负荷预测方法库讲解

1、预测方法库线性模型线性模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：指数模型1指数模型1，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：指数模型2指数模型2，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：对数模型对数模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：双曲线模型1双曲线模型

2、1，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：双曲线模型2双曲线模型2，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：1/Y=a+b/X历史数据最少需要数目：3建模示例：幂函数模型幂函数模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：扩展S形曲线扩展S形曲线，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3扩展GOMPERTZ扩展G

3、OMPERTZ，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3扩展反正切扩展反正切，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3S型曲线模型S型曲线模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：Gompertz曲线Gompertz曲线，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：抛物线模型抛物线模型，时间

4、序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：3建模示例：N次曲线模型N次曲线模型，时间序列回归分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。模型描述：历史数据最少需要数目：5建模示例：人工神经网络法人工神经网络法属于通用序列预测方法，适用于年月电力电量等各类指标预测；人工神经网络法也属于相关预测方法，可含纳相关因素建立相关模型。历史数据最少需要数目：3传统的数学模型是用显式的数学表达式加以描述。这就决定了传统的预测模型的局限性。事实上，负荷变化的自然规律很难用一个显式的数学公式予以表示。神经网络方法是这一领域内的

5、一个重大突破。该方法视传统函数的自变量和因变量为输入和输出，将传统的函数关系转化为高维的非线性映射，而不是显式的数学表达式。从数学意义上讲，多层前馈网络-BP网是利用训练样本实现从输入到输出的映射。若输入层节点数为n，输出层节点数为m，则网络是从 到 的一个高度非线性映射。如下图所示：图中每一个节点表示一个神经元。其输出与输入函数为：BP网络不需要知道描述这种映射的具体数学表达式，而只是在所选网络的拓扑结构下，通过学习算法调整各神经元的阈值和连接权值，使误差信号最小。BP网使用的节点特性函数为：对于序列预测而言，一般可以采用三层BP网(只有一个隐含层)。输入输出信号可以有两种选择方法：(1)以

6、时段序号作为输入信号，以待预测量在该时段的取值作为输出信号，构成单输入单输出网络，隐含层的神经元数目取为310。(2)以待预测量在本时段的取值作为输出信号，以待预测量在本时段之前的连续k个时段的取值作为输入信号，构成多输入单输出网络，隐含层的神经元数目取为520。使用训练好的BP网进行负荷预测是非常方便的，只需以未来时刻的有关数据作为网络的输入，进行一次从输入层到输出层的前向计算，所得到的网络的输出即为预测结果。动平均法动平均法属于通用序列预测方法，适用于年月电力电量等各类指标预测。动平均法是对一组时间序列数据进行某种意义上的平均值计算，并以此为依据进行预测。一次动平均只适用于下一步的预测，而

7、不适用于以后若干步的预测，因此，一般采用二次动平均法进行预测。历史数据最少需要数目：5指数平滑法指数平滑法属于通用序列预测方法，适用于年月电力电量等各类指标预测。指数平滑法的拟合值或预测值是对历史数据的加权算术平均值，并且近期数据权重大，远期权重小，因此对接近目前时刻的数据拟合得较为精确。一次指数平滑只适用于下一步的预测，一般用于预测的是二次指数平滑。历史数据最少需要数目：5灰色系统法灰色系统法属于通用序列预测方法，适用于年月电力电量等各类指标预测。历史数据最少需要数目：3灰色系统理论的基本模型是灰色模型(Grey Model，简称GM)。灰色系统理论用颜色形象地描述模型信息的已知程度。白色的

8、模型表示模型的信息全部已知，黑色的模型表示模型的信息全部未知，灰色的模型表示模型的信息已知程度介于白与黑之间。未来的负荷预测就是一个灰色问题，人们对未来有关预测量信息部分已知，部分未知。预测问题一个灰色问题，如下图所示：与通过大量样本进行统计分析的传统方法相比，灰色系统建模的优越性体现在两个方面。其一是前者需要的原始数据越多越好，其精度才有保障，而后者没有如此苛刻的要求。其二是后者一般采用一定的方式对原始数据进行生成处理（如累加生成和累减生成），将杂乱无章的原始数据整理成规律性较强的生成数据从而弱化原随机序列的随机性，获得光滑的离散函数，再进一步基于这些生成数据建模。因此，灰色模型具有建模所需

