一種基于季節(jié)時序分析的電網售電量預測方法
【技術領域】
[0001 ] 本發(fā)明涉及電力系統(tǒng)電量預測技術領域，具體涉及電力系統(tǒng)中一種基于季節(jié)時序 分析的電網售電量預測方法。
【背景技術】
[0002] 電力市場作為我國社會市場經濟的重要組成部分，對于國民經濟的可持續(xù)發(fā)展具 有重大的影響。在電力市場營銷中，售電量是其中的一項重要內容，不斷改進電量預測方 法，提高預測精度對電力企業(yè)具有重要意義。通過對售電量的預測分析，電力企業(yè)可以更合 理的確定銷售總定額，從而制定相關決策指導發(fā)電廠、輸配電網的合理運行；電力企業(yè)可以 通過電量預測掌握未來電網運行中的峰谷分布情況，進而制定相關的削峰平谷措施；通過 對不同類型用戶的電量預測能夠幫助電力企業(yè)更好的發(fā)掘潛在電力客戶，從而更合理地制 定電力營銷策略；準確的電量預測能夠使電力企業(yè)制定相關決策，在用電需求較少時減少 冗余設備運轉，從而提高電力企業(yè)的經濟效益?？偟膩碚f，準確地電量預測對電力企業(yè)的營 銷工作有著重要的支撐作用，同時能夠為電力企業(yè)帶來更好的經濟效益。因此，準確的電量 預測是是電力企業(yè)關注的焦點，是當前理論研究需要繼續(xù)深化的重要問題之一。
[0003] 目前，已經存在多種月售電量的預測方法，例如單耗法、曲線擬合法、時間序列法、 回歸分析法、灰色預測法、神經網絡法、模糊技術和遺傳算法等，在實際的電量預測中也都 取得了較為理想的效果。其中，運用最多的是時間序列法，即僅通過歷史月售電量的變化規(guī) 律直接預測未來的月售電量，其優(yōu)點是簡單易行，便于掌握，能夠充分運用原時間序列的各 項數據，計算速度快，對模型參數有動態(tài)確定的能力。然而，實際的售電量中包含了趨勢循 環(huán)變量、季節(jié)變量與隨機變量，其中卻僅有趨勢循環(huán)變量是按照一定規(guī)律在逐漸發(fā)展。因 此，如果直接尋找歷史月售電量的發(fā)展規(guī)律，由于受到季節(jié)變量和隨機變量的干擾，將導致 不容易發(fā)現其規(guī)律或者規(guī)律不明顯，在此基礎上進行月售電量預測就會造成預測精度不高 的問題，從而影響對電力系統(tǒng)在未來預測周期內根據售電量負荷情況進行電力產量規(guī)劃的 工作帶來不利影響，造成電力產量規(guī)劃不準確、引起電力供應嚴重不足或供應量過剩而浪 費能源等一系列問題。

【發(fā)明內容】

[0004] 針對現有技術中存在的上述不足，本發(fā)明的目的在于提供一種基于季節(jié)時序分析 的電網售電量預測方法，該方法先采用X12季節(jié)調整法從預測周期之前的售電量歷史數據 中分解得到史數據中各月對應的趨勢循環(huán)變量和季節(jié)變量，再根據得到的趨勢循環(huán)變量和 季節(jié)變量采用時間序列法對預測周期內各月對應的月售電量進行預測，用以指導規(guī)劃電力 系統(tǒng)在預測周期內各月的電力產量，以解決現有技術中因對未來月售電量預測精度不高而 造成電力產量規(guī)劃不準確、引起電力供應嚴重不足或供應量過剩而浪費能源等問題。
[0005] 為實現上述目的，本發(fā)明采用的一個技術方案是：
[0006] 一種基于季節(jié)時序分析的電網售電量預測方法，包括如下步驟：
[0007] 1)根據預測周期之前的售電量歷史數據，利用X12季節(jié)調整方法的乘法模型對售 電量歷史數據中的各月售電量歷史數據進行分解，得到歷史數據中各月對應的趨勢循環(huán)變 量和季節(jié)變量；
