ARIMA模型区域用电量预测
ARIMA模型区域用电量预测[20191223160941]
摘 要
随着电力市场的改革与发展，对于用电量的预测的要求越来越高。用电量的预测是电力系统规划、运营的前提和基础。用电量的预测是从已知的用电需求出发，考虑气候、电价、节假日、用电模式以及人口状况等相关因素，对未来的用电量做出的预测。对其未来可能的用电量预测结果的准确性，对电力系统可靠性和安全性有着重要的作用，并且能够影响到其电力公司的经济运行和经营决策。
根据电力分析的不确定性、条件性、非平衡性和非线性性的特点，以及根据本文用电量的短期预测分析的特性的要求，选用了能够对区域用电量进行短期预测分析的适当预测方法。具体的内容如下：
(1) 首先根据用电量数据之间的自相关特性建立ARIMA模型；然后可以通过结合与影响因素有互相关性粗糙集理论加以补充，进行预测分析。
(2) 基于ARIMA模型的区域用电量的预测分析。详细阐述了ARIMA模型建立的具体过程以及用于预测分析的特点，用此模型能够实现用电量短期预测分析。
(3) 基于粗糙集理论的回归分析方法。在回归分析中结合粗糙集理论中的属性约简理论来约简预测因子，可以提高预测结果的精度。
本论文是从多方面对用电量进行预测分析，能够提高预测结果的可信度和精确度。
查看完整论文请+Q: 3519,1607,2
关键字:ARIMA模型区域用电量预测粗糙集理论
目 录
摘 要 I
1.绪 论 1
1.1论文研究背景及意义 1
1.2国内外发展及研究现状 1
1.3研究目标及研究内容 4
2. 预测分析的理论研究 5
2.1时间序列分析 5
2.1.1时间序列的定义 5
2.1.2时间序列的基本构成要素 5
2.1.3时间序列的种类 5
2.1.4 时间序列的数字特性 6
2.1.5 时间序列建模基本步骤 6
2.1.6 时间序列分析发展趋势 7
2.2粗糙集的知识约简 8
2.2.1 粗糙集（Rough Sets）理论 8
2.2.2 知识约简 10
2.2.3 决策表的约简 11
3. 基于ARIMA模型的时间序列分析研究 12
3.1平稳时间序列分析 12
3.1.1自回归 模型 12
3.1.2 移动平均 模型 14
3.1.3自回归移动平均 模型 15
3.2非平稳时间序列分析 16
3.2.1自回归求和移动平均 模型 16
3.3 ARIMA模型建模 17
3.4基于EViews建模方法过程 18
3.4.1 EViews分析软件介绍 18
3.4.2 EViews建模步骤 18
4. 面向电力需求的应用案例分析 19
4.1数据分析与预处理 19
4.2ARIMA模型的建立与识别 21
4.3 ARIMA模型估计 22
4.3.1建立ARIMA(3,1,1)模型 22
4.3.2建立ARIMA(3,1,2)模型 22
4.4模型检验 23
4.5预测结果与分析 24
结 语 25
参考文献 26
致 谢 27
1.绪 论
1.1论文研究背景及意义
用电量的预测是电力系统的规划和运营的重要环节，预测结果的精确度，关系到国民经济、社会稳定和人民生活以及电力公司自身的发展。因为电力在国民经济发展过程中占极其重要的地位，为其中的各个行业的发展提供能源供给和动力支持。近年来随着经济地迅速发展，对电力的需求量越来越大。所以电力发展必须与经济发展相协调。对于电力公司来说，电力属于一种商品，但它和其它商品相比，其不能储存，所以电力的生产、输送、分配和消费是同时进行的。这就要求电力公司在正常运作的情况下，必须能够满足社会用电量的需求，所以电力公司积极采取有效的措施，加强负荷管理。首先，需加强用电市场的调查分析与预测，然后加大对缺电的社会宣传力度和加强计划用电，最后需优化电价政策。
在市场运营模式下，电力负荷不仅具有拟周期性，而且受到众多因素影响。由于用电对象群体众多，用户类型也不易，用电计划并不明确，也因其季节性、电价、节假日、用电模式以及人口状况、人均收入等相关因素，也影响着短期的电力预测。由于各种影响因素规律不尽相同，变化趋势随机性也强，所以用电量的预测充满不确定性、非平稳性和非线性性。
