一种综合考虑多种经济因素的月度用电量预测方法技术

本发明专利技术公开了一种综合考虑多种经济因素的月度用电量预测方法，采用X‑12‑ARIMA模型对月度电量和多种经济因素进行季节分解；利用逐步回归分析研究各经济量与用电量的关联度和回归模型，获得初步预测结果；利用多项式拟合进行年度用电量预测，并调整已有月度电量预测结果；采用自回归积分滑动平均模型对受气象与节假日因素影响较大的月份进行分季节预测修正，获得精度良好的月度电量预测模型。采用上述技术方案，对月度电量与经济量进行季节分解后，不仅能够利用周期性进行预测，还能够有效降低波动性对回归分析拟合精度与预测精度的影响，获得良好的预测效果。

A method of monthly electricity consumption forecasting considering various economic factors

The invention discloses a monthly comprehensive consideration of various economic factors of electricity consumption forecasting method, using X 12 ARIMA model of monthly electricity and seasonal decomposition of various economic factors; the analysis of the economic volume and correlation and regression model of power regression, obtained preliminary results; the annual electricity consumption forecast using polynomial fitting, and adjust the existing monthly consumption forecasting results; using autoregressive integrated moving average model has great influence on the month by the weather and holidays are seasonal forecast factors, obtain good accuracy of monthly electricity consumption forecasting model. By adopting the technical scheme, seasonal decomposition of monthly consumption and economic value, not only can be predicted by periodicity, also can effectively reduce the fluctuation analysis of the impact of the fitting precision and prediction accuracy of regression, obtain good prediction effect.

