[发明专利]一种基于季节时序分析的电网售电量预测方法

说明书

技术领域

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

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。

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

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。

为实现上述目的，本发明采用的一个技术方案是：

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：

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；

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；

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；

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；

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。

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：

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；

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：

DL＝DL_TC×DL_SF×DL_IR；

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。

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。