灰度预测、差分自回归移动平均(Autoregressive Integrated MovingAverage，ARIMA)方法等。其中，第一类方法在相关影响因素的关键程度考虑有所欠缺，一般来说，电力负荷与相关影响因素之间存在粘滞效应，影响因素变化先行于负荷发展，因此需要精确量化相关因素对电力负荷在时序上的滞后影响；而第二类方法关注的是电力数据的内生特征，对外生变量的考虑有所欠缺，同时，常用的计量模型对数据的平稳性要求严格，在数据非线性特征反映方面要做出一定让步，导致该类方法对非线性数据的预测精度欠优，需要进一步研究数据的分离预测，使得每一部分的数据特征都能被有效反映。

综上所述，目前负荷预测方法主要是通过寻找电力需求的时序发展规律及其与各种相关因素的历史相关性建立数学模型，进而回归外推实现预测。但现有预测方法仍然存在改进空间，一是对影响因素关键性及时滞效应的影响考究不深；二是需要进一步挖掘相关因素的非线性特征，拓宽预测模型的适用范围及预测效果稳定性。

发明内容

本发明实施例提供了一种中长期电量预测方法及系统，以解决对影响因素关键性及时滞效应的影响考究不深，以及需要进一步挖掘相关因素的非线性特征而导致负荷预测精确度不高的技术问题，从而在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，进而有利于提高负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。

为解决上述问题，一方面，本发明的第一实施例提供了一种中长期电量预测方法，包括以下步骤：

获取待处理基础数据；

对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；

对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；

对各个分量预测值进行组合，得到最终负荷预测值。

进一步地，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

进一步地，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

进一步地，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据，具体为：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。

进一步地，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：

根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；

根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。

进一步地，所述分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：

采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。

另一方面，本发明第二实施例提供了一种中长期电量预测系统，包括数据获取模块、数据筛选模块、季节分解模块、分量处理模块、分量预测模块和分量组合模块；

所述数据获取模块，用于获取待处理基础数据；

所述数据筛选模块，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

所述季节分解模块，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；

所述分量处理模块，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

所述分量预测模块，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；

所述分量组合模块，用于对各个分量预测值进行组合，得到最终负荷预测值。

进一步地，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

进一步地，所述筛选模块，具体用于：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

进一步地，所述季节分解模块，具体用于：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。

本发明实施例提供一种中长期电量预测方法及系统，以解决对影响因素关键性及时滞效应的影响考究不深，以及需要进一步挖掘相关因素的非线性特征而导致负荷预测精确度不高的技术问题，从而在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，进而有效地提高了负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。

附图说明

图1是本发明提供的一种中长期电量预测方法的流程示意图；

图2是本发明提供的一种中长期电量预测系统的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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所有其他实施例，都属于本发明保护的范围。

请参阅图1，本发明的第一实施例提供了一种中长期电量预测方法，其特征在于，包括以下步骤：

S101、获取待处理基础数据；

S102、对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

S103、根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；

S104、对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

S105、分别采用不同的预构建模型对第二规则分量数据与第二不规则分量数据进行分量预测，得到相应的分量预测值；

S106、对各个分量预测值进行组合，得到最终负荷预测值。

在本发明实施例中，本中长期电量预测方法主要针对月度以上的时间尺度的电量负荷需求进行预测，通过获取广泛的基础数据，进行基础数据的空缺填补并通过相关性检验，筛选出关键的电力预测影响因素，对数据的要求相对宽松；在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，而且预测流程清晰，可采用不同的预构建模型进行分量预测，且由于各个分量之间被认为是相互独立，为了尽量降低各个分量预测误差对总体预测结果的影响，采取加法组合模型形式表示各个分量间关系，有利于提高负荷预测的精确度，有效地提高了电网规划的经济性及保障了电力市场的有序推进。