【技术实现步骤摘要】
一种综合考虑多种经济因素的月度用电量预测方法
本专利技术属于电力市场需求预测的
，具体涉及一种综合考虑多种经济因素的月度用电量预测方法。
技术介绍
随着经济的不断发展，社会生产、生活对于电力的需求不断增加，用电量逐渐成为社会经济发展水平的一个重要指标。与此同时，厂网分开、竞价上网和售电放开等电力行业改革政策促使电力企业对自身经济效益有了更高的要求。对于供电企业与售电企业，月度电量预测的质量与准确性对合理安排生产、采购与销售计划有着十分重要的影响。因此，更精确、简单地预测电量成为了电力企业的重要工作。用电量的需求预测并不能脱离经济增长因素而单独预测；传统的外推式预测方法没有考虑经济走势的影响，往往按照经济平稳增长继续演进，导致电量预测结果存在较大偏差；实际上，季节因素(包含年度中的月份因素)对用电量预测存在较大的影响，尤其夏、冬季节的用电量明显高于其他季节。而为了提高用电量预测的准确性，季节因素不容忽视。当前电力市场需求预测大多集中在电力负荷的预测，考虑到负荷受季节因素的影响，主流研究均以气象指标为基础并采用各种算法开展电力负荷预测；而对于用电量预测方面的研究，很少考虑季节的影响因素，而对于月度电量与经济量之间的波动性与周期性也鲜有考虑，导致用电量预测的结果与实际用电量存在很大的误差。
技术实现思路
本专利技术提供一种综合考虑多种经济因素的月度用电量预测方法，其目的是更加准确和有效地进行月度用电量的预测。为了实现上述目的，本专利技术采取的技术方案为：本专利技术的综合考虑多种经济因素的月度用电量预测方法，采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解；利用逐步回归分析研究各经济量与用电量的关联度和回归模型，获得初步预测结果；利用多项式拟合进行年度用电量预测，并调整已有月度电量预测结果；采用自回归积分滑动平均模型对受气象与节假日因素影响较大的月份进行分季节预测修正，获得精度良好的月度电量预测模型。该预测方法包括以下步骤：(1)、基于X-12-ARIMA模型对经济量数据与电量数据进行季节分解，获得经济量与电量数据的趋势分量与季节分量；(2)、基于X-12-ARIMA模型对目标周期内的经济量的趋势分量进行预测；(3)、对经济量与月度电量的趋势分量进行逐步回归分析，获得其相关关系；(4)、由经济量的趋势分量的预测值和经济量与月度电量的趋势分量的相关关系得到月度电量趋势分量的预测结果，并对分解得到的季节分量进行波动幅值的修正；(5)、通过预测得到的趋势分量与季节分量得到初步的预测结果，即月度电量预测结果A，之后将年度电量预测结果与基于月度电量预测结果A计算的年度电量相比较，并确定1个月度电量修正量；采用在月度电量预测结果A的基础上叠加修正量的方式，修正月度电量预测结果的年度电量误差，经过年度电量预测修正得到月度用电量预测结果B；(6)、对于受气象因素影响较大的冬季和夏季预测目标月，使用X-12-ARIMA模型分季节预测的结果对已有预测结果进行进一步修正，得到最终的月度电量预测结果C。在步骤(1)中，所述的X-12-ARIMA模型采用加法模型进行季节分解，分解形式为：X＝D+S+I其中，X为原时间序列；D为趋势分量；S为季节分量；I为不规则分量；对已知经济量和月度电量的季节分解分别采用如下表达式：其中：Ek,i为第i个月的第k种经济量；分别为第i个月的第k种经济量的趋势分量、季节分量和不规则分量；Mi为第i个月的月度电量；分别为月度电量的趋势分量、季节分量与不规则分量；k＝1,2,…,a；i＝1,2,…,n；a表示经济量的种类数；n表示月度电量历史数据所包含的月份数。在步骤(2)中，所述的X-12-ARIMA模型具有预测功能，经过平稳性检验、模型定阶、参数估计、模型检验与预测等过程，得到目标周期内的经济量的趋势分量预测结果为预测周期内第i个月的第k种经济量的趋势分量；n表示用于预测的月度电量历史数据所包含的月份数。在步骤(3)中，经济量与月度电量的趋势分量的逐步回归分析的形式为：其中：表示第i个月的月度电量的趋势分量的估计值；为第i个月的第k种经济量的趋势分量预测值；s0表示回归方程的常数项；sk表示回归方程中第k种经济量的系数；∑符号上的a分别表示经济量的种类数。在步骤(4)中，经过回归分析，月度电量趋势分量与经济量趋势分量的相关关系为：其中：SS为回归分析后得到的参数矩阵，SS＝[s0,s1,…,sb]T，b表示逐步回归分析后最终保留经济量的个数；通过这个相关关系和基于X-12-ARIMA模型获得的经济量趋势分量的预测值月度电量趋势分量的预测值为：k表示经济量的编号；a表示经济量的种类数；i表示月份编号；n表示月度电量历史数据所包含的月份数。在步骤(4)中，季节分量的修正方法为：其中：为预测周期内第i个月的季节分量的预测值；为分解得到的季节分量的波动幅值；为季节分量在预测周期内的波动幅值；Aave为整体预测结果的波动幅值的预测值；为在季节分量最大的月份的趋势分量的值；为在季节分量最小的月份的趋势分量的值；K1为修正系数；MSi-12表示预测周期前一年对应月份的月度电量历史数据的季节分量；i表示月份的编号；n表示月度电量历史数据所包含的月份数。在步骤(5)中，经过修正后得到的基于X-12-ARIMA的月度电量预测结果A为：其中：M1,i(i＝n+1,n+2,…,n+12)为月度电量预测结果A；分别为月度电量的趋势分量、季节分量；k＝1,2,…,a；i＝1,2,…,n。在步骤(5)中，基于年度电量预测修正的月度电量预测结果B为：M2,i＝M1,i+K2其中：M2,i(i＝n+1,n+2,…,n+12)为月度电量预测结果B；K2为月度电量预测结果B相对于预测结果A的修正量；i表示预测周期内的月份编号；n表示月度电量历史数据所包含的月份数。在步骤(6)中，基于X-12-ARIMA模型以3为周期，利用往年冬季和夏季的月份电量历史数据进行预测，用分季节预测的结果替换上一个步骤中相应月份的预测值，修正公式为：其中：Fi(i＝n+1,n+2,n+3,n+7,n+8,n+9)为分季节预测的月度电量预测结果；M3,i(i＝n+1,n+2,…,n+12)为月度电量预测结果C；Fh表示含义与Fi相同；M2.h表示步骤(5)中的月度电量预测结果B；h(h＝n+1,n+2,n+3,n+7,n+8,n+9)表示预测周期内冬季和夏季的月份编号；n表示月度电量历史数据所包含的月份数。本专利技术采用上述技术方案的有益效果是：由于月度电量与经济变量有很强的波动性与周期性，本专利技术对月度电量与经济量进行季节分解后，不仅能够利用周期性进行预测，还能够有效降低波动性对回归分析拟合精度与预测精度的影响，获得良好的预测效果。附图说明图1为本专利技术的月度用电量预测模型的示意图。具体实施方式下面对本专利技术的具体实施方式作进一步详细的说明，以帮助本领域的技术人员对本专利技术的专利技术构思、技术方案有更完整、准确和深入的理解。本专利技术基于季节因素影响、电量与经济量存在很强的波动性和周期性，提出了一种综合考虑多种经济因素的月度用电量预测方法。为了解决现有技术存在的问题，实现更加准确和有效地进行月度用电量的预测的专利技术目的，本专利技术采取的技术方案为：本专利技术提出的上述预测方法，采本文档来自技高网...

