一种基于季节指数灰色模型的工业用电量预测方法

1.本发明涉及工业用电预测的技术领域，具体地说是一种基于季节指数灰色模型的工业用电量预测方法。


背景技术：

2.一直以来，工业用电量都是全社会用电量的重要组成部分，是电力系统经济调度中的一项重要内容。随着工业经济的快速发展，工业用电量的消耗也在以飞快的速度增长，全社会电力消耗中工业用电的占比也越来越大。考虑到电能无法大规模存储使用的特性，能准确进行工业用电量预测，将有效提高电力资源的合理配置。
3.在电力需求预测研究中，越来越多的学者将预测方法融入了具体的实践。在这些具体实践，有趋势外推法、弹性系数法、回归分析法、时间序列法、卡尔曼滤波法、灰色理论预测等方法。但近年研究发现，国内工业园区的工业用电量不但呈现了比较明显增长趋势，而且受到经济、政策、气候、节假日的影响，呈现了复杂的非线性组合特征，单一的各种预测方法对于工业用电量的预测的准确性欠佳。
4.公开号为cn107679659a的发明专利申请公开了一种新型工业用电量方法，包括定性分析高耗能行业用电量与工业用电量之间的关系以及高耗能行业经济指标与用电指标之间的关系；根据定性分析结果构建高耗能行业用电量预测模型；构建工业用电量预测模型；根据预测区域当前经济发展环境设定外生变量；对工业用电量进行预测。该方法仅用于高耗能行业的用电量的分析，不具备普遍性。


技术实现要素：

5.为了解决上述的技术问题，本发明提出的基于季节指数灰色模型的工业用电量预测方法，充分考虑到国内工业园区工业用电量不但呈现了比较明显增长趋势，而且受到经济、政策、气候、节假日的影响，呈现了复杂的非线性组合特征，有效利用了灰色模型擅长描述数据序列的内部特征及发展趋势，又巧妙地在采用灰色模型建模的前后引入季节指数进行建模数据修正和预测数据恢复，使其有效反映真实数据的季节性波动，得到更为准确的预测结果，为电力能源机构有效进行电力资源合理配置提供一定的数据支撑。
6.本发明的目的是提供一种基于季节指数灰色模型的工业用电量预测方法，包括进行历史数据取样并确定取样数据序列，还包括以下步骤：
7.步骤1：提取季节指数；
8.步骤2：修正所述取样数据序列；
9.步骤3：构建灰色gm模型；
10.步骤4：进行所述灰色gm模型预测，形成模型的预测序列；
11.步骤5：对所述预测序列进行逆调整；
12.步骤6：对所述灰色gm模型进行检验；
13.步骤7：输出预测值。
14.优选的是，所述进行历史数据取样并确定取样数据序列步骤包括获取某地区工业用电量历史数据，以固定时间为统计时间间隔，统计相同时间范围内工业用量数据，形成时间序列样本，生成所述取样数据序列x
(0)
＝{x
1(0)
,x
2(0)
,
…
,x
n(0)
}，其中，n为自然数。
15.在上述任一方案中优选的是，所述步骤1包括根据所述取样数据序列x
(0)
,选定其时距项数n，依次求解该序列的移动平均序列x
(1)
、各时期取样序列与移动平均序列数据比率c，并以所求得的数据比率为基础，分别求解不同时距中相同时期的平均比率最后分离季节指数si，其中，i为时距项数，i＝1,2,
…
,n。
16.在上述任一方案中优选的是，所述步骤1包括以下子步骤：
17.步骤11：根据所述取样数据序列x
(0)
的取数具体特征，选定其时距项数n，求得该序列的移动平均序列x
(1)
＝{x
1(1)
,x
2(1)
,
…
,x
m(1)
}，公式为：
[0018][0019]
其中，x
m(0)
为取样数据序列x
(0)
的数据，m＝1,2,
…
,n-n；
[0020]
步骤12：用同时期的取样序列数据与移动平均序列数据进行求解，得到数据比率c
i+n/2
，公式为：
[0021][0022]
步骤13：以各时期数据比率c基础，用时距进行划分，分别计算不同时距在同时期比率的平均值再求得季节指数s，公式为：
[0023][0024]
其中，i＝1,2,
…
,n。
[0025]
在上述任一方案中优选的是，所述步骤2包括以下子步骤：
[0026]
步骤21：提取所述取样数据序列x
(0)
；
[0027]
步骤22：提取所述季节指数si；
[0028]
步骤23：剔除季节波动，计算得到一组没有季节性波动的平稳光滑序列x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}，计算公式为：
[0029]
x
i(2)
＝x
i(0)
/s。
[0030]
在上述任一方案中优选的是，所述步骤3包括将所述平稳光滑序列x
(2)
设定为建模序列y
(0)
，利用常规的灰色gm模型，分别计算其一次累加生成序列y
