电力系统短期与中期预测：ARIMA vs Prophet vs LSTM

随着电力行业的现代化进程，电力系统的负荷预测变得尤为重要。特别是随着可再生能源的大量接入和新能源汽车等新兴负荷的增加，对电网的稳定性和安全性提出了更高的要求。准确的电力系统短期和中期负荷预测对于电网的科学调度、优化资源配置、保障电力供应的稳定性和安全性具有深远影响。 在本文中，作者胡夏冰针对大数据1902班的《数据案例分析》期末作业，研究了基于时间序列的电力系统预测方法。首先，关注的是短期时间序列预测，即对未来10天每15分钟的负荷进行预测。作者采用了一系列时间序列预测模型，如统计模型ARIMA（发现ARIMA(4,0,0)模型表现出色）、Prophet模型、集成学习方法（如随机森林、XGBoost和梯度提升树）、以及神经网络模型（如BP神经网络和长短期记忆网络）。经过对比分析，Prophet模型在该数据集上的表现最为优秀。 对于中期预测，文章聚焦于未来3个月内的日负荷最大值和最小值，以及各行业日负荷的预测。在这个时间段内，长短期记忆网络模型展现出最好的预测性能。在处理突发性变化时，文章运用了多种检测方法，如MK突变检验、统计学检验和t检验，通过设定阈值（上下限分别为95%和5%），识别负荷突变，并尝试解析其可能的原因。 文章还强调了文献调研的重要性，通过对相关行业进行深入分析，提出了针对性的建议和改进措施。关键词包括电力系统预测、时间序列分析、时间突变检测以及Prophet和LSTM模型，全面展示了在复杂电力系统环境下进行有效预测和管理的关键技术。 总结来说，本文通过对时间序列数据的深入挖掘和多模型对比，探讨了如何运用现代预测方法提高电力系统负荷预测的准确性，从而应对电力行业面临的挑战，保障电网的高效运行。