县城电力需求ARIMA模型及预测.pdf

《县城电力需求ARIMA模型及预测.pdf》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、县城电力需求ARIMA模型及预测07级工程造价2班江旺200712214063摘要：县城年度电能消耗数据虽有随机成分，但又非常明显的内在规律，类似的如用水量，城镇人均消费等等。科学预测电力需求是一项重要的基础工作，用时间序列模型来进行分析，预测，较为简易且有足够的精度。以1996-2005年度各月的全社会用电量作为时间序列，用求和自回归移动平均（ARIMA）乘积模型建模，并且做出1年期的电能消耗预测.将预测结果和2006年1-12月份的实际用电量进行对比，结果比较不错，说明可以用ARIMA模型对县城电力需求做中期预测。关键词：时间序列；ARIMA模型；预测；SASA

2、bstract:Therearesomerandomfactors,aswellasobviousintrinsicrules,inthecounties'year'sdataofelectricityconsume.Forecastingcounties'electricitydemandscientificallyisanimportantbasictasks,andneedanforecastingmethodwitheasiertouseandhavingsufficientprecision.Forthepurposeofpressingclosetopr

3、acticeandeasiertocheckout,anARIMAmodeloftimeseriesaccordingtothe1996-2005electricityconsumeinShizhuisproposed.Forecastofone-year'selectricitydemandismadeusingthismodel,andtheforecastingresultsarecontrastedwiththeactualelectricityconsumeduring1-12monthsof2006.TheResultsshowthatthemethod

4、canbeappliedtomediumterm'sforecastingofcounties'electricitydemand.Keywords:timeseries;ARIMAmodel;forecasting;SAS科学预测县城电力负荷需求，是合理安排扩大发电能力计划的依据，也是有效实施电力需求侧管理的重要手段。建立一个简单易行又有较高预测精度的模型是一项重要的基础性工作。1968年美国威斯康星大学的鲍克斯和詹金斯提出了一套比较完善的时间序列和建模理论，获得了广泛的应用。时1/7间序列预测法的自变量是负荷自身的历史值，因变量是待预测的电力负荷。在本文中，尝试

5、用求和和自回归移动平均（ARIMA）乘积模型来建立石柱县电力负荷需求预测模型。1.建模方法由于各种不稳定因素的影响，一个地区的电能消耗表现出一个随机过程的特征。电能消耗的历史数据是时间序列，因此可以利用历史数据用随机型时间序列预测技术来预测电力需求。在最一般的情况下，时间序列既含有非季节性成分，又含有季节性成分，为了取得理想的预测结果，采用乘积模型sdDsARIMA（p，d，q）X（P,D,Q），数字表达式为【1】：p(B)p(B)sxiq(B)Q(B)lt其dD中，xi为时间序列；为非季节性差分算子；d为差分阶数；s为季节性差分算子；s为季节周期；2pD为差分阶次

6、。p(B)11B2B...pB为非季节性自回归算子，p为自回归阶数，1，ss2sps2，⋯，p为自回归参数，B为后移算子。p(B)11B2B...pB为季节性自回归算子，P为季节性自回归阶数，1，2，⋯，p为季节性自回归参数。2qq(B)11B2B...pB为非季节性移动平均算子，q为移动平均阶数，1，2，⋯，p为ss2sQs移动平均参数。Q(B)11B2B...QB为季节性移动平均算子，Q为移动平均阶数，1，2，⋯，Q为移动平均参数。2.数据必要的数据是进行时间序列分析的首要环节。表1所示1996-2005年度石柱县全社会按月统计的用电量是由石柱县供电局提供的，该

7、时间序列的曲线图如图1所示。图1的曲线有两个明显的特点：一是用电量逐年上升；二是有明显的周期性。一年的用电量中2月份最低，7，8月最高，12月又有一个小高潮。每年的波动情况基本相似，但波动幅度逐年增大。从图1明显可见，这个序列是一个非平稳序列。2/7图1石柱县1996-2004年度全社会用电量3.预处理ARIMA建模方法是以序列的平稳性为前提的，因此首先要把非平稳序列转换为平稳序列。针对原始时间序列具有季节性变化同时有增大的趋势，先用对数变换消除增幅越来越大的现象。消除增幅后的时间序列如图2所示。图2对原始序列取对数后的序列对原始时间序列对数变换后的新序列，明显