(1)
和紧邻均值生成序列z
(1)
，构建gm灰色微分方程和白化微分方程，在给定初始值的基础上，求得预测模型其中，k为自然数。
[0031]
在上述任一方案中优选的是，所述建模序列为
[0032]y(0)
＝{y
1(0)
,y
2(0)
,
…
,y
n(0)
}＝x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}。
[0033]
在上述任一方案中优选的是，所述一次累加生成序列为
[0034]y(1)
＝(y
1(1)
,y
2(1)
,
…
,y
k(1)
)
[0035][0036]
其中，y
i(0)
》0，k＝1,2,
…
,n。
[0037]
在上述任一方案中优选的是，所述紧邻均值生成序列为
[0038]zk(1)
＝0.5y
k(1)
+0.5y
k-1(1)
[0039]
其中，k＝2,3,
…
,n。
[0040]
在上述任一方案中优选的是，所述gm灰色微分方程为
[0041]-az
k(1)
+b＝y
k(0)
[0042]
其中，a和b由最小二乘法(a,b)
t
＝(b
t
b)-1
进行求解，k＝2,3,
…
,n。
[0043]
在上述任一方案中优选的是，在所述gm灰色微分方程中，将离散量k视为连续变量t，形成白化微分方程，所述白化微分方程为
[0044][0045]
其中，t为连续变量。
[0046]
在上述任一方案中优选的是，所述预测模型为
[0047][0048]
其中，k＝1,2,
…
。
[0049]
在上述任一方案中优选的是，所述步骤4包括将所述预测模型进行计算，取k＝1,2,
…
后再进行累减计算，计算公式为：并补充预测的初始值为建模序列的初始值形成模型的预测序列
[0050]
在上述任一方案中优选的是，所述步骤5包括以下子步骤：
[0051]
步骤51：提取所述预测序列
[0052]
步骤52：提取所述季节指数si；
[0053]
步骤53：恢复季节波动，计算得到新序列公式为
[0054][0055]
步骤54：当k≤n时，所述新序列为拟合值；当k》n时，所得新序列为预测
值。
[0056]
在上述任一方案中优选的是，所述步骤6包括以下子步骤：
[0057]
步骤61：进行残差检验；
[0058]
步骤62：进行关联度检验；
[0059]
步骤63：进行后验差检验。
[0060]
在上述任一方案中优选的是，所述步骤61包括利用取样序列和拟合值进行残差计算，得到平均相对残差当平均相对残差时，则表示该指标合格，公式为：
[0061][0062][0063][0064]
其中，δ
(0)
(i)为残差，e(i)为相对误差。
[0065]
在上述任一方案中优选的是，所述步骤62包括以所述残差为基础，计算得到关联系数，然后求解灰关联度r，当灰关联度r》0.6时，则表示该指标合格，公式为：
[0066][0067][0068][0069][0070]
其中，ξ(k)为关联系数，δ
min
为最小级差，δ
max
为最大级差。
[0071]
在上述任一方案中优选的是，所述后验差检验按照均方差比和小误差概率进行检验，当所述均方差比c《0.8且所述小误差概率p》0.6时，则表示该指标合格，公式为：
[0072][0073][0074][0075]
[0076]
其中，c为均方差比，p为小误差概率。
[0077]
在上述任一方案中优选的是，所述步骤7包括当所述灰关联度r、所述均方差比c和所述小误差概率p都合格，则表示模型能满足精度要求，将所述新序列作为预测值输出。
[0078]
本发明提出了一种基于季节指数灰色模型的工业用电量预测方法，有效利用了灰色模型擅长描述数据序列的内部特征及发展趋势，又巧妙地在采用灰色模型建模前引入季节指数对原始序列进行季节调整，以消除季节因素对建模的影响。
附图说明
[0079]
图1为按照本发明的基于季节指数灰色模型的工业用电量预测方法的一优选实施例的流程图。
[0080]
图2为按照本发明的基于季节指数灰色模型的工业用电量预测方法的另一优选实施例的流程图。
[0081]
图3为按照本发明的基于季节指数灰色模型的工业用电量预测方法的工业用电量预测结果与实际值对比的一实施例的结果示意图。
具体实施方式
[0082]
下面结合附图和具体的实施例对本发明做进一步的阐述。
[0083]
实施例一
[0084]
如图1所示，执行步骤100，进行历史数据取样并确定取样数据序列。获取某地区工业用电量历史数据，以固定时间为统计时间间隔，统计相同时间范围内工业用量数据，形成时间序列样本，生成所述取样数据序列x
