郭麗平++蔡永自

【摘要】隨著中央和地方政府對光伏發(fā)電上網(wǎng)電價補貼政策的刺激，配套電網(wǎng)建設(shè)和技術(shù)成果的創(chuàng)新運用，加之光伏生產(chǎn)廠家一條龍服務的推動，分布式光伏客戶呈爆發(fā)式增長。本研究旨在采用ARIMA模型對光伏每月累計并網(wǎng)戶數(shù)、客戶咨詢數(shù)據(jù)和上網(wǎng)電量三個指標將來的數(shù)據(jù)進行預測。

【關(guān)鍵詞】光伏發(fā)電 并網(wǎng)戶數(shù) 客戶咨詢 上網(wǎng)電量 預測

一、引言

光伏發(fā)電作為清潔能源，是目前國家鼓勵發(fā)展的行業(yè)。作為分布式光伏發(fā)電大省，浙江省“十三五”規(guī)劃綱要也明確“將全面實施百萬家庭屋頂光伏工程，到2020年光伏發(fā)電力爭達到800萬千瓦?！惫夥渤蔀椴糠值貐^(qū)產(chǎn)業(yè)帶動經(jīng)濟增長的新途徑。隨著中央和地方政府對光伏發(fā)電上網(wǎng)電價補貼政策的刺激，配套電網(wǎng)建設(shè)和技術(shù)成果的創(chuàng)新運用，加之光伏生產(chǎn)廠家一條龍服務的推動，分布式光伏客戶呈爆發(fā)式增長。本研究旨在采用ARIMA模型對光伏每月累計并網(wǎng)戶數(shù)、客戶咨詢數(shù)據(jù)和上網(wǎng)電量三個指標將來的數(shù)據(jù)進行預測。

二、ARIMA模型及其預測分析思路

ARIMA模型，全稱為求和自回歸移動平均模型（auto regressive integrated moving average model，簡記ARIMA），是由詹金斯（Jenkins）與博克思（Box）于20世紀70年代初提出的時間序列預測方法。其中，ARIMA（p， d， p）稱為差分自回歸移動平均模型，AR為自回歸，P為自回歸項；MA為移動平均，y為移動平均項數(shù)，d為時間序列達到平穩(wěn)時所做的差分次數(shù)（解樹國，2012）。通過ARIMA模型，將分布式光伏并網(wǎng)數(shù)量、上網(wǎng)電量、客戶咨詢隨時間推移而形成的數(shù)據(jù)序列視為一個隨機序列，用一定的數(shù)學模型來近似描述這個序列。這個模型一旦被識別后，就可以從時間序列的過去值及現(xiàn)在值來預測未來值。該模型的基本原理如下：

如果假設(shè)隨機變數(shù)Yt，為在時間t的一個觀測值，那么一組Yt，所構(gòu)成的數(shù)列就稱為隨機過程，而一般標準的ARIMA（p，d，q）模型可以記為Yt～ARIMA（p，d，q），其定義為：

чp（B）Wt=θq（B）αt

式中，чp（B）=1-ч1B-…-чpBp，Wt=（1-B）dYt，Qp（B）=1-1-θ1B-θ2B2…-…θqBq，αt為白色噪音，亦即α～N（0，σ2α），p，d，q為非負整數(shù)，B為后移分算子，即BYt～Yt-1，ч1，ч2，…чp，為自我回歸參數(shù)，θ1，θ2，…θq，為移動平均參數(shù)。

ARIMA模型最大優(yōu)點在于對季節(jié)周期性數(shù)據(jù)指標的準確預測，ARIMA的季度或月度模型能揭示出被解釋變量的非線性特征，ARIMA模型需要先估計它的階數(shù)后，再使用最小二乘法進行預測。具體的建模步驟如下：①序列平穩(wěn)化。如果數(shù)據(jù)序列是非平穩(wěn)的，并存在一定的增長或下降趨勢，則需要對數(shù)據(jù)進行差分處理，這個過程叫非平穩(wěn)序列平穩(wěn)化。②模型識別。若平穩(wěn)序列的偏相關(guān)函數(shù)是拖尾的，而自相關(guān)函數(shù)是截尾的，則可斷定序列適合MA（q）模型；若平穩(wěn)序列的偏相關(guān)函數(shù)是截尾的，而自相關(guān)函數(shù)是拖尾的，可斷定序列適合AR（p）模型；一般情況下，可通過自相關(guān)（ACF）和偏自相關(guān)圖（PACF）估計出階數(shù)P，Q的可能取值，然后，通過AIC準則（赤池準則），SC準則（施瓦茨準則），其中AIC值和SC值都是越小越好，從而選出最合適的模型階數(shù)。③模型預測。根據(jù)建立的ARIMA（p，d，q）模型，利用Eviews軟件對分布式光伏上網(wǎng)用戶、結(jié)算電量、客戶咨詢等數(shù)據(jù)進行預測（陳平和夏敏，2011）。

