基于季節調整與神經網絡融合算法的售電量預測

● 國網湖南省電力有限公司經濟技術研究院 陳耀紅 陳火焱 徐彬焜 國網湖南省電力有限公司 陳 勇 陳 翔

針對月度售電量波動性大、隨機性強、精準預測困難的特點，本文構建了一種結合數據預處理 （X11加法模型）和BP神經網絡算法的預測模型，結合宏觀經濟及自然環境采用歷史售電量、固定資產投資、梯度溫度等輸入參數進行月度售電量預測。實際結果表明，基于X11-BP神經網絡融合算法進行售電量預測，能夠較好模擬月度售電量的波動性，比單一BP神經網絡預測精度更高，可為電網公司和售電企業生產經營及規劃計劃管理提供重要數據參考。

1 方法介紹

1.1 季節分解

時間序列季節調整是對時間序列中隱含的因季節性因素造成的影響加以糾正的過程。季節調整的方法有X11方法、CensusX12方法、移動平均法、Tramo/Seats方法。本文主要采用X11方法中加法模型，如式1所示。

其中：Tt是趨勢項，St是季節項，It是隨機項。

經季節調整后的數據列分出三個子序列，包括長期趨勢列、季節因素列、不規則因素列（隨機列）。通過分離時間序列中季節變動因素和不規則要素，使得數據中的長期趨勢序列符合不同月份之間具有可比性的特征，從而能及時反映數據的趨勢變化，分析預測的結果更為可靠。

1.2 神經網絡算法

BP神經網絡算法具備多層次的前向反饋特性。首先數據信息前向傳播，通過隱含層進行逐層計算，然后傳送至輸出層。通過判斷輸出層獲得的結果不是期望值時，進入反向傳播，即按照誤差大小從輸出層經隱含層逐步向輸入層調整各閾值及聯結權值，直至預測值不斷接近或等于給定值。……