基于组合预测法的发电集团年发电量预测研究
小波分析组合预测方法在光伏发电量预测中的应用5
ARIMA—小波分析组合预测方法在光伏发电量预测中的应用摘要：光伏发电受外部环境因素的影响，具有波动性和间歇性，因此，加强光伏阵列发电预测的研究对于电网安全经济调度有重要意义。
为了提高光伏发电量预测的精度，以尽可能达到工程应用的要求，本文提出一种以小波分析的消噪原理对ARIMA(Autoregressive Integrated Moving A verage Model)模型进行优化修正的组合预测方法，最后运用该模型对武汉新城国际博览中心光伏电站采集的数据进行实验，实验误差结果表明，该模型简单，计算量小，具有较好的可行性，而且用该模型预测能够达到工程应用上的要求。
关键词：光伏发电量预测；时间序列；自回归移动平均模型；小波分析Application Research On Photovoltaic Power Generation Prediction Based On ARIMA-Wavelet Analysis combined forecasting method ABSTRACT:KEY WORDS: photovoltaic power generation prediction; time series; Autoregressive Integrated Moving A verage Model; Wavelet Analysis1 引言随着全球范围内能源紧缺和环保问题的日益突出，可再生能源的利用引起广泛的重视。
光伏发电作为一种重要的可再生能源形式，它是目前可再生能源技术中最具规模化开发条件和商业化发展前景的发电方式之一，越来越受到人们的关注。
目前大规模的光伏发电系统已经在国内外大量建成，但是由于光伏发电系统的发电量变化是一个非平稳的随机过程，光伏发电系统相对于大电网将是一个不可控源，其发电随机性会对大电网造成冲击。
通过日发电量预测，可以优化新能源与传统能源之间的配合，提高电网运行经济性。
组合预测方法研究及其在电力负荷预测中的应用
文章编号
１０ — ３ ９ ２ ０ ） ４ ０ ５ — ０ ５ ９ ６ （０ ８ ０ — ０ １０ ４
组合预测方法研 究及其在 电力负荷预测 中的应用
王 吉权 ，赵 玉林 ，马 力
（ 北 农业 大 学 工 程 学 院 ，哈 尔 滨 １０ ３ 东 ５ ０ ０）
摘
要：文章通过对组合预测模型权重求解方法的研 究，给 出了一种运 用二次规 划来求解组合预 测模型权重的
求解上述组合预测模型的关键是确定各单一预 测模型的权重 ，为了求 出权重 ，可建立以预测误差
平方 和最 小为 目标 的数 学模 型 ，即 ：
合 预测是将 各种 预测效果进 行总体性综 合考虑 ， 因此 比单一预测模型更 系统 、更全 面 ，并 能有效
地 提 高预测 精度 。 自从 Ｂ ｔｓ Ｇａｇｒ 次 提 出 组合 预测 方 法 ａ 和 ｒｎｅ 首 ｅ 以来 ，因它 能 有 效 地 提 高 预 测 精 度 ， 因而 受 到 国 内外 研究 者 的重 视 ３ １ 。长期 以来 ，国 内外 学 者对
中图 分 类 号 ：Ｔ ６ Ｍ７ 文 献 标 识 码 ：Ａ
电力系统负荷预测是实现 电力 系统安 全和经
