基于STL模型的月售电量综合预测方法
发布时间：2021-01-21 18:03
电力零售市场下的月售电量预测面向小规模用户的电力需求,相对于传统意义的负荷预测更易受季节和节假日因素的扰动。传统预测方法直接对电量序列建模预测并未考虑序列分量随时间变化规律,因此预测精度不高。本文提出一种基于STL模型的综合月售电量预测方法,首先利用STL模型特点设置季节分量变化率,针对季节拐点月份和非季节拐点月份的售电特性将其电量时间序列进行个性化分解,将影响月售电量的因素分解成季节分量、趋势分量和随机分量,然后考虑了3个分量随时间的变化特征,分别选取适当的模型进行预测,最后将各分量的预测值重构为月售电量的预测值。基于R语言编制了预测程序,并对某大学园区用电量数据进行案例分析,结果表明所提方法合理有效。
【文章来源】：控制工程. 2020,27(11)北大核心
【文章页数】：7 页
【部分图文】：
基于STL模型的月售电量综合预测方法策略图Fig.1StrategydiagramofcomprehensivemonthlyelectricitysalesforecastmethodbasedonSTLmodel2.1月售电量STL模型
第11期刘莉等：基于STL模型的月售电量综合预测方法·1933·图2月售电量综合预测模型流程图Fig.2Comprehensivemonthlyelectricitysalesforecast3算例分析使用R语言编制了基于STL模型的月售电量综合预测程序。数据来自某大学园区8年的月度用电量实测值，采用固定样本容量建模并对月售电量进行预测，将前7年月度用电数据作为样本建模，将第8年月度用电量数据作为真值评估模型。3.1基于STL模型的月售电量分解STL模型可以控制季节成分变化率进而改变序列的季节分量，针对性的剥离拐点月份和普通月份售电量中的季节性分量——由于1、2月受春节效应和寒假的影响，7、8月受暑假的影响，3、11月受季节交替的影响，每年同月的季节分量波动较大；而其他月份售电量的季节分量同期波动较校因此，本文将1~3、7~8和11月的季节分量非周期性分解，将4~6、9~10和12月的季节分量周期性分解。本文通过R语言中的stl函数实现月售电量分解，由于stl函数只能处理加法模型，将乘法模型通过对数变换转换成对数加法模型，即：()()trendseasonalrandomloglogdY=Y=Y×Y×Y=()()()trendseasonalrandomlogY+logY+logY=(7)tsrY+Y+Y以3月和4月为例，使用stl函数画出时序对象dY的变化曲线，并将其分解为对应的tY、sY和rY，各分量变化趋势，如图3所示。图33月(左)和4月(右)原始售电量序列及其各分量变化趋势Fig.3March(left)andApril(right)trendsoforiginalelectricitysalessequencewithitscomponents由图3
·1934·控制工程第27卷售电量影响，通过季节性差分自回归滑动平均模型，即SRIMA模型消除季节性对序列的影响，预测售电量。③方法三：根据用电量的时序特性，用X12模型将月售电量序列用表征其趋势因素、季节因素和随机因素的3个分量之积表示，考虑不同因素的影响方式分别建模预测3个分量。④本文方法：根据不同月份售电量的时序特性，设置季节分量的变化率，采用STL模型实现时间序列的个性化分解，考虑不同因素的影响方式，分别预测3个分量。2017年某大学园区的实际月售电量数据与预测结果如表2和图4所示。表22017年月售电量预测结果Tab.2Predictionresultsofmonthlyelectricityconsumption月份实际值(kW·h)预测值(kW·h)方法一方法二方法三本文方法1144239010156371373173136759914033152845119949851100530481982482137036857677691056494866028506232194122950589616713055901180485128810751060960101436110846921118136108694361066720100088511214921151494110739971020280101593310759621071765105825787634008692508684047819797532619653626737681706551656776669220108302808230478930328708258592611110594009049421306999118389611749771211102001000357127230611628741137952图42017年月售电量预测结果图Fig.4Predictiongraphicalresultsofmonthlyelectricitysalesin2017选用MAE、RMSE、相对误差和MAPE值评估模型的性能。上述4种预测方法结果的误差评估见表3，最小误差值在表3中用粗体标记。表32017年月售电量预测结果误差评估Tab.3Assessmentofmonthlyelectri
【参考文献】：
期刊论文
[1]基于经验模态分解的配电网故障选线方法研究[J]. 刘洋,王鹏,孙旺,连丹丹,王玲玲. 供用电. 2018(08)
[2]成分分解方法预测月度电力负荷[J]. 龙勇,苏振宇,盖晓平. 电力系统及其自动化学报. 2017(05)
[3]基于X-12-ARIMA季节分解与年度电量校正的月度电量预测[J]. 张强,王毅,李鼎睿,朱文俊. 电力建设. 2017(01)
[4]基于时序分解的飞机平均故障间隔飞行时间组合预测[J]. 韩西龙,李青,刘锋. 计算机应用. 2016(S2)
[5]结合X12乘法模型和ARIMA模型的月售电量预测方法[J]. 颜伟,程超,薛斌,李丹,陈飞,王顺昌. 电力系统及其自动化学报. 2016(05)
[6]考虑经济因素时滞效应的月度负荷预测方法[J]. 郭鸿业,陈启鑫,夏清,范海虹. 电网技术. 2016(02)
[7]考虑积温效应的短期负荷组合预测方法[J]. 蒋建东,程志豪,朱明嘉. 电力自动化设备. 2011(10)