作为本发明实施例的一种具体实现方式，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

在本发明实施例中，地区经济类数据包括地区生产总值、固定资产投资、规模以上高新科技产业增加值、规模以上工业增加值、社会消费品零售总额等；地区居民生活类数据包括粮食价格、油脂价格、肉禽及制品价格、鲜菜价格、乳制品价格等；地区社会主产能类数据包括服装产量、化学纤维产量、钢材产量、电力电缆新增铺设长度、电池类产品产量、电子类产品产量等；地区气象类数据包括地区最高/最低气温、地区平均最高/最低气温、地区平均湿度等。

作为本发明实施例的一种具体实现方式，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

在本发明实施例中，针对样基础数据的时间跨度差异，使用拉格朗日插值法进行处理：

其中，B_k＝{i＝0,1,…,n-1|i≠k}；x为空缺处相应期序号；x_i,x_k为非空缺处的期序号；y_j为期序号对应的数值，针对季度数据，取两相邻期序中值为中间月份填补值，再结合式(1)进而求解得到其余两月度填补数据；p_j(x)为非空缺处对空缺处的取值权重系数。通过计算空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的影响因子，相关系数计算公式如下：

其中，Cov(X,Y)为X与Y序列的协方差，σ_X、σ_Y为X、Y序列的对应标准差。

作为本发明实施例的一种具体实现方式，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到规则分量数据与不规则分量数据，具体为：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第二不规则分量数据。

在本发明实施例中，利用差分算子根据regARIMA差分处理，对若干影响因素进行平稳性预处理，，regARIMA的回归方程如下：

其中，L为滞后因子；s为月度周期；t为时间期数；y为待调整的时间序列，y_t为第t期；β_i为第i个回归变量x_it的回归系数；∑_iβ_ix_it是用来拟合y_t的时间序列；表示非季节回归算子；φ(L)表示季节回归算子；θ(L)表示非季节移动平均算子；Θ(L)表示季节移动平均算子；a表示一组均值为0的白噪声序列，a_t为第t期；(1-L)^d(1-L^s)^D表示非季节差分次数为d、季节差分次数为D。对所述若干影响因素进行平稳性预处理后，通过应用X-12-ARIMA工具，将平稳性预处理后的若干影响因素根据时间序列分解为第一规则分量数据以及第二不规则分量数据。

作为本发明实施例的一种具体实现方式，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：

根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；

根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。

在本发明实施例中，采用ADF方法对规则分量数据及不规则分量数据进行单位根检验，确定第一不规则分量对应的第二不规则分量数据，并筛选出第一规则分量数据中不满足平稳性要求的分量数据进入下一步协整检验，ADF检验模型如下：

其中，检验过程为：1)零假设H₀:δ＝0，X_t为随机游走序列，备择假设H₁:δ<0，X_t为平稳序列；2)从式(5)开始，当不满足式(4)检验时则按照式(5)、式(6)的顺序进行检验；3)当检验拒绝零假设，即原序列不存在单位根，则确定相应序列为平稳序列，同时停止检验。

针对不满足平稳性要求的分量数据，进行Jonhenson协整检验，其中，协整检验的表达式如下：

其中，A_i为VAR模型的内生变量系数，C为常数截距，ε_t为误差项。针对式(7)中的Π矩阵，Jonhenson协整检验分为两个部分，1)特征根迹检验；2)最大特征值检验。同时，结合赤池信息准则与斯瓦茨准则，确定规则分量数据及不规则分量数据的滞后期数，并计算其相应AIC值及SC值，筛选AIC值与SC值均最大的对应滞后数，以此确定最优滞后期数，其中：1)季度负荷预测的最大限制滞后项为4期，月度最大限制滞后项为6期；2)当AIC值与SC值对应不同p值时，应用LR检验法确定综合最优滞后期数。

为了避免由于各分量数据间的多重共线性及特征维度过多引起的过拟合现象，导致预测精度受到噪声影响无法呈现稳定预测，因此需要对各分量数据进行降维滤噪。应用主成因分析法(PCA)对通过协整检验的规则分量数据的滞后期数及不规则分量数据的滞后期数进行处理，首先，选用Z-score方法对规则分量数据的滞后期数及不规则分量数据的滞后期数进行标准化处理，式子如下所示：