济 运行 的前 提 ，是 调 度部 门 的重 要 工作 之一 。 准
ｍ个单一模型构成的组合预测模 型 ： ４ ］ 为
：
确的负荷预测有利 于有效地 降低发 电成本 ，保证 用 电需 求 ，增 强供 电可靠性 ，从而提 高电力 系统 的经济 效益和社会效 益＿＿ 目前没有任何一 种预 １。 ＿ ３
测结 果。因此 ，在做具体规划 时往往 先采 用几种
单 一 的 预 测 方法 进 行 预 测 ，不 同 的 预 测 方 法 提 供
基于混合神经网络的光伏发电量预测的研究与实现
基于混合神经网络的光伏发电量预测的研究与实现随着能源需求不断增长和可再生能源的重要性日益凸显，光伏发电作为一种清洁、可再生的能源形式，受到了广泛关注。
为了优化光伏发电的产能，提前预测光伏发电量十分重要。
本文将基于混合神经网络方法，对光伏发电量进行预测，并进行相关实现。
混合神经网络是神经网络和其他预测模型的结合，在光伏发电量预测中有较好的应用效果。
它综合了不同模型的优势，能够更好地拟合数据并提高预测精度。
本文将使用混合神经网络方法进行光伏发电量的预测。
在实现上，首先需要收集和整理光伏发电相关的数据，包括光照强度、温度、风速等气象数据，以及相应的光伏发电量数据。
然后将数据集分成训练集和测试集，其中训练集用于模型的训练和参数调优，测试集用于评估模型的预测效果。
接下来，选择合适的神经网络结构进行模型设计。
混合神经网络通常由多个隐含层组成，每个隐含层包含若干个神经元。
在本文中，可以选择具有多个卷积层和池化层的卷积神经网络结构，以及具有多个全连接层的前馈神经网络结构。
在模型训练过程中，采用梯度下降法进行参数优化，通过最小化误差函数来获取最优的模型参数。
同时，可以引入正则化技术，如L1或L2正则化，来减小模型的过拟合程度。
此外，还可以采用交叉验证方法选择最优的模型结构和参数。
完成模型训练后，使用测试集进行模型评估。
常用的评估指标包括均方根误差（RMSE）、平均绝对误差（MAE）等。
通过对比模型预测结果与真实值之间的差异，可以评估模型的准确性和预测能力。
最后，考虑到光伏发电量受多个因素影响，并且部分因素可能存在时序相关性，可以引入时间序列模型，如长短时记忆网络（LSTM）或门控循环单元（GRU），将时间维度考虑进来，提高模型预测能力。
综上所述，本文介绍了基于混合神经网络的光伏发电量预测的研究与实现。
通过合理选择神经网络结构、训练和调优模型参数、引入时间序列模型等手段，可以提高光伏发电量预测的准确性和可靠性。
混合神经网络方法在光伏发电领域有很大的应用潜力，并能够为光伏发电系统的优化提供重要的参考依据。
2024年电厂发电计划预测方法
在制定2024年电厂发电计划时，需要综合考虑多种因素，包括但不限于电力需求预测、能源供应情况、政策法规变化、市场趋势以及技术发展等。
以下是一种可能的预测方法，旨在为电厂管理者提供科学、合理的发电计划建议。
一、电力需求预测1.基于历史数据的趋势分析：通过分析过去几年的电力消费数据，识别出长期趋势和季节性模式，以此来估算未来的电力需求。
2.经济指标关联分析：电力需求通常与经济发展密切相关，因此可以通过对GDP、工业生产指数、人口增长等经济指标的预测来推断电力需求的变化。
3.政策导向分析：了解政府能源政策、产业政策以及环保政策等对电力需求的影响，例如节能减排政策可能会降低电力需求。
