【地方用電量的長期預(yù)測方法案例綜述3200字】

I地方用電量的長期預(yù)測方法案例綜述目錄TOC\o"1-2"\h\u7132地方用電量的長期預(yù)測方法案例綜述 1160794.1數(shù)據(jù)收集與預(yù)處理 1191074.2移動平均法預(yù)測結(jié)果 330352④建立線性趨勢預(yù)測模型為： 3154204.3指數(shù)平滑法預(yù)測結(jié)果 5101944.4增強ANN模型預(yù)測結(jié)果 84.1數(shù)據(jù)收集與預(yù)處理本文建立的模型主要采用幾個可量化的經(jīng)濟指標作為自變量來進行預(yù)測，采用的數(shù)據(jù)來源于佛山市國民經(jīng)濟和社會發(fā)展統(tǒng)計公報，數(shù)據(jù)所跨度時間為2006—2019年。有關(guān)數(shù)據(jù)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(chǎn)總值（億元）第一產(chǎn)業(yè)增加值（億元）第二產(chǎn)業(yè)增加值（億元）第三產(chǎn)業(yè)增加值（億元）人均生產(chǎn)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(chǎn)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(chǎn)量和平方指數(shù)分析的方法來預(yù)測用電量是合適的。由于收集的數(shù)據(jù)量很少，因此不得不將數(shù)據(jù)分為訓(xùn)練和測試系列。數(shù)據(jù)采集期為2006-2019年，為保證訓(xùn)練集數(shù)據(jù)特征的充分性，選取2006-2017年的數(shù)據(jù)作為訓(xùn)練系列，2018-2019年的數(shù)據(jù)作為測試。4.2移動平均法預(yù)測結(jié)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(shù)據(jù)的平均值進行預(yù)測的方法。當(dāng)預(yù)測對象的歷史數(shù)據(jù)沒有呈現(xiàn)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(yù)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(chǔ)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(yù)測模型為：……………(4.4)其中，表示預(yù)測超前期數(shù)；表示第期的預(yù)測值。利用表格對2006到2019年的數(shù)據(jù)做移動平均的處理，根據(jù)數(shù)據(jù)長度以及特性，選用的移動平均的步長為3，根據(jù)原理公式，計算得到的a和b，最后利用a和b根據(jù)公式（預(yù)測兩年數(shù)據(jù)，因此取2）計算預(yù)測結(jié)果，如表4-3所示：表4-3移動平均法處理結(jié)果年份真實用電量一次移動平均二次移動平均ab結(jié)果2006801443.22007977307.9200896254020091090947913763.720101255261101026520171357101110291620121424428123443610089821459891225454.8191080120131567435134559711158721575321229724.2203476920141738912144965512276501671660222005211567020151792562157692513432291810621233695.8227801220161933409169963614573921941881242244.2242636920171772712182162815754052067850246222.3256029520181987237183289416993961966392133498223338820192160460189778617847192010853113066.62236986年度用電量真實值和擬合及預(yù)測值的結(jié)果如圖4-2所示：圖4-2移動平均法擬合及預(yù)測結(jié)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(yù)測值仍有一定的偏差與真實值相比。移動平均法預(yù)測值誤差百分比如表4-4所示：表4-4移動平均法預(yù)測值誤差百分比年份真實值預(yù)測結(jié)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(yù)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(shù)平滑法預(yù)測結(jié)果假設(shè)存在時間序列，那么它的一次指數(shù)平滑表達式為：…………(4.5)式中為第周期的一次指數(shù)平滑值；為加權(quán)系數(shù)，。2-51展開，可得：…(4.6)由于當(dāng)，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(quán)平均。加權(quán)系數(shù)依次為，得出。一階平滑指數(shù)的預(yù)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(shù)平滑值作為第t+1期的預(yù)測值。假設(shè)一次指數(shù)平滑的結(jié)果為，則二次指數(shù)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(yù)測?！?4.10)式中t為當(dāng)前時期數(shù)；T為由當(dāng)前時期數(shù)t到預(yù)測期的時期數(shù)；為第t+T期的預(yù)測值；為截距，為斜率，其計算公式為：…(4.11)其預(yù)測模型為：其中表示預(yù)測超前期數(shù)；表示第期的預(yù)測值。上述的預(yù)測結(jié)果，采用指數(shù)平滑法進行預(yù)測。索引平滑技術(shù)可以利用索引平滑來控制編輯過程中不同數(shù)據(jù)的碎片化。當(dāng)系數(shù)值較大時，根據(jù)指標函數(shù)的特性，隨著系數(shù)值的減小，衰減時間的衰減率增加，分離出來的數(shù)據(jù)的權(quán)重增加。本文使用0.3和0.6作為預(yù)測的標準差。使用Excel對2006年至2019年的數(shù)據(jù)進行分析處理，平滑處理的結(jié)果如表4.5所示：表4-5一次指數(shù)平滑結(jié)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(yù)測表可以看出，當(dāng)a=0.6時誤差值越小，所以采用0.6作為指數(shù)平滑系數(shù)。下面對數(shù)據(jù)做二次平滑處理，根據(jù)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(shù)平滑結(jié)果如表4-6所示：表4-6二次指數(shù)平滑結(jié)果年份用電量一次平滑二次平滑ab預(yù)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(shù)平滑法擬合及預(yù)測值的結(jié)果如圖4-3所示：圖4-3指數(shù)平滑法擬合及預(yù)測結(jié)果從圖4.3可以看出，指數(shù)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(yù)測值與實際值接近，但也存在一定偏差。指數(shù)平滑法預(yù)測值的誤差率見表4-7：表4-7指數(shù)平滑法預(yù)測值誤差百分比年份真實值預(yù)測結(jié)果誤差百分比2018198723721247736.92%2019216045922705255.09%從表4-7可以看出，2018年指數(shù)平滑法的預(yù)測值誤差小于移動平均法。2019年，指數(shù)平滑法的預(yù)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(jīng)過比較，指數(shù)平滑法的效果優(yōu)于移動平均法，但數(shù)值為6.005%，因此指數(shù)平滑法不能很好地預(yù)測長期電力需求。4.4增強ANN模型預(yù)測結(jié)果本節(jié)使用改進的ANN模型進行預(yù)測。為了提高預(yù)測的準確性，提高預(yù)測性能，需要考慮與能源消耗有關(guān)的因素，即表4.1中的數(shù)據(jù)應(yīng)納入預(yù)測系統(tǒng)。不同的數(shù)據(jù)大小需要不同的ANN縮放要求。在基于訓(xùn)練數(shù)據(jù)集的非常大的網(wǎng)絡(luò)可以具有良好的預(yù)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(yù)測值的結(jié)果如圖4－4所示：圖4-4增強ANN模型擬合及預(yù)測結(jié)果從圖4.4中可以看出，改進后的人工神經(jīng)網(wǎng)絡(luò)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(yù)測值的錯誤率見表4.8：表4-8改進ANN模型預(yù)測值誤差百分比年份真實值預(yù)測結(jié)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(yù)測結(jié)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(yù)測結(jié)果都優(yōu)于移動平均法和指數(shù)流法?？傮w而言，ANN模型通過指數(shù)平滑法和運動法改進較好，誤差降低僅為2.585%，預(yù)測效率最強。本章采用三種方法預(yù)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(yù)測表現(xiàn)很差，錯誤率已經(jīng)下降到12.39%，與真實值有顯著差異，2019年錯誤預(yù)測值已經(jīng)下降到3.54%。第二種方法是指數(shù)縮減法，2