三、預測過程及結(jié)果分析

本研究選取的基礎(chǔ)數(shù)據(jù)包括三個指標，累計并網(wǎng)戶數(shù)（BINGWANG）、每月結(jié)算電量（JIESUAN）、客戶咨詢數(shù)據(jù)（ZIXUN）。

（1）對累計并網(wǎng)戶數(shù)的預測與分析。按照前述步驟，首先對累計并網(wǎng)戶數(shù)（BINGWANG）進行平穩(wěn)性檢驗，以確定d值。累計并網(wǎng)戶數(shù)（BINGWANG）變量的平穩(wěn)性檢驗結(jié)果，變量BINGWANG是三階單整變量，從而得到d=3。在穩(wěn)定性分析的基礎(chǔ)上，根據(jù)自相關(guān)和偏相關(guān)圖可以確定p=1，q=1。

進而，根據(jù)建立的BINGWANG變量應該選擇ARIMA（1，3，1），利用Eviews軟件進行預測，得到預測值。

（2）對每月結(jié)算電量的預測與分析。類似的，針對每月結(jié)算電量（JIESUAN）進行預測的步驟如前所述。變量JIESUAN是2階單整變量，從而得到d=2。進而根據(jù)自相關(guān)和偏相關(guān)圖可以確定p=0，q=0。

根據(jù)建立的每月結(jié)算電量（JIESUAN）應該選擇ARIMA（0，2，0），利用Eviews軟件進行預測。

（3）對客戶咨詢數(shù)據(jù)的預測與分析。最后，針對客戶咨詢數(shù)據(jù)（ZIXUN）進行預測。變量JIESUAN是1階單整變量，從而得到d=1。進而根據(jù)自相關(guān)和偏相關(guān)圖可以確定p=1，q=1。

根據(jù)建立的客戶咨詢數(shù)據(jù)（ZIXUN）應該選擇ARIMA（1，1，1），利用Eviews軟件進行預測。

累計并網(wǎng)戶數(shù)（BINGWANG）、每月結(jié)算電量（JIESUAN）、客戶咨詢數(shù)據(jù)（ZIXUN），這三個指標的最終預測結(jié)果見表。

四、結(jié)論

本文基于2015年1月-2016年6月的基礎(chǔ)數(shù)據(jù)，采用ARIMA模型預測了2016M07-2017M12寧波供電公司分布式光伏并網(wǎng)數(shù)量、上網(wǎng)結(jié)算電量、客戶咨詢數(shù)量。從模型預測結(jié)果來看，寧波供電公司分布式光伏并網(wǎng)數(shù)量、上網(wǎng)結(jié)算電量、客戶咨詢數(shù)量將呈爆發(fā)式增長態(tài)勢。預計2016年12月累計并網(wǎng)戶數(shù)為2305戶，比2016年6月增長405.48%；上網(wǎng)結(jié)算電量4604萬千瓦時，比6月份增長615.15%；95598客戶咨詢數(shù)量39個，比6月份增長39.29%。預計2017年12月累計并網(wǎng)戶數(shù)為14557戶，比同比上年增長531.54%；當月上網(wǎng)結(jié)算電量16223萬千瓦時，同比上年增長252.37%；95598客戶咨詢數(shù)量59個，同比上年增長51.28%。根據(jù)公司光伏客戶成功備案的統(tǒng)計數(shù)據(jù)，模型預測數(shù)據(jù)反應了光伏發(fā)電業(yè)務增長態(tài)勢和增長速度。

參考文獻：

[1]解樹國.基于RBF和ARIMA模型下貨運量預測算法與軟件實現(xiàn)[M]. 湖南大學碩士學位論文，2012.

[2]陳平，夏敏. 基于ARIMA模型的短期風速預測方法[J]. 華章，2011，（15）.