基于GARCH误差修正的时间序列季节预测模型及应用

来源:用户上传      作者: 杨尚东 刘金朋 郭皓池

　　摘要：针对神经网络、支持向量机等方法对数据样本容量要求较高的问题，以及一般时间序列预测模型对最大负荷等随机因素拟合不足的问题，应用时间序列的季节乘法模型对地区月度最大负荷做预测，并用GARCH模型对预测误差进行修正.用某电网的真实数据作案例，结果表明，误差率仅为2%，预测精度良好.相比修正前的模型，误差率下降0.5%，证明误差修正模型有效.
　　关键词：月最大负荷预测；时间序列乘法模型；GARCH模型；误差修正
　　中图分类号：TM715，F224 文献标识码：A
　　The Multiplicative Model in Time Series and GARCH
　　Error Amending Model and Its Application
　　YANG Shang-dong1， LIU Jin-peng2， GUO Hao-chi2
　　（1. Research Department of Management Consulting，State Grid Energy Research Institute，Beijing 100052，China；
　　2. School of Economics and Management， North China Electric Power Univ， Beijing 102206， China）
　　Abstract： ANN and SVM forecasting models need large sample data， and the traditional time series forecasting model cannot fit sufficiently the biggest load due to random factors. And in order to overcome the shortcomings as mentioned， this paper applied the season-multiplicative model in time series to forecast the monthly peak load of region， and adopted the GARCH model to modify the forecasting error. The application results of the proposed model in a regional power grid show that the forecasting is precise， because the error rate is only 2%. And compared with the unmodified model， the new model’s error rate decreased by 0.5%.
　　Key words： monthly peak load forecasting； multiplicative model in time series； GARCH model； error amending
　　由于中长期最大负荷预测本身存在数据量比较少的特点[1]， 因而需要大样本的神经网络法和支持向量机等智能方法并不适用[2].相反，传统的时间序列模型可较好地描述最大负荷这一随机过程[3].但单用时间序列建模预测，因未考虑到的一些因素， 预测的残差可能存在自回归现象，故预测效果往往不理想[4].GARCH模型为自回归条件异方差模型[5]，能很好地消除预测残差存在的自回归现象[6].基于最大负荷数据的单一性、有限性以及季节性，本文将先用时间序列模型对最大负荷进行拟合，在此基础上再用GARCH模型对拟合误差做修正，以提高预测精度.
　　4 结 论
　　1）通过实例验证，将时间序列乘法模型应用在月最大负荷预测上，具有良好的拟合和预测能力.
　　2）用GARCH模型修正预测误差，在原先基础上消除了预测误差的自回归，具有良好的拟合以及预测能力.
　　参考文献
　　[1] 康重庆，夏清，张伯明.电力系统负荷预测研究综述与发展方向的探讨[J].电力系统自动化，2004，28（7）：1-11.
　　KANG Chong-qing， XIA Qing，ZHANG Bo-ming.Review of power system load forecasting and development[J].Automation of Electric Power Systems，2004，28（7）：1-11.（In Chinese）
　　[2] 牛东晓，谷志红，邢棉，等.基于数据挖掘的 SVM 短期负荷预测方法研究[J].中国电机工程学报，2006，26（18）：6-12.
　　NIU Dong-xiao，GU Zhi-hong，XING Mian，et al. Study on forecasting approach to short-term load of SVM based on data mining [J].Proceedings of CSEE，2006，26（18）：6-12. （In Chinese）
　　[3] ZHANG Xun，LAI K K， WANG Shou-yang.A new approach for crude oil price analysis based on Empirical Mode Decomposition[J].Energy Economics，2008，30（3）：905-918.
　　[4] 徐聪颖，廖峰，陈震海.灰色组合模型在中长期电力负荷预测中的应用[J]. 电力需求侧管理，2011，13（2）：20-23.
　　XU Cong-ying，LIAO Feng，CHEN Zhen-hai. Combination gray model in mid-term and long-term load forecasting [J]. Power DSM，2011，13（2）：20-23. （In Chinese）
　　[5] 李媛媛，牛东晓，乞建勋. 基于因散经验模式分解的电力负荷混合预测方法[J]. 电网技术， 2008，32（8）：58-62.
　　LI Yuan-yuan，NIU Dong-xiao，QI Jian-xun. A novel hybrid power load forecasting method based on ensemble empirical mode decomposition[J]. Power System Technology， 2008，32（8）： 58-62. （In Chinese）
　　[6] 高凤，张德生，郭熊娃. 基于相关系数的变权组合预测模型及其应用[J]. 陕西科技大学学报， 2013，31（3）：167-168.
　　GAO Feng， ZHANG De-sheng， GUO Xiong-wa. Variable weights combination forecast model based on the correlation coefficient and its application [J]. Journal of Shanxi University of Science and Technology 2013，31（3）：167-168. （In Chinese）
　　[7] WU Z，HUANG N E.Ensemble empirical mode decomposition：a noise-assisted data analysis method[J].Advances in Adaptive Data Analysis， 2009， 1（1）：1-41.
转载注明来源:https://www.xzbu.com/4/view-5438927.htm