其中，Z为标准化后序列，X为原序列。

在进行完标准化处理的基础上，令矩阵Σ(N×N)表示预处理后矩阵X的协方差矩阵，即：

一般采用奇异值分解理论实现PCA，对预处理后矩阵X的协方差矩阵进行奇异值分解可得：

Σp_i＝λ_ip_i (10)

其中，p_i(N×1)是单位特征向量，λ_i是相应特征值，其中i＝1,2,...,N，λ₁≥λ₂≥...≥λ_N。选取前l个特征向量作为PCA中的负荷向量，进而构成新的负荷矩阵。

工程中常通过求解优化命题的方式实现PCA,按照p₁,p₂,...,p_m的顺序依次求解如下优化命题：

p_i＝min-p_iΣp_i

同样，选取前l个特征向量构成PCA转换后的负荷矩阵，P′＝[p₁,p₂,...,p_l]。

通常，简单采用累积方差百分比(cumulative percent variance,CPV)方法来确定选取的主成分个数(l)。前l个特征值除以所有特征值的和被称为前l个主元的累积方差贡献率，表示这l个主元所能够解释的数据方差的比例，即：

一般α的选取为85％、90％或95％。这样被选取的前l个主元提取了数据X矩阵的大部分方差信息，构成了主元子空间。未被选取的后N-l个主元包含了数据矩阵X的剩余方差信息。

作为本发明实施例的一种具体实现方式，所述分别采用不同的预构建模型对第二规则分量数据与第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：

采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对所述第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。

请参阅图2，本发明第二实施例提供了一种中长期电量预测系统，包括数据获取模块201、数据筛选模块202、季节分解模块203、分量处理模块204、分量预测模块205和分量组合模块206；

所述数据获取模块201，用于获取待处理基础数据；

所述数据筛选模块202，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

所述季节分解模块203，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到规则分量数据与不规则分量数据；

所述分量处理模块204，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

所述分量预测模块206，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；

所述分量组合模块207，用于对各个分量预测值进行组合，得到最终负荷预测值。

作为本发明实施例的一种具体实施方式，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

作为本发明实施例的一种具体实施方式，所述筛选模块，具体用于：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

在本发明实施例中，针对样基础数据的时间跨度差异，使用拉格朗日插值法进行处理：

其中，B_k＝{i＝0,1,…,n-1|i≠k}；x为空缺处相应期序号；x_i,x_k为非空缺处的期序号；y_j为期序号对应的数值，针对季度数据，取两相邻期序中值为中间月份填补值，再结合式(1)进而求解得到其余两月度填补数据；p_j(x)为非空缺处对空缺处的取值权重系数。通过计算空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的影响因子，相关系数计算公式如下：

其中，Cov(X,Y)为X与Y序列的协方差，σ_X、σ_Y为X、Y序列的对应标准差。

作为本发明实施例的一种具体实施方式，所述季节分解模块，具体用于：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第二不规则分量数据。

在本发明实施例中，利用差分算子根据regARIMA差分处理，对若干影响因素进行平稳性预处理，，regARIMA的回归方程如下：

其中，L为滞后因子；s为月度周期；t为时间期数；y为待调整的时间序列，y_t为第t期；β_i为第i个回归变量x_it的回归系数；∑_iβ_ix_it是用来拟合y_t的时间序列；表示非季节回归算子；φ(L)表示季节回归算子；θ(L)表示非季节移动平均算子；Θ(L)表示季节移动平均算子；a表示一组均值为0的白噪声序列，a_t为第t期；(1-L)^d(1-L^s)^D表示非季节差分次数为d、季节差分次数为D。对所述若干影响因素进行平稳性预处理后，通过应用X-12-ARIMA工具，将平稳性预处理后的若干影响因素根据时间序列分解为第一规则分量数据以及第二不规则分量数据。

