【地方用电量的长期预测方法案例综述3200字】

I地方用电量的长期预测方法案例综述目录TOC\o"1-2"\h\u7132地方用电量的长期预测方法案例综述 1160794.1数据收集与预处理 1191074.2移动平均法预测结果 330352④建立线性趋势预测模型为： 3154204.3指数平滑法预测结果 5101944.4增强ANN模型预测结果 84.1数据收集与预处理本文建立的模型主要采用几个可量化的经济指标作为自变量来进行预测，采用的数据来源于佛山市国民经济和社会发展统计公报，数据所跨度时间为2006—2019年。有关数据如表4-1和表4-2所示：表4-1长期电力需求影响因素（1）年份生产总值（亿元）第一产业增加值（亿元）第二产业增加值（亿元）第三产业增加值（亿元）人均生产总值（元）2006432.278.1206.4147.7119912007597.490.1322.7184.6164272008746.699.6429.4217.7202052009855.2103.6477274.62260020101112.5120674.3318.23008120111003139.3448.5415.22695720121029151.8420.6456.62742620131093167.7430.7494.62892820141187.74177.5483.95526.293121420151277.9192.5484.8600.53340020161388.1216.5507.3664.33614620171500.9218.9541.3740.73895420181565.2231.3542.97914047620191698.2263.8564.6869.843770表4-2长期电力需求影响因素（2）及年度用电量年份常住人口（万人）城镇人口（万人）人均消费支出（元）消费品零售总额（亿元）用电量（万千瓦时）2006361.56124.27892159.4801443.22007365.87153.158443196.9977307.92008373.19162.968782250.69625402009382.71174.49852308.410909472010369.8176.0810595370.512552612011373.8177.411287433.713571012012376.6180.512399459.614244282013379.11181.971149350915674352014381.91184.4611764570.2817389122015383.45188.212812571.517925622016384.6192.314403626.819334092017386195.715580683.817727122018387.4201.4516710738.919872372019388.6207.917981795.82160460表4.1显示了一些长期影响电力需求的因素——GDP、第一、二、三产业增加值、人均GDP。表4.2显示了一些长期电力需求影响因素——常住人口、消费品零售总额和年用电量等。图4-12006-2019年佛山市年度用电量从图4-1可以看出，年用电量主要是向上的，所以用移动平均产量和平方指数分析的方法来预测用电量是合适的。由于收集的数据量很少，因此不得不将数据分为训练和测试系列。数据采集期为2006-2019年，为保证训练集数据特征的充分性，选取2006-2017年的数据作为训练系列，2018-2019年的数据作为测试。4.2移动平均法预测结果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。当预测对象的历史数据没有呈现较大的波动的时候移动平均法能将随机波动很好的消除掉，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：……(4.1)利用 基础上计算第t期的二次移动平均值，其计算公式为：……(4.2)利用和估计线性趋势模型的截距和斜率:……(4.3)建立线性趋势预测模型为：……………(4.4)其中，表示预测超前期数；表示第期的预测值。利用表格对2006到2019年的数据做移动平均的处理，根据数据长度以及特性，选用的移动平均的步长为3，根据原理公式，计算得到的a和b，最后利用a和b根据公式（预测两年数据，因此取2）计算预测结果，如表4-3所示：表4-3移动平均法处理结果年份真实用电量一次移动平均二次移动平均ab结果2006801443.22007977307.9200896254020091090947913763.720101255261101026520171357101110291620121424428123443610089821459891225454.8191080120131567435134559711158721575321229724.2203476920141738912144965512276501671660222005211567020151792562157692513432291810621233695.8227801220161933409169963614573921941881242244.2242636920171772712182162815754052067850246222.3256029520181987237183289416993961966392133498223338820192160460189778617847192010853113066.62236986年度用电量真实值和拟合及预测值的结果如图4-2所示：图4-2移动平均法拟合及预测结果从图4-2中可以看出，移动平均法的拟合效果一般，与真实值相去甚远。而预测值仍有一定的偏差与真实值相比。移动平均法预测值误差百分比如表4-4所示：表4-4移动平均法预测值误差百分比年份真实值预测结果误差百分比20181987237223338812.39%2019216045922369863.54%从表4-4中可以看出，2018年的误差百分比为12.39%，与真实值差距较大，而2019年的预测百分比误差较小，为3.54%。总体来看，移动平均法适用效果一般。4.3指数平滑法预测结果假设存在时间序列，那么它的一次指数平滑表达式为：…………(4.5)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：…(4.6)由于当，时，于是上述公式就变为：…………(4.7)由此可见实际上是的加权平均。