一种基于季节时序分析的电网售电量预测方法
【技术领域】
[0001 ] 本发明涉及电力系统电量预测技术领域，具体涉及电力系统中一种基于季节时序 分析的电网售电量预测方法。
【背景技术】
[0002] 电力市场作为我国社会市场经济的重要组成部分，对于国民经济的可持续发展具 有重大的影响。在电力市场营销中，售电量是其中的一项重要内容，不断改进电量预测方 法，提高预测精度对电力企业具有重要意义。通过对售电量的预测分析，电力企业可以更合 理的确定销售总定额，从而制定相关决策指导发电厂、输配电网的合理运行；电力企业可以 通过电量预测掌握未来电网运行中的峰谷分布情况，进而制定相关的削峰平谷措施；通过 对不同类型用户的电量预测能够帮助电力企业更好的发掘潜在电力客户，从而更合理地制 定电力营销策略；准确的电量预测能够使电力企业制定相关决策，在用电需求较少时减少 冗余设备运转，从而提高电力企业的经济效益。总的来说，准确地电量预测对电力企业的营 销工作有着重要的支撑作用，同时能够为电力企业带来更好的经济效益。因此，准确的电量 预测是是电力企业关注的焦点，是当前理论研究需要继续深化的重要问题之一。
[0003] 目前，已经存在多种月售电量的预测方法，例如单耗法、曲线拟合法、时间序列法、 回归分析法、灰色预测法、神经网络法、模糊技术和遗传算法等，在实际的电量预测中也都 取得了较为理想的效果。其中，运用最多的是时间序列法，即仅通过历史月售电量的变化规 律直接预测未来的月售电量，其优点是简单易行，便于掌握，能够充分运用原时间序列的各 项数据，计算速度快，对模型参数有动态确定的能力。然而，实际的售电量中包含了趋势循 环变量、季节变量与随机变量，其中却仅有趋势循环变量是按照一定规律在逐渐发展。因 此，如果直接寻找历史月售电量的发展规律，由于受到季节变量和随机变量的干扰，将导致 不容易发现其规律或者规律不明显，在此基础上进行月售电量预测就会造成预测精度不高 的问题，从而影响对电力系统在未来预测周期内根据售电量负荷情况进行电力产量规划的 工作带来不利影响，造成电力产量规划不准确、引起电力供应严重不足或供应量过剩而浪 费能源等一系列问题。
【发明内容】
[0004] 针对现有技术中存在的上述不足，本发明的目的在于提供一种基于季节时序分析 的电网售电量预测方法，该方法先采用X12季节调整法从预测周期之前的售电量历史数据 中分解得到史数据中各月对应的趋势循环变量和季节变量，再根据得到的趋势循环变量和 季节变量采用时间序列法对预测周期内各月对应的月售电量进行预测，用以指导规划电力 系统在预测周期内各月的电力产量，以解决现有技术中因对未来月售电量预测精度不高而 造成电力产量规划不准确、引起电力供应严重不足或供应量过剩而浪费能源等问题。
[0005] 为实现上述目的，本发明采用的一个技术方案是：
[0006] 一种基于季节时序分析的电网售电量预测方法，包括如下步骤：
[0007] 1)根据预测周期之前的售电量历史数据，利用X12季节调整方法的乘法模型对售 电量历史数据中的各月售电量历史数据进行分解，得到历史数据中各月对应的趋势循环变 量和季节变量；
[0008] 2)根据历史数据中各月对应的趋势循环变量建立时间序列ARIMA模型，并确定时 间序列ARIMA模型中的参数，对确定参数的时间序列ARIMA模型进行静态预测，得到预测周 期内各月对应的趋势循环变量；
[0009] 3)根据历史数据中各月对应的季节变量进行推测运算，得到预测周期内各月对应 的季节变量；
[0010] 4)分别将预测周期内每月对应的趋势循环变量与其同月对应的季节变量相乘的 值预测周期内相应月的月售电量预测值，从而得到预测周期内各月对应的月售电量预测 值；
[0011] 5)根据得到的预测周期内各月对应的月售电量预测值，对电力系统在预测周期内 各月的电力产量进行规划。
[0012] 上述基于季节时序分析的电网售电量预测方法中，具体而言，所述步骤1)具体 为：
[0013] 1. 1)统计预测周期起始时间点之前m个月的售电量历史数据，将所述售电量历史 数据中各月售电量历史数据进行罗列，构成月售电量历史数据序列DL，输入至Eviews软件 中；
[0014] 1. 2)利用Eviews软件中的X12季节调整方法的乘法模型，将月售电量历史数据序 列DL分解为月售电量历史数据对应的趋势循环变量序列DL_TC、季节变量序列DL_SF和随 机变量序列DL_IR的乘积：
[0015]DL=DL_TCXDL_SFXDL_IR；
[0016] 由此，根据得到的月售电量历史数据对应的趋势循环变量序列DL_TC、季节变量序 列DL_SF，确定历史数据中各月对应的趋势循环变量和季节变量的值。
[0017] 上述基于季节时序分析的电网售电量预测方法中，作为一种优选方案，所述步骤 1.1)中，m为大于或等于48的自然数。
[0018] 上述基于季节时序分析的电网售电量预测方法中，具体而言，所述步骤2)具体 为：
