【地方用電量的長期預測方法案例綜述3200字】

I地方用電量的長期預測方法案例綜述目錄TOC\o"1-2"\h\u7132地方用電量的長期預測方法案例綜述 1160794.1數據收集與預處理 1191074.2移動平均法預測結果 330352④建立線性趨勢預測模型為： 3154204.3指數平滑法預測結果 5101944.4增強ANN模型預測結果 84.1數據收集與預處理本文建立的模型主要采用幾個可量化的經濟指標作為自變量來進行預測，采用的數據來源于佛山市國民經濟和社會發(fā)展統(tǒng)計公報，數據所跨度時間為2006—2019年。有關數據如表4-1和表4-2所示：表4-1長期電力需求影響因素（1）年份生產總值（億元）第一產業(yè)增加值（億元）第二產業(yè)增加值（億元）第三產業(yè)增加值（億元）人均生產總值（元）2006432.278.1206.4147.7119912007597.490.1322.7184.6164272008746.699.6429.4217.7202052009855.2103.6477274.62260020101112.5120674.3318.23008120111003139.3448.5415.22695720121029151.8420.6456.62742620131093167.7430.7494.62892820141187.74177.5483.95526.293121420151277.9192.5484.8600.53340020161388.1216.5507.3664.33614620171500.9218.9541.3740.73895420181565.2231.3542.97914047620191698.2263.8564.6869.843770表4-2長期電力需求影響因素（2）及年度用電量年份常住人口（萬人）城鎮(zhèn)人口（萬人）人均消費支出（元）消費品零售總額（億元）用電量（萬千瓦時）2006361.56124.27892159.4801443.22007365.87153.158443196.9977307.92008373.19162.968782250.69625402009382.71174.49852308.410909472010369.8176.0810595370.512552612011373.8177.411287433.713571012012376.6180.512399459.614244282013379.11181.971149350915674352014381.91184.4611764570.2817389122015383.45188.212812571.517925622016384.6192.314403626.819334092017386195.715580683.817727122018387.4201.4516710738.919872372019388.6207.917981795.82160460表4.1顯示了一些長期影響電力需求的因素——GDP、第一、二、三產業(yè)增加值、人均GDP。表4.2顯示了一些長期電力需求影響因素——常住人口、消費品零售總額和年用電量等。圖4-12006-2019年佛山市年度用電量從圖4-1可以看出，年用電量主要是向上的，所以用移動平均產量和平方指數分析的方法來預測用電量是合適的。由于收集的數據量很少，因此不得不將數據分為訓練和測試系列。數據采集期為2006-2019年，為保證訓練集數據特征的充分性，選取2006-2017年的數據作為訓練系列，2018-2019年的數據作為測試。4.2移動平均法預測結果移動平均法隨著選取范圍向后滑動依次計算子序列的平均值，是利用相鄰數據的平均值進行預測的方法。當預測對象的歷史數據沒有呈現較大的波動的時候移動平均法能將隨機波動很好的消除掉，從而獲得較好的預測效果。具體步驟為：時間序列計算第t期的一次移動平均值計算公式為：……(4.1)利用 基礎上計算第t期的二次移動平均值，其計算公式為：……(4.2)利用和估計線性趨勢模型的截距和斜率:……(4.3)建立線性趨勢預測模型為：……………(4.4)其中，表示預測超前期數；表示第期的預測值。利用表格對2006到2019年的數據做移動平均的處理，根據數據長度以及特性，選用的移動平均的步長為3，根據原理公式，計算得到的a和b，最后利用a和b根據公式（預測兩年數據，因此取2）計算預測結果，如表4-3所示：表4-3移動平均法處理結果年份真實用電量一次移動平均二次移動平均ab結果2006801443.22007977307.9200896254020091090947913763.720101255261101026520171357101110291620121424428123443610089821459891225454.8191080120131567435134559711158721575321229724.2203476920141738912144965512276501671660222005211567020151792562157692513432291810621233695.8227801220161933409169963614573921941881242244.2242636920171772712182162815754052067850246222.3256029520181987237183289416993961966392133498223338820192160460189778617847192010853113066.62236986年度用電量真實值和擬合及預測值的結果如圖4-2所示：圖4-2移動平均法擬合及預測結果從圖4-2中可以看出，移動平均法的擬合效果一般，與真實值相去甚遠。而預測值仍有一定的偏差與真實值相比。移動平均法預測值誤差百分比如表4-4所示：表4-4移動平均法預測值誤差百分比年份真實值預測結果誤差百分比20181987237223338812.39%2019216045922369863.54%從表4-4中可以看出，2018年的誤差百分比為12.39%，與真實值差距較大，而2019年的預測百分比誤差較小，為3.54%?？傮w來看，移動平均法適用效果一般。4.3指數平滑法預測結果假設存在時間序列，那么它的一次指數平滑表達式為：…………(4.5)式中為第周期的一次指數平滑值；為加權系數，。