本文關鍵詞：基于GM-ARIMA模型的發(fā)電量預測研究

  更多相關文章： ARIMA模型 非等間隔GM(1 1)模型 GM-ARIMA模型 發(fā)電量預測

【摘要】：發(fā)電量預測是電力系統(tǒng)規(guī)劃與運行的基礎,是電力市場運作中的重要組成部分。目前,對發(fā)電量預測的研究已經(jīng)比較深入,常用的發(fā)電量預測方法有：灰色預測法、線性回歸模型、自回歸移動平均模型及人工神經(jīng)網(wǎng)絡算法等。其中回歸預測模型和時間序列模型是該領域最成熟的兩個模型�；貧w預測模型通過建立發(fā)電量與其他相關變量之間的模型來預測發(fā)電量,但是由于影響發(fā)電量的外部因素錯綜復雜,準確分析其對發(fā)電量的影響比較困難。另一種有效的方法是利用時間序列模型對發(fā)電量本身的歷史數(shù)據(jù)進行分析研究,進而預測未來的發(fā)電量。本文采用時間序列模型對發(fā)電量預測進行研究。 在電力市場化過程中,發(fā)電量預測的精度直接關系到各方的利益。因此,如何提高模型的預測精度吸引了越來越多人的關注。本文在現(xiàn)有模型的基礎上探究更為精確、有效的方法。首先分別介紹了單整自回歸移動平均模型(ARIMA模型)和灰色預測模型(GM(1,1)模型),接著提出了基于灰色預測理論修正的ARIMA模型,以提高模型的預測精度。最后根據(jù)2008年—2013年我國甘肅省5年的發(fā)電量數(shù)據(jù)建立合適的ARIMA模型,并將基于非等間隔GM(1,1)模型的殘差修正法用于ARIMA模型的優(yōu)化和改進,得到(GM-ARIMA模型的預測結果。最終,對比ARIMA模型、GM(1,1)模型以及GM-ARIMA模型的預測結果,發(fā)現(xiàn)GM-ARIMA模型達到了提高模型預測精度的目的。
【關鍵詞】：ARIMA模型 非等間隔GM(1 1)模型 GM-ARIMA模型 發(fā)電量預測
【學位授予單位】：蘭州大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：C815
【目錄】：

• 摘要3-4
• Abstract4-8
• 第一章 緒論8-13
• 1.1 論文選題背景及研究意義8-9
• 1.1.1 論文選題背景8-9
• 1.1.2 論文研究意義9
• 1.2 國內外研究現(xiàn)狀9-12
• 1.2.1 傳統(tǒng)預測方法9-10
• 1.2.2 新興預測方法10
• 1.2.3 組合預測方法10-11
• 1.2.4 殘差修正法11-12
• 1.3 本文的研究內容及結構安排12-13
• 第二章 ARIMA模型13-21
• 2.1 ARIMA模型概述13-14
• 2.1.1 時間序列分析法簡述13
• 2.1.2 ARIMA模型的提出13
• 2.1.3 ARIMA模型的構成13-14
• 2.2 ARIMA模型14
• 2.3 平穩(wěn)性條件14-15
• 2.3.1 AR(p)模型的平穩(wěn)性條件14-15
• 2.3.2 MA(q)模型的平穩(wěn)性條件15
• 2.3.3 ARIMA(p,d,q)模型的平穩(wěn)性條件15
• 2.4 ADF單位根檢驗15-18
• 2.4.1 DF檢驗15-16
• 2.4.2 DF檢驗的等價表達16-17
• 2.4.3 DF檢驗的三種類型17
• 2.4.4 ADF檢驗17-18
• 2.5 建模流程18-21
• 2.5.1 數(shù)據(jù)的平穩(wěn)化處理18
• 2.5.2 自相關函數(shù)和偏自相關函數(shù)18
• 2.5.3 ARIMA模型識別規(guī)則18-19
• 2.5.4 參數(shù)估計19
• 2.5.5 模型定階19
• 2.5.6 模型檢驗19-20
• 2.5.7 模型預測20-21
• 第三章 灰色預測模型21-27
• 3.1 灰色系統(tǒng)基本理論21
• 3.2 傳統(tǒng)灰色預測模型21-23
• 3.2.1 GM(1,1)建模原理21-22
• 3.2.2 GM(1,1)模型檢驗22-23
• 3.3 基于灰色預測理論修正ARIMA模型23-27
• 3.3.1 改進原理23-24
• 3.3.2 GM-ARIMA模型流程圖24-25
• 3.3.3 建立GM-ARIMA模型25-27
• 第四章 GM-ARIMA模型的應用-以甘肅省發(fā)電量預測為例27-37
• 4.1 數(shù)據(jù)來源27-28
• 4.1.1 數(shù)據(jù)來源27-28
• 4.1.2 作圖28
• 4.2 基于ARIMA模型甘肅省發(fā)電量預測28-33
• 4.2.1 甘肅省發(fā)電量數(shù)據(jù)的平穩(wěn)化處理28-30
• 4.2.2 ARIMA模型的識別與建立30-32
• 4.2.3 ARIMA模型預測32-33
• 4.3 基于GM-ARIMA模型甘肅省發(fā)電量預測33-34
• 4.3.1 基于灰色預測理論改進ARIMA模型33
• 4.3.2 甘肅省發(fā)電量數(shù)據(jù)分析33-34
• 4.4 結果分析34-37
• 4.4.1 常用模型精度評價指標34-35
• 4.4.2 結果分析35-36
• 4.4.3 積極政策指導36-37
• 第五章 結論與展望37-38
• 參考文獻38-39
• 在學期間的研究成果39-40
• 致謝40

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 光輝;李國芬;;基于神經(jīng)網(wǎng)絡的GM(1,1)預測模型殘差修正研究[J];城市勘測;2008年01期

2 盧建昌,張世英,牛東曉;基于ARIMA的發(fā)電量預測方法[J];華北電力大學學報;2004年03期

3 張穎,高中文;基于時間序列和神經(jīng)網(wǎng)絡的電力系統(tǒng)負荷預測[J];哈爾濱理工大學學報;2003年01期

4 熊志剛,吳強;灰色Verhulst模型的樣條插值函數(shù)的殘差修正[J];數(shù)學理論與應用;2005年01期

5 唐小我;最優(yōu)組合預測方法及其應用[J];數(shù)理統(tǒng)計與管理;1992年01期

6 范海軍,陳月明;用組合模型預測油田產油量[J];石油大學學報(自然科學版);1998年03期

7 王艷明,許啟發(fā);時間序列分析在經(jīng)濟預測中的應用[J];統(tǒng)計與預測;2001年05期

8 薛可,李增智,劉瀏,宋承謙;基于ARIMA模型的網(wǎng)絡流量預測[J];微電子學與計算機;2004年07期

9 馬光思;白燕;;基于灰色理論和神經(jīng)網(wǎng)絡建立預測模型的研究與應用[J];微電子學與計算機;2008年01期

10 譚滿春;馮犖斌;徐建閩;;基于ARIMA與人工神經(jīng)網(wǎng)絡組合模型的交通流預測[J];中國公路學報;2007年04期

，

本文編號：717464