9、信息较少、建模精度较高等特点。一般意义上的灰色模型为GM(n,h)，表示对h个变量建立n阶微分方程。作预测用的模型一般为GM(n,1)，实际应用最多的是GM(1,1)。以上标(0)表示原始序列，上标(1)表示累加生成序列，GM(1,1)的建模与预测步骤如下：1) 给定原始序列：2) 对原始序列作累加生成：, j=1,2,.,n显然有：(i=2,3,N)3) 建立相应的微分方程为:采用等时距，将上式中的微商用差商代替，并用两点的平均值代替 ，有：(i=1,2,N-1) 即：(i=2,3,N)4) 引入向量 及矩阵：b=则残差为：(i=1,2,N-1) 显然应使 取极小，由此作参数a，b的最小二乘

10、估计：5) 得到时间响应函数，预测(拟合）模型为：， i1 据此可得iN+1时的预测值 。6) 累减还原， i2 至此，得到原始序列 (i=1,2,N)的对历史的拟合值 (i=1,2,N)及对未来的预测值 ，(iN+1)。除上述常规的灰色预测外，还可以实现等维递补灰色预测。等维递补灰色预测是一种滚动预测，其原理是：以1n时刻的值所构成的序列对n+1时刻作出预测，然后以2n时刻的值以及n+1时刻的预测值所构成的序列对n+2时刻作出预测，依此类推。显然，等维递补灰色预测均以某n个值所构成的序列对下一时刻作出预测，即用作预测的原始序列的长度始终固定。这也是等维递补名称的由来。 增长速度法增长速度法属

11、于通用序列预测方法，适用于年月电力电量等各类指标预测。历史数据最少需要数目：4对于历史数据序列，可以计算其相邻时间间隔的增长速度，如果这一增长速度序列的变化较有规律，则可以对这一速度序列运用时间序列回归分析方法(由14种模型优选合成的综合模型)，进行外推预测，从而得到未来时间段的增长速度，可反推未来时间段的预测序列。多元线性相关法多元线性相关法是相关分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测历史数据最少需要数目：3 相关元数据初需要历史数据外，还需要预测时间段的数据，可以是历史数据或预测提交数据。多元线性相关法的相关元可取一个或多个。多元线性回归预测模型可表述为：一元相关

12、分析法一元相关分析法是相关分析方法之一，属于通用预测方法，适用于年月电力电量等各类指标预测。历史数据最少需要数目：3 相关元数据初需要历史数据外，还需要预测时间段的数据，可以是历史数据或预测提交数据。一元相关模型是在11种简单模型基础之生成的综合模型。其11种简单模型如下：、指数模型1：、指数模型2：、对数模型：、双曲线模型1：、双曲线模型2：1/Y=a+b/X、幂函数模型：、S型曲线模型：、Gompertz曲线：、抛物线模型：、n次曲线模型：、 线性模型：灰色马尔可夫预测法灰色马尔可夫预测法是通用预测方法之一，适用于年月电力电量等各类指标预测。历史数据最少需要数目：3 灰色预测模型和马尔柯夫

13、预测模型是两类应用比较广泛的预测方法 ,由于处理数据序列的方式不同 ,它们具有不同的特点。灰色GM(1 ,1 )模型的预测解为指数曲线 ,预测值的几何图形是一条较平滑的曲线 ,要么单调增 ,要么单调减。进行长期预测时 ,预测值往往偏高或偏低 ,因而对随机波动性较大的数据列拟合较差 ,预测精度低。而马尔柯夫模型预测的对象是一个随机变化的动态系统 ,它是根据状态之间转移概率来预测未来系统的发展 ,转移概率反映了各种随机因素的影响程度 ,反映了各状态之间转移的内在规律性 ,因此马尔柯夫概率矩阵预测适合于随机波动性较大的数据列预测问题。但是 ,马尔柯夫概率矩阵预测对象不但应具有马氏链特点 ,而且要具有

14、平稳过程等特点 ,而现实世界中更大量的是随时间变化而呈现某种变化趋势的非平稳随机过程。所以 ,灰色 GM(1 ,1 )预测与马尔柯夫预测的优点可以互补 ,即构成灰色马尔柯夫模型预测法。模糊数学预测法模糊数学预测法是通用预测方法之一，适用于年月电力电量等各类指标预测。历史数据最少需要数目：5这种方法的本质是将模糊数学的理论引入电力系统负荷预测，它实际上还是以传统的负荷预测方法为基础，从环境因素对负荷影响的不确定性出发，通过将输入的原始数据及模型中相关参数模糊化，从而达到弱化模型对历史数据准确度的依赖，在原始数据和影响因素的历史及未来发展数据不够准确的情况下，获得较高的预测精度。实际上就是用模糊数