加权系数依次为，得出。一阶平滑指数的预测模型如式子4.8所示：………(4.8)从上式可以看出，第t周期的一次指数平滑值作为第t+1期的预测值。假设一次指数平滑的结果为，则二次指数平滑的计算公式如式子4.9所示：…………(4.9)若时间序列从某个时期开始仅在一条直线附近波动，且有把握认为未来时期亦按此趋势进行变化，则可用式子4.10来进行预测。………(4.10)式中t为当前时期数；T为由当前时期数t到预测期的时期数；为第t+T期的预测值；为截距，为斜率，其计算公式为：…(4.11)其预测模型为：其中表示预测超前期数；表示第期的预测值。上述的预测结果，采用指数平滑法进行预测。索引平滑技术可以利用索引平滑来控制编辑过程中不同数据的碎片化。当系数值较大时，根据指标函数的特性，随着系数值的减小，衰减时间的衰减率增加，分离出来的数据的权重增加。本文使用0.3和0.6作为预测的标准差。使用Excel对2006年至2019年的数据进行分析处理，平滑处理的结果如表4.5所示：表4-5一次指数平滑结果年份用电量一次平滑a=0.3误差a=0.3一次平滑a=0.6误差a=0.62006801443.22007977307.9240433736875480865.94964422008962540461495.5501044.6778731.1183808.920091090947611808.8479138.3889016.5201930.720101255261755550.3499710.71010175245086.120111357101905463.5451637.51157227199874.5201214244281040955383473.21277151147276.8201315674351155997411438.31365517201917.7201417389121279428459483.81486668252244.1201517925621417273375288.61638014154547.6201619334091529860403549.11730743202666.1201717727121650925121787.31852343-79630.6201819872371687461299776.11804564182672.82019216046017773943830661914168246291.8从上面的预测表可以看出，当a=0.6时误差值越小，所以采用0.6作为指数平滑系数。下面对数据做二次平滑处理，根据二次原理的计算公式，计算得到a和b，最后得到的二次指数平滑结果如表4-6所示：表4-6二次指数平滑结果年份用电量一次平滑二次平滑ab预测值2006801443.22007977307.9480865.902008962540778731.1288519.61268943280120.9020091090947889016.5582646.51195386175068.60201012552611010175766468.51253881139260.81829184201113571011157227912692.31401761139733.8154552420121424428127715110594131494890124421.9153240320131567435136551711900561540979100263.7168122820141738912148666812953331678003109334.4174373320151792562163801414101341865895130217.4174150620161933409173074315468621914624105074.7189667220171772712185234316571912047495111515.421263302018198723718045641774282183484717304.2521247732019216046019141681792451203588569552.362270525年度用电量真实值和指数平滑法拟合及预测值的结果如图4-3所示：图4-3指数平滑法拟合及预测结果从图4.3可以看出，指数平滑法的拟合效果比较普遍，仅在2013-2016年接近真实值，其余年份与真实值相差较大。虽然预测值与实际值接近，但也存在一定偏差。指数平滑法预测值的误差率见表4-7：表4-7指数平滑法预测值误差百分比年份真实值预测结果误差百分比2018198723721247736.92%2019216045922705255.09%从表4-7可以看出，2018年指数平滑法的预测值误差小于移动平均法。2019年，指数平滑法的预测错误率将高于移动平均法。两者各有利弊，所以取两者的平均值作为比较。经过比较，指数平滑法的效果优于移动平均法，但数值为6.005%，因此指数平滑法不能很好地预测长期电力需求。4.4增强ANN模型预测结果本节使用改进的ANN模型进行预测。为了提高预测的准确性，提高预测性能，需要考虑与能源消耗有关的因素，即表4.1中的数据应纳入预测系统。不同的数据大小需要不同的ANN缩放要求。在基于训练数据集的非常大的网络可以具有良好的预测效果的情况下，集成度更高。年度用电量真实值和增强ANN模型拟合及预测值的结果如图4－4所示：图4-4增强ANN模型拟合及预测结果从图4.4中可以看出，改进后的人工神经网络模型具有正向效果，仅在2007年和2016年与真实值的偏差较大，尤其是2017年的曲线几乎重合。改进后的ANN模型预测值的错误率见表4.8：表4-8改进ANN模型预测值误差百分比年份真实值预测结果误差百分比2018198723720397642.64%2019216045921059052.53%从表4.8可以看出，改进后的ANN模型两年的预测结果非常好，错误率分别为2.64%和2.53%。无论是2018年还是2019年，预测结果都优于移动平均法和指数流法。总体而言，ANN模型通过指数平滑法和运动法改进较好，误差降低仅为2.585%，预测效率最强。本章采用三种方法预测佛山市2018年和2019年的用电量。第一种方法是移动平均法，2018年的预测表现很差，错误率已经下降到12.39%，与真实值有显着差异，2019年错误预测值已经下降到3.54%。第二种方法是指数缩减法，2