(0)
＝{x
1(0)
,x
2(0)
,
…
,x
n(0)
}，其中，n为自然数。
[0085]
执行步骤110，提取季节指数。根据所述取样数据序列x
(0)
,选定其时距项数n，依次求解该序列的移动平均序列x
(1)
、各时期取样序列与移动平均序列数据比率c，并以所求得的数据比率为基础，分别求解不同时距中相同时期的平均比率最后分离季节指数si，其中，i为时距项数，i∈(1,2,
…
,n)。包括以下子步骤：
[0086]
执行步骤111，根据所述取样数据序列x
(0)
的取数具体特征，选定其时距项数n，求得该序列的移动平均序列x
(1)
＝{x
1(1)
,x
2(1)
,
…
,x
m(1)
}，公式为：
[0087][0088]
其中，x
m(0)
为取样数据序列x
(0)
的数据，m＝1,2,
…
,n-n；
[0089]
执行步骤112，用同时期的取样序列数据与移动平均序列数据进行求解，得到数据比率c
i+n/2
，公式为：
[0090][0091]
执行步骤113，以各时期数据比率c基础，用时距进行划分，分别计算不同时距在同时期比率的平均值再求得季节指数s，公式为：
[0092][0093]
其中，i＝1,2,
…
,n。
[0094]
执行步骤120，修正所述取样数据序列，包括以下子步骤：
[0095]
执行步骤121，提取所述取样数据序列x
(0)
；
[0096]
执行步骤122，提取所述季节指数si；
[0097]
执行步骤123，剔除季节波动，计算得到一组没有季节性波动的平稳光滑序列x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}，计算公式为：
[0098]
x
i(2)
＝x
i(0)
/s。
[0099]
执行步骤130，构建灰色gm模型。将所述平稳光滑序列x
(2)
设定为建模序列y
(0)
，利用常规的灰色gm模型，分别计算其一次累加生成序列y
(1)
和紧邻均值生成序列z
(1)
，构建gm灰色微分方程和白化微分方程，在给定初始值的基础上，求得预测模型其中，k为自然数。
[0100]
所述建模序列为
[0101]y(0)
＝{y
1(0)
,y
2(0)
,
…
,y
n(0)
}＝x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}。
[0102]
所述一次累加生成序列为
[0103][0104][0105]
其中，y
i(0)
》0，k＝1,2,
…
,n。
[0106]
所述紧邻均值生成序列为
[0107]zk(1)
＝0.5y
k(1)
+0.5y
k-1(1)
[0108]
其中，k＝2,3,
…
,n。
[0109]
所述gm灰色微分方程为
[0110]-az
k(1)
+b＝y
k(0)
[0111]
其中，a和b由最小二乘法(a,b)
t
＝(b
t
b)-1
进行求解，k＝2,3,
…
,n。
[0112]
在所述gm灰色微分方程中，将离散量k视为连续变量t，形成白化微分方程，所述白化微分方程为
[0113][0114]
其中，t为连续变量。
[0115]
所述预测模型为
[0116][0117]
其中，k＝1,2,
…
。
[0118]
执行步骤140，进行所述灰色gm模型预测，形成模型的预测序列。将所述预测模型进行计算，取k＝1,2,
…
后再进行累减计算，计算公式为并补充预测的初始值为建模序列的初始值形成模型的预测序列
[0119]
执行步骤150，对所述预测序列进行逆调整，包括以下子步骤：
[0120]
执行步骤151，提取所述预测序列
[0121]
执行步骤152，提取所述季节指数si；
[0122]
执行步骤153，恢复季节波动，计算得到新序列公式为
[0123][0124]
执行步骤154，当k≤n时，所述新序列为拟合值；当k》n时，所得新序列为预测值。
[0125]
执行步骤160，对所述灰色gm模型进行检验，包括以下子步骤：
[0126]
执行步骤161，进行残差检验，利用取样序列和拟合值进行残差计算，得到平均相对残差当平均相对残差时，则表示该指标合格，公式为：
[0127][0128][0129][0130]
其中，δ
(0)
(i)为残差，e(i)为相对误差；
[0131]
执行步骤162，进行关联度检验，以所述残差为基础，计算得到关联系数，然后求解灰关联度r，当灰关联度r》0.6时，则表示该指标合格，公式为：
[0132][0133][0134]
[0135][0136]
其中，ξ(k)为关联系数，δ
min
