基于周期性成分分析的短期尖峰负荷预测

梁 武，李 丽，赵 云，徐宜臻，潘志鸿，车金星

(1. 宿州学院 数学与统计学院，安徽 宿州 234000;2. 南昌工程学院 理学院，南昌 330099;3. 国网修水县电力公司，江西 修水 332400)

短期尖峰负荷预测主要为电力系统制定发电计划和电力系统规划服务，并从而促使电力系统运行的可能性及经济性得到有效提高。［1，2］所以，确保短期尖峰负荷预测准确可靠，不仅能有效提高电力系统运行的安全性而且还能有效促使电力系统有效运行，经济效益的提高。［3］

常见的负荷预测方法主要有两类:线性类统计模型和非线性类智能模型。线性类统计模型最为经典的是ARIMA 模型，并有很多学者提出了相应的预测模型。［4－6］非线性类智能模型最为经典的是神经网络模型，并有很多学者提出了相应的预测模型。［7，8］神经网络模型优点是预测精度高，但其缺点是黑盒建模过程、这将导致可解释性很差;ARIMA 模型优点是理论基础完备、具有较好解释性，但其缺点是对数据具有一定要求、往往需要对原始数据作足够的预处理、以便获得更好的建模效果。实际上，没有任何一个预测模型可以对不同的数据集都取得很好的效果，因此，我们需要结合具体的数据集来建立相应的预测模型。

在本文中，考虑到短期负荷具有较强的周期性变化的特征，设计了一种基于周期性成分分析的混合预测模型。首先，依据短期负荷的周期性变化特征主要是星期和月份，设立了19 周期成分:包括7 个星期周期和12 个月份周期变量;再利用多元线性回归模型估计出上述各周期成分的影响值，从而为尖峰负荷的内在结构提供可解释性;最后，利用ARIMA 模型建立短期尖峰负荷需求与其内在成分的关系模型。……