资源描述：
《基于garch误差修正时间序列季节预测模型和应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。
1、于GARCH误差修正时间序列季节预测模型和应用摘要：针对神经网络、支持向量机等方法对数据样本容量要求较高的问题，以及一般时间序列预测模型对最大负荷等随机因素拟合不足的问题，应用时间序列的季节乘法模型对地区月度最大负荷做预测，并用GARCH模型对预测误差进行修正.用某电网的真实数据作案例，结果表明，误差率仅为2%，预测精度良好.相比修正前的模型，误差率下降0.5%，证明误差修正模型有效.关键词：月最大负荷预测；时间序列乘法模型；GARCH模型；误差修正分类号:TM715,F224文献标识码：ATheMultiplicativeModelinTimeSeriesandGARCHErr
2、orAmendingModelandItsApplicationYANGShang-dongl,LIUJin-peng2,GUOHao-chi2(1.ResearchDepartmentofManagementConsulting,StateGridEnergyResearchInstitute,Beijing100052,China；2.SchoolofEconomicsandManagement,NorthChinaElectricPowerUniv，Beijing102206，China)Abstract:ANNandSVMforecastingmodelsneedlarg
3、esampledata,andthetraditionaltimeseriesforecastingmodelcannotfitsufficientlythebiggestloadduetorandomfactors.Andinordertoovercometheshortcomingsasmentioned,thispaperappliedtheseason-multiplicativemodelintimeseriestoforecastthemonthlypeakloadofregion,andadoptedtheGARCHmodeltomodifytheforecasti
4、ngerror.Theapplicationresultsoftheproposedmodelinaregionalpowergridshowthattheforecastingisprecise，becausetheerrorrateisonly2%.Andcomparedwiththeunmodifiedmodel,thenewmodel?serrorratedecreasedby0.5%.Keywords:monthlypeakloadforecasting；multiplicativemodelintimeseries；GARCHmodel；erroramending由于
5、中长期最大负荷预测本身存在数据量比较少的特点［1］，因而需要大样本的神经网络法和支持向量机等智能方法并不适用［2］.相反，传统的时间序列模型可较好地描述最大负荷这一随机过程［3］.但单用时间序列建模预测，因未考虑到的一些因素，预测的残差可能存在自回归现象，故预测效果往往不理想［4］.GARCH模型为自回归条件异方差模型［5］，能很好地消除预测残差存在的自回归现象［6］.基于最大负荷数据的单一性、有限性以及季节性，本文将先用时间序列模型对最大负荷进行拟合，在此基础上再用GARCH模型对拟合误差做修正，以提高预测精度.4结论1)通过实例验证，将时间序列乘法模型应用在月最大负荷预测上，
6、具有良好的拟合和预测能力.2)用GARCH模型修正预测误差，在原先基础上消除了预测误差的自回归，具有良好的拟合以及预测能力.参考文献[1]康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004,28(7)：1-11.KANGChong-qing,XIAQing,ZHANGBo-ming.Reviewofpowersystemloadforecastinganddevelopment[J].AutomationofElectricPowerSystems,2004，28(7)：1-11.(InChinese)[2]牛东晓，谷志红，邢棉，等.基
7、于数据挖掘的SVM短期负荷预测方法研究[J].中国电机工程学报，2006,26(18)：6-12.NIUDong-xiao，GUZhi-hong,XINGMian,etal.Studyonforecastingapproachtoshort-termloadofSVMbasedondatamining[J].ProceedingsofCSEE,2006,26(18)：6~12.(InChinese)[3]ZHANGXun,LAIKK,WANGShou-yang.Anewappro
