【地方用电量的中期预测方法案例综述2200字（论文）】

地方用电量的中期预测方法案例综述目录TOC\o"1-2"\h\u18073地方用电量的中期预测方法案例综述 1150923.1数据收集与预处理 194193.2加法季节指数法预测结果 3289903.3ARIMA模型预测结果 545903.4改进的ARMIA模型预测结果 63.1数据收集与预处理收集的数据为2006-2020年间广东省佛山市1月份到6月份的月用电量以及该市2006-2019年7-12月用电量，数据如表3-1和3-2所示：表3-1佛山市2006-2019年1-6月用电量单位：万千瓦时年份月份12345620064620240236577186081865783.997861173200785809432396517979137851937610120087160055597858208076986632832532009589686063178826933268630294927201099970581001044331059561081091107222011103610690991138461134371152031186722012718799849712775711410912482812535720131147596201512694112530513454313662420149847189789144247146983150333154718201512961265432128580152331154976161150201613564784121156772156516165333173345201792297120927151218143421146257151749201814627889116145638160293186306176616201914431099434175482174452187071195424202011764085081149234175694202247203518表3-2佛山市2006-2019年7-12月用电量单位：万千瓦时年份月份7891011122006733467801980952795367110386551200794469780638742988733851811087732008899799250786368773367473677943200910442910931710214397175993651055382010114597109200112921107812103905119536201112588413093412021111288911466911864720121338021361801235041249231211311224612013147802146450141024138478141702151792201417175816964015656515549514747215344120151754451806021629361568681615121631182016192035184959175129173450161000175102201716247217487516534515335014846116234020181900641959211781731722921682161783242019215591212018192321190862183276190218数据来源：电力内部数据库图3-12006-2019年佛山市月度用电量从图3.1可以看出，用电量最高值出现在7-8月，用电量低值出现在1-2月，说明虽然每个月的用电量都存在差异，但是还是跟温度有关。由于收集的数据量较小，将数据分为两类，将表2的数据作为算法和模型的输入数据。表1用于验证算法的有效性。3.2加法季节指数法预测结果季节性不仅指一年四季的变化，而且跟春节、劳动节、国庆节等重大事件相关联。季节性指数定律是一种通过按时间和季节顺序取季节性指数序列来预测研究对象未来状态的方法。当涉及到时间序列和季节特征、长期条件和运动参数时，可以使用季节尺度分析算法来预测目标。公式3.1显示了增量季节性指数方法的示例：…(3.1)其中，p为周期长度，当p为12的时候，代指的是月份，当p为4的时候，代指的是季度。代表长期趋势项，代表趋势增加量，代表和平滑值，与之对应的平滑系数分别是、和，它们的取值都在0到1之间。用加法季节指数平滑模型得到未来一期的预测值为：……………(3.2)经过分析过后，得到的指标如表3-3所示：表3-3加法季节指数法拟合度指标加法季节指数法拟合度指标拟合统计平均值最小值最大值百分位数:5百分位数:10R-squared10.7750.7750.7750.7750.775R-squared20.9390.9390.9390.9390.939RMSE10072.40410072.40410072.40410072.40410072.404MAPE6.876.876.876.876.87MaxAPE55.23255.23255.23255.23255.232MAE7141.9857141.9857141.9857141.9857141.985MaxAE50977.86250977.86250977.86250977.86250977.862正态化BAC18.52718.52718.52718.52718.527squared1和R-squared2是很好的拟合指标，可用于评估曲线的拟合。从表中可以看出，R-squared2的值接近1，但R-square1的值只有0.775，这说明拟合效果一般。MAPE被定义为一个固定的百分比误差，它表示预测结果与实际结果相比的平均测量值的百分比。它的数值为6.87代表平均偏差为6.87%，说明拟合效果也很一般。MaxAPE是指输入数据中错误率的大小，用来衡量一个特定的值是否存在于序列中。图3-2加法季节指数法拟合及预测结果从图3.2可以看出，对波峰和波谷的预测不是很好。其中，2014年7月至2019年5月的峰值均呈现显着差异，2013年7月至2019年5月的谷值均呈现显着差异。从上图可知，仅在2011年1月至2014年5月期间走势接近真实值。2020年的新冠危机对用电量产生了重大影响，预测阶段的细节在本章的总结中列出。3.3ARIMA模型预测结果让SPSS软件根据序列自己选取参数，得到的模型为ARIMA（0，1，1）（1，1，1），然后根据该模型对时间序列进行检验[9]，得到的拟合度指标如表3-4所示：表3-4ARIMA模型拟合度指标ARIMA模型拟合度指标拟合统计平均值最小值最大值百分位数:5百分位数:10R-squared10.6650.6650.6650.6650.665R-squared20.9050.9050.9050.9050.905RMSE11963.91911963.91911963.91911963.91911963.919MAPE8.2998.2998.2998.2998.299MaxAPE84.65684.65684.65684.65684.656MAE8361.9138361.9138361.9138361.9138361.913MaxAE52392.67152392.67152392.67152392.67152392.671正态化BAC18.87718.87718.87718.87718.877ARIMA模型参数确定后根据信息准则进行预测，由于BIC准则适用性更高，所以这里用BIC准则来预测，最后的预测结果如图3-3所示：图3-3ARIMA模型拟合及预测结果从结果可以明显看出，和加法季节指数法一样，对波峰和波谷的预测不是很好。和真实值曲线的走势相差还是很大。从整体来看，拟合效果一般。2020年的新冠危机对用电量产生了重大影响，预测阶段的细节在本章的总结中列出。3.4改进的ARMIA模型预测结果首先将数据导入SPSS，添加时间序列数据，然后得到季节数据，对三阶段时间序列进行额外的季节分析，包括增长因子Q，季节因子X，随机误差S。必须处理每个分量序列，因为：随机误差S是使用每年同一月份的随机误差计算的。S采用算术平均法预测，参数n选择为5，生长因子Q采用SPSS软件的ARIMA模型预测，模型参数为ARIMA(0,1,1)(1,1,1）。输入结果和预测结果应按照季节单位预测法的原则，按三部分序列计算，即在单位时间序列中加入三个分量。最后所得拟合和预测结果如图3-4所示：图3-4改进ARIMI模型拟合及预测结果从结果可以明显看出，拟合的效果相比前面使用的方法有了相当的提高，说明了此改进方法的可取性。2020年的新冠危机对用电量产生了重大影响，预测阶段的细节在本章的总结中列出。表3-5的内容为佛山市2020年1至6月用电量的预测三种方法的对比，而表3-6的内容为预测值误差百分比不同方法的对比。如下所示：表3-5用电量真实值及预测结果时间真实值加法季节指数法ARIMA模型改进ARIMA模型2020年1月117640160729.6979123802.7161904.98952020年2月85081127878.052180168.5127018.092020年3月149234184198.7765185063.3186962.95152020年4月175694188553.2521198658.4191095.98862020年5月202247196177.5704199416199134.96972020年6月203518197731.3746214067.4200958.887表3-6用电量预测误差百分比时间误差百分比加法季节指数法ARIMA模型改进ARIMA模型2020年1月36.63%44.59%37.63%2020年2月50.30%39.39%49.29%2020年3月23.43%23.36%25.28%2020年4月7.32%9.06%8.77%2020年5月-3.00%4