基于ARIMA模型及线性神经网络的用电量需求预测研究.docx

基于ARIMA模型及线性神经网络的用电量需求预测研究
随着科学技术的不断进步，预测技术在各领域的应用也得到了广泛的关注和应用，用电量需求预测也是其中之一。随着不断增长的电力需求，能源供应和需求之间的平衡问题越来越突出，预测用电量需求就显得尤为重要。
ARIMA模型是一种广泛运用于时间序列预测的统计模型。ARIMA模型的基本假设是该时间序列是一个时间相关过程，即该过程在时间上是有规律的，具有可预测性。ARIMA模型整合了自回归（AR）、差分和移动平均（MA）这三种方法，可以对大多数经济、财务、社会或工业的时间序列数据进行预测。在用电量需求预测中，可以利用ARIMA模型学习不同时间段的用电量变化规律，从而对未来用电量进行预测。
另外，线性神经网络（LNN）是一种人工神经网络的形式，其可以对非线性关系进行预测，并将多个输入变量转换为一个输出变量。LNN模型包含输入层、隐藏层和输出层，采用反向传播算法进行训练，预测准确率较高。在用电量需求预测中，LNN模型可以学习用电量与时间、气温、季节等因素之间的内在关系，从而提高用电量的预测准确性。
前人已经尝试使用ARIMA模型和LNN模型进行用电量需求预测，但是两种模型各有优缺点。ARIMA模型适用于短时间的用电量预测，但无法考虑非线性关系；LNN模型可以适用于各种复杂情景，但需要大量的训练数据进行学习。
因此，本研究旨在综合运用ARIMA模型和LNN模型，提高用电量需求预测的准确性。具体步骤如下：
首先，利用ARIMA模型对历史用电数据进行拟合，确定最佳的ARIMA参数，得到ARIMA模型。接着，以季节性、气温、时间等影响因素为输入变量，以用电量为输出变量，建立LNN模型。然后，以ARIMA模型和LNN模型的合并结果作为最终的用电量预测结果，从而提高预测准确性。
针对电力系统的阶梯式变价政策的影响因素，本论文采用北京市电力公司的历史用电量及公开数据作为模型输入，进行预测研究。结果表明，综合运用ARIMA模型和LNN模型可以有效提高用电量需求预测的准确性。
总之，本研究在实际电力系统需求预测中，综合运用ARIMA模型和LNN模型，可以有效提高用电量需求的预测准确性，为电力系统提供更可靠的用电预测手段，减少能源浪费，在电力供应与需求之间取得更好的平衡。