【技术实现步骤摘要】
基于改进季节性ARIMA模型的中长期电力负荷预测方法和系统
[0001]本专利技术属于中长期电力负荷预测
,尤其涉及一种基于改进季节性ARIMA模型的中长期电力负荷预测方法及系统。
技术介绍
[0002]电力负荷属于周期性时间序列,是伴随着人类的生产生活轨迹发生的,具有明显的周期性规律。电力负荷预测是从电力负荷、经济、社会、气象等的历史数据中找到各种数据之间的关联关系或函数关系,掌握负荷变化的基本规律,从而对未来的电力负荷进行科学的预测。以往对于负荷预测方法进行的大量研究,缺少对负荷规律性及其对预测误差影响的研究。随着计算机技术的飞速发展,基于此的各类预测算法层出不穷,例如概率统计方法、回归预测方法、时间序列参数模型方法、灰色预测法、组合预测法、小波分析技术、模糊数学、混沌及分形理论、人工神经元网络方法、专家系统预测法等,这些预测方法各有优劣,但众多方法中对于预测理论所形成的预测工具的普适性不高,对于预测误差的分析评价不足。
技术实现思路
[0003]为了解决上述技术问题,本专利技术提供了一种基于改进季节性ARIMA模型的中长期电力负荷预测方法及系统,在传统电力负荷预测方法的基础上,充分考虑电力负荷的物理含义,对电力负荷进行分解讨论,依托傅里叶级数重构季节性ARIMA模型,在季节周期的提取上更加准确,不仅对电力负荷预测方法进行了拓展和普适,同时关注预测结果的误差性评价。其中季节性为学术称谓,可以理解为周期性。
[0004]为了达到上述目的,本专利技术一种基于改进季节性ARIMA模型的中长
【技术保护点】
【技术特征摘要】
1.一种基于改进季节性ARIMA模型的中长期电力负荷预测方法,其特征在于,包括以下步骤:步骤S1:数据准备,抽取历史电力负荷数据P(t);步骤S2:周期提取,基于S1的数据,根据傅里叶级数展开式进行分解,得到均值a0、周期分量C(t)和非周期分量E(t);步骤S3:趋势拟合,对非周期分量E(t)计算其中心化的移动平均值,用最小二乘法拟合得到趋势分量T(t);步骤S4:对非周期分量E(t)减去趋势分量T(t)得到的残差分量R(t),构建ARIMA自回归差分移动平均模型;步骤S5:结果预测,对各分量进行下一期的外推预测,各外推预测分量叠加得到预测结果P
′
(t);步骤S6:误差评价,ARIMA模型的构建是波动模拟的过程,选择95%置信区间作为参考误差区间。2.如权利要求1所述的基于改进季节性ARIMA模型的中长期电力负荷预测方法,其特征在于,所述步骤S1包括以下步骤:步骤S11:抽取历史n个物理周期,每个物理周期m个基础物理量,共N=n*m个基础物理量组成原始数据序列P(t),此处的物理周期为年周期或周期或周周期,再或者日周期。3.如权利要求2所述的基于改进季节性ARIMA模型的中长期电力负荷预测方法,其特征在于,所述步骤S2包括以下步骤:步骤S21:把原始数据序列P(t)用傅里叶级数展开式进行分解:其中,其中,其中,其中,ω
i
=2πi/NΦ
i
=tan
‑1(
‑
b
i
/a
i
)i=1,2,...,N/2t=1,2,...,N
步骤S22:P(t)分解为N/2个周期函数,周期为N/i,其中周期N/i能被m整除,这些周期函数构成周期分量C(t);步骤S23:用原始数据序列P(t)减去周期分量C(t)和均值a0,得到非周期分量E(t)。4.如权利要求3所述的基于改进季节性ARIMA模型的中长期电力负荷预测方法,其特征在于,所述步骤S3包括以下步骤:步骤S31:对非周期分量E(t)计算其中心化的移动平均值,得到近似趋势移动平均项数为每个物理周期内的基础物理量个数m,当m为奇数时,只需一次移动平均,其移动平均值作为移动平均项数的中间一期的数值:均,其移动平均值作为移动平均项数的中间一期的数值:当m为偶数时,需再进行一次相邻两平均值的移动平均:当m为偶数时,需再进行一次相邻两平均值的移动平均:步骤S32:用最小二乘法计算的线性回归表达式,得到拟合的趋势分量T(t):y=kx+by=kx+b。5.如权利要求4所述的基于改进季节性ARIMA模型的中长期电力负荷预测方法,其特征在于,所述步骤S4包...
【专利技术属性】
技术研发人员:张晓天,孙羽,王汉军,屈可丁,黄冶,胡继匀,姚广智,张健男,吕昌林,赵海吉,杨俊杰,田长翼,安丰强,李牧雨,刘红叶,
申请(专利权)人:中国科学院沈阳计算技术研究所有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。