[发明专利]一种基于向量自回归模型的电力需求预测方法

说明书

技术领域

本发明涉及一种基于向量自回归模型的电力需求预测方法，具体是通过计量经济学中的向量自回归模型开展电力需求预测。

背景技术

传统随着电力系统的日益发展，电力已成为工业生产和居民生活中最重要的二次能源。电能作为商品与其他商品相比，具有一定的特殊性，其最大的特点是不能存储，即电能的生产、运输、分配和消费是同时完成的。因此，电力系统内的可用发电容量，在正常状态下应满足系统内负荷的需求。当发电容量不够应采取必要的措施，如增加发电机组、减少负荷或从其他电网输入功率；相反，当发电容量过剩，则需要采取减少发电机组向其他电网输送多余功率。为了尽可能降低发电容量与电力需求间的差异，减少额外的操作(切机、切负荷等)，降低电力企业运营成本，应采取有效的方法对电力需求进行预测。

目前，按照预测的时间长短，电力需求预测可以分为短期预测、中期预测和长期预测，其对应的时间跨度分别为几分钟到一周、月度或季度、一年以上。我国于1992年开始引进电力需求侧管理(Demand Side Management DSM)的概念，进而开始了电力需求预测的研究和探索。目前见诸文献的电力需求预测的方法加多，大体分为经典预测方法和现代预测方法。经典预测思路往往只注重定性分析与预测，已经不能满足现有电力企业的需求。现代电力需求预测成为目前主流预测方法，其主要包括以下特征：测定量化、面对数据分析、定量与定性相结合、应用非线性预测及向智能化预测技术发展。因此，采用一种准确高效的预测手段对不同时间尺度内的电力需求进行预测，规划和指导发电企业、电网企业进行高效生产和调度电能具有重要的经济意义和工程价值。

目前，较为主流的预测方法主要包括采用最小二乘法或偏最小二乘法的中长期负荷预测、采用人工神经网络(Artificial Neural NetworkANN)、自回归移动平均模型(Autoregression Moving Average ARMA)、支持向量机(Support Vector Machine SVM)等方法进行中短期预测。这些方法往往是通过电力消费的历史数据来构造相应的预测函数，很少针对区域内其他可能影响电力需求的指标如相关经济指标进行描述和量化，同时对于经济与电力的相关性分析考虑不够全面，导致预测模型精确性欠缺。

发明内容

本发明的目的在于提供一种基于向量自回归模型的电力需求预测方法，该方法具有较强的泛化能力、预测精度较高等特点。

为实现上述目的，本发明的技术方案是：一种基于向量自回归模型的电力需求预测方法，通过收集待预测地区的经济数据和电力数据，利用向量自回归模型，进行电力需求预测。

在本发明一实施例中，所述经济数据包括3项经济指标，分别为固定资产投资、社会消费品零售总额、净出口贸易总额；所述电力数据包括全社会用电量。

在本发明一实施例中，所述经济数据和电力数据需要进行整理清洗，并进行对数化处理。

在本发明一实施例中，所述经济数据和电力数据进行对数化处理后，需进行平稳性校验，即采用dickey-fuller检验，检验每一列序列数据是否存在单位根，若存在，则对该序列数据进行差分处理，再对差分序列进行dickey-fuller检验，若仍然存在单位根则进一步差分处理，重复以上步骤，直至序列不存在单位根为止。

在本发明一实施例中，所述向量自回归模型为：

X_t＝α+A₁X_t-1+…+A_kX_t-k+ε_t

其中，ε_t代表零均值、有限方差的随机扰动，X_t代表第t期m个内生变量组成的m×1向量，X_t-k代表滞后k期的m个内生变量组成的m×1向量，A_k代表m×m系数矩阵，α代表m×1常数向量；上式写成矩阵形式如下：

在本发明一实施例中，所述向量自回归模型中的变量为经过平稳性校验的经济数据和电力数据。

在本发明一实施例中，所述向量自回归模型需通过赤池信息准则和施瓦茨信息准则来确定模型中变量的滞后阶数，其计算公式如下：

其中，M为极大似然估计，R为样本容量，L为滞后阶数；计算1到k阶的AIC和SIC值，当两者在相同阶数取到最小值时，该L值就是需要的滞后阶数；若AIC和SIC值在不同阶数取得最小值时，再参考似然比检验法LR确定滞后阶数。