[0008] 2)根據歷史數據中各月對應的趨勢循環(huán)變量建立時間序列ARIMA模型，并確定時 間序列ARIMA模型中的參數，對確定參數的時間序列ARIMA模型進行靜態(tài)預測，得到預測周 期內各月對應的趨勢循環(huán)變量；
[0009] 3)根據歷史數據中各月對應的季節(jié)變量進行推測運算，得到預測周期內各月對應 的季節(jié)變量；
[0010] 4)分別將預測周期內每月對應的趨勢循環(huán)變量與其同月對應的季節(jié)變量相乘的 值預測周期內相應月的月售電量預測值，從而得到預測周期內各月對應的月售電量預測 值；
[0011] 5)根據得到的預測周期內各月對應的月售電量預測值，對電力系統(tǒng)在預測周期內 各月的電力產量進行規(guī)劃。
[0012] 上述基于季節(jié)時序分析的電網售電量預測方法中，具體而言，所述步驟1)具體 為：
[0013] 1. 1)統(tǒng)計預測周期起始時間點之前m個月的售電量歷史數據，將所述售電量歷史 數據中各月售電量歷史數據進行羅列，構成月售電量歷史數據序列DL，輸入至Eviews軟件 中；
[0014] 1. 2)利用Eviews軟件中的X12季節(jié)調整方法的乘法模型，將月售電量歷史數據序 列DL分解為月售電量歷史數據對應的趨勢循環(huán)變量序列DL_TC、季節(jié)變量序列DL_SF和隨 機變量序列DL_IR的乘積：
[0015]DL=DL_TCXDL_SFXDL_IR；
[0016] 由此，根據得到的月售電量歷史數據對應的趨勢循環(huán)變量序列DL_TC、季節(jié)變量序 列DL_SF，確定歷史數據中各月對應的趨勢循環(huán)變量和季節(jié)變量的值。
[0017] 上述基于季節(jié)時序分析的電網售電量預測方法中，作為一種優(yōu)選方案，所述步驟 1.1)中，m為大于或等于48的自然數。
[0018] 上述基于季節(jié)時序分析的電網售電量預測方法中，具體而言，所述步驟2)具體 為：
[0019] 2. 1)根據歷史數據中各月對應的趨勢循環(huán)變量所構成的月售電量歷史數據對應 的趨勢循環(huán)變量序列DL_TC，利用Eviews軟件檢驗其是否滿足預設定的平穩(wěn)序列條件；若 不滿足，則對所述趨勢循環(huán)變量序列DL_TC進行差分變換處理，得到相應的滿足平穩(wěn)序列 條件的趨勢循環(huán)變量平穩(wěn)序列DL_TC(s)，并根據差分變換處理中的差分階數確定時間序列 ARIMA模型中差分階數參數d的值；若所述趨勢循環(huán)變量序列DL_TC滿足平穩(wěn)序列條件，則 將所述趨勢循環(huán)變量序列DL_TC直接視為其相應的趨勢循環(huán)變量平穩(wěn)序列DL_TC(s)，并取 時間序列ARIMA模型中差分階數參數d的值為d= 0 ;
[0020] 2. 2)對月售電量歷史數據對應的趨勢循環(huán)變量平穩(wěn)序列DL_TC(s)進行自相關分 析和偏自相關分析確定時間序列ARIMA模型中自回歸階數參數p和滑動平均階數參數q的 可能取值；
[0021] 2. 3)在得到的自回歸階數參數p和滑動平均階數參數q的可能取值中，選擇 自回歸階數參數P和滑動平均階數參數q的取值組合，確定當前的時間序列ARIMA模型ARIMA(p,d,q)；
[0022] 2. 4)對當前的時間序列ARIMA模型ARIMA(p，d，q)中當前取值的差分階數參數d、 自回歸階數參數P和滑動平均階數參數q進行顯著性檢驗；若不滿足預設定的顯著性條件， 則返回步驟2. 3)，重新選擇自回歸階數參數p和滑動平均階數參數q的取值組合；若滿足 預設定的顯著性條件，則繼續(xù)執(zhí)行步驟2.5);
