基于时间序列方法的短期电力负荷预测

摘要：本文首先介绍了常见的时间序列分析模型，给出了模型的构建方法，包括对数据进行预处理，对模型参数的估计和对模型的定阶方法，最后，运用MATLAB软件对某地区一段时间的电力负荷实现时间序列模型构建和预测，并进行了误差分析。

关键词：时间序列；电力负荷预测；模型构建

1.引言

随着国民经济的发展，人们对电能质量的要求越来越高，电力负荷预测是保证电能质量一个基本工具，是电网调度规划以及电网安全运行的重要保证。特别是对未来一天或几天的短期负荷预测尤为重要。时间序列预测法是应用较早、发展较为成熟的一种预测方法。它的原理是建立一个数学模型，来描述电力负荷这个随机变量的统计规律，在数学模型的基础上对未来的负荷进行预测。 2.时间序列模型

时间序列分析的研究对象是一系列随时间变化而又相互关联的动态数据。时间序列模型有三种基本类型：自回归（AR，Auto-Regressive）模型、移动平均（MA，Moving-Regressive）模型以及自回归移动平均（ARMA，Auto-Regressive Moving-Regressive）模型。 2.1自回归AR模型

对观测到的时间序列数据，首先要对数据进行预处理。 3.1平稳性检验

自、偏相关系数检验法：序列零均值化以后，自、偏相关系数要么截尾、要么拖尾，则序列是平稳的。 3.2零均值处理

用样本均值 作为序列均值的估计，建模前先用样本数据减去均值，得到零均值数列。 4.模型的定阶

4.1FPE（Final Prediction Error）最终预报误差准则

FPE准则是1971年由Akaike提出的，主要用于AR模型的定阶。FPE准则是以AR模型的一步误差达到最小的相应的阶作为模型的阶，用其预报效果的优劣来确定AR模型的阶。

可以通过时间序列ACF和PACF图的截尾拖尾性来选取合适的时间序列分析模型，并且判断模型的阶数。 5.模型的参数估计 5.1最小二乘估计 对于AR（p）模型

ARMA（p，q）的AIC值最小，由最小二乘法估计参数，模型的表达式为：

参考文献

[1]金融计算教程-MATLAB金融工具箱的应用.张树德.清华大学出版社.2007 [2]时间序列分析及其应用.王沁.西南交通大学出版社.2005

[3]MATLAB在金融时间序列分析及建模中的应用.李兴绪，崔建福.计算机工程科学.2004

[4]电力负荷预测技术及其应用.刘东晓，曹树华，赵磊.中国电力出版社.2004

[5]基于时间序列的电力负荷预测新算法研究.张林，罗晓初，徐瑞林.电网技术.2006 [6]电力系统负荷预报理论与方法.刘晨辉.哈尔滨工业大学出版社.1987.