一种基于ARMA模型的烟厂用电量预测方法技术

本发明专利技术提供一种基于ARMA模型的烟厂用电量预测方法，包括：获取设定时间内的烟厂用电负荷对应的用电量历史数据，将所述用电量历史数据按设定要求进行预处理，以得到原始序列数据。根据所述原始序列数据进行烟厂用电量的趋势图绘制，并对原始序列数据趋势图进行平稳性校验。构建ARMA模型，并对ARMA模型进行定阶和优化，得到最佳ARMA模型。将原始序列数据输入至最佳ARMA模型进行用电量预测，并得到用电量预测趋势图。本发明专利技术能提高烟厂供电的稳定性和准确性，能最大限度的保障烟厂的正常生产。能最大限度的保障烟厂的正常生产。能最大限度的保障烟厂的正常生产。

【技术实现步骤摘要】
一种基于ARMA模型的烟厂用电量预测方法


[0001]本专利技术涉及烟厂供电预测的
，尤其涉及一种基于ARMA模型的烟厂用电量预测方法。

技术介绍

[0002]烟厂作为电力消耗大户，为了保证烟厂的电力供应稳定，目前较好的方式是通过提前预测用电量，预测用电量是电力系统规划和运行研究的重要内容，也是保证烟草厂电力系统可靠、稳定和经济运行的前提。用电量预测的准确率将会直接影响工厂生产的效率和计划性。现有对于烟厂的用电量预测存在预测不准确，易造成供电不稳定的问题。因此，如何准确的进行烟厂用电量预测，具有重要的意义。