[0023] 2. 5)檢驗差分階數參數d、自回歸階數參數p和滑動平均階數參數q當前取值下 的時間序列ARIMA模型ARIMA(p，d，q)的殘差序列e是否為一個白噪聲序列；若不是，則返 回步驟2. 3)，重新選擇自回歸階數參數p和滑動平均階數參數q的取值組合；若是，則執(zhí)行 步驟2. 6);
[0024] 2.6)按照差分階數參數d、自回歸階數參數p和滑動平均階數參數q的當前取值 確定時間序列ARIMA模型ARIMA(p，d，q);
[0025] 2. 7)根據月售電量歷史數據對應的趨勢循環(huán)變量序列DL_TC，利用Eviews軟件對 確定的時間序列ARIMA模型ARIMA(p，d，q)進行靜態(tài)預測，得到包含預測周期時間范圍在內 的月售電量數據所對應的趨勢循環(huán)變量預測序列DL_TCF，然后從中提取出預測周期內各月 對應的趨勢循環(huán)變量值。
[0026] 上述基于季節(jié)時序分析的電網售電量預測方法中，具體而言，所述步驟3)具體 為：
[0027] 3. 1)根據歷史數據中各月對應的季節(jié)變量的值，分別計算不同年份中相同月份的 季節(jié)變量的同期平均值；
[0028] 3. 2)統(tǒng)計計算歷史數據中各月對應的季節(jié)變量的總平均值；
[0029] 3. 3)分別將每一月份的同期平均值與所述季節(jié)變量的總平均值相除所得到的值， 作為預測周期內相應月份對應的季節(jié)變量值，從而得到預測周期內各月對應的季節(jié)變量。
[0030] 相比于現有技術，本發(fā)明具有以下有益效果：
[0031] 1、本發(fā)明基于季節(jié)時序分析的電網售電量預測方法，先采用X12季節(jié)調整法將歷 史月售電量分解為月售電量的趨勢循環(huán)變量、季節(jié)變量以及隨機變量，再采用時間序列法 對其中規(guī)律明顯的趨勢循環(huán)變量進行預測，能夠較大程度地克服僅用時間序列法在預測月 售電量時的缺陷，顯著提高月售電量預測精度。
[0032] 2、本發(fā)明的電網售電量預測方法能夠較好的預測周期內的月售電量進行預測，用 以指導規(guī)劃電力系統(tǒng)在預測周期內各月的電力產量，以解決現有技術中因對未來月售電量 預測精度不高而造成電力產量規(guī)劃不準確、引起電力供應嚴重不足或供應量過剩而浪費能 源等問題。
[0033]3、本發(fā)明基于季節(jié)時序分析的電網售電量預測方法中，其很多預測運算過程，都 可以使用現有技術中的Eviews軟件簡單地得以實現，實用性強，便于推廣應用。
【附圖說明】
[0034] 圖1為本發(fā)明基于季節(jié)時序分析的電網售電量預測方法中對預測周期內各月對 應的趨勢循環(huán)變量進行預測的步驟流程圖。
[0035] 圖2為本發(fā)明基于季節(jié)時序分析的電網售電量預測方法中確定預測周期內各月 對應的季節(jié)變量的步驟流程圖。
[0036] 圖3為本發(fā)明實施例中月售電量歷史數據序列DL的變化時序圖。
[0037] 圖4為本發(fā)明實施例中月售電量歷史數據對應的趨勢循環(huán)變量序列DL_TC的變化 時序圖。
[0038] 圖5為本發(fā)明實施例中月售電量歷史數據對應的隨機變量序列DL_IR的變化時序 圖。
[0039] 圖6為本發(fā)明實施例中得到的趨勢循環(huán)變量平穩(wěn)序列DL_TC(s)的相關圖（包含 自相關圖和偏自相關圖）。
[0040] 圖7為本發(fā)明實施例中對時間序列ARIMA模型ARIMA(2, 1，3)的顯著性檢驗結果 圖。
[0041] 圖8為本發(fā)明實施例中時間序列ARIMA模型ARIMA(2, 1，3)殘差序列的相關圖（包 含自相關圖和偏自相