所示，ld1表示0—1时时段负荷区间下界值，hd1表示0—1时时段负荷区间上界值。可以发现，负荷数据呈现典型的季节与趋势特征，在建模之前需要对数据进行稳定性检验和季节性调整。

　　由于对序列进行差分会使原始数据的一些特征信息丢失，本文采取Hodrick-Prescott滤波法分离长期波动与循环要素和CensusX12方法消除序列季节因素的影响(乘法模型)。经过处理后的数据均为平稳序列。

　　3、实例分析

　　模型的构建与预测检验结果所示，表中列出了1—24h时段中每小时内的区间时间序列数值下界与上界的ARMA模型预测结果。由于每个区间时间序列拥有上、下界，因此共构建了48个ARMA模型。根据自相关与偏相关系数，最小最终预测误差准则(minimumfinalpredictionerrorcriterion，MFPE)和最小准则即赤池信息准则(Akaikeinformationcriterion，AIC)，测定ARMA模型的阶数，并通过ARMA模型的自回归(auto-regressive，AR)项稳定性检测与移动平均(movingaverage，MA)项的可逆性检测确定ARMA模型的稳定性。预测检验结果的准确性采取均方根误差和平均绝对百分误差来表达。表1所描述的结果表明，模型预测的拟合效果良好，其中在7、12时与21、22时时段中具有明显的波动，动态预测的误差偏大，这是因为该时段为居民生活、商业和工业生产等日常生活中的时间点。此外，动态预测采用预测的数据对下一阶段进行预测，预测时期越长误差越大，而表1中动态预测为未来12期的数据，预测期较长。尽管如此，本文中动态预测的效果仍然较好，而静态预测每次均采用实际负荷值对下一阶段进行预测，即有一个实际值的调整过程，预测精度更高。说明静态预测效果比动态预测效果好。

　　预测的结果与实际负荷拟合较好，预测的每小时负荷精度较高，同时每月中时段0—1时所需的负荷基本都涵盖在预测的时段中，说明短期预测效果良好。以单值为基础采取同样的方法，对2001—2009年每月0—1时的区间时间序列进行建模，并对2010年每月0—1时的负荷值预测。

　　可以看出，尽管单值预测的结果尚佳，却不具备稳定性，因为日常生活中的电力负荷受多种因素影响，如节假日、天气、经济环境等，一旦某个因素发生变化，负荷将发生波动，以单值为基础的电力负荷预测则不能很好地发挥作用，无法有效预测出波动的变化。同理采用以单值为基础的其他方法，如人工智能等方法得到的预测结果也为单值，在实际生产、应用中具有明显的缺陷。

　　4、结论

　　电力负荷是电网公司进行战略计划和运营决策的关键因素，本文采用区间时间序列对负荷数据进行处理和VAR模型方法对负荷进行短期预测，实例分析结果表明预测精度良好，具有以下几点优势：1）区间时间序列需求样本量少，经区间时间序列处理后数据结构简单，且包含区间范围内数据信息，适用于描述实际生活中的电力负荷波动与波动范围，加深对电力负荷波动特性的理解；2）采用区间时间序列进行短期预测可以精确到任何一个时间区域，如每日的各时间段，提高预测的精确程度并可随意调整预测时间区段；3）区间时间序列加上VAR模型的方法可以弥补单值预测的缺陷，对于描述具有不确定性的电力负荷数据具有良好的效果。

　　参考文献

　　[1]袁晓辉，王乘，张传勇，等．电力系统短期负荷预测方法的进展[J]．电气自动化，

　　[2]李钷，李敏，刘涤尘．基于改进回归法的电力负荷预测[J]．电网技术，

　　[3]陈昊．基于非高斯分布GARCH模型的负荷预测[J]．电力自动化设备，

　　[4]胡宗义，汪建均．基于ADL-GARCH的电价预测模型及其应用[J]．湖南大学学报：自然科学版，

　　[5]胡峰，彭力．基于时间序列模型的电价预测方法[J]．继电器，．

　　[6]程瑜，张粒子．基于ARCH模型的电价联动建模研究[J]．中国电机工程学报，

　　[7]张前进．基于支持向量机回归的电力负荷预测研究[J]．航空计算技术，

　　[8]杜莉，张建军．神经网络在电力负荷预测中的应用研究[J]．计算机仿真，

　　[9]杨政，李卓玲，王大玲．基于数据挖掘的智能化电力负荷预测[J]．沈阳工程学院学报：自然科学版，

　　[10]聂江洪，曾伟民．在电力市场中引入电力需求弹性的研究[J]．电网技术，

　　[11]恩德斯W．应用计量经济学：时间序列分析[M]．杜江，谢志超，译．2版．北京：高等教育出版社，