电力负荷预测就是从过去和现在的用电量为基础，综合考虑气候、节假日等相关影响因素，来推测出目标区域内短期其未来的用电量走势。由于用电量的不确定性和复杂性，就决定了预测结果的不完全准确性。在目前市场机制下，越来越突出负荷预测的重要性和迫切性，同时也要求更高的预测精度。了解负荷预测技术的发展趋势，掌握负荷预测的最新技术，将有助于提高负荷预测的精度、合理调度系统的安全和经济运行方式。在时间序列分析中，ARIMA模型是一种在理论上成熟的算法，它对周期性变化序列有较高的准确度，所以本论文主要采用的就是ARIMA模型对区域用电量进行预测分析。
1.2国内外发展及研究现状
由于用电量的预测对电源开发、电网建设、社会安定、居民生活及电力公司本身的发展都有很大的影响，因此世界各地的电力部门都十分重视电力需求预测工作。目前，电力负荷预测的研究经过了30多年的发展过程，并且用电量预测技术有时间序列分析预测、回归模型预测技术、灰色系统预测技术、专家系统预测技术、神经网络预测技术与小波分析技术等。然而不同的预测技术有着不同的适用场合，所以需要我们根据事实需要选择适用的预测技术。
(1)时间序列预测技术
在预测中，对于平稳时间序列，通常使用的时间序列分析方法包括自回归模型（ 模型）、滑动平均模型（ 模型）、自回归—滑动平均混合模型（ARMA模型）；对于非平稳时间序列，通常使用的时间序列分析方法包括自回归求和滑动平均模型（ARIMA模型）等。
1）自回归 模型
仅通过时间序列变量的自身历史观察值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性等造成的困难。
2）移动平均 模型
用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。 的假设条件不满足时可以考虑用此形式。
3）自回归移动平均 模型
使用两个多项式的比率近似一个较长的 多项式，即其中 个数比 模型中阶数 小。前二种模型分别是该种模型的特例。一个 过程可能是 与 过程、几个 过程、 与 过程的迭加，也可能是测度误差较大的 过程。
4）自回归求和移动平均 模型
模型形式类似 模型，但数据必须经过特殊处理。特别当线性时间序列非平稳时，不能直接利用 模型，但可以利用有限阶差分使非平稳时间序列平稳化，实际应用中d一般不超过2。
(2)回归模型预测技术
回归分析是对具有相关关系的变量之间的数据变化规律进行测定，研究某一随机变量（因变量）与其它一个或几个普通变量（自变量）之间的数据变动关系，建立变量间的数量关系近似表达的函数方程，并进行参数估计和显著性检测以后，运用回归方程式对因变量进行估计和预测的分析方法。
依据相关关系中自变量的多少，可分为一元回归模型和多元回归模型。在一元回归分析预测法中，自变量 只有一个，而在多元回归分析预测法中，自变量有两个以上。依据回归模型的形式线性与否，可分为线性回归模型和非线性回归模型。
回归模型预测有以下不足：对历史数据要求高，回归预测模型的建立需要大量的有较好的分布规律的数据样本；预测结果由影响因素决定，如果其中一个影响因素发生结构性变化，其预测精度也必然受影响。
(3)灰色系统预测技术
1982年，中国学者邓聚龙教授发表第一篇中文论文《灰色控制系统》，标志着灰色系统这一学科的诞生。所谓灰色系统，是指部分消息已知而部分消息未知的系统。灰色系统所要考察和研究的是对消息不完备的系统，通过已知消息来研究和预测未知领域从而达到了解整个系统的目的。尽管客观系统表象复杂、数据离散，但它们总是有整体功能的，总是有序的。因此，它必然潜藏着某种内在规律，关键在于要用适当方式去挖掘它，然后利用它。
