关图）。
【具体实施方式】
[0042] 本发明提出了一种基于季节时序分析的电网售电量预测方法，其将X12季节调整 法与时间序列法相结合，针对仅用时间序列法直接预测月售电量时难以找到历史月售电量 规律并导致预测精度不高的问题，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，最后再将剔除的季节变量进行还原。基于此思路，本发明基于季节时序分析 的电网售电量预测方法的主要流程步骤如下：
[0043] 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；
[0044] 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；
[0045] 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；
[0046] 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；
[0047] 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。
[0048] 在具体实现时，本发明基于季节时序分析的电网售电量预测方法中所应用的很多 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。因此，从具体应用 的实现的角度，本发明电网售电量预测方法的具体操作步骤如下：
[0049] 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。该步骤具体为：
[0050] 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。
[0051] 在该步骤中，m的值最好取为大于或等于48的自然数，即所统计的售电量历史数 据最好能够是预测周期起始时间点之前长达4年以上的历史数据，这样更能够有效的保证 预测的准确性，因为历史数据的周期过短容易导致误差增大。
[0052] 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：
[0053] DL=DL_TCXDL_SFXDL_IR；
[0054] 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。
[0055] 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。该步骤的处理流程图如图1所示，具体为：
[0056] 2. 1)由于对时间序列建立ARMA模型的基本前提就是要求时间序列对象为平稳序 列，因此，需要先判断趋势循环变量序列的平稳性。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 ;
[0057] 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；
[0058] 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)；
[0059] 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);
[0060] 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);
[0061] 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);
[0062] 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。
[0063] 可以看到，上述通过建立时间序列ARIMA模型求取预测周期内各月对应的趋势循 环变量过程，其步骤中包含了一个步骤2.3)~2.6)的循环求解过程，这是由于本发明在该 步骤中用到了时间序列法中的ARIMA建模方法。下面，仅针对ARIMA建模方法的基本原理 作简要阐述。
[0064]A、平稳时间序列建模。
[0065]al、平稳时间序列的概念：
[0066] 如果时间序列{uj的均值、方差和自协方差都不取决于时刻t，则称时间序列{ut} 弱平稳或协方差平稳，即满足下列3个性质：
[0067]E(ut) =u(3. 17)；
[0068] var (ut)=o2 (3. 18)；
[0069]cov(ut,uts) =ys (3. 19)；
[0070] 式（3. 17)~（3. 19)对于所有的t和s都需要满足。注意，如果一个时间序列{ut} 是弱平稳的，则1^与uts之间的协方差不依赖于时刻t而仅依赖于s，即仅与两个观测值之 间的长度s有关。本节的讨论是在此平稳性的假设成立下进行的。
[0071]a2、ARMA模型：
[0072] ①自回归模型AR(p):
[0073]p阶自回归模型记作AR(p)，满足下面的方程：
[0074] ut= c+伞a片伞也2+…+ <i>put p+e t，t = 1，2,…，T (3. 20)；
[0075] 式中，参数c为常数；巾2，…，t是自回归模型系数；p为自回归模型阶数；et 是均值为〇,方差为〇 2的白噪声序列。
[0076] ②移动平均模型MA(q)
[0077]q阶自回归模型记作MA(q)，满足下面的方程：
[0078] ut= y + e t+ 0 ! e t彳…+ 0 q e t q，t = 1，2,…，T (3. 21);
[0079] 式中，参数y为常数；参数0d0 2，…，9q是q阶移动平均模型的系数；et是均 值为〇,方差为〇 2的白噪声序列。
[0080]③ARMA(p，q)模型：
[0081 ] ut= c+巾此片巾2ut 2+…+巾put p+ e t+ 0 ! e t彳…+ 0 q e t q，t = 1，2,…，T (3. 22);
[0082] 显然此模型是模型（3. 20)与模型（3. 21)的组合形式，称为混合模型，常记作 ARMA(p，q)。当p= 0 时，ARMA(0,q) =MA(q);当q= 0 时，ARMA(p，0) =AR(p)。
[0083]B、非平稳时间序列建模。
[0084] 上述的AR(p)、MA(q)和ARMA(p,q)三个模型只适用于刻画一个平稳序列的自相 关性。一个平稳序列的数字特征，如均值、方差和协方差等是不随时间的变化而变化的，时 间序列在各个时间点上的随机性服从一定的概率分布。可以通过时间序列的过去时间点上 的信息，建立模型拟合过去信息，进而预测未来的信息。然而，对于一个非平稳时间序列而 言，往往时间序列的某些数字特征是随着时间的变化而变化的，也就是说，非平稳时间序列 在各个时间点上的随机规律是不同的，难以通过序列已知的信息去掌握时间序列整体上的 随机性。
[0085] 非平稳序列中有一类序列可以通过差分运算，得到具有平稳性的序列，称为差分 平稳过程。考虑下式：
[0086]ayt= (1-L)yt=a+ut,t= 1, 2, ???,T(3. 23)；
[0087] 式中，a是常数，u是平稳序列，若ut=et，且e是一个白噪声序列，均值为0,方 差为〇2,则该过程称为含位移a的随机游走。若令7。=0,则由式（3.23)生成的序列y， 有var(yt) =t〇2(t= 1，2,…，T)，显然违背了时间序列平稳性的假设，而其差分序列Ay 是平稳序列。
[0088] bl、单整：
[0089] 像差分平稳过程描述的y这种非平稳序列可以通过差分运算，得到平稳性的序列 称为单整序列。定义如下：
[0090] 定义：如果序列y，通过d次