技术实现思路

[0003]本专利技术提供一种基于ARMA模型的烟厂用电量预测方法，解决现有烟厂用电量预测不准确的问题，能提高烟厂供电的稳定性和准确性，能最大限度的保障烟厂的正常生产。
[0004]为实现以下目的，本专利技术提供以下技术方案：
[0005]一种基于ARMA模型的烟厂用电量预测方法，包括：
[0006]获取设定时间内的烟厂用电负荷对应的用电量历史数据，将所述用电量历史数据按设定要求进行预处理，以得到原始序列数据；
[0007]根据所述原始序列数据进行烟厂用电量的趋势图绘制，并对原始序列数据趋势图进行平稳性校验；
[0008]构建ARMA模型，并对ARMA模型进行定阶和优化，得到最佳ARMA模型；
[0009]将原始序列数据输入至最佳ARMA模型进行用电量预测，并得到用电量预测趋势图。
[0010]优选的，还包括：
[0011]对于不平稳的原始序列数据，通过时距扩大计算其移动平均数，以削弱偶然因素的影响，使得原始序列数据平稳。
[0012]优选的，所述对原始序列数据趋势图进行平稳性校验，包括：
[0013]根据时间序列绘制原始序列数据的自相关函数图，并由所述自相关函数图的波形判断所述原始序列数据趋势图是否平稳，并采用ADF检验法进行校验。
[0014]优选的，所述对ARMA模型进行定阶和优化，得到最佳ARMA模型，包括：
[0015]根据原始序列数据绘制出自相关函数图和偏自相关函数图，分别用偏自相关函数的截尾阶数和自相关函数的截尾阶数表示ARMA(p，q)模型中的p和q，其中p和q分别是ARMA模型的自回归阶数和移动平均阶数。
[0016]优选的，所述ARMA模型表示为：
[0017]y
t
＝Φ1y
t
‑1+Φ2y
t
‑2+
…
+Φ
p
y
t
‑
p
+ε
t
‑
θ1ε
t
‑1‑
θ2ε
t
‑2‑…‑
θ
P
ε
t
‑
P
；
[0018]式中：Ф和θ是不为零的待定系数；ε是独立的误差项，yt是平稳、正态、零均值的时
间序列。
[0019]优选的，对所述ARMA模型的优化是采用如下公式进行：
[0020]BIC＝kln(n)
‑
2ln(L)；
[0021]式中：K为参数的数量，n为样本的数量，L为似然函数，kln(n)表示惩罚项。
[0022]优选的，在ARMA模型优化后，利用绘制白噪声序列的qq图和检验残差序列相关性进行诊断ARMA模型的可行性。
[0023]优选的，根据所述原始序列数据进行烟厂用电量的趋势图绘制，包括：
[0024]根据时间索引方式读取出时间作为趋势图的横坐标，读取出原始序列数据中每个月的用电量数据作为趋势图的纵坐标，得到原始序列数据的趋势图。
[0025]优选的，还包括：
[0026]对预测趋势图和原始序列数据趋势图进行拟合度比较，如果偏差值小于设定阈值，则判定预测结果符合要求。
[0027]本专利技术提供一种基于ARMA模型的烟厂用电量预测方法，采集烟草厂用电负荷的用电量，并对其进行预处理，得到原始序列数据；再对原始序列数据进行趋势图绘制并进行平稳性校验，最后将原始序列数据输入至最佳ARMA模型进行用电量预测，解决现有烟厂用电量预测不准确的问题，能提高烟厂供电的稳定性和准确性，能最大限度的保障烟厂的正常生产。
附图说明
[0028]为了更清楚地说明本专利技术的具体实施例，下面将对实施例中所需要使用的附图作简单地介绍。
[0029]图1为本专利技术提供的一种基于ARMA模型的烟厂用电量预测方法的示意图。
[0030]图2是本专利技术实施例提供的原始序列数据的趋势图。
[0031]图3是本专利技术实施例提供的自相关函数图。
[0032]图4是本专利技术实施例提供的偏自相关函数。
[0033]图5是本专利技术实施例提供的白噪声序列的qq图。
[0034]图6本专利技术实施例提供的用ARMA(8,0)模型预测电量与实际值的比对图。
[0035]图7是本专利技术实施例提供的ARMA(8,0)模型预测电量残差率的散点图。
[0036]图8是本专利技术实施例提供的ARMA(8,0)模型预测电量的直方分布图。
[0037]图9是本专利技术实施例提供的ARMA(3,0)模型预测电量与实际值的比对图。
[0038]图10是本专利技术实施例提供的ARMA(3,0)模型预测电量的直方分布图。
具体实施方式
[0039]为了使本
的人员更好地理解本专利技术实施例的方案，下面结合附图和实施方式对本专利技术实施例作进一步的详细说明。
[0040]针对当前烟厂用电量的预测存在不准确的问题，本专利技术提供一种基于ARMA模型的烟厂用电量预测方法，解决现有烟厂用电量预测不准确的问题，能提高烟厂供电的稳定性和准确性，能最大限度的保障烟厂的正常生产。
[0041]如图1所示，一种基于ARMA模型的烟厂用电量预测方法，包括：
[0042]S1：获取设定时间内的烟厂用电负荷对应的用电量历史数据，将所述用电量历史数据按设定要求进行预处理，以得到原始序列数据；
[0043]S2：根据所述原始序列数据进行烟厂用电量的趋势图绘制，并对原始序列数据趋势图进行平稳性校验；
[0044]S3：构建ARMA模型，并对ARMA模型进行定阶和优化，得到最佳ARMA模型；
[0045]S4：将原始序列数据输入至最佳ARMA模型进行用电量预测，并得到用电量预测趋势图。
[0046]在实际应用中，可采用python程序调用和读取数据，并将读取的csv文件的原始序列数据传给变量data，再从data中根据时间索引方式读取出时间作为趋势图的横坐标，根据kWh索引方式读取出原始序列数据中每个月的用电量数据作为趋势图的纵坐标，得到原始序列数据的趋势图，如图2所示。
[0047]由于时间序列的趋势图能够直观地感受出序列地波动，对数据稳定性却不能够准确地表现出来，所以还需要绘制原始序列地自相关函数图，如本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于ARMA模型的烟厂用电量预测方法，其特征在于，包括：获取设定时间内的烟厂用电负荷对应的用电量历史数据，将所述用电量历史数据按设定要求进行预处理，以得到原始序列数据；根据所述原始序列数据进行烟厂用电量的趋势图绘制，并对原始序列数据趋势图进行平稳性校验；构建ARMA模型，并对ARMA模型进行定阶和优化，得到最佳ARMA模型；将原始序列数据输入至最佳ARMA模型进行用电量预测，并得到用电量预测趋势图。2.根据权利要求1所述的基于ARMA模型的烟厂用电量预测方法，其特征在于，还包括：对于不平稳的原始序列数据，通过时距扩大计算其移动平均数，以削弱偶然因素的影响，使得原始序列数据平稳。3.根据权利要求2所述的基于ARMA模型的烟厂用电量预测方法，其特征在于，所述对原始序列数据趋势图进行平稳性校验，包括：根据时间序列绘制原始序列数据的自相关函数图，并由所述自相关函数图的波形判断所述原始序列数据趋势图是否平稳，并采用ADF检验法进行校验。4.根据权利要求3所述的基于ARMA模型的烟厂用电量预测方法，其特征在于，所述对ARMA模型进行定阶和优化，得到最佳ARMA模型，包括：根据原始序列数据绘制出自相关函数图和偏自相关函数图，分别用偏自相关函数的截尾阶数和自相关函数的截尾阶数表示ARMA(p，q)模型中的p和q，其中p和q分别是ARMA模型的自回归阶数和移动平均阶数。5.根据权利要求4所述的基于ARMA模型的烟厂用电量预测方法，其特征在于，所述ARMA模型表示为：y
t
＝Φ1y
t
‑1+Φ2y
t
‑2+
...

【专利技术属性】
技术研发人员：叶志晖，钱杰，丁男哲，柴武君，金文龙，张珣，
申请(专利权)人：浙江中烟工业有限责任公司，
类型：发明
国别省市：