灰色预测通过鉴别系统因素之间发展趋势的相异程度，即进行关联分析 ，并对原始数据生成有较强规律性的数据序列，寻找系统变动的规律，然后建立相应的微分方程模型，从而预测事物未来发展趋势的状况。其用等时距观测到的反应预测对象特征的一系列数量值构造灰色预测 模型，预测未来某一时刻的特征量，或达到某一特征量的时间[4]。
(4)专家系统预测技术
摘 要
随着电力市场的改革与发展，对于用电量的预测的要求越来越高。用电量的预测是电力系统规划、运营的前提和基础。用电量的预测是从已知的用电需求出发，考虑气候、电价、节假日、用电模式以及人口状况等相关因素，对未来的用电量做出的预测。对其未来可能的用电量预测结果的准确性，对电力系统可靠性和安全性有着重要的作用，并且能够影响到其电力公司的经济运行和经营决策。
根据电力分析的不确定性、条件性、非平衡性和非线性性的特点，以及根据本文用电量的短期预测分析的特性的要求，选用了能够对区域用电量进行短期预测分析的适当预测方法。具体的内容如下：
(1) 首先根据用电量数据之间的自相关特性建立ARIMA模型；然后可以通过结合与影响因素有互相关性粗糙集理论加以补充，进行预测分析。
(2) 基于ARIMA模型的区域用电量的预测分析。详细阐述了ARIMA模型建立的具体过程以及用于预测分析的特点，用此模型能够实现用电量短期预测分析。
(3) 基于粗糙集理论的回归分析方法。在回归分析中结合粗糙集理论中的属性约简理论来约简预测因子，可以提高预测结果的精度。
本论文是从多方面对用电量进行预测分析，能够提高预测结果的可信度和精确度。
查看完整论文请+Q: 3519,1607,2
关键字:ARIMA模型区域用电量预测粗糙集理论
目 录
摘 要 I
1.绪 论 1
1.1论文研究背景及意义 1
1.2国内外发展及研究现状 1
1.3研究目标及研究内容 4
2. 预测分析的理论研究 5
2.1时间序列分析 5
2.1.1时间序列的定义 5
2.1.2时间序列的基本构成要素 5
2.1.3时间序列的种类 5
2.1.4 时间序列的数字特性 6
2.1.5 时间序列建模基本步骤 6
2.1.6 时间序列分析发展趋势 7
2.2粗糙集的知识约简 8
2.2.1 粗糙集（Rough Sets）理论 8
2.2.2 知识约简 10
2.2.3 决策表的约简 11
3. 基于ARIMA模型的时间序列分析研究 12
3.1平稳时间序列分析 12
3.1.1自回归 模型 12
3.1.2 移动平均 模型 14
3.1.3自回归移动平均 模型 15
3.2非平稳时间序列分析 16
3.2.1自回归求和移动平均 模型 16
3.3 ARIMA模型建模 17
3.4基于EViews建模方法过程 18
3.4.1 EViews分析软件介绍 18
3.4.2 EViews建模步骤 18
4. 面向电力需求的应用案例分析 19
4.1数据分析与预处理 19
4.2ARIMA模型的建立与识别 21
4.3 ARIMA模型估计 22
4.3.1建立ARIMA(3,1,1)模型 22
4.3.2建立ARIMA(3,1,2)模型 22
4.4模型检验 23
4.5预测结果与分析 24
结 语 25
参考文献 26
致 谢 27
1.绪 论
1.1论文研究背景及意义
用电量的预测是电力系统的规划和运营的重要环节，预测结果的精确度，关系到国民经济、社会稳定和人民生活以及电力公司自身的发展。因为电力在国民经济发展过程中占极其重要的地位，为其中的各个行业的发展提供能源供给和动力支持。近年来随着经济地迅速发展，对电力的需求量越来越大。所以电力发展必须与经济发展相协调。对于电力公司来说，电力属于一种商品，但它和其它商品相比，其不能储存，所以电力的生产、输送、分配和消费是同时进行的。这就要求电力公司在正常运作的情况下，必须能够满足社会用电量的需求，所以电力公司积极采取有效的措施，加强负荷管理。首先，需加强用电市场的调查分析与预测，然后加大对缺电的社会宣传力度和加强计划用电，最后需优化电价政策。