二、能源供应情况分析1.燃料价格走势：密切关注煤炭、天然气、石油等燃料的价格走势，以及替代能源（如太阳能、风能）的成本变化，这些都将影响电厂的发电成本和竞争力。
2.燃料供应稳定性：评估燃料的供应渠道和稳定性，确保电厂有可靠的能源来源。
3.技术进步：关注能源转换技术的发展，如高效的火力发电技术、碳捕集和封存技术等，这些技术进步可能会影响电厂的发电效率和排放水平。
三、政策法规变化1.环境法规：了解即将出台的环境法规对电厂排放的要求，以及可能涉及的碳交易市场对电厂运营的影响。
2.能源政策：关注政府对能源行业的政策支持，如可再生能源配额制度、节能补贴等，这些政策可能会影响电厂的发电结构。
四、市场趋势分析1.电力市场供需情况：分析电力市场的供需平衡，预测市场电价走势，以便制定相应的发电计划。
2.用户侧变化：关注电力用户的能源消费习惯变化，如分布式能源的推广、储能技术的应用等，这些都可能影响电力需求和市场结构。
五、技术发展与应用1.智能电网技术：了解智能电网技术的发展和应用，这将有助于提高电厂的运行效率和电网的灵活性。
2.数字化转型：推动电厂的数字化转型，利用大数据、人工智能等技术提高发电计划的精准性和响应性。
六、风险评估与应对策略1.自然灾害风险：评估自然灾害（如极端天气、地震等）对电厂运营的影响，并制定相应的应急预案。
基于组合模型的用电量预测方法研究
基于组合模型的用电量预测方法研究作者：于媛媛;袁永博来源：《价值工程》2011年第02期摘要：电力是经济发展的保障，对用电量进行科学合理的预测是安排电力生产、电站建设的前提。
文章基于灰色和时间序列预测模型，建立组合模型，经验证，组合模型预测精度较单一预测模型有一定程度的提高，最后利用组合模型对湖南省2010-2015年用电量进行预测。
Abstract: Electricity is the guarantee of economic development, scientific and rational forecast for electricity consumption is precondition to arrange power production and power station construction. The article, based on the gray theory and time series forecasting model, establishes the combined model. It is proved that prediction accuracy of combined model has improved, compared with the single model in some extent, at last, this article conducts prediction by a combined model method for annual electricity consumption of Hunan Province from 2010 to 2015.关键词：用电量；灰色理论；ARIMA；组合预测Key words: electricity consumption；grey theory；ARIMA；combined forecasting中图分类号：TM93 文献标识码：A文章编号：1006-4311（2011）02-0030-020引言电力工业作为国民经济发展的支柱产业，对经济发展及人民生活起着不可替代的重要作用。
