基于ARIMA模型的短期电力负荷预测 .pdfVIP

基于ARIMA模型的短期电力负荷预测

李晨熙

【摘要】电力负荷时间序列不平稳和受噪声污染严重,直接对负荷进行预测准确度

不高.针对此问题,提出了一种结合小波变换与累积式自回归移动平均(ARIMA)模型

的短期电力负荷预测新方法.首先,将历史负荷数据进行小波变换,以去除噪声干扰;然

后,建立ARIMA模型进行负荷预测.通过实际负荷数据实验,证明了该方法的有效性.

【期刊名称】《吉林电力》

【年(卷),期】2015(043)006

【总页数】3页(P22-24)

【关键词】短期电力负荷预测;累积式自回归移动平均模型;小波去噪

【作者】李晨熙

【作者单位】广东电网有限责任公司珠海供电局,广东珠海519000

【正文语种】中文

【中图分类】TM714.3

短期电力负荷预测在电力网络优化运行管理中占有重要地位，准确的电力负荷预测

对保证电网的经济稳定运行，合理安排机组检修计划，调度部门的经济调度有着重

要的意义［1］。近年来，人们提出了很多预测方法来提高预测的精度，总的来说，

可以分为两大类：统计模型方法和人工智能技术。在统计模型方法中，主要有回归

模型法、卡尔曼滤波法、时间序列法、数据挖掘技术等。其中，时间序列分析方法

是建立自回归（AR）模型、移动平均（MA）模型、自回归移动平均（ARMA）

模型和累积式自回归移动平均（ARIMA）模型［2］。

考虑到电力负荷受噪声影响严重的实际情况，本文提出了一种经过小波去噪的负荷

预测方法。

1离散小波变换和累积式自回归移动平均模型

1.1离散小波变换

离散小波变换（DWT）不是只在时域或频域单一分析域上进行信号分析，而是在

时－频的联合域上进行信号处理，具有多尺度分析能力。DWT被用来在负荷预测

过程中去除原始电力负荷数据的噪声。

1.2累积式自回归移动平均模型

时间序列法是一种简单有效的短期负荷预测方法，而Box－Jenkins模型是典型的

时间序列模型，它由AR、MA、ARMA三部分模型组成［3］。ARMA模型由

AR和MA模型两部分组成，形式如下：

式中：Yt为t时刻负荷值；et为白噪声；B为后移算子；φ（B）＝1－φ1B－…

－φpBp，其中φi为AR模型回归系数，p为AR模型阶数；θ（B）＝1－θ1B

－…－θqBq，其中θi为MA模型回归系数，q为MA模型阶数。如果时间序列

的平均值μ≠0，需要进行零均值处理即用Yt－μ代替Yt。

实际电力负荷序列都是不平稳的，一般可经过差分处理将其变成平稳序列，具体方

法为：

a.用差分算子消去负荷序列增长趋势。定义一阶差分算子▽＝1－B，即有▽Yt＝Yt

－Yt－1，则d阶差分算子为▽d。一般只需1到3阶差分，就能消去负荷序列的

增长。

b.周期差分算子消去负荷序列周期性变化。定义周期差分算子▽s＝1－Bs，即有

▽sYt＝Yt－Yt－s，一般经过周期差分便可消去负荷序列的周期性变化。

经过以上处理，最终可得到平稳的负荷序列，然后可以建立FARIMA（p，d.q）

模型，该模型的基本形式为：

式中s为Yt的变化周期。

2基于小波去噪的ARIMA模型的建立

2.1小波去噪

由于受电力系统中众多因素的影响，电力负荷序列受噪声干扰严重，直接对含噪序

列进行预测精度很难达到要求，本文首先通过DWT对原始负荷数据进行去噪。三

阶多贝西小波（db3）在时间序列分析中有很好的处理能力［4］，本文也选用三

阶的小波变换进行去噪，分解结果包含低频成分和高频成分。

2.2建立ARIMA模型

a.平稳性检验。对原始序列进行平稳性检验，如果该序列不满足平稳性条件，则可

选择相应的差分处理方法将该序列变为平稳序列。常用的平稳性检验方法有：自相

关、偏相关系数图检验法，数据图检验法，特征根检验法，参数检验法，逆序检验

法等。

b.模型识别。确定相应ARMA模型的阶数（即p、q值）。本文采用赤池信息量

（AIC）准则进行模型定阶［5