基于时间序列法和回归分析法的改进月售电量预测方法研究

发布时间：2017-08-05 08:25

  本文关键词：基于时间序列法和回归分析法的改进月售电量预测方法研究

  更多相关文章： 月售电量预测 差分自回归移动平均模型 X12乘法模型 温度 随机变动 春节分布

【摘要】：准确的月售电量预测对电力公司的业绩考核、控制利润平衡以及电力营销工作等都有着极其重要的作用。目前,国内外常用的月售电量预测方法为时间序列法和回归分析法,这两种方法发展相对成熟、应用简单且在许多情况下都取得了较好的预测效果。然而,现有相关研究仍然存在一些影响预测精度的缺陷。本文针对现有研究存在的各项问题分别展开了改进研究,主要研究成果如下:(1)提出了结合ARIMA模型与X12乘法模型的月售电量预测改进方法。时间序列ARIMA模型或季节ARIMA模型直接对月售电量进行预测时,月售电量内含的趋势分量、季节周期分量以及随机分量会相互干扰,从而影响预测精度。针对该问题,本文提出了结合ARIMA模型与X12乘法模型的月售电量预测改进方法。首先,用X12乘法模型将历史月售电量分解为趋势分量、季节周期分量和随机分量;其中趋势分量用ARIMA模型预测,季节周期分量和随机分量分别用加权法和平均法预测;最后,用X12乘法模型将上述三个分量的预测值还原为最终预测值。用重庆市铜梁区实际数据仿真分析,验证了所提改进方法的有效性。(2)分析了月售电量的主要影响因素。以重庆市铜梁区为例,针对该地区的实际数据进行了月售电量主要影响因素分析,重点分析了经济、温度、节假日天数、月份以及业扩容量与月售电量之间的关系。(3)提出了考虑舒适温度区间、突变量以及春节分布的三种改进措施。现有月售电量预测回归模型存在三点问题:考虑温度影响时忽略了在一定舒适温度区间内不存在采暖措施与制冷措施的事实;由于随机变动不易量化而忽略了它对月售电量的影响;未考虑春节分布对月售电量的影响。上述三点问题都将在一定程度上影响预测精度。针对上述三点问题,本文对应提出三种改进措施:分别选择低温阈值温度与高温阈值温度,仅当实际温度高于高温阈值温度或低于低温阈值温度时才产生采暖措施或制冷措施;提出用“随机变动级别”将随机变动量化的方法,并将其量化值作为月售电量影响因素纳入回归模型;提出考虑春节分布影响的改进方法——将历史月售电量序列转换为春节全部分布在2月的新序列并利用新序列参与建模与预测,最后将预测值按预测当期的实际春节分布逆转换为最终预测值。用重庆市铜梁区实际数据仿真分析,验证了上述三种改进措施的有效性。(4)探索了考虑业扩容量的月售电量预测方法。以重庆市铜梁区为例,针对该地区的实际数据初步探索了考虑业扩容量的月售电量预测方法。
【关键词】：月售电量预测 差分自回归移动平均模型 X12乘法模型 温度 随机变动 春节分布
【学位授予单位】：重庆大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F426.61;F224
【目录】：