硕士论文
[1]基于时间序列分解法和回归分析法的月用电量综合预测方法[D]. 王彦博.沈阳工程学院 2019
[2]基于ARIMA模型及回归分析的区域用电量预测方法研究[D]. 夏丽.南京理工大学 2013
本文编号：2991645
【文章来源】：控制工程. 2020,27(11)北大核心
【文章页数】：7 页
【部分图文】：
基于STL模型的月售电量综合预测方法策略图Fig.1StrategydiagramofcomprehensivemonthlyelectricitysalesforecastmethodbasedonSTLmodel2.1月售电量STL模型
第11期刘莉等：基于STL模型的月售电量综合预测方法·1933·图2月售电量综合预测模型流程图Fig.2Comprehensivemonthlyelectricitysalesforecast3算例分析使用R语言编制了基于STL模型的月售电量综合预测程序。数据来自某大学园区8年的月度用电量实测值，采用固定样本容量建模并对月售电量进行预测，将前7年月度用电数据作为样本建模，将第8年月度用电量数据作为真值评估模型。3.1基于STL模型的月售电量分解STL模型可以控制季节成分变化率进而改变序列的季节分量，针对性的剥离拐点月份和普通月份售电量中的季节性分量——由于1、2月受春节效应和寒假的影响，7、8月受暑假的影响，3、11月受季节交替的影响，每年同月的季节分量波动较大；而其他月份售电量的季节分量同期波动较校因此，本文将1~3、7~8和11月的季节分量非周期性分解，将4~6、9~10和12月的季节分量周期性分解。本文通过R语言中的stl函数实现月售电量分解，由于stl函数只能处理加法模型，将乘法模型通过对数变换转换成对数加法模型，即：()()trendseasonalrandomloglogdY=Y=Y×Y×Y=()()()trendseasonalrandomlogY+logY+logY=(7)tsrY+Y+Y以3月和4月为例，使用stl函数画出时序对象dY的变化曲线，并将其分解为对应的tY、sY和rY，各分量变化趋势，如图3所示。图33月(左)和4月(右)原始售电量序列及其各分量变化趋势Fig.3March(left)andApril(right)trendsoforiginalelectricitysalessequencewithitscomponents由图3
·1934·控制工程第27卷售电量影响，通过季节性差分自回归滑动平均模型，即SRIMA模型消除季节性对序列的影响，预测售电量。③方法三：根据用电量的时序特性，用X12模型将月售电量序列用表征其趋势因素、季节因素和随机因素的3个分量之积表示，考虑不同因素的影响方式分别建模预测3个分量。④本文方法：根据不同月份售电量的时序特性，设置季节分量的变化率，采用STL模型实现时间序列的个性化分解，考虑不同因素的影响方式，分别预测3个分量。2017年某大学园区的实际月售电量数据与预测结果如表2和图4所示。表22017年月售电量预测结果Tab.2Predictionresultsofmonthlyelectricityconsumption月份实际值(kW·h)预测值(kW·h)方法一方法二方法三本文方法1144239010156371373173136759914033152845119949851100530481982482137036857677691056494866028506232194122950589616713055901180485128810751060960101436110846921118136108694361066720100088511214921151494110739971020280101593310759621071765105825787634008692508684047819797532619653626737681706551656776669220108302808230478930328708258592611110594009049421306999118389611749771211102001000357127230611628741137952图42017年月售电量预测结果图Fig.4Predictiongraphicalresultsofmonthlyelectricitysalesin2017选用MAE、RMSE、相对误差和MAPE值评估模型的性能。上述4种预测方法结果的误差评估见表3，最小误差值在表3中用粗体标记。表32017年月售电量预测结果误差评估Tab.3Assessmentofmonthlyelectri
【参考文献】：
期刊论文
[1]基于经验模态分解的配电网故障选线方法研究[J]. 刘洋,王鹏,孙旺,连丹丹,王玲玲. 供用电. 2018(08)
[2]成分分解方法预测月度电力负荷[J]. 龙勇,苏振宇,盖晓平. 电力系统及其自动化学报. 2017(05)
[3]基于X-12-ARIMA季节分解与年度电量校正的月度电量预测[J]. 张强,王毅,李鼎睿,朱文俊. 电力建设. 2017(01)
[4]基于时序分解的飞机平均故障间隔飞行时间组合预测[J]. 韩西龙,李青,刘锋. 计算机应用. 2016(S2)
[5]结合X12乘法模型和ARIMA模型的月售电量预测方法[J]. 颜伟,程超,薛斌,李丹,陈飞,王顺昌. 电力系统及其自动化学报. 2016(05)
[6]考虑经济因素时滞效应的月度负荷预测方法[J]. 郭鸿业,陈启鑫,夏清,范海虹. 电网技术. 2016(02)
[7]考虑积温效应的短期负荷组合预测方法[J]. 蒋建东,程志豪,朱明嘉. 电力自动化设备. 2011(10)
硕士论文
[1]基于时间序列分解法和回归分析法的月用电量综合预测方法[D]. 王彦博.沈阳工程学院 2019
[2]基于ARIMA模型及回归分析的区域用电量预测方法研究[D]. 夏丽.南京理工大学 2013
本文编号：2991645
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/2991645.html
教材专著
