基于SARIMA-GS-SVR组合模型的短期电力需求预测

短期电力需求预测在合理分配电力利用、减少能源浪费和增强电力系统的并网运行方面具有重要作用。应用单一的季节自回归移动平均模型对电力需求预测将限制预测精度。为了提高SARIMA的预测精度，文中提出了SARIMA-GS-SVR组合预测模型。采用网格搜索算法将SARIMA预测的残差带入支持向量回归模型进行参数训练，并将寻优的最佳参数带入SVR对残差进行预测。将得到的残差预测结果和SARIMA预测结果加和进行综合分析。建立SARIMA、SVR、GS-SVR和SARIMA-GS-SVR预测模型，以加利福尼亚州电力需求历史数据为例，对该地某日24 h的电力需求进行预测。为了体现模型整体的优越性，选用指数平滑法作为无关基准模型进行实验对比。实验结果表明，相比SARIMA,SARIMA-GS-SVR的预测精度提高了29.181 2%,且其MAE、MAPE和RMSE3种误差指标评价值低于其它4种模型。