论文部分内容阅读
电力是一种以电能作为动力的能源,在社会经济发展中扮演至关重要的地位。与煤、石油等一次性能源不同,电能由于自身特性而不能进行大规模存储。若供电过剩,会导致电能的浪费。若供电不足,会影响社会生产和人民生活。因此,对电力需求进行合理的分析和准确的预测是非常有必要的。从研究内容来看,电力需求预测可以分为两大类——对用电量进行预测和用电负荷进行预测,本文重点研究的是用电量的预测。从时间跨度来看,电力需求预测可以分为三大类:(1)短期预测,一般情况下指以一天为最小单位进行预测。(2)中期预测,一般情况下指以一个月为最小单位进行预测。(3)长期预测,一般情况下指以一年为最小单位进行预测。常用的预测方法如下:负荷密度法、弹性系数法、时间序列法、人工智能法。基于清远市中期用电量和长期用电量的特点,本文分别选取时间序列法和人工智能法进行预测。在用电量中期预测中,针对月度数据所具有的季节性,本文使用了季节指数法、ARIMA模型和改进的ARIMA模型对清远市2020年上半年的月度用电量进行预测。由实验结果可知,改进ARIMA模型的预测效果最好,其次为乘法季节指数法、加法季节指数法、ARIMA模型。在用电量的长期预测中,本文使用了移动平均法、指数平滑法、基于Adaboost的ANN模型对清远市2018年、2019年的年度总用电量进行了预测。由实验结果可知,增强ANN模型优于指数平滑法,而指数平滑法优于移动平均法。本文的主要工作为:(1)针对中期用电量数据预测难问题,充分发挥了传统时间序列预测模型的优点,对加法季节指数法和ARIMA预测模型进行结合,在此基础上获得了更精确的预测效果。(2)针对长期用电量数据少,信息量不足的问题,充分考虑了经济因素对长期用电量的影响,将基于Adaboost的增强ANN模型应用到长期用电量预测领域,并且展现了优越的预测性能。