基于最优组合预测法的电网用电量预测
ａ ｅｍｏ ｅｐ ｅ ｉｅａ ｈ ａ ｅｔ ｅａ ｔｉ ｐ ｅ ｉｔｄ ｔ ａ ｈ ｒｄ ｅｅ ｔｉｉ ｏ ｕ ｐ ｉｎ ｉ ０１ ｌ ｒ ａ ｈ １ ８ ｍｉ ｉｎ ｒ ｒ ｒ ｃｓ 。ｔｔ ｅｓ ｍ ｉ ，ｎｄ ｉ Ｓ ｒ ｄ ｃｅ ｈ ｔｔ ｅｇ ｉ ｌｃ ｒｃｔ ｃ ｎｓ ｍ ｔ ｎ ２ ５ｗｉ ｅ ｃ ｌｏ ｍ ｙ ｏ ｌ ６ ｌ ｋ ？ Ｗ ｈ．
Ｃ ｉａ２Ｔｂ ｔ ｌｃｒ ｏ ｒ ｍｐ ｎ ｉ ｔｄＬ ａ ａ ５ ０ ０Ｃ ｉａ３Ｓ ｉａ ｈ ａ ｇＵｎｖ ｒｉ ｆ ｈｎ ； ．ｉｅ ｅｔｉ Ｐ ｗｅ Ｅ ｃ Ｃｏ ａ ｙＬｍｉ ，ｈ ｓ ０ ０ ， ｈｎ ；．ｈｊ ｚ ｕ ｎ ｉ ｓｔ ｏ ｅ ８ ｉ ｅ ｙ Ｅ ｏ ｏ ｃ。ｈｊ ｚ ｕ ｎ ｂ ｉ ５ ０ ｃ ｎ ｍｉｓＳ ｉａｈ ａ ｇＨｅ ｅ ０ ０ ３ １ ｉ １
Ａｂ ｔ ａ ｔＴｈ ｏ ｒｇ ｉ ｆＮｙｎ ｃ ｉ ｓｓｎ ｌ．ｎｗｉ ｔｒａ ｄ ｓ ｒｎ ， ｅｓｔ ａ ｉｎ ｏ ｌｃｒｃｔ ｍ ｉ ｎ ｓｇ ｔｉｇ ｍｏ ｅａ ｄ ｓｒ ｃ ： ｅｐ ｗｅ ｒｄ ｏ ｉ ｇ ｈ ｉｇ ｅＩ ｎ ｅ ｎ ｐ ｉ ｇｔ ｉ ｔ ｆｅｅ ｔｉｉ ｌ ｔ ｇ ｉ ｅ ｔ ｒ ｎ ｉ ｈ ｕ ｏ ｙ ｉ ｉ ｎ ｍ ｏ ｅｓ ｒｏ ｓＴ ｒ ｄ ｃ ｃｅ ｔ ｃ ｌ ｈ ｌｃ ｒｃｔ ｏ ｓ ｍｐ ｉ ｎ ｔ ｐｔ ａ ｗｅｇ ｔ ｄ ｃ ｍｂ ｎ ｔｏ ｏ ｅ ａ ｔ ｏ ｅ ｗｈ ｃ ｒ ｅｉ ｕ ．ｏ ｐ ｅ ｉｔＳ ｉｎ ｉ ａｌ ｔ ｅｅｅ ｔｉｉ ｃ ｎ ｕ ｔｏ ． ｉ ｆ ｙ ｙ ｈｅｏ ｉ 】 ｉｈ ｅ ｏ ｉ ａｉｎ ｆ ｒｃ ｓ ｄ 】 ｉｈ ｍ ｍ ｉ ａ ｅｏ ｏ ｈ ｔ ｅ ｌ ｅ ｒｒ ｇ ｅ ｓｏ ｄｅ ｎ ｈ ｒ ｙ ｍｏ ｅ ａ ｅ ｎ ｐ ｔｆ ｒ ｒ ， ｅｏ ｔｍａ ｅ ｒ ｓｉｎ ｍｏ ｅ ｓ ｓｂ ｓ ｎ ｂ ｔ ｈ ｉ ａ ｅ ｒ ｓｉ ｎ ｍｏ ｌ ｄ ｔ ｅｇ ａ ｄ ｌｈ ｓｂ ｅ ｕ ｏ ｗａ ｄ Ｔｈ ｐ ｉ ｌ ｇ ｅ ｓｏ ｄ ｌ ｎ ａ ｒ ｗａ ｕｓ ｄｔ ｔｔ ｅｈｓｏ ｉａ ａａｏ ｈ ｗｅ ｒｄ ｆｏ ２ ０ ｏ ２ ０７ａ ｓａ ｐｉｄ ｔ ｏ ｅ ａ ｔｔ ｅｅｅ ｔｉｉｙｃ ｎ ｕ ｅ ｏ ｆ ｈ ｉｔ ｒｃ ｌ ｔ ｆｔ ｅｐ ｌｃｒｃｔ ｏ ｓ ｍｐｔ ｎ ｉ ｄ ｅ ｉ ｏ ｆｏ ２ Ｏ２ ５ｉ ｈ ｓｂ ｅ ｒ ｖ ｄｂ ａ ｅａ ａｙ ｉ ｔ ａ ｈ ｅ ｕｔ ｆ ｈ ｐ ｉ ｌ ｉｈ ｅ ｏ ｉ ａｉ ｎｆ ｒ ｃ ｓ ｄ １ ｒ ｍ ０１ ｔ Ｏ１ ． ａ ｅ ｎ ｐ ｏ ｅ ｙｃ ｓ ｎ ｌｓｓ ｈ ｔ ｅｒ ｓ ｌ ｏ ｅｏ ｔｍａ ｇ ｔｄｃ ｍｂ ｎ ｔｏ ｏ ｅ ａ ｔｍｏ ｅ ０ ｔ ｔ ｓ ｔ ｗｅ
基于组合模型的电力负荷预测研究