15、学理进行数据处理，使计算的速度更快，精度更高，在原始数据不确定时有较大的优越性。年同期比较分析法年同期比较分析法适用于年度电力电量等各类指标预测。年同期比较分析法将年度待预测量作为因变量，将近期月份（月份个数可选）的累计值作为自变量，通过寻找年度待预测量与近期月份的累计值之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模。年同期比较分析法首先需要已知近期月份的电力/电量值。年同期增长比较分析法年同期增长比较分析法适用于年度电力电量等各类指标预测。年同期增长比较分析法将年度待预测量的增长速度作为因变量，将近期月份（月份个数可选）的累计值的增长速度作为自变量，通过寻找年度待预测量

16、的增长速度与近期月份累计值的增长速度之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模。年同期增长比较分析法首先需要已知近期月份的电力/电量值。大用户还原法大用户还原法适用于年月电量指标预测。如果大用户的用电量在该地区中占有较大比重，且用电波动较大时，如果采用常规预测方法就会严重影响该地区的预测精度。大用户还原法解决了这一问题。大用户还原法的预测思路是：首先去除上述大用户对总量的影响，即剥离出具有自然增长规律的电量作常规预测，其预测结果再加入上述大用户的预计用电量，即得到最终预测结果。大用户还原法要求具有欲分离大用户的预计用电量。单月月间相关预测法单月月间相关预测法是月间相关

17、方法之一，适用于月度电力电量等各类指标预测。月间相关方法克服了月度序列预测方法忽略近期信息的弱点，不仅考察历年同月的预测量发展变化信息，同时也参考相邻月份的预测量变动情况，以跟踪用电需求的最新动态，作出更合理的综合分析判断。单月月间相关预测法将待预测量的预测月作为因变量，将相关月（一般选择相邻月）作为自变量，通过寻找待预测量的预测月与相关月之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模的。其11种简单回归分析模型如下：、指数模型1：、指数模型2：、对数模型：、双曲线模型1：、双曲线模型2：1/Y=a+b/X、幂函数模型：、S型曲线模型：、Gompertz曲线：、抛物线模型

18、：、n次曲线模型：、 线性模型：多月月间相关预测法多月月间相关预测法是月间相关方法之一，适用于月度电力电量等各类指标预测。多月月间相关预测法将待预测量的预测月作为因变量，将相关月（一般选择相邻多月）作为自变量，通过寻找待预测量的预测月与相关月之间的相关关系，建立相应的多元回归方程式来建模。ANN直接相关预测法ANN直接相关预测法是月间相关方法之一，适用于月度电力电量等各类指标预测ANN直接相关预测法是将将相关月（一般选择相邻单月或多月）作为输入量，待预测量的预测月作为输出量，通过多层前馈网络形成从输入到输出的映射，从而建立待预测量的预测月与相关月之间的相关关系。通过学习算法调整各神经元的连接权

19、值及阈值，使误差信号最小。网络训练完毕，以待预测月的相关月的数据作为网络的输入，进行一次从输入层到输出层的前向计算，所得到的网络输出即为待预测量的预测月的预测结果。累计直接相关法累计直接相关法是月间相关方法之一，适用于月度电力电量等各类指标预测。累计直接相关法将待预测量的预测月作为因变量，将相关月（一般选择相邻多月）的累计值作为自变量，通过寻找待预测量的预测月与相关月累计值之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模。ANN累计相关预测法ANN累计相关预测法是月间相关方法之一，适用于月度电力电量等各类指标预测。ANN累计相关预测法是将将相关月（一般选择相邻多月）的累计值