【技术保护点】
一种综合考虑多种经济因素的月度用电量预测方法，其特征在于：，该预测方法采用X‑12‑ARIMA模型对月度电量和多种经济因素进行季节分解；利用逐步回归分析研究各经济量与用电量的关联度和回归模型，获得初步预测结果；利用多项式拟合进行年度用电量预测，并调整已有月度电量预测结果；采用自回归积分滑动平均模型对受气象与节假日因素影响较大的月份进行分季节预测修正，获得精度良好的月度电量预测模型。

【技术特征摘要】
1.一种综合考虑多种经济因素的月度用电量预测方法，其特征在于：，该预测方法采用X-12-ARIMA模型对月度电量和多种经济因素进行季节分解；利用逐步回归分析研究各经济量与用电量的关联度和回归模型，获得初步预测结果；利用多项式拟合进行年度用电量预测，并调整已有月度电量预测结果；采用自回归积分滑动平均模型对受气象与节假日因素影响较大的月份进行分季节预测修正，获得精度良好的月度电量预测模型。2.按照权利要求1所述的综合考虑多种经济因素的月度用电量预测方法，其特征在于：该预测方法包括以下步骤：(1)、基于X-12-ARIMA模型对经济量数据与电量数据进行季节分解，获得经济量与电量数据的趋势分量与季节分量；(2)、基于X-12-ARIMA模型对目标周期内的经济量的趋势分量进行预测；(3)、对经济量与月度电量的趋势分量进行逐步回归分析，获得其相关关系；(4)、由经济量的趋势分量的预测值和经济量与月度电量的趋势分量的相关关系得到月度电量趋势分量的预测结果，并对分解得到的季节分量进行波动幅值的修正；(5)、通过预测得到的趋势分量与季节分量得到初步的预测结果，即月度电量预测结果A，之后将年度电量预测结果与基于月度电量预测结果A计算的年度电量相比较，并确定1个月度电量修正量；采用在月度电量预测结果A的基础上叠加修正量的方式，修正月度电量预测结果的年度电量误差，经过年度电量预测修正得到月度用电量预测结果B；(6)、对于受气象因素影响较大的冬季和夏季预测目标月，使用X-12-ARIMA模型分季节预测的结果对已有预测结果进行进一步修正，得到最终的月度电量预测结果C。3.按照权利要求2所述的综合考虑多种经济因素的月度用电量预测方法，其特征在于：在步骤(1)中，所述的X-12-ARIMA模型采用加法模型进行季节分解，分解形式为：X＝D+S+I其中，X为原时间序列；D为趋势分量；S为季节分量；I为不规则分量；对已知经济量和月度电量的季节分解分别采用如下表达式：其中：Ek,i为第i个月的第k种经济量；分别为第i个月的第k种经济量的趋势分量、季节分量和不规则分量；Mi为第i个月的月度电量；分别为月度电量的趋势分量、季节分量与不规则分量；k＝1,2,…,a；i＝1,2,…,n；a表示经济量的种类数；n表示月度电量历史数据所包含的月份数。4.按照权利要求2所述的综合考虑多种经济因素的月度用电量预测方法，其特征在于：在步骤(2)中，所述的X-12-ARIMA模型具有预测功能，经过平稳性检验、模型定阶、参数估计、模型检验与预测等过程，得到目标周期内的经济量的趋势分量预测结果为预测周期内第i个月的第k种经济量的趋势分量；n表示用于预测的月度电量历史数据所包含的月份数。5.按照权利要求2所述的综合考虑多种经济因素的月度用电量预测方法，其特征在于：在步骤(3)中，经济量与月度电量的趋势分量的逐步回归分析的形式为：其中：表示第i个月的月度电量的趋势分量的估计值；为第i个月的第k种经济量的趋势分量预测值；s0表示回归方程的常数项；sk表示回归方程中第k种经济量的系数；∑符号上的a分别表...

【专利技术属性】
技术研发人员：林其友，刘亚南，唐勇，舒晓欣，丁晓群，何正欢，黄晟，
申请(专利权)人：国网安徽省电力公司芜湖供电公司，国家电网公司，
类型：发明
国别省市：安徽,34