为最小级差，δ
max
为最大级差；
[0137]
执行步骤163，进行后验差检验，所述后验差检验按照均方差比和小误差概率进行检验，当所述均方差比c《0.8且所述小误差概率p》0.6时，则表示该指标合格，公式为：
[0138][0139][0140][0141][0142]
其中，c为均方差比，p为小误差概率。
[0143]
执行步骤170，输出预测值。当所述灰关联度r、所述均方差比c和所述小误差概率p都合格，则表示模型能满足精度要求，将所述新序列作为预测值输出。
[0144]
实施例二
[0145]
本发明提出一种基于季节指数灰色模型的工业用电量预测的方法，如图2所示，包括以下步骤：
[0146]
步骤s1：历史数据取样。获取某地区工业用电量历史数据，可以以固定时间(通常与季节变动长度一致)为统计时间间隔，统计相同时间范围内工业用量数据，形成时间序列样本，用于确定取样序列。
[0147]
步骤s2：季节指数提取。根据步骤s1确定的取样序列x
(0)
，选定其时距项数n，依次求解该序列的移动平均序列x
(1)
、各时期取样序列与移动平均序列数据比率c，并以所求得的数据比率为基础，分别求解不同时距中相同时期的平均比率最后分离季节指数si。具体为：
[0148]
s201)根据步骤s1确定取样序列为x
(0)
＝{x
1(0)
,x
2(0)
,
…
,x
n(0)
}，并以该序列的取数具体特征，选定其时距项数n，求得该序列的移动平均序列x
(1)
＝{x
1(1)
,x
2(1)
,
…
,x
m(1)
}，公式如下：
[0149]
m＝1,2,
…
,n-n；
[0150]
s202)因为平均序列相对原始序列，其数列的项数在首尾各减少n/2项，在求解比率序列c的时候要考虑不同序列的时期一定要相同，用同时期的取样序列数据与移动平均序列数据进行求解，公式如下：
[0151][0152]
s203)以s202所求得各时期数据比率c基础，用时距进行划分，分别计算不同时距在同时期比率的平均值再求得季节指数s，公式如下：
[0153]
i＝1,2,
…
,n，其中n为时距项数。
[0154]
步骤s3：取样序列数据修正。将步骤s1确定的取样序列x
(0)
除以季节指数，剔除其季节波动，得到一组没有季节性波动的平稳光滑新序列x
(2)
。具体为：
[0155]
s301)提取步骤s1所得取样序列x
(0)
＝{x
1(0)
,x
2(0)
,
…
,x
n(0)
}；
[0156]
s302)提取步骤s2所得季节指数si；
[0157]
s303)剔除季节波动，计算得到新序列x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}，计算公式为：x
i(2)
＝x
i(0)
/s，公式中s为季节指数，但是季节指数的数目为一个时距项数，故在计算时，取样序列x
(0)
和新序列x
(2)
要按照时距对应取数。
[0158]
步骤s4：构建灰色gm模型。将步骤s3计算得到新序列x
(2)
为设定为建模序列y
(0)
，利用常规的灰色gm模型，分别计算其一次累加生成序列y
(1)
和紧邻均值生成序列z
(1)
，构建gm灰色微分方程和白化微分方程，在给定初始值的基础上，求得预测模型具体为：
[0159]
建模序列y
(0)
＝{y
1(0)
,y
2(0)
,
…
,y
n(0)
}＝x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}
[0160]
一次累加生成序列y
(1)
＝(y
1(1)
,y
2(1)
,
…
,y
k(1)
)，式中，)，式中，k＝1,2,
…
,n；
[0161]
紧邻均值生成序列z
k(1)
＝0.5y
k(1)
+0.5y
k-1(1)
；
[0162]
gm灰色微分方程-az
k(1)
+b＝y
k(0)
，k＝2,3,
…
,n；
[0163]
白化微分方程
[0164]
给定初始值
[0165]
预测模型k＝0,1,2,
…
；
[0166]
式中参数a，b可由最小二乘法(a,b)
t
＝(b
t
b)-1
进行求解，
[0167]
步骤s5：模型预测。将步骤s4中预测模型计算得到的进行计算，取k＝1,2,
…
后再进行累减计算，计算公式为：k＝0,1,2,
…
，并补充预测的初始
值为建模序列的初始值形成模型的预测序列k＝0,1,2,
…
。
[0168]
步骤s6：预测序列逆调整。将步骤s5得到的预测序列乘以季节指数，恢复数据的季节波动特性，得到拟合值和预测值。具体为：s601)提取步骤s5所得预测序列s602)提取步骤s2所得季节指数si；
