ARMA模型在我国电力需求预测中的应用

本文以1973年-2004年我国电力消费量的历史数据为基础，根据其趋势图拟合出与之相似的指数回归曲线，然后对其残差序列利用时间序列进行分析和识别，建立起适合我国电力需求预测的指数回归-ARMA（1，1）模型。结果表明此模型具有简单快捷、预测精度高的特点，可以满足实际预测要求。

基于ARMA模型下的我国电力需求预测

根据历年电力消费量数据趋势图拟合出与之相似的指数回归曲线，然后对其残差序列利用时间序列进行分析和识别，建立起适合我国电力需求预测的指数回归-ARMA（1，1）模型．

基于时间序列算法的能源电力需求自动预测模型

为提高能源电力需求预测准确性,提出基于时间序列算法的能源电力需求自动预测模型。选取原始时间序列中拥有近似模糊值的数据,通过模糊熵算法对其进行处理;引入灰色系统理论消除电力需求时间序列中的残差值,获取GM(1,1)模型,由此构建ARMA(p,q)模型;将两种模型相结合,建立GM(1,1)-ARMA(p,q)组合预测模型,完成能源电力需求的自动预测。实验结果表明,所提方法的预测效果好,相对误差值、MAPE值和MSE值小。

风电功率预测误差分段指数分布模型

风电预测存在较大误差,对于风电场和电网调度人员而言,预测的不确定性信息比单纯的功率预测值更有指导意义。基于对中小规模风电场短期和超短期功率预测误差分析,提出风电功率预测误差分段指数分布模型,并进行分段指数分布概率密度函数及概率分布函数推导,采用非线性最小二乘法进行参数估计。实例分析中,通过模型精度指标和曲线拟合效果对比了分段指数分布模型与传统误差分布模型,论证了分段指数误差分布模型较传统模型在精度、灵活性方面的优势。

基于小波分析的导弹装备备件需求组合预测

针对导弹装备备件需求呈现非线性、非平稳的特征,提出了把小波分析理论应用于导弹装备备件需求预测的构想.首先根据总体评价指标来确定小波最佳分解级数,将备件需求时间序列分解到不同尺度上以减少原始序列的随机性和波动性;然后对具有平稳特性的高频信息用改进动态自适应隔代映射遗传算法和阻尼最小二乘法优化的ARMA模型进行预测,而对反映整体趋势的低频信息用GM(1,1)模型进行预测;再将各模型的预测结果进行叠加,从而得到原始序列的预测值.最后通过导弹装备备件需求的实例,验证了本方法的有有效性和可行性.

风电场短期风速预测方法研究

随着风力发电的快速发展,并且风力发电系统的出力与风电场风速存在着的特殊关系,使得对风电场的风速实现较准确的预测已逐步成为研究的热点。该文先提出一种简单的的风速预测方法,即将指数平滑法应用到风速预测,并验证了指数平滑法预测风速的可行性。此外,为了提高预测精度,还提出了两种新的组合预测的方法,即基于指数平滑和灰色模型(GM)的组合预测方法、基于自回归滑动平均(ARMA)模型和灰色模型的组合预测方法。实例计算结果表明,组合预测方法比单独的用一种方法的预测效果要好,尤其是基于自回归滑动平均模型和灰色模型的组合预测方法更具有优势。

基于经济先行指标的省级电力市场需求分析

针对经济变量之间存在严重的多重共线性,且经济周期相对于电力市场需求的变化有一定的滞后性问题,以重庆市为例,采用数据分析法筛选出经济先行指标,在此基础上建立向量自回归模型,并进行脉冲响应分析获得各先行指标的先行期数,再以逐步回归法对各先行指标进行分析,去除多重共线性,筛选出显著影响大的指标,得到省级电力市场需求预测模型,该模型以中国生铁产量、重庆市钢材产量、重庆市城乡居民储蓄存款、重庆市企业存款、美国货币供应量M2共5项指标作为解释变量。经统计学和计量经济学准则检验,模型具有科学性和准确性。

α-加权模糊线性回归模型及其在电力需求预测中的应用

建立了一种回归系数为对称三角模糊数的α加权模糊线性回归模型,运用模型进行了电量需求预测.实际需求和预测结果分析表明,该模型能够实现历史数据“重近轻远”的预测效果,进一步提高预测精度,减少预测误差,适合于电力需求预测.

基于景气指数的高耗能行业月度用电预测

高耗能行业在工业行业用电量中的比例较高,且波动明显,传统计量方法难以准确预测。本研究提出一种基于行业景气指数的高耗能行业月度用电量预测方法,首先基于ARMA模型建立针对高耗能行业的月度用电量预测模型,再结合行业景气指数对模型进行改进,考察模型显著性特征及预测结果精度。以安徽省为案例区,对全省五大高耗能行业月度用电量进行预测,其中三个行业的预测模型在经过改造后预测效果更优,证明该方法具有一定的应用潜力。

基于Shapley值的中国电力需求组合预测模型

针对中国1997-2013年的电力消费量，采用3次指数平滑模型和ARIMA模型分别进行了建模与拟合分析，通过合作对策理论中的Shapley值法求解了两模型所占权重，从而构建了所需组合模型，并用该组合模型预测了2015年和2016年的中国电力需求量．实例结果表明，组合模型有着更高的拟合精度，拟合相对误差平均值仅为1．52％．