实施本发明实施例，具有如下有益效果：

在本发明实施例中，本中长期电量预测方法主要针对月度以上的时间尺度的电量负荷需求进行预测，通过获取广泛的基础数据，进行基础数据的空缺填补并通过相关性检验，筛选出关键的电力预测影响因素，对数据的要求相对宽松；在广泛考虑多类型影响因素的基础上，对中长期的电量进行预测，可采用不同的预构建模型进行分量预测，而且预测流程清晰，对模型的通用性较高，具有应用广泛的优点，且能够有效辨析误差来源，有助于优化预测精度和总结提升；对各分量数据进行降维滤噪处理，能够避免由于影响因素间的多重共线性及特征维度过多引起的过拟合现象，导致模型预测精度受到噪声影响无法呈现稳定预测；且由于各个分量之间被认为是相互独立，为了尽量降低各个分量预测误差对总体预测结果的影响，采取加法组合模型形式表示各个分量间关系，有利于提高负荷预测的精确度，从而能够有效地提高电网规划的经济性及保障了电力市场的有序推进。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种中长期电量预测方法，其特征在于，包括以下步骤：

获取待处理基础数据；

对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；

对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；

对各个分量预测值进行组合，得到最终负荷预测值。

2.如权利要求1所述中长期电量预测方法，其特征在于，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

3.如权利要求1所述的中长期电量预测方法，其特征在于，所述对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列，具体为：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

4.如权利要求1所述的中长期电量预测方法，其特征在于，所述根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据，具体为：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。

5.如权利要求1所述的中长期电量预测方法，其特征在于，所述对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对第一不规则分量数据进行平稳性检验，得到第二分量不规则数据，具体为：

根据ADF检验法和Jonhenson协整检验法确定所述第一规则分量的滞后期数，根据PCA对所述滞后期数进行降维处理，得到第二规则分量数据；

根据ADF检验法确定所述第一不规则分量数据对应的第二不规则分量数据。

6.如权利要求4所述的中长期电量预测方法，其特征在于，所述分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值，具体为：

采用核心预测模型对所述第二规则分量数据进行分量预测，得到规则分量预测值；采用序列自相关模型对第二不规则分量数据进行分量预测，得到不规则分量预测值；其中，所述核心预测模型包括多元线性回归模型、支持向量机模型和随机森林模型，所述序列自相关模型包括AR模型、MA模型和ARIMA模型。

7.一种中长期电量预测系统，其特征在于，包括数据获取模块、数据筛选模块、季节分解模块、分量处理模块、分量预测模块和分量组合模块；

所述数据获取模块，用于获取待处理基础数据；

所述数据筛选模块，用于对所述基础数据进行预处理和相关性检验，筛选出若干影响因素及对应的负荷时间序列；

所述季节分解模块，用于根据所述负荷时间序列，对若干影响因素进行季节分解，得到第一规则分量数据与第一不规则分量数据；

所述分量处理模块，用于对所述第一规则分量数据进行滞后数确定和降维处理，得到第二规则分量数据；对所述第一不规则分量数据进行平稳性检验，得到第二分量不规则数据；

所述分量预测模块，用于分别采用不同的预构建模型对所述第二规则分量数据与所述第二不规则分量数据进行分量预测，得到相应的分量预测值；

所述分量组合模块，用于对各个分量预测值进行组合，得到最终负荷预测值。

8.如权利要求7所述的中长期电量预测系统，其特征在于，所述待处理的基础数据包括地区经济类数据、地区居民生活类数据、地区社会主产能类数据和地区气象类数据。

9.如权利要求7所述的中长期电量预测系统，其特征在于，所述筛选模块，具体用于：

采用拉格朗日插值法对所述基础数据进行空缺填补，得到空缺填补后的基础数据；

通过计算所述空缺填补后的基础数据与最大负荷间的相关系数，筛选出相关系数大于0.8的若干影响因素及对应的负荷时间序列。

10.如权利要求7所述的中长期电量预测系统，其特征在于，所述季节分解模块，具体用于：

采用regARIMA的回归方程，对所述若干影响因素进行平稳性预处理；

通过X-11-ARIMA工具，根据所述对应的负荷时间序列将平稳性预处理后的若干影响因素分解为第一规则分量数据和第一不规则分量数据。