在市场运营模式下，电力负荷不仅具有拟周期性，而且受到众多因素影响。由于用电对象群体众多，用户类型也不易，用电计划并不明确，也因其季节性、电价、节假日、用电模式以及人口状况、人均收入等相关因素，也影响着短期的电力预测。由于各种影响因素规律不尽相同，变化趋势随机性也强，所以用电量的预测充满不确定性、非平稳性和非线性性。
电力负荷预测就是从过去和现在的用电量为基础，综合考虑气候、节假日等相关影响因素，来推测出目标区域内短期其未来的用电量走势。由于用电量的不确定性和复杂性，就决定了预测结果的不完全准确性。在目前市场机制下，越来越突出负荷预测的重要性和迫切性，同时也要求更高的预测精度。了解负荷预测技术的发展趋势，掌握负荷预测的最新技术，将有助于提高负荷预测的精度、合理调度系统的安全和经济运行方式。在时间序列分析中，ARIMA模型是一种在理论上成熟的算法，它对周期性变化序列有较高的准确度，所以本论文主要采用的就是ARIMA模型对区域用电量进行预测分析。
1.2国内外发展及研究现状
由于用电量的预测对电源开发、电网建设、社会安定、居民生活及电力公司本身的发展都有很大的影响，因此世界各地的电力部门都十分重视电力需求预测工作。目前，电力负荷预测的研究经过了30多年的发展过程，并且用电量预测技术有时间序列分析预测、回归模型预测技术、灰色系统预测技术、专家系统预测技术、神经网络预测技术与小波分析技术等。然而不同的预测技术有着不同的适用场合，所以需要我们根据事实需要选择适用的预测技术。
(1)时间序列预测技术
在预测中，对于平稳时间序列，通常使用的时间序列分析方法包括自回归模型（ 模型）、滑动平均模型（ 模型）、自回归—滑动平均混合模型（ARMA模型）；对于非平稳时间序列，通常使用的时间序列分析方法包括自回归求和滑动平均模型（ARIMA模型）等。
1）自回归 模型
仅通过时间序列变量的自身历史观察值来反映有关因素对预测目标的影响和作用，不受模型变量相互独立的假设条件约束，所构成的模型可以消除普通回归预测方法中由于自变量选择、多重共线性等造成的困难。
2）移动平均 模型
用过去各个时期的随机干扰或预测误差的线性组合来表达当前预测值。 的假设条件不满足时可以考虑用此形式。
3）自回归移动平均 模型
使用两个多项式的比率近似一个较长的 多项式，即其中 个数比 模型中阶数 小。前二种模型分别是该种模型的特例。一个 过程可能是 与 过程、几个 过程、 与 过程的迭加，也可能是测度误差较大的 过程。
4）自回归求和移动平均 模型
模型形式类似 模型，但数据必须经过特殊处理。特别当线性时间序列非平稳时，不能直接利用 模型，但可以利用有限阶差分使非平稳时间序列平稳化，实际应用中d一般不超过2。
(2)回归模型预测技术
回归分析是对具有相关关系的变量之间的数据变化规律进行测定，研究某一随机变量（因变量）与其它一个或几个普通变量（自变量）之间的数据变动关系，建立变量间的数量关系近似表达的函数方程，并进行参数估计和显著性检测以后，运用回归方程式对因变量进行估计和预测的分析方法。
依据相关关系中自变量
回归模型预测有以下不足：对历史数据要求高，回归预测模型的建立需要大量的有较好的分布规律的数据样本；预测结果由影响因素决定，如果其中一个影响因素发生结构性变化，其预测精度也必然受影响。
(3)灰色系统预测技术
1982年，中国学者邓聚龙教授发表第一篇中文论文《灰色控制系统》，标志着灰色系统这一学科的诞生。所谓灰色系统，是指部分消息已知而部分消息未知的系统。灰色系统所要考察和研究的是对消息不完备的系统，通过已知消息来研究和预测未知领域从而达到了解整个系统的目的。尽管客观系统表象复杂、数据离散，但它们总是有整体功能的，总是有序的。因此，它必然潜藏着某种内在规律，关键在于要用适当方式去挖掘它，然后利用它。
灰色预测
(4)专家系统预测技术
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/dzxx/gdxx/427.html