20、作为输入量，待预测量的预测月作为输出量，通过多层前馈网络形成从输入到输出的映射，从而建立待预测量的预测月与相关月之间的相关关系。通过学习算法调整各神经元的连接权值及阈值，使误差信号最小。网络训练完毕，以待预测月的相关月的数据作为网络的输入，进行一次从输入层到输出层的前向计算，所得到的网络输出即为待预测量的预测月的预测结果。单月增长相关法单月增长相关法是月间相关方法之一，适用于月度电力电量等各类指标预测。单月增长相关法将待预测量预测月的增长速度作为因变量，将相关月（一般选择相邻月）的的增长速度作为自变量，通过寻找待预测量预测月的增长速度与相关月的增长速度之间的相关关系，基于11种简单回归分析模型

21、生成综合回归分析模型来建模。多月累计增长相关法多月累计增长相关法是月间相关方法之一，适用于月度电力电量等各类指标预测。多月累计增长相关法将待预测量预测月的增长速度作为因变量，将相关月（一般选择相邻多月）累计值的增长速度作为自变量，通过寻找待预测量预测月的增长速度与相关月累计值的增长速度之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模。月同期比较分析法多月月间相关预测法是月间相关方法之一，适用于月度电力电量等各类指标预测。多月月间相关预测法将待预测量的预测月作为因变量，将相关月（一般选择相邻多月）作为自变量，通过寻找待预测量的预测月与相关月之间的相关关系，建立相应的多元回归方

22、程式来建模。月同期增长分析法月同期增长分析法适用于月度电力电量等各类指标预测。月同期增长分析法将月度待预测量的增长速度作为因变量，将近期日（日的个数可选，或某认为本月）的累计值的增长速度作为自变量，通过寻找月度待预测量的增长速度与近期日累计值的增长速度之间的相关关系，基于11种简单回归分析模型生成综合回归分析模型来建模。月同期增长分析法首先需要已知近期日的电力/电量值。总量配比预测法总量配比预测法适用于月度电力电量等各类指标预测。月度量的月度发展序列的变化主要是由于季节的交替变化引起的。因此，季节变化的规律性决定了月度发展序列的变化也是有规律的，体现在历年的月度发展序列曲线形状相似，即标么化曲

23、线基本重合。另外，由惯性定理可知，系统越大，其惯性越大。因而，年度量的惯性要大于月度量的惯性。因此，年度量序列的预测结果比月度量的预测结果精度高。基于上述原因，产生了总量配比方法。该方法首先预测月度标么化曲线和全年值（电量指标为全年累计值，负荷指标为全年统计值），由此使月度标么化曲线有名化，得到全年12个月的预测值。弹性系数法弹性系数法适用于年度全社会用电量的预测。弹性系数 = 全社会用电量的增长速度 / GDP增长速度。它反映在一定时期内国民经济的发展与电量需求的增长之间的内在关系。电力弹性系数大于1，则表明电量需求的增长速度高于国民经济的增长速度。弹性系数 = 全社会用电量的增长速度 /

24、弹性系数法要求首先对未来年份国民经济的发展速度作出预测，即已知未来年份GDP的增长速度和弹性系数。GDP综合电耗法GDP综合电耗法适用于年度全社会用电量的预测。GDP综合电耗反映了单位国民生产总值所消耗的电量，是一个综合的能耗指标。在一定的时期内，GDP综合电耗的变化有一定的规律性。此方法要求首先对国民经济的发展作出预测，即已知未来年份的GDP和GDP综合电耗。人均用电法人均用电法适用于年度全社会用电量的预测。人均用电量是一个综合的能耗指标。在一定的时期内，人均用电量的变化有一定的规律性。此方法要求首先对总人口和人均用电量作出预测。人均生活用电法人均生活用电法适用于年度城乡居民生活用电的预测。

25、弹性系数 = 全社会用电量的增长速度 / 人均生活用电量是一个综合的能耗指标。在一定的时期内，人均生活用电的变化有一定的规律性。弹性系数 = 全社会用电量的增长速度 / 此方法要求首先对总人口和人均生活用电量作出预测。计量经济学预测法计量经济学预测法适用于年度第一、二、三产业电量及居民生活用电预测。计量经济学是一门研究如何运用统计方法和统计数据对经济现象及相关领域的问题进行解释、模拟和预测的学科，是建立在数理经济学、经济统计学和数理统计学学科发展基础上的。其基本方法是将研究对象及与其相关因素的关联关系用数学方程式加以表达，并用实际数据进行模拟计算、验证，若验证确认这种关联关系可以接受且可适用于将来，则可作为对今后趋势的预测。可见计量经济法，不是一种具体的预测方法，而是与数学上回归分析类似。