基于GM-ARIMA模型的发电量预测研究

发布时间：2017-08-22 06:07

  本文关键词：基于GM-ARIMA模型的发电量预测研究

  更多相关文章： ARIMA模型 非等间隔GM(1 1)模型 GM-ARIMA模型 发电量预测

【摘要】：发电量预测是电力系统规划与运行的基础,是电力市场运作中的重要组成部分。目前,对发电量预测的研究已经比较深入,常用的发电量预测方法有：灰色预测法、线性回归模型、自回归移动平均模型及人工神经网络算法等。其中回归预测模型和时间序列模型是该领域最成熟的两个模型。回归预测模型通过建立发电量与其他相关变量之间的模型来预测发电量,但是由于影响发电量的外部因素错综复杂,准确分析其对发电量的影响比较困难。另一种有效的方法是利用时间序列模型对发电量本身的历史数据进行分析研究,进而预测未来的发电量。本文采用时间序列模型对发电量预测进行研究。 在电力市场化过程中,发电量预测的精度直接关系到各方的利益。因此,如何提高模型的预测精度吸引了越来越多人的关注。本文在现有模型的基础上探究更为精确、有效的方法。首先分别介绍了单整自回归移动平均模型(ARIMA模型)和灰色预测模型(GM(1,1)模型),接着提出了基于灰色预测理论修正的ARIMA模型,以提高模型的预测精度。最后根据2008年—2013年我国甘肃省5年的发电量数据建立合适的ARIMA模型,并将基于非等间隔GM(1,1)模型的残差修正法用于ARIMA模型的优化和改进,得到(GM-ARIMA模型的预测结果。最终,对比ARIMA模型、GM(1,1)模型以及GM-ARIMA模型的预测结果,发现GM-ARIMA模型达到了提高模型预测精度的目的。
【关键词】：ARIMA模型 非等间隔GM(1 1)模型 GM-ARIMA模型 发电量预测
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：C815
【目录】：

• 摘要3-4
• Abstract4-8
• 第一章 绪论8-13
• 1.1 论文选题背景及研究意义8-9
• 1.1.1 论文选题背景8-9
• 1.1.2 论文研究意义9
• 1.2 国内外研究现状9-12
• 1.2.1 传统预测方法9-10
• 1.2.2 新兴预测方法10
• 1.2.3 组合预测方法10-11
• 1.2.4 残差修正法11-12
• 1.3 本文的研究内容及结构安排12-13
• 第二章 ARIMA模型13-21
• 2.1 ARIMA模型概述13-14
• 2.1.1 时间序列分析法简述13
• 2.1.2 ARIMA模型的提出13
• 2.1.3 ARIMA模型的构成13-14
• 2.2 ARIMA模型14
• 2.3 平稳性条件14-15
• 2.3.1 AR(p)模型的平稳性条件14-15
• 2.3.2 MA(q)模型的平稳性条件15
• 2.3.3 ARIMA(p,d,q)模型的平稳性条件15
• 2.4 ADF单位根检验15-18
• 2.4.1 DF检验15-16
• 2.4.2 DF检验的等价表达16-17
• 2.4.3 DF检验的三种类型17
• 2.4.4 ADF检验17-18
• 2.5 建模流程18-21
• 2.5.1 数据的平稳化处理18
• 2.5.2 自相关函数和偏自相关函数18
• 2.5.3 ARIMA模型识别规则18-19
• 2.5.4 参数估计19
• 2.5.5 模型定阶19
• 2.5.6 模型检验19-20
• 2.5.7 模型预测20-21
• 第三章 灰色预测模型21-27
• 3.1 灰色系统基本理论21
• 3.2 传统灰色预测模型21-23
• 3.2.1 GM(1,1)建模原理21-22
• 3.2.2 GM(1,1)模型检验22-23
• 3.3 基于灰色预测理论修正ARIMA模型23-27
• 3.3.1 改进原理23-24
• 3.3.2 GM-ARIMA模型流程图24-25
• 3.3.3 建立GM-ARIMA模型25-27
• 第四章 GM-ARIMA模型的应用-以甘肃省发电量预测为例27-37
• 4.1 数据来源27-28
• 4.1.1 数据来源27-28
• 4.1.2 作图28
• 4.2 基于ARIMA模型甘肃省发电量预测28-33
• 4.2.1 甘肃省发电量数据的平稳化处理28-30
• 4.2.2 ARIMA模型的识别与建立30-32
• 4.2.3 ARIMA模型预测32-33
• 4.3 基于GM-ARIMA模型甘肃省发电量预测33-34
• 4.3.1 基于灰色预测理论改进ARIMA模型33
• 4.3.2 甘肃省发电量数据分析33-34
• 4.4 结果分析34-37
• 4.4.1 常用模型精度评价指标34-35
• 4.4.2 结果分析35-36
• 4.4.3 积极政策指导36-37
• 第五章 结论与展望37-38
• 参考文献38-39
• 在学期间的研究成果39-40
• 致谢40

【参考文献】

中国期刊全文数据库 前10条

1 光辉;李国芬;;基于神经网络的GM(1,1)预测模型残差修正研究[J];城市勘测;2008年01期

2 卢建昌,张世英,牛东晓;基于ARIMA的发电量预测方法[J];华北电力大学学报;2004年03期

3 张颖,高中文;基于时间序列和神经网络的电力系统负荷预测[J];哈尔滨理工大学学报;2003年01期

4 熊志刚,吴强;灰色Verhulst模型的样条插值函数的残差修正[J];数学理论与应用;2005年01期

5 唐小我;最优组合预测方法及其应用[J];数理统计与管理;1992年01期

6 范海军,陈月明;用组合模型预测油田产油量[J];石油大学学报(自然科学版);1998年03期

7 王艳明,许启发;时间序列分析在经济预测中的应用[J];统计与预测;2001年05期

8 薛可,李增智,刘浏,宋承谦;基于ARIMA模型的网络流量预测[J];微电子学与计算机;2004年07期

9 马光思;白燕;;基于灰色理论和神经网络建立预测模型的研究与应用[J];微电子学与计算机;2008年01期

10 谭满春;冯荦斌;徐建闽;;基于ARIMA与人工神经网络组合模型的交通流预测[J];中国公路学报;2007年04期

，

本文编号：717464