[0169]
s603)恢复季节波动，计算得到新序列计算公式为：k＝0,1,2,
…
，其中s为季节指数，且需要考虑季节指数的数目为一个时距项数，故在计算时，新序列以一个时距为周期分别进行计算求解。
[0170]
s604)当k≤n时，所得新序列为拟合值；当k》n时，所得新序列为预测值。
[0171]
步骤s7：模型检验。根据步骤s6得到拟合值，利用残差检验、关联度检验和后验差对拟合值的精确度进行检验，来判定模型是否适合进行数据预测。具体为：
[0172]
s701)残差检验。利用取样序列和拟合值进行残差计算，得到平均相对残差，公式为：残差相对误差平均相对残差当平均相对残差则表示该指标合格。
[0173]
s702)关联度检验。以s701所得残差为基础，计算得到关联系数，然后求解灰关联度，公式为：关联系数其中最小级差δ
min
＝min
i mink(k)，最大级差δ
max
＝max
i minkδi(k)；灰关联度当灰关联度r》0.6，则表示该指标合格。
[0174]
s703)后验差检验。后验差检验是按照均方差比和小误差概率两个指标来进行检验的，公式为：均方差比式中，式中，
[0175]
；小误差概率当均方差比c《0.8，小误差概率p》0.6，则表示该指标合格。
[0176]
步骤s8：预测值输出。通过步骤s7模型检验，如果三项指标均合格，则表示模型能满足精度要求，可以进行预测。将步骤s6所求得的预测值输出。
[0177]
本发明提供的基于季节指数灰色模型的工业用电量预测方法，其优点在于：充分考虑到国内工业园区工业用电量不但呈现了比较明显增长趋势，而且受到经济、政策、气候、节假日的影响，呈现了复杂的非线性组合特征，有效利用了灰色模型擅长描述数据序列的内部特征及发展趋势，又巧妙地在采用灰色模型建模的前后引入季节指数进行建模数据修正和预测数据恢复，使其有效反映真实数据的季节性波动，得到更为准确的预测结果，为
电力能源机构有效进行电力资源合理配置提供一定的数据支撑。
[0178]
实施例三
[0179]
为了验证基于季节指数灰色模型的工业用电量预测方法的有效性，本发明使用实测数据进行了测试。实测数据为苏州工业用电量连续3年(2003年1月至2005年12月)共36个月的数据，将常规的灰色模型作为模型1，本发明的基于季节指数灰色模型作为模型2，预测未来一年各月份的工业用电量。
[0180]
模型1的预测结果如下：
[0181]
模型1预测值＝[46.55，47.51，48.49，49.49，50.51，51.55，52.62，53.70，54.81，55.94，57.09，58.27]
[0182]
本发明的模型2预测结果如下：
[0183]
模型2预测值＝[40.38，38.83，46.72，46.93，48.93，52.80，57.84，56.80，52.78，52.63，56.56，58.75]
[0184]
经查询，苏州工业用电量在2006年的实际数据如下：
[0185]
实际值＝[40.43，37.34，46.16，46.43，47.88，51.72，56.32，57.28，47.42，49.21，52.37，55.86]。
[0186]
如图3所示，其表示常规的灰色预测法、本发明的基于季节指数灰色模型的工业用电量预测结果与实际值的对比。
[0187]
测试结果表明了本发明的基于季节指数灰色模型在预测工业用电量时具有良好的准确度，可以较好地满足实际要求。
[0188]
为了更好地理解本发明，以上结合本发明的具体实施例做了详细描述，但并非是对本发明的限制。凡是依据本发明的技术实质对以上实施例所做的任何简单修改，均仍属于本发明技术方案的范围。本说明书中每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言，由于其与方法实施例基本对应，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

技术特征：
1.一种基于季节指数灰色模型的工业用电量预测方法，包括进行历史数据取样并确定取样数据序列，其特征在于，还包括以下步骤：步骤1：提取季节指数；步骤2：修正所述取样数据序列；步骤3：构建灰色gm模型；步骤4：进行所述灰色gm模型预测，形成模型的预测序列；步骤5：对所述预测序列进行逆调整；步骤6：对所述灰色gm模型进行检验；步骤7：输出预测值。2.如权利要求1所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述进行历史数据取样并确定取样数据序列步骤包括获取某地区工业用电量历史数据，以固定时间为统计时间间隔，统计相同时间范围内工业用量数据，形成时间序列样本，生成所述取样数据序列x
