[发明专利]一种短期月售电量预测方法

说明书

本发明涉及电量预测领域，具体是利用每月实际用电量的历史值，对售电公司下一月份的售电量进行预测的短期月售电量预测方法，采用对数‑加法模型作为时间序列分析模型，将月售电量序列Y进行对数变换得到时间序列对象Y_d，用LOESS模型将时间序列对象Y_d分解为趋势分量Y_t，季节周期分量Y_s以及随机分量Y_r；对趋势分量Y_t建立ARIMA模型，并应用ARIMA模型预测月售电量趋势；预测当期月售电量的季节周期分量Y_s以及随机分量Y_r；用LOESS模型将月售电量各分量预测值还原作为最终的月售电量预测。本发明在预测前利用季节调整法将月售电量序列进行分解，针对各分量序列的不同特征分别进行预测。

技术领域

本发明涉及电量预测领域，具体是利用每月实际用电量的历史值，对售电公司下一月份的售电量进行预测的短期月售电量预测方法。

背景技术

月售电量的时间序列通常包含趋势分量、季节周期分量和随机分量，现有的预测方法是对月售电量的时间序列直接进行预测，但因为各分量随时间的变化规律不同，若对三个分量不加以区分直接进行月售电量预测，各分量之间则会相互干扰以至于预测误差变大。

季节分解的常规方法是对原序列用移动平均法测定趋势分量序列；以某月的平均数除以总平均数得到季节周期分量序列；用原序列除以趋势分量序列和季节周期分量序列得到随机分量序列。然而，常规方法仅仅是对时间序列进行了粗略分解，当时间序列变化复杂时，其分解效果往往不理想。

发明内容

本发明所要解决的技术问题在于提供一种短期月售电量预测方法，解决月售电量序列各分量之间相互干扰的问题。

本发明是这样实现的，一种短期月售电量预测方法，包括：

采用对数-加法模型作为时间序列分析模型，将月售电量序列Y进行对数变换得到时间序列对象Y_d，用LOESS模型将时间序列对象Y_d分解为趋势分量Y_t，季节周期分量Y_s以及随机分量Y_r；

对趋势分量Y_t建立ARIMA模型，并应用ARIMA模型预测月售电量趋势；

预测当期月售电量的季节周期分量Y_s以及随机分量Y_r；

用LOESS模型将月售电量各分量预测值还原作为最终的月售电量预测。

进一步地，对趋势分量Y_t建立ARIMA模型包括：步骤1，建立月售电量趋势分量Y_t的ARIMA模型为：

式中：ω_t为月售电量趋势分量序列；d为差分次数；B为滞后算子，Y_t为月售电量趋势分量序列经d次差分后形成的平稳序列；ε为预测的残差；μ为序列的均值；β₁，β₂，…，β_p为自回归系数；p为自回归阶数；θ₁，θ₂，…，θ_q为移动平均系数；q为移动平均阶数；

步骤2，确定月售电量趋势分量Y_t的最优差分次数d并对其进行d阶差分；

步骤3，判断月售电量趋势分量Y_t是否为平稳序列，若是进行下一步，若否则返回步骤2；

步骤4，确定ARIMA模型阶数，对月售电量趋势分量Y_t建立ARIMA模型，并进行参数估计；