• 中文摘要3-4
• 英文摘要4-9
• 1 绪论9-15
• 1.1 研究背景及意义9-10
• 1.2 国内外研究现状10-13
• 1.3 本文的主要工作13-15
• 2 时间序列法及回归分析法理论介绍15-23
• 2.1 引言15
• 2.2 时间序列法15-18
• 2.2.1 时间序列的基本概念15
• 2.2.2 时间序列的分类15-17
• 2.2.3 时间序列ARIMA模型17-18
• 2.3 回归分析法18-21
• 2.3.1 回归分析概述18
• 2.3.2 一元线性回归模型18-20
• 2.3.3 多元线性回归模型20
• 2.3.4 含虚拟变量的回归模型20-21
• 2.4 小结21-23
• 3 结合ARIMA模型和X12乘法模型的月售电量预测方法23-35
• 3.1 引言23-24
• 3.2 基于X12季节调整乘法模型的月售电量分解24
• 3.3 月售电量各分量的预测24-27
• 3.3.1 基于ARIMA模型的月售电量趋势分量预测24-25
• 3.3.2 月售电量季节周期分量预测25-26
• 3.3.3 月售电量随机分量预测26
• 3.3.4 结合X12和ARIMA的月售电量预测算法步骤26-27
• 3.4 结合Eviews软件实现月售电量预测方法27-30
• 3.4.1 月售电量分解27
• 3.4.2 月售电量趋势分量预测27-30
• 3.4.3 月售电量季节周期分量和随机分量的预测30
• 3.4.4 月售电量预测值还原30
• 3.5 结合ARIMA模型和X12乘法模型的月售电量预测方法的仿真分析30-33
• 3.5.1 数据描述30-32
• 3.5.2 月售电量预测及结果分析32-33
• 3.6 小结33-35
• 4 月售电量主要影响因素分析35-47
• 4.1 引言35
• 4.2 月售电量影响因素分析的相关理论介绍35-36
• 4.2.1 数据标准化35
• 4.2.2 移动平均法35-36
• 4.2.3 相关系数法36
• 4.3 月售电量主要影响因素分析36-46
• 4.3.1 售电量与经济发展关系分析36-38
• 4.3.2 售电量与温度关系分析38-40
• 4.3.3 售电量与节假日天数关系分析40-42
• 4.3.4 售电量与月份关系分析42
• 4.3.5 售电量与业扩容量关系分析42-46
• 4.4 小结46-47
• 5 考虑舒适温度区间?突变量及春节分布的月售电量预测模型47-59
• 5.1 引言47
• 5.2 常规月售电量预测线性回归模型47-49
• 5.3 考虑舒适温度区间和突变量的月售电量预测线性回归模型49-50
• 5.3.1 考虑舒适温度区间的取暖系数和制冷系数49
• 5.3.2 随机变动级别49-50
• 5.3.3 考虑舒适温度区间和突变量的月售电量预测模型50
• 5.4 考虑舒适温度区间和突变量的月售电量预测步骤50-52
• 5.5 考虑舒适温度区间和突变量的月售电量预测模型的仿真分析52-54
• 5.5.1 数据描述52
• 5.5.2 月售电量预测及结果分析52-54
• 5.6 考虑春节分布的月售电量预测线性回归模型54-56
• 5.6.1 问题简介54
• 5.6.2 考虑春节分布的月售电量预测模型54-56
• 5.7 考虑春节分布的月售电量预测步骤56
• 5.8 考虑春节分布的月售电量预测模型的仿真分析56-58
• 5.8.1 数据描述56
• 5.8.2 月售电量预测及结果分析56-58
• 5.9 小结58-59
• 6 考虑业扩容量的月售电量预测方法探索59-67
• 6.1 引言59
• 6.2 相关理论介绍59-61
• 6.2.1 S型生长曲线59
• 6.2.2 主成分分析方法59-61
• 6.3 考虑业扩容量的月售电量预测方法61-65
• 6.3.1 考虑业扩容量的月售电量预测思路61-62
• 6.3.2 考虑业扩容量的月售电量预测方法初探62-65
• 6.4 小结65-67
• 7 总结与展望67-69
• 7.1 总结67-68
• 7.2 展望68-69
• 致谢69-71
• 参考文献71-75
• 附录75
• A.作者在攻读硕士学位期间发表的论文75
• B.作者在攻读硕士学位期间发表的专利75
• C.作者在攻读硕士学位期间参与的科研项目75

【参考文献】

中国期刊全文数据库 前10条

1 鲁宝春;赵深;田盈;杨杨;李宝国;陈晓英;孙丽颖;;优化系数的NGM(1,1,k)模型在中长期电量预测中的应用[J];电力系统保护与控制;2015年12期

2 张婷;;CPI的SARIMA模型与X-12季节调整模型对比预测分析[J];经济问题;2014年12期

3 王珂;王天秀;;基于二次聚类的电力负荷异常数据辨识[J];电气技术;2014年11期

4 孙伟;常虹;赵巧芝;;基于量子和声优化的改进DMSFE组合模型及在中长期电量预测中的应用[J];电力系统保护与控制;2014年21期

5 吴雪花;;应用于月度用电量预测的小波分析法[J];江苏电机工程;2014年02期

6 王奕萱;;基于统计特征量和支持向量机的短期售电量预测研究[J];华北电力技术;2013年12期

7 葛斐;李周;杨欣;荣秀婷;李凯;石雪梅;;基于业扩报装的全社会电量预测方法研究[J];安徽电气工程职业技术学院学报;2013年04期

8 郑雅楠;单葆国;顾宇桂;刘伟;李庚银;;改进的电量灰色预测方法实证对比研究[J];中国电力;2013年06期

9 曾鸣;李定林;孙晓菲;薛松;;贵州省2015～2020年用电量预测及其比较[J];水电能源科学;2013年04期

10 邵臻;王晓佳;高飞;刘辉舟;杨露;;基于惩罚最小二乘估计的长期用电量半参数预测模型[J];统计与决策;2012年24期

中国硕士学位论文全文数据库 前2条

1 夏丽;基于ARIMA模型及回归分析的区域用电量预测方法研究[D];南京理工大学;2013年

2 赵美丽;电力营销决策支持系统中的电量预测分析与研究[D];河北工业大学;2007年

，

本文编号：623938