基于改进的时间序列的甘肃省社会用电量预测组合模型.doc

1、基于改进的时间序列的甘肃省社会用电量预测组合模型摘 要本文将时间序列理论引入到业扩报装预测模型中，建立指数平滑预测模型、一阶自适应系数预测模型和二阶自适应系数预测模型。为了进一步提高业扩报装的预测的精度，引入组合的思想，对上述单一模型预测值进行组合得到业扩报装的组合预测值。在组合预测模型的基础上，引入粒子群算法（PSO）对模型的相关参数进行优化，建立 PSO 组合预测模型。通过算例分析对每种模型的预测效果和特点进行总结，选择预测效果最优的预测模型。 关键词时间序列；组合模型；神经网络粒子群优化算法 中图分类号：F224 文献标识码：A 文章编号：1009-914X（2015）02-0000-0

2、1 1 研究背景及意义 随着电力体制的改革和计算机技术的发展，电力工作流程的建设必须以市场和客户服务为中心，以方便客户为宗旨，优化重组业务流程，创新服务方式，强化监管能力，提高企业决策和管理水平。通过各种方式提高服务质量，开拓电力消费市场，为供电企业创造更好的社会和经济效益，成为电力营销管理信息系统的核心理念。 业扩报装是指电力企业接受客户的用电申请，根据电网的实际情况，进行审批和办理各种手续、施工、中间检查、验收，直到最后装表接电的过程1。业扩报装不仅是电力企业的窗口，也是客户和电力企业建立供用电关系的首要环节。营销管理部门的大部分原始数据和基本信息都来源于业扩报装部门，如果业扩报装部门的效

3、率提高，则其后续的相关电力工作均会有大幅改善。 2 基本的预测模型 2.1 指数平滑预测法 指数平滑法是生产预测中常用的一种方法。也用于中短期经济发展趋势预测。指数平滑法考虑了所有的数据，给予了逐渐减弱的影响程度，即随着数据的远离，赋予逐渐收敛为零的权数2，3。 它是通过计算指数平滑值，配合一定的时间序列预测模型对现象的未来进行预测。其原理是任一期的指数平滑值都是本期实际观察值与前一期指数平滑值的加权平均。 取定平滑参数， ，初值。 指数平滑序列，用期的平滑值代替的期的预测值。故用平滑值代替预测值得到地推公式为： 表明新预测通过调整前期预测得到，调整项与前期预测误差（）成比例，比例系数为平滑常

4、数2-5。 一阶自适应系数法是在一次指数平滑的进一步发展，传统的静态平滑参数在解决实际问题时往往产生较大的误差，随着数据的新变化，原来的值可能不再适用。一阶自适应系数法考虑根据情况变化，不断的修订值，使预测效果更佳7。 二阶自适应系数预测法是在二阶指数平滑的基础上，依据预测误差的变化情况，不断调整平滑系数，记为3。 二次指数平滑首先在一次指数平滑的基础上，计算二次指数平滑序列。 则二阶自适应预测法计算步骤如下： 2.2 组合模型预测法 组合预测是提高预测精度的最佳方法之一，组合预测方法是对同一个问题，采用两种以上不同预测方法的预测，可以弥补单一模型的不足，从而得到比较理想的预测结果 8-12。

5、组合的主要目的是综合利用各种方法所提供的信息，尽可能地提高预测精度。 其中为组合模型的预测值，是第个模型的权重，是第个模型的预测值，为模型的个数。 2.3 粒子群优化算法 另外我们考虑再用人工智能的方法预测模型中的的参数13，14。粒子群优化算法是一类基于群智能的随机优化算法。该算法模拟鸟集群飞行觅食的行为，通过鸟之间的集体协作使群体达到目的。 设搜索空间为 D 维，总粒子数为 n。粒子的信息可以用 D 维向量表示，位置表示为，速度为，其他向量类似。则速度和位置更新方程为 其中，为惯性权重，是粒子在第次迭代中第维的速度；是加速系数（或称学习因子） 。和为两个在0，1范围内变化的随机函数。是粒子

6、在第次迭代中第维的当前位置；是粒子在第维个体极值点的位置（即坐标） 。本文将使用 PSO 算法，在各个模型预测误差的基础上，选择最佳权重，构造三组组合模型，分别是一次指数平滑-一阶自适应系数模型、一次指数平滑-二阶自适应系数模型和一阶自适应系数-二阶自适应系数模型，来进行预测。 3 模型设计 由于售电量的增加主要来源于工业用电客户和商业用电客户用电量的增加。由于对这两类用户实行歧视性的高价定价政策，带来售电量和电价双重增加的高额售电收入。因此，模型的设计基于三个前提： 一是只于高压用户业扩报装效率；二是计算时采取平均利用率的方式来修正计算误差；三是进行预测时，选取较权威的时间序列预测法，通过不

