[發明專利]一種基于向量自回歸模型的電力需求預測方法

在審

• 申請號: 201711075768.5
• 申請日: 2017-11-06
• 公開（公告）號: CN107748938A
• 公開（公告）日: 2018-03-02
• 發明（設計）人: 杜翼;胡鵬飛;雷勇;林紅陽;李榮敏;林章歲;洪蘭秀;劉林;項康利;沈豫;邱柳青;易楊
• 申請（專利權）人: 國網福建省電力有限公司;國家電網公司;國網福建省電力有限公司經濟技術研究院
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06
• 代理公司: 福州元創專利商標代理有限公司35100
• 代理人: 蔡學俊,丘鴻超

技術領域

本發明涉及一種基于向量自回歸模型的電力需求預測方法，具體是通過計量經濟學中的向量自回歸模型開展電力需求預測。

背景技術

傳統隨著電力系統的日益發展，電力已成為工業生產和居民生活中最重要的二次能源。電能作為商品與其他商品相比，具有一定的特殊性，其最大的特點是不能存儲，即電能的生產、運輸、分配和消費是同時完成的。因此，電力系統內的可用發電容量，在正常狀態下應滿足系統內負荷的需求。當發電容量不夠應采取必要的措施，如增加發電機組、減少負荷或從其他電網輸入功率；相反，當發電容量過剩，則需要采取減少發電機組向其他電網輸送多余功率。為了盡可能降低發電容量與電力需求間的差異，減少額外的操作(切機、切負荷等)，降低電力企業運營成本，應采取有效的方法對電力需求進行預測。

目前，按照預測的時間長短，電力需求預測可以分為短期預測、中期預測和長期預測，其對應的時間跨度分別為幾分鐘到一周、月度或季度、一年以上。我國于1992年開始引進電力需求側管理(Demand Side Management DSM)的概念，進而開始了電力需求預測的研究和探索。目前見諸文獻的電力需求預測的方法加多，大體分為經典預測方法和現代預測方法。經典預測思路往往只注重定性分析與預測，已經不能滿足現有電力企業的需求。現代電力需求預測成為目前主流預測方法，其主要包括以下特征：測定量化、面對數據分析、定量與定性相結合、應用非線性預測及向智能化預測技術發展。因此，采用一種準確高效的預測手段對不同時間尺度內的電力需求進行預測，規劃和指導發電企業、電網企業進行高效生產和調度電能具有重要的經濟意義和工程價值。

目前，較為主流的預測方法主要包括采用最小二乘法或偏最小二乘法的中長期負荷預測、采用人工神經網絡(Artificial Neural NetworkANN)、自回歸移動平均模型(Autoregression Moving Average ARMA)、支持向量機(Support Vector Machine SVM)等方法進行中短期預測。這些方法往往是通過電力消費的歷史數據來構造相應的預測函數，很少針對區域內其他可能影響電力需求的指標如相關經濟指標進行描述和量化，同時對于經濟與電力的相關性分析考慮不夠全面，導致預測模型精確性欠缺。

發明內容

本發明的目的在于提供一種基于向量自回歸模型的電力需求預測方法，該方法具有較強的泛化能力、預測精度較高等特點。

為實現上述目的，本發明的技術方案是：一種基于向量自回歸模型的電力需求預測方法，通過收集待預測地區的經濟數據和電力數據，利用向量自回歸模型，進行電力需求預測。

在本發明一實施例中，所述經濟數據包括3項經濟指標，分別為固定資產投資、社會消費品零售總額、凈出口貿易總額；所述電力數據包括全社會用電量。

在本發明一實施例中，所述經濟數據和電力數據需要進行整理清洗，并進行對數化處理。

在本發明一實施例中，所述經濟數據和電力數據進行對數化處理后，需進行平穩性校驗，即采用dickey-fuller檢驗，檢驗每一列序列數據是否存在單位根，若存在，則對該序列數據進行差分處理，再對差分序列進行dickey-fuller檢驗，若仍然存在單位根則進一步差分處理，重復以上步驟，直至序列不存在單位根為止。

在本發明一實施例中，所述向量自回歸模型為：

X_t＝α+A₁X_t-1+…+A_kX_t-k+ε_t

其中，ε_t代表零均值、有限方差的隨機擾動，X_t代表第t期m個內生變量組成的m×1向量，X_t-k代表滯后k期的m個內生變量組成的m×1向量，A_k代表m×m系數矩陣，α代表m×1常數向量；上式寫成矩陣形式如下：

在本發明一實施例中，所述向量自回歸模型中的變量為經過平穩性校驗的經濟數據和電力數據。

在本發明一實施例中，所述向量自回歸模型需通過赤池信息準則和施瓦茨信息準則來確定模型中變量的滯后階數，其計算公式如下：

其中，M為極大似然估計，R為樣本容量，L為滯后階數；計算1到k階的AIC和SIC值，當兩者在相同階數取到最小值時，該L值就是需要的滯后階數；若AIC和SIC值在不同階數取得最小值時，再參考似然比檢驗法LR確定滯后階數。