【电力需求预测概念及原理综述2000字】

电力需求预测概念及原理综述目录TOC\o"1-2"\h\u7405电力需求预测概念及原理综述 1101501电力需求预测概念 1250232电力需求影响因素分析 1315151中期电力需求影响因素分析 153122长期电力需求影响因素分析 183403中期电力需求预测方法 153754.1季节指数法 2188084.2ARIMA模型 3108994长期电力需求预测方法 3124524.1移动平均法 3295604.2指数平滑法 41电力需求预测概念预测就是对历史数据的研究和分析，研究材料之间的关系和密切程度是从分析结果得出的，这些关系和方法将用于确定未来的研究项目。电力预测是某一时间段内，最大电量负荷水平的预测行为，也叫最大负荷量预测[6]。电力需求预测分为三类：(1)短期预测，最小间隔为1天的预测方法。(2)中期预测，指至少1个月的预测。(3)长期预测，指以一年为最短期限的预测[7]。2电力需求影响因素分析1中期电力需求影响因素分析影响中期电力需求的最常见因素是温度。对于电力需求的中期预测，必须有足够一个月的数据被纳入算法或模型，所以在预测时要注意数据的内部相关性。在一年的12个月中，由于温度的影响，用电量存在一定程度的变化，因此必须选择带有季节性的方法或者模型来进行预测。2长期电力需求影响因素分析一般来说，电力需求的长期影响可以分为两类：①外部因素，主要是经济发展水平、经济结构、人口收入和消费水平、常住人口、气候变化、技术发展、国家政策、城市进程、重大灾害等[8]。②内部因素的主要影响是来源于电价的。3中期电力需求预测方法4.1季节指数法季节性并不仅仅指的是一年四季的更迭，还可以指发生重大节日，如春节、五一、十一，的情况。季节指数法则是通过提取具有季节性的时间序列中的季节指数序列，由其中的规律性对研究对象的未来情况做出预测的方法。电力需求预测中通常要考虑季节因素的影响。当我们遇到有季节因素并且长期趋势以及有不规则成分的时间序列时我们可以利用季节指数平滑算法来对目标进行预测。通常情况下，可以根据季节因子的不同分解方式，将季节指数法分解为加法季节指数法和乘法季节指数法。加法季节指数法的公式如式1所示：…(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。、和分别代笔长期趋势项、趋势增加量和平滑值，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：……………(2)乘法季节指数平滑模型算法如下[59]:……(3)预测未来一期的预测值为：……………(4)预测未来第k期的序列值为:……………(5)4.2ARIMA模型如果是使用ARIMA模型对用电量进行预测，会存在一个缺陷。因为中期用电量的季节性中存在随机波动分量，这个随机波动分量会对ARIMA模型的预测能力产生干扰。为了充分发挥ARIMA模型的能力，将ARIMA模型对用电量的增长趋势的预测结果累加到季节因子和用电量的随机参数，即得到最终的预测结果。具体的做法为：使用季节加法指数法从用电量中提取三个参数，分别为：用电量的增长趋势Q，用电量的季节因子X，用电量的随机参数S。对于X而言，不同年份的相同月份的季节因子相同。对于S而言，由于其自身具有随机性，不能通过预测得到，因此可以使用算术平均法对需要预测月份的随机参数进行推算，具体公式如下：……(6)其中Si,j表示第i年第j月的电力使用量。对于Q而言，采用ARIMA模型直接进行预测即可。至此，用电量的三个参数Q，X和S的预测值都已得到。最后，将Q，X和S进行相加操作，即得到中期用电量的预测结果。4长期电力需求预测方法4.1移动平均法移动平均法随着选取范围向后滑动依次计算子序列的平均值，是利用相邻数据的平均值进行预测的方法。当我们的预测对象的历史数据没有呈现较大的波动的时候即既没有急速增长/下降且不存在季节性的波动时，移动平均法能很好的消除数据中的随机波动，从而获得较好的预测效果。具体步骤为：时间序列计算第t期的一次移动平均值计算公式为：……(7)利用 基础上计算第t期的二次移动平均值，其计算公式为：……(8)利用和估计线性趋势模型的截距和斜率:……(9)建立线性趋势预测模型为：……………(10)其中，表示预测超前期数；表示第期的预测值。4.2指数平滑法指数平滑法可以用参数控制数据在参与预测时的权重——降低远期数据的权重，提高近期数据的权重，这种做法也非常符合实际情况，就当前数据而言，显然是受到临近数据的影响更大。常用的指数平滑法包括一次指数平滑法、二次指数平滑法以及三次指数平滑法。假设存在时间序列，那么它的一次指数平滑表达式为：…………(11)式中为第周期的一次指数平滑值；为加权系数，。2-51展开，可得：…(12)由于当，时，于是上述公式就变为：…………(13)由此可见实际上是的加权平均。加权系数依次为，可以看出，它是按照几何级数进行衰减的，所以数据越靠前就有更大的权重，而数据越靠后则有更小的权重。值得注意的是，