7、同期间数据的连环迭代，修正预测结果，进一步提升分析的精准性。 3.1 数据集 不同行业用户都有着显著的用电特点，反映在报装容量、有效用电时间等环节，每类行业的用户对用电容量的利用情况差别很大，直接反应在用电容量转化为实际用电的效率上。对于分行业用户容量平均利用率的分析，由行业用户装接容量、行业用户用电量、行业用户容量平均利用率逐层分析。定量测算因业扩报装效率提升带来的售电量及售电收入的变化。以高压用户业扩报装平均接电时间的缩短为切入点，进行测算。 3.2 评价指标 模型效果比较的方法包括相对数值比较和绝对数值比较，本文将采用均方根误差（RMSE）和平均绝对百分误差（MAPE）两种误差形式评价模

8、型的优劣。计算公式如下： 平均绝对百分误差（16） 均方根误差（17） 通过计算各模型的误差结果验证组合模型取得的效果。 4 指标与结果分析 选取甘肃省八大行业 2011-2012 年各月的新增业扩报装容量以及分行业用户容量平均利用率，得到甘肃省 2011-2012 年各月的全社会用电量15，如图 1 中的（a）所示。 分别采用指数平滑（Exponential Smoothing，简记为 ES） 、一阶自适应（One Order Adaptive，简记为 One_AD） 、二阶自适应（Two Order Adaptive，简记为Two_AD）以及它们的组合模型，指数平滑-一阶自适应（简记为 E

9、S-One_AD） ，指数平滑-二阶自适应（简记为 ES-Two_AD）和一阶自适应-二阶自适应（简记为 One_AD-Two-AD）对甘肃省 2011-2012 年的全社会用电量进行建模预测，得到图 1 中的（b） 。 由可知，在六个模型中，指数平滑-一阶自适应（简记为 ES-One_AD）组合模型在 MAPE 和 RMSE 两项指标的衡量下表现最优，其预测值与实际结果的误差最小。 5 结论与建议 为提高电力负荷预测模型的预测精度，本文将指数平滑、一阶自适应、二阶自适应进行两两组合，并使用粒子群算法对组合模型的权重进行优化。在对甘肃省 2011-2012 年的全社会用电量的实例中，指数平滑-

10、二阶自适应的组合模型在所有的预测模型中误差最低，预测精度高。 因此，结合甘肃省用电情况下的准确的负荷预测，可以为如何规划用电计划提供极为有效的参考，经济、合理地安排发电机组的启停，保持电网运行的安全稳定性，减少不必要的旋转备用容量和相关的电量损失，符合国家节能的号召。 参考文献 1 赵小利.报装用户优化供电方案的研究D.湖北，武汉大学，电力系统及其自动化，2004：29-36. 2 蔡凯达.基于指数平滑和人工智能算法的预测D.甘肃，兰州大学数学与统计学院，2013：10-16. 3 牛东晓，曹树华等.电力负荷技术与应用M.中国电力出版社.1998.0：29-37. 4 余有芳.指数平滑系数的优

11、化研究J.科技通报.2010 年 11 月，第 26 卷第 6 期. 5 Bretschnerder S.Estimating forecast variance with exponential smoothing Some new resultsJ.International Journal of Forecasting 1986； 2（3）： 349-55. 6 Billah B， King ML， Snyder RD. Exponential smoothing model selection for forecastingJ. Internationa Journal of Fore

12、casting 2006； 22（2） ；239-47. 7 王慈光. 二次指数平滑法中确定初始值的简便方法J. 西南交通大学学报， 2004 年 6 月第 39 卷第 3 期. 8 张金良，谭忠富，李春杰.短期电价预测的组合混沌方法J.中国管理科学.2011， 2 （19）：133 -139. 9 Fang-Mei Tseng， Hsiao-Cheng Yu， Gwo-Hsiung Tzeng. Combining neural network model with seasonal time series ARIMA modelJ. Technological Forecasting &

13、Social Change. 2002，69：71-87. 10 聂艳丽，等.最优组合预测方法在电力价格预测中的应用J.电力科学与工程.2005，12（4）： 30-32. 11 秦洪英.组合模型在电力价格预测中的应用研究J.计算机仿真.2010 年 10 月第 27 卷第 10 期. 12 王莎莎，陈安，苏静等.组合预测模型在中国 GDP 预测中的应用J.山东大学学报，2009 44（2）：02-04 13 Kennedy J，Eberhart R. Particle swarm optimizationJ. Proceedings of IEEE International Conference on Neural Network.1995； 1942-48. 14 Navaiertpron T， Afzulpurkar NV. Optimization of tile manufacturing process using particle swarm optimizationJ. Swarm and Evolutionary Computation 2011； 1（2）： 97-109. 15 甘肃统计信息网 http：/