Modele arima do krótkoterminowego prognozowania obciążeń systemów elektroenergetycznych

Przedstawiono jednowymiarowe modele autoregresji i średniej ruchomej do sporządzania krótkoterminowych prognoz zapotrzebowania na moc. Szeregi czasowe obciążeń wykazują trend oraz trzy okresy wahań sezonowych: roczny, tygodniowy i dobowy, co komplikuje budowę modelu prognostycznego. W celu uproszczenia zadania szereg czasowych poddano dekompozycji stosując dwa podejścia. Pierwsze polega na wydzieleniu odrębnych szeregów dla każdej godziny doby. Drugie podejście wykorzystuje regresję lokalną (LOESS) do dekompozycji szeregu na trend, składową sezonową i błąd. Niestacjonarny charakter szeregów zdekomponowanych wymusza zastosowania zintegrowanego modelu ARMA. Dokładność proponowanych metod porównano na przykładach aplikacyjnych z dokładnością modelu opartego na sieci neuronowej.

---

Univariate autoregressive moving average models for short-term load forecasting are presented. Load time series show a trend and three seasonal patterns: annual, weekly and daily, which complicate the forecasting model construction. To simplify the forecasting problem time series were decomposed using two approaches. The first one consists in the decomposition a time series into separate series for each hour of a day. The second approach uses a local regression (LOESS) to decompose series into trend, seasonal component and error. Nonstationarity of the decomposed time series requires using an integrated ARMA model. The accuracy of the proposed methods were compared on application examples with an accuracy of the model based on neural network.