2-51展開，可得：…(4.6)由于當，時，于是上述公式就變?yōu)椋骸?4.7)由此可見實際上是的加權平均。加權系數依次為，得出。一階平滑指數的預測模型如式子4.8所示：………(4.8)從上式可以看出，第t周期的一次指數平滑值作為第t+1期的預測值。假設一次指數平滑的結果為，則二次指數平滑的計算公式如式子4.9所示：…………(4.9)若時間序列從某個時期開始僅在一條直線附近波動，且有把握認為未來時期亦按此趨勢進行變化，則可用式子4.10來進行預測?！?4.10)式中t為當前時期數；T為由當前時期數t到預測期的時期數；為第t+T期的預測值；為截距，為斜率，其計算公式為：…(4.11)其預測模型為：其中表示預測超前期數；表示第期的預測值。上述的預測結果，采用指數平滑法進行預測。索引平滑技術可以利用索引平滑來控制編輯過程中不同數據的碎片化。當系數值較大時，根據指標函數的特性，隨著系數值的減小，衰減時間的衰減率增加，分離出來的數據的權重增加。本文使用0.3和0.6作為預測的標準差。使用Excel對2006年至2019年的數據進行分析處理，平滑處理的結果如表4.5所示：表4-5一次指數平滑結果年份用電量一次平滑a=0.3誤差a=0.3一次平滑a=0.6誤差a=0.62006801443.22007977307.9240433736875480865.94964422008962540461495.5501044.6778731.1183808.920091090947611808.8479138.3889016.5201930.720101255261755550.3499710.71010175245086.120111357101905463.5451637.51157227199874.5201214244281040955383473.21277151147276.8201315674351155997411438.31365517201917.7201417389121279428459483.81486668252244.1201517925621417273375288.61638014154547.6201619334091529860403549.11730743202666.1201717727121650925121787.31852343-79630.6201819872371687461299776.11804564182672.82019216046017773943830661914168246291.8從上面的預測表可以看出，當a=0.6時誤差值越小，所以采用0.6作為指數平滑系數。下面對數據做二次平滑處理，根據二次原理的計算公式，計算得到a和b，最后得到的二次指數平滑結果如表4-6所示：表4-6二次指數平滑結果年份用電量一次平滑二次平滑ab預測值2006801443.22007977307.9480865.902008962540778731.1288519.61268943280120.9020091090947889016.5582646.51195386175068.60201012552611010175766468.51253881139260.81829184201113571011157227912692.31401761139733.8154552420121424428127715110594131494890124421.9153240320131567435136551711900561540979100263.7168122820141738912148666812953331678003109334.4174373320151792562163801414101341865895130217.4174150620161933409173074315468621914624105074.7189667220171772712185234316571912047495111515.421263302018198723718045641774282183484717304.2521247732019216046019141681792451203588569552.362270525年度用電量真實值和指數平滑法擬合及預測值的結果如圖4-3所示：圖4-3指數平滑法擬合及預測結果從圖4.3可以看出，指數平滑法的擬合效果比較普遍，僅在2013-2016年接近真實值，其余年份與真實值相差較大。雖然預測值與實際值接近，但也存在一定偏差。指數平滑法預測值的誤差率見表4-7：表4-7指數平滑法預測值誤差百分比年份真實值預測結果誤差百分比2018198723721247736.92%2019216045922705255.09%從表4-7可以看出，2018年指數平滑法的預測值誤差小于移動平均法。2019年，指數平滑法的預測錯誤率將高于移動平均法。兩者各有利弊，所以取兩者的平均值作為比較。經過比較，指數平滑法的效果優(yōu)于移動平均法，但數值為6.005%，因此指數平滑法不能很好地預測長期電力需求。4.4增強ANN模型預測結果本節(jié)使用改進的ANN模型進行預測。為了提高預測的準確性，提高預測性能，需要考慮與能源消耗有關的因素，即表4.1中的數據應納入預測系統(tǒng)。不同的數據大小需要不同的ANN縮放要求。在基于訓練數據集的非常大的網絡可以具有良好的預測效果的情況下，集成度更高。年度用電量真實值和增強ANN模型擬合及預測值的結果如圖4－4所示：圖4-4增強ANN模型擬合及預測結果從圖4.4中可以看出，改進后的人工神經網絡模型具有正向效果，僅在2007年和2016年與真實值的偏差較大，尤其是2017年的曲線幾乎重合。改進后的ANN模型預測值的錯誤率見表4.8：表4-8改進ANN模型預測值誤差百分比年份真實值預測結果誤差百分比2018198723720397642.64%2019216045921059052.53%從表4.8可以看出，改進后的ANN模型兩年的預測結果非常好，錯誤率分別為2.64%和2.53%。無論是2018年還是2019年，預測結果都優(yōu)于移動平均法和指數流法?？傮w而言，ANN模型通過指數平滑法和運動法改進較好，誤差降低僅為2.585%，預測效率最強。本章采用三種方法預測佛山市2018年和2019年的用電量。第一種方法是移動平均法，2018年的預測表現很差，錯誤率已經下降到12.39%，與真實值有顯著差異，2019年錯誤預測值已經下降到3.54%。第二種方法是指數縮減法，2