(0)
＝{x
1(0)
,x
2(0)
,
…
,x
n(0)
}，其中，n为自然数。3.如权利要求2所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述步骤1包括根据所述取样数据序列x
(0)
,选定其时距项数n，依次求解该序列的移动平均序列x
(1)
、各时期取样序列与移动平均序列数据比率c，并以所求得的数据比率为基础，分别求解不同时距中相同时期的平均比率最后分离季节指数s
i
，其中，i为时距项数，i＝1,2,
…
,n。4.如权利要求3所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述步骤1包括以下子步骤：步骤11：根据所述取样数据序列x
(0)
的取数具体特征，选定其时距项数n，求得该序列的移动平均序列x
(1)
＝{x
1(1)
,x
2(1)
,
…
,x
m(1)
}，公式为：其中，x
m(0)
为取样数据序列x
(0)
的数据，m＝1,2,
…
,n-n；步骤12：用同时期的取样序列数据与移动平均序列数据进行求解，得到数据比率c
i+n/2
，公式为：步骤13：以各时期数据比率c基础，用时距进行划分，分别计算不同时距在同时期比率的平均值再求得季节指数s，公式为：其中，i＝1,2,
…
,n。5.如权利要求4所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述步骤2包括以下子步骤：步骤21：提取所述取样数据序列x
(0)
；
步骤22：提取所述季节指数s
i
；步骤23：剔除季节波动，计算得到一组没有季节性波动的平稳光滑序列x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}，计算公式为：x
i(2)
＝x
i(0)
/s。6.如权利要求5所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述步骤3包括将所述平稳光滑序列x
(2)
设定为建模序列y
(0)
，利用常规的灰色gm模型，分别计算其一次累加生成序列y
(1)
和紧邻均值生成序列z
(1)
，构建gm灰色微分方程和白化微分方程，在给定初始值的基础上，求得预测模型其中，k为自然数。7.如权利要求6所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述建模序列为y
(0)
＝{y
1(0)
,y
2(0)
,
…
,y
n(0)
}＝x
(2)
＝{x
1(2)
,x
2(2)
,
…
,x
i(2)
,
…
,x
n(2)
}。8.如权利要求7所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述一次累加生成序列为y
(1)
＝(y
1(1)
,y
2(1)
,
…
,y
k(1)
)其中，y
i(0)
>0，k＝1,2,
…
,n。9.如权利要求8所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述紧邻均值生成序列为z
k(1)
＝0.5y
k(1)
+0.5y
k-1(1)
其中，k＝2,3,
…
,n。10.如权利要求9所述的基于季节指数灰色模型的工业用电量预测方法，其特征在于，所述gm灰色微分方程为-az
k(1)
+b＝y
k(0)
其中，a和b由最小二乘法(a,b)
t
＝(b
t
b)-1
进行求解，进行求解，

技术总结
本发明提供一种基于季节指数灰色模型的工业用电量预测方法，包括进行历史数据取样并确定取样数据序列，还包括以下步骤：提取季节指数；修正所述取样数据序列；构建灰色GM模型；进行所述灰色GM模型预测，形成模型的预测序列；对所述预测序列进行逆调整；对所述灰色GM模型进行检验；输出预测值。本发明提出的基于季节指数灰色模型的工业用电量预测方法，利用了灰色模型擅长描述数据序列的内部特征及发展趋势，在采用灰色模型建模的前后引入季节指数进行建模数据修正和预测数据恢复，使其有效反映真实数据的季节性波动，得到更为准确的预测结果。测结果。测结果。


技术研发人员：陈慧敏 付丽琴 陈传玺
受保护的技术使用者：北京经济管理职业学院（北京经理学院）
技术研发日：2023.03.03
技术公布日：2023/7/19