[0019] 2. 1)根据历史数据中各月对应的趋势循环变量所构成的月售电量历史数据对应 的趋势循环变量序列DL_TC，利用Eviews软件检验其是否满足预设定的平稳序列条件；若 不满足，则对所述趋势循环变量序列DL_TC进行差分变换处理，得到相应的满足平稳序列 条件的趋势循环变量平稳序列DL_TC(s)，并根据差分变换处理中的差分阶数确定时间序列 ARIMA模型中差分阶数参数d的值；若所述趋势循环变量序列DL_TC满足平稳序列条件，则 将所述趋势循环变量序列DL_TC直接视为其相应的趋势循环变量平稳序列DL_TC(s)，并取 时间序列ARIMA模型中差分阶数参数d的值为d= 0 ;
[0020] 2. 2)对月售电量历史数据对应的趋势循环变量平稳序列DL_TC(s)进行自相关分 析和偏自相关分析确定时间序列ARIMA模型中自回归阶数参数p和滑动平均阶数参数q的 可能取值；
[0021] 2. 3)在得到的自回归阶数参数p和滑动平均阶数参数q的可能取值中，选择 自回归阶数参数P和滑动平均阶数参数q的取值组合，确定当前的时间序列ARIMA模型ARIMA(p,d,q)；
[0022] 2. 4)对当前的时间序列ARIMA模型ARIMA(p，d，q)中当前取值的差分阶数参数d、 自回归阶数参数P和滑动平均阶数参数q进行显著性检验；若不满足预设定的显著性条件， 则返回步骤2. 3)，重新选择自回归阶数参数p和滑动平均阶数参数q的取值组合；若满足 预设定的显著性条件，则继续执行步骤2.5);
[0023] 2. 5)检验差分阶数参数d、自回归阶数参数p和滑动平均阶数参数q当前取值下 的时间序列ARIMA模型ARIMA(p，d，q)的残差序列e是否为一个白噪声序列；若不是，则返 回步骤2. 3)，重新选择自回归阶数参数p和滑动平均阶数参数q的取值组合；若是，则执行 步骤2. 6);
[0024] 2.6)按照差分阶数参数d、自回归阶数参数p和滑动平均阶数参数q的当前取值 确定时间序列ARIMA模型ARIMA(p，d，q);
[0025] 2. 7)根据月售电量历史数据对应的趋势循环变量序列DL_TC，利用Eviews软件对 确定的时间序列ARIMA模型ARIMA(p，d，q)进行静态预测，得到包含预测周期时间范围在内 的月售电量数据所对应的趋势循环变量预测序列DL_TCF，然后从中提取出预测周期内各月 对应的趋势循环变量值。
[0026] 上述基于季节时序分析的电网售电量预测方法中，具体而言，所述步骤3)具体 为：
[0027] 3. 1)根据历史数据中各月对应的季节变量的值，分别计算不同年份中相同月份的 季节变量的同期平均值；
[0028] 3. 2)统计计算历史数据中各月对应的季节变量的总平均值；
[0029] 3. 3)分别将每一月份的同期平均值与所述季节变量的总平均值相除所得到的值， 作为预测周期内相应月份对应的季节变量值，从而得到预测周期内各月对应的季节变量。
[0030] 相比于现有技术，本发明具有以下有益效果：
[0031] 1、本发明基于季节时序分析的电网售电量预测方法，先采用X12季节调整法将历 史月售电量分解为月售电量的趋势循环变量、季节变量以及随机变量，再采用时间序列法 对其中规律明显的趋势循环变量进行预测，能够较大程度地克服仅用时间序列法在预测月 售电量时的缺陷，显著提高月售电量预测精度。
[0032] 2、本发明的电网售电量预测方法能够较好的预测周期内的月售电量进行预测，用 以指导规划电力系统在预测周期内各月的电力产量，以解决现有技术中因对未来月售电量 预测精度不高而造成电力产量规划不准确、引起电力供应严重不足或供应量过剩而浪费能 源等问题。
[0033]3、本发明基于季节时序分析的电网售电量预测方法中，其很多预测运算过程，都 可以使用现有技术中的Eviews软件简单地得以实现，实用性强，便于推广应用。
【附图说明】
[0034] 图1为本发明基于季节时序分析的电网售电量预测方法中对预测周期内各月对 应的趋势循环变量进行预测的步骤流程图。
[0035] 图2为本发明基于季节时序分析的电网售电量预测方法中确定预测周期内各月 对应的季节变量的步骤流程图。
[0036] 图3为本发明实施例中月售电量历史数据序列DL的变化时序图。
[0037] 图4为本发明实施例中月售电量历史数据对应的趋势循环变量序列DL_TC的变化 时序图。
[0038] 图5为本发明实施例中月售电量历史数据对应的随机变量序列DL_IR的变化时序 图。
[0039] 图6为本发明实施例中得到的趋势循环变量平稳序列DL_TC(s)的相关图（包含 自相关图和偏自相关图）。
[0040] 图7为本发明实施例中对时间序列ARIMA模型ARIMA(2, 1，3)的显著性检验结果 图。
[0041] 图8为本发明实施例中时间序列ARIMA模型ARIMA(2, 1，3)残差序列的相关图（包 含自相关图和偏自相