[发明专利]一种基于季节时序分析的电网售电量预测方法

权利要求书

1.一种基于季节时序分析的电网售电量预测方法，其特征在于，包括如下步骤：

1）根据预测周期之前的售电量历史数据，利用X12季节调整方法的乘法模型对售电量历史数据中的各月售电量历史数据进行分解，得到历史数据中各月对应的趋势循环变量和季节变量；

2）根据历史数据中各月对应的趋势循环变量建立时间序列ARIMA模型，并确定时间序列ARIMA模型中的参数，对确定参数的时间序列ARIMA模型进行静态预测，得到预测周期内各月对应的趋势循环变量；

3）根据历史数据中各月对应的季节变量进行推测运算，得到预测周期内各月对应的季节变量；

4）分别将预测周期内每月对应的趋势循环变量与其同月对应的季节变量相乘的值预测周期内相应月的月售电量预测值，从而得到预测周期内各月对应的月售电量预测值；

5）根据得到的预测周期内各月对应的月售电量预测值，对电力系统在预测周期内各月的电力产量进行规划。

2.根据权利要求1所述基于季节时序分析的电网售电量预测方法，其特征在于，所述步骤1）具体为：

1.1）统计预测周期起始时间点之前m个月的售电量历史数据，将所述售电量历史数据中各月售电量历史数据进行罗列，构成月售电量历史数据序列DL，输入至Eviews软件中；

1.2）利用Eviews软件中的X12季节调整方法的乘法模型，将月售电量历史数据序列DL分解为月售电量历史数据对应的趋势循环变量序列DL_TC、季节变量序列DL_SF和随机变量序列DL_IR的乘积：

DL=DL_TC×DL_SF×DL_IR；

由此，根据得到的月售电量历史数据对应的趋势循环变量序列DL_TC、季节变量序列DL_SF，确定历史数据中各月对应的趋势循环变量和季节变量的值。

3.根据权利要求2所述基于季节时序分析的电网售电量预测方法，其特征在于，所述步骤1.1）中，m为大于或等于48的自然数。

4.根据权利要求1所述基于季节时序分析的电网售电量预测方法，其特征在于，所述步骤2）具体为：

2.1）根据历史数据中各月对应的趋势循环变量所构成的月售电量历史数据对应的趋势循环变量序列DL_TC，利用Eviews软件检验其是否满足预设定的平稳序列条件；若不满足，则对所述趋势循环变量序列DL_TC进行差分变换处理，得到相应的满足平稳序列条件的趋势循环变量平稳序列DL_TC(s)，并根据差分变换处理中的差分阶数确定时间序列ARIMA模型中差分阶数参数d的值；若所述趋势循环变量序列DL_TC满足平稳序列条件，则将所述趋势循环变量序列DL_TC直接视为其相应的趋势循环变量平稳序列DL_TC(s)，并取时间序列ARIMA模型中差分阶数参数d的值为d=0；

2.2）对月售电量历史数据对应的趋势循环变量平稳序列DL_TC(s)进行自相关分析和偏自相关分析确定时间序列ARIMA模型中自回归阶数参数p和滑动平均阶数参数q的可能取值；

2.3）在得到的自回归阶数参数p和滑动平均阶数参数q的可能取值中，选择自回归阶数参数p和滑动平均阶数参数q的取值组合，确定当前的时间序列ARIMA模型ARIMA（p,d,q）；

2.4）对当前的时间序列ARIMA模型ARIMA（p,d,q）中当前取值的差分阶数参数d、自回归阶数参数p和滑动平均阶数参数q进行显著性检验；若不满足预设定的显著性条件，则返回步骤2.3），重新选择自回归阶数参数p和滑动平均阶数参数q的取值组合；若满足预设定的显著性条件，则继续执行步骤2.5）；

2.5）检验差分阶数参数d、自回归阶数参数p和滑动平均阶数参数q当前取值下的时间序列ARIMA模型ARIMA（p,d,q）的残差序列ε是否为一个白噪声序列；若不是，则返回步骤2.3），重新选择自回归阶数参数p和滑动平均阶数参数q的取值组合；若是，则执行步骤2.6）；

2.6）按照差分阶数参数d、自回归阶数参数p和滑动平均阶数参数q的当前取值确定时间序列ARIMA模型ARIMA（p,d,q）；

2.7）根据月售电量历史数据对应的趋势循环变量序列DL_TC，利用Eviews软件对确定的时间序列ARIMA模型ARIMA（p,d,q）进行静态预测，得到包含预测周期时间范围在内的月售电量数据所对应的趋势循环变量预测序列DL_TCF，然后从中提取出预测周期内各月对应的趋势循环变量值。

5.根据权利要求1所述基于季节时序分析的电网售电量预测方法，其特征在于，所述步骤3）具体为：

3.1）根据历史数据中各月对应的季节变量的值，分别计算不同年份中相同月份的季节变量的同期平均值；

3.2）统计计算历史数据中各月对应的季节变量的总平均值；

3.3）分别将每一月份的同期平均值与所述季节变量的总平均值相除所得到的值，作为预测周期内相应月份对应的季节变量值，从而得到预测周期内各月对应的季节变量。