電力零售市場下的月售電量預(yù)測面向小規(guī)模用戶的電力需求,相對于傳統(tǒng)意義的負荷預(yù)測更易受季節(jié)和節(jié)假日因素的擾動。傳統(tǒng)預(yù)測方法直接對電量序列建模預(yù)測并未考慮序列分量隨時間變化規(guī)律,因此預(yù)測精度不高。本文提出一種基于STL模型的綜合月售電量預(yù)測方法,首先利用STL模型特點設(shè)置季節(jié)分量變化率,針對季節(jié)拐點月份和非季節(jié)拐點月份的售電特性將其電量時間序列進行個性化分解,將影響月售電量的因素分解成季節(jié)分量、趨勢分量和隨機分量,然后考慮了3個分量隨時間的變化特征,分別選取適當(dāng)?shù)哪Ｐ瓦M行預(yù)測,最后將各分量的預(yù)測值重構(gòu)為月售電量的預(yù)測值�；赗語言編制了預(yù)測程序,并對某大學(xué)園區(qū)用電量數(shù)據(jù)進行案例分析,結(jié)果表明所提方法合理有效。 

【文章來源】：控制工程. 2020,27(11)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

基于STL模型的月售電量綜合預(yù)測方法策略圖Fig.1StrategydiagramofcomprehensivemonthlyelectricitysalesforecastmethodbasedonSTLmodel2.1月售電量STL模型

第11期劉莉等：基于STL模型的月售電量綜合預(yù)測方法·1933·圖2月售電量綜合預(yù)測模型流程圖Fig.2Comprehensivemonthlyelectricitysalesforecast3算例分析使用R語言編制了基于STL模型的月售電量綜合預(yù)測程序。數(shù)據(jù)來自某大學(xué)園區(qū)8年的月度用電量實測值，采用固定樣本容量建模并對月售電量進行預(yù)測，將前7年月度用電數(shù)據(jù)作為樣本建模，將第8年月度用電量數(shù)據(jù)作為真值評估模型。3.1基于STL模型的月售電量分解STL模型可以控制季節(jié)成分變化率進而改變序列的季節(jié)分量，針對性的剝離拐點月份和普通月份售電量中的季節(jié)性分量——由于1、2月受春節(jié)效應(yīng)和寒假的影響，7、8月受暑假的影響，3、11月受季節(jié)交替的影響，每年同月的季節(jié)分量波動較大；而其他月份售電量的季節(jié)分量同期波動較校因此，本文將1~3、7~8和11月的季節(jié)分量非周期性分解，將4~6、9~10和12月的季節(jié)分量周期性分解。本文通過R語言中的stl函數(shù)實現(xiàn)月售電量分解，由于stl函數(shù)只能處理加法模型，將乘法模型通過對數(shù)變換轉(zhuǎn)換成對數(shù)加法模型，即：()()trendseasonalrandomloglogdY=Y=Y×Y×Y=()()()trendseasonalrandomlogY+logY+logY=(7)tsrY+Y+Y以3月和4月為例，使用stl函數(shù)畫出時序?qū)ο骴Y的變化曲線，并將其分解為對應(yīng)的tY、sY和rY，各分量變化趨勢，如圖3所示。圖33月(左)和4月(右)原始售電量序列及其各分量變化趨勢Fig.3March(left)andApril(right)trendsoforiginalelectricitysalessequencewithitscomponents由圖3

·1934·控制工程第27卷售電量影響，通過季節(jié)性差分自回歸滑動平均模型，即SRIMA模型消除季節(jié)性對序列的影響，預(yù)測售電量。③方法三：根據(jù)用電量的時序特性，用X12模型將月售電量序列用表征其趨勢因素、季節(jié)因素和隨機因素的3個分量之積表示，考慮不同因素的影響方式分別建模預(yù)測3個分量。④本文方法：根據(jù)不同月份售電量的時序特性，設(shè)置季節(jié)分量的變化率，采用STL模型實現(xiàn)時間序列的個性化分解，考慮不同因素的影響方式，分別預(yù)測3個分量。2017年某大學(xué)園區(qū)的實際月售電量數(shù)據(jù)與預(yù)測結(jié)果如表2和圖4所示。表22017年月售電量預(yù)測結(jié)果Tab.2Predictionresultsofmonthlyelectricityconsumption月份實際值(kW·h)預(yù)測值(kW·h)方法一方法二方法三本文方法1144239010156371373173136759914033152845119949851100530481982482137036857677691056494866028506232194122950589616713055901180485128810751060960101436110846921118136108694361066720100088511214921151494110739971020280101593310759621071765105825787634008692508684047819797532619653626737681706551656776669220108302808230478930328708258592611110594009049421306999118389611749771211102001000357127230611628741137952圖42017年月售電量預(yù)測結(jié)果圖Fig.4Predictiongraphicalresultsofmonthlyelectricitysalesin2017選用MAE、RMSE、相對誤差和MAPE值評估模型的性能。上述4種預(yù)測方法結(jié)果的誤差評估見表3，最小誤差值在表3中用粗體標(biāo)記。表32017年月售電量預(yù)測結(jié)果誤差評估Tab.3Assessmentofmonthlyelectri

【參考文獻】：
期刊論文
[1]基于經(jīng)驗?zāi)B(tài)分解的配電網(wǎng)故障選線方法研究[J]. 劉洋,王鵬,孫旺,連丹丹,王玲玲.  供用電. 2018(08)
[2]成分分解方法預(yù)測月度電力負荷[J]. 龍勇,蘇振宇,蓋曉平.  電力系統(tǒng)及其自動化學(xué)報. 2017(05)
[3]基于X-12-ARIMA季節(jié)分解與年度電量校正的月度電量預(yù)測[J]. 張強,王毅,李鼎睿,朱文俊.  電力建設(shè). 2017(01)
[4]基于時序分解的飛機平均故障間隔飛行時間組合預(yù)測[J]. 韓西龍,李青,劉鋒.  計算機應(yīng)用. 2016(S2)
[5]結(jié)合X12乘法模型和ARIMA模型的月售電量預(yù)測方法[J]. 顏偉,程超,薛斌,李丹,陳飛,王順昌.  電力系統(tǒng)及其自動化學(xué)報. 2016(05)
[6]考慮經(jīng)濟因素時滯效應(yīng)的月度負荷預(yù)測方法[J]. 郭鴻業(yè),陳啟鑫,夏清,范海虹.  電網(wǎng)技術(shù). 2016(02)
[7]考慮積溫效應(yīng)的短期負荷組合預(yù)測方法[J]. 蔣建東,程志豪,朱明嘉.  電力自動化設(shè)備. 2011(10)

碩士論文
[1]基于時間序列分解法和回歸分析法的月用電量綜合預(yù)測方法[D]. 王彥博.沈陽工程學(xué)院 2019
[2]基于ARIMA模型及回歸分析的區(qū)域用電量預(yù)測方法研究[D]. 夏麗.南京理工大學(xué) 2013



本文編號：2991645