基于组合模型的电力负荷预测研究电力负荷预测是电力系统运行的重要组成部分，准确的电力负荷预测可以提高电网的可靠性和安全性，优化电力运营，节约能源资源。
基于组合模型的电力负荷预测研究是近年来研究的热点之一。
一、电力负荷预测的意义电力负荷预测是指通过历史负荷数据和其他影响因素，对未来一段时间内的电力负荷进行预测。
在电力生产中，准确地掌握未来电力负荷趋势，是保障电力系统运行的重要手段。
首先，准确的电力负荷预测可以优化发电计划和投资决策，提高发电效率，减少不必要的能源浪费。
其次，准确的负荷预测可以指导电网的运行和调度，防止电网过载和断电事故的发生，保证电网的稳定运行。
最后，负荷预测还可以为不同行业的用电需求计划提供依据，为电力市场的规划和管理提供重要参考。
二、组合模型的电力负荷预测方法组合模型是将多个单一模型相结合以提高预测准确度的方法。
多元回归分析、时间序列方法和神经网络等单一模型已经被广泛应用于电力负荷预测中。
但是由于电力负荷预测的复杂性，单一模型的预测准确度常常无法满足实际需要，因此组合模型应运而生。
组合模型通过将多个单一模型的优点相互结合，弥补各自缺点，提高预测准确度。
常见的组合模型方法包括集成决策树模型、多元线性回归模型和神经网络模型等。
三、集成决策树模型决策树模型是一种基于树形结构的机器学习方法，它将数据集逐层分解成子集，然后通过树形图展示并预测输出结果。
集成决策树模型是一种将多个决策树模型相结合以提高预测准确度的方法。
集成决策树模型通过将多个决策树模型组合，以达到提高模型准确度和避免过拟合的目的。
常见的集成决策树模型包括随机森林模型和梯度提升树模型。
在电力负荷预测中，集成决策树模型的优点在于能够处理大量的特征，在特征筛选和特征处理方面也具有很好的表现。
四、多元线性回归模型多元线性回归模型是基于多个自变量对一个因变量进行线性回归的模型。
这种模型能够实现对若干自变量和因变量之间的线性关系进行建模，并能够通过多元回归方程式进行预测。
研究组合预测方法在电力负荷预测中的应用
研究组合预测方法在电力负荷预测中的应用发表时间：2016-05-21T15:36:14.250Z 来源：《电力设备》2016年第2期作者：邓德荣[导读] （广东电网有限责任公司东莞凤岗供电分局广东东莞 523000）组合预测方法是一种性能优越的预测方法，建立了三种不同的组合预测模型，对我国电力负荷进行了预测。
（广东电网有限责任公司东莞凤岗供电分局广东东莞 523000）摘要：组合预测方法是一种性能优越的预测方法，建立了三种不同的组合预测模型，对我国电力负荷进行了预测。
关键词：组合预测；电力负荷一、前言电力负荷预测是电力生产和发展的基本依据，目前没有任何一种方法能保证任何情况下都获得满意的预测结果。
因此，在做具体规划时往往先同时采用几种方法进行预测，再将不同的预测结果加以比较。
二、概述电力负荷预测是指在充分考虑一些重要的系统运行特性、增容决策、自然条件和社会影响的条件下，研究或利用一套能系统地处理过去与未来负荷的数学方法，在满足一定精度要求的前提下，确定未来某特定时刻的负荷数值。
实际工作中，无论是制订电力系统规划还是实现电力系统的经济调度和运行自动化，进行相应负荷预测都是必不可少的。
电力负荷预测的方法众多，每种预测模型都有自己的适用范围，很难适用于所有情况，因此探索组合预测已经成为学者们的共识。
