[发明专利]基于预测模型的车辆基地短期复合预测方法

说明书

本发明的基于预测模型的车辆基地短期复合预测方法，包括如下步骤：步骤1，构建预测模型，步骤2，利用预测模型对车辆基地的热负荷和电负荷进行预测；步骤3，进行仿真实验，验证该预测模型的准确性。本发明基于季节性自回归滑动平均（SARIMA）模型对车辆基地负荷进行预测。

技术领域

本发明属于车辆基地短期负荷预测领域，尤其涉及基于预测模型的车辆基地短期复合预测方法。

背景技术

一定区域内，在不同的时刻，由于各方面因素的影响，其冷热电负荷一般不相同。但与此同时，由于区域系统的强大惯性，它们又不是彼此无关的，现在时刻的负荷总是与过去的负荷有关。用户对负荷的要求，在一个短时问内，常常表现为在过去负荷基础上的一种随机起伏。可以说，下一个预测时刻的负荷基本上决定于过去负荷的情况，同时，它的随机性变化也应当加以考虑。基于这样的分析，采用时间序列分析的方法来预测负荷，会是一种有效方法。考虑到区域负荷具有一定的日周期性，因此本发明基于季节性自回归滑动平均(SARIMA)模型对车辆基地负荷进行预测。

发明内容

本发明所要解决的技术问题是针对背景技术的不足提供了基于预测模型的车辆基地短期复合预测方法，对车辆基地负荷进行预测。

本发明为解决上述技术问题采用以下技术方案：

基于预测模型的车辆基地短期复合预测方法，包括如下步骤：步骤1，构建预测模型，步骤2，利用预测模型对车辆基地的热负荷和电负荷进行预测；步骤 3，进行仿真实验，验证该预测模型的准确性。

进一步的，所述预测模型为季节性自回归滑动平均模型SARIMA，其构建及预测方法步骤包括：

步骤1，进行ADF检验和自相关检验结果判断该序列是否是平稳序列；

步骤2，若序列不平稳则进行去趋势及差分处理使之成为平稳序列，反之序列平稳则不进行差分处理；

步骤3，模型的定阶，通过自相关与偏自相关图进行对模型参数初步估计，并根据模型评价指标对模型进行精确定阶；对定阶后模型进行显著性检验，验证残差是否为白噪声序列，若是则利用步骤4--步骤6中构建的模型进行预测，若不是则对模型重新进行精确定阶后生成的新的定阶后模型，直至显著性检验通过；

步骤4，构建自回归移动平均模型ARMA，自回归移动平均模型为自回归模型AR和移动平均模型MA的混合模型；自回归移动平均模型表示为ARMA(p，q)，表达式：

x_t＝φ₁x_t-1+φ₂x_t-2+...+φ_px_t-p+u_t+φ₁u_t-1+φ₂u_t-2+...+φ_qu_t-q，

其中，p是自回归阶数；q是移动平均阶数；x_t，x_t-1，x_t-2，...，x_t-p为不同时间点的值；φ₁，φ₂，...，φ_p为自回归系数；φ₁，φ₂，...，φ_q表示移动回归系数；u_t表示白噪声，是时间序列中数值的随机波动；

步骤5，ARMA模型只能对平稳时间序列，无法产生乐观的平稳数据，其数据均值和方差会随着时间不断波动；因此，必须对得到的非平稳数据进行差分处理，即用时间序列数据减去自身的滞后值来产生差分时间序列，一阶算子定义为：

x_t-x_t-1＝(1-B)x_t，