时间序列预测和灰色预测的实现技巧

1.时间序列预测实现

时间序列预测是目前使用范围较广的预测技术，特别对具有时间特征、季节特征的数列具有较高的预测精度。本书在第6章6.5节利用时间序列预测方法对模型进行了预测，给出了基本的负荷预测范围，这对实际的负荷数据处理具有很好的参考价值。由于负荷数据往往存在较强的时间特征，利用初步预测的数据范围，就可以根据新的模型对负荷进行更加精确的预测。这种方法同样适合其他预测项目，如粮食产量预测、产品出口、GDP预测等。下面将以6.5节某省网电力负荷预测（时间序列预测）为例，给出实现的Matlab过程。

根据以上求解过程，当输入原始数列后，计算所得Y 1即为2007年7～12月初步负荷预测值。

Y1＝[16359，16491，16622，16754，16886，17017]

同时，根据实际月份的季节因子和温度因子，对计算结果需要调整，最后的负荷预测值为Y 1乘以相应的因子数Lmd，由于Lmd＝[1.1359，1.2041，1.0826，0.9272，0.8571，0.9153]，所以最后的预测值Y 2＝Y 1×Lmd＝[18582，19857，17996，15534，14472，15576]，与6.5节的计算结果一致。(www.xing528.com)

2.灰色预测系统实现

在本书第6章6.4节中，对灰色预测模型的理论进行了详细的介绍。下面是建立的较为通用的灰色序列预测程序[GM（1，1）系统]，以6.4节中的算例来进行计算灰色预测的初步结果。

将上述代码保存为grey.m文件，然后在命令行中输入原始数列data，同时调用grey（data，N）计算初步预测值。根据以上代码，假设输入data＝[6230 6775 7542 8426.5 9260.4 10023.4 10764.3 11284.4 11598.4]，那么要预测后三年的电量，依据程序T+N＝13，则N＝4，输入grey（data，4）得：ans＝[14026，15106，16268]。这样就得到了预测的初步值，根据实际的季节因子和风险元的影响，就可得到6.4节的结果。上述代码可以在Matlab中直接运行，也可通过软件平台进行调用。