组合预测就是通过建立一个组合预测模型，把多种预测方法得到的预测结果进行综合，以得到一个较窄的取值范围供分析与决策使用。
由于组合预测模型能够较大限度地利用各种预测样本信息，比单个预测模型考虑问题更系统、更全面，因而能够有效地减少单个预测模型过程中一些环境随机因素的影响，从而提高预测精度。
三、电力负荷预测方法早期常用的负荷预测方法主要有趋势分析法、回归分析法、指数平滑法等，但预测精度低，且不具有自适应和自学习能力。
近年来研究多集中于将人工智能方法用于负荷预测中，主要有灰色模型法、人工神经网络法、专家系统预测法、小波分析预测法、支持向量机等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
对 其 滞 后 值 以 及 随 机 误 差 项 的 现 值 和 滞 后 值 进 行 回归 建 模 ， 后 再 对 该 模 型 进 行 识 别 ， 算 其 然 计 各 个 参 数 ， 后 就 可 以利 用 通 过 检 验 的 最 优 模 型 最
进 行 未 来 时 间 段 的预 测 。该 模 型 处 理 数 据 的 方 法
列 预 测 出 来 的效 果 就会 受 到 影 响 ， Ｉ 模 型 先 ＡＲ ＭＡ
事 煤 炭 等相 关 电力业 务 的投 资 、 建设 、 营 和 管 理 ； 经
对 国 电集 团 的年 发 电量 进 行 有 效 的 预测 一 方 面 可
以为 其 以后 年 度 发 电计 划 的制 定 提供 依 据 ， 另一 方
对 发 电集 团 的发 电量预 测进 行研 究 有助 于优 化
资 源配 置 、 高管理 效 果 ， 有 一定 的实 践 意义 和科 提 具
学 价值 。中 国 国电集 团公 司 （ 电集 团 ） 以发 电为 国 是 主 的综合 性 电力 集 团 ， 主要 从 事 电源 的 开发 、 资 、 投 建 设 、 营 和 管理 ， 进 行 电力 生产 和 销 售 ； 经 并 同时 从
基 于 组 合 预 测 法 的 发 电 集 团 年 发 电 量 预 测 研 究 边 东辉 ， 乔欢欢
（ 北 电力 大学 ， 华 北京
摘
１２０ ） ０ ２ ６
要： 对发电集团的年发电量进行 预测 可以为其 制定年度发 电计划及煤炭等相关 电力业务 的投 资管理决策提
供参考依据。 以中国国电集 团公 司为例 ， 运用Ａ Ｚ 模型和灰色预测的组合预测模 型对国 电集 团２ ｌ一２ １ 年 ａ ＭＡ ０ ｌ Ｏ５ 的发 电量进行 了预测 ， 提高 了预测精 度。 关键词 ： 组合预测； ＲＭＡ模型 ； ＡＩ 灰色模 型
把 非 平 稳 的 时 间 数 据 经 过 差 分 等 使 其 数 据 平 稳
化 。 后 再 根 据 时 间 序 列 模 型 的 特 点 ， 因 变 量 然 将
面 还可 以为 其煤 炭等 相关 电力 业 务 的投资 管 理提供
参 考依 据 ， 高其 经济 效 益 。 提
迄今 为 止 ，用于 预测 的方 法 有很 多 。这些 方 法
Ｂ ＡＮ Ｄ ｎ － ｕ， Ｉ Ｏ Ｈｕ ｎ ｈ ａ Ｉ ｏ ｇｈ ｉＱ Ａ ａ － ｕｎ
（ ｏｔ ｈｎ ｌｃｒ ｏ ｅ ｎｖ ｒ ｔ， ｅ ｉｇ１ ２ ０ ， ｈｎ ） Ｎ ｒ Ｃ ｉａＥｅ ｔｃＰ ｗ ｒ ｉｅｓ ｙ Ｂ ｉｎ ０ ２ ６ Ｃ ｉａ ｈห้องสมุดไป่ตู้ｉ Ｕ ｉ ｊ
Ａｂ ｔ ａ ｔ Ｔ ｅ ａ ｎ ａ ｅ ｅ ａ ｉｇ ｃ ｐ ｃ ｔ ｆＧｕ ｄ ａ ｏ ｐ ｉ ０ － ０ ５ ｉ ｐ ｅ ｉｔｄ ｂ ｏ ｉ ａｉ ｎ ｆ ｒ ｃ ｓｉｇ ｍｏ ｅ ａ ｅ ｎ ｓ ｒ ｃ ： ｈ ｎ ｕ ｌｇ ｎ ｒ ｔ ａ ａ ｉ ｏ ｏ ｉｎ Ｇｒ ｕ ｎ ２ １ ２ １ ｓ ｒ ｄ ｃ ｅ ｙ ｃ ｍｂ ｎ ｔ ｏ ｅ ａ ｔ ｄ ｌ ｓ ｄ ｏ ｎ ｙ １ ｏ ｎ ｂ ＡＲＩ ｎ ｒ ｙ ｐ ｅ ｉ ｔ ｎ ｍｏ ｅ ． ｈ ｒ ｄ ｃ ｉｎ ａ ｃ ｒ ｃ ｓｉ ｒ ｖ ｄ Ｔ ｅ ｐ ｅ ｉ ｔ ｎ ｃ ｎ ｐ ｏ ｉ ｅ ｄ ｃ ｓｏ — ｋ ｎ ｅｅ ｅ ｃ ｎ ｉ ＭＡ ａ ｄ ｇ ａ ｒ ｄ ｃｉ ｄ １ Ｔ ｅ ｐ ｅ ｉｔ ｃ ｕ ａ ｙ ｉ ｍｐ ｏ ｅ ． ｈ ｒ ｄ ｃｉ ａ ｒ ｖｄ ｅ ｉｉ ｎ— ｏ ｏ ｏ ｍａ ｉ ｇ ｒ ｆｒ ｎ ｅ ｏ ｔ ｓ ｆ ｔｒ ｎ ｕ ｌｐ ｗｅ ｅ ｅ ａｉ ｎ ｐ ａ ｎ ｈ ｎ ｅ ｔ ｎ ｎ ｇ ｍｅ ｔ ｆ ｈ ｏ ｌａ ｄ ｏ ｈ ｒｐ ｗｅ ｕ ｉ ｅ ｓｆｒＧｕ ｄ ａ ｏ ｐ ｕ ｕ ｅ ａ ｎ ａ ｏ ｒｇ ｎ ｒ ｔ ｌｎ ａ ｄ ｔ ｅｉ ｖ ｓｍｅ ｔｍａ ａ ｅ ｎ ｅ ｃ ａ ｎ ｔ ｅ ｏ ｒｂ ｓｎ ｓ ｏ ｏ ｉ ｎ Ｇｒ ｕ ． ｏ ｏｔ
大致 可分 传 统预 测方 法 和人 工智 能方 法 ２类 。传 统 方 法 主 要有 时 问序 列法 、 回归分 析 法 、 色 模 型 法 、 灰 专 家 系统 法 以及 优 选 组合 预测 法 等 ， 工 智 能 方法 人 主要 包 括 专 家 系统 、 糊 逻 辑 方 法 和人 工神 经 网络 模 方 法 等 本 文采 用 基 于 Ａ Ｉ Ｒ ＭＡ模 型 和灰 色 模 型 的
Ｋ ｅ ｏ ｄｓ ｏ ｂ ｎ ｔ ｒａ ｒ ｄｉｔｏ Ａ ＲＩ Ａ ｏ ｅ ；ｇ ａ ｄｅ；ｌ ａ ｏ ｅ ａｓｉ ｇ ｙ ｗ ｒ ：ｃ ｍ ｉ ａ ｏ ｉｌｐ ｅ ｃｉ ｎ； Ｍ ｍ ｄ ｌ ｒ ｙ ｍｏ ｌ ｏ ｄ ｆｒ ｃ ｔｎ
组 合 预测法 进 行研 究 。
０ 引言 １ 预 测模 型
中图分类号 ：Ｍ６ ５ Ｆ ０ ．１ Ｔ １ ；４ ７６ 文献标 志码 ： Ａ 文章编号 ：６ ３ ７ ９ （０ ２ ０ — ０ ２－５ １７ — ５ ８ ２ １ ） ５ ０ ６ － ０
Ｓ ｕ ｎ Ｇ ｕ ｄｉ ｎ Ｇ ｅ ｒ ｔｎｇ Ｃａ ｃ ｔ ｅ ｉ ｔｏ Ｂａ ｅ ｎ ｔ ｄｙ ｏ ｏ ａ ｎｅ ａ ｉ ｐａ ｉｙ Ｐｒ ｄ ｃ ｉ ｎ ｓ ｄ ｏ Ｃｏ ｂ ｎａ ｉ ｎ Ｆｏ ｅ ａ ｔｎｇ Ｍ ｅ ｈｏ ｍ ｉ ｔｏ ｒ ｃ ｓｉ ｔ ｄ
１１ Ａ ＭＡ模 型 ． ＲＩ
Ａ Ｉ 是 时 间 序 列 理 论 模 型 中 的 １种 ， 被 Ｒ ＭＡ 又 称 为 差 分 自回 归 移 动 平 均 ， 中 Ａ 其 Ｒ代 表 白回归 ， Ｉ代 表 差 分 ， ＭＡ代 表 移 动 回归 。 由 于 一般 的 经 济 数 据 都 会 呈 现 出一 定 的不 稳 定 性 ， 接 用 时 间 序 直