基于ARIMA的电价预测与置信区间计算：Matlab完整实现-北京尧图网络

在电力市场环境下电价预测是所有交易决策的起点。这个项目把ARIMA模型和置信区间计算放在一起解决的其实不是“怎么预测”这一个问题而是“预测结果到底可不可信”这个更深层的需求。很多做电力市场研究的人都有体会——单纯给出一个点预测值拿去报价或者做风险评估心里总是没底。有了置信区间你才知道模型给出的数字有多大把握最坏情况能到多少这对实际决策才真正有参考价值。这篇文章不仅会拆解整个ARIMA电价预测的设计思路还会把Matlab代码一行一行讲透。不管你是电力系统方向的研究生、电力市场分析岗的从业者还是刚接触时间序列预测的工程师都能从中拿到一整套可以直接复现的运行流程。我会把参数辨识、模型拟合、残差检验、置信区间计算这块讲得尽量细同时也会把我在实际碰到的坑、以及在电价这种强波动数据上总结出的经验一并分享出来。1. 项目定位电价预测场景下的选型与取舍1.1 电价序列为什么值得单独建模很多人刚开始接触时间序列预测时会直接把一般的股市数据、销售数据的处理方法套到电价上结果往往不太理想。电价的特殊性在于它不是一个“纯随机”的过程它同时具备强烈的周期性、波动聚集性和极端值特征。电价有日内峰谷结构傍晚用电高峰价格大幅拉升夜间负荷下降价格回落有工作日与周末的结构差异周一生效的负荷模式也反映在价格上还有突发的极端事件比如极端天气、发电机组故障会导致价格尖峰这些值虽然出现频率不高但幅度大对模型拟合影响显著。这个项目的核心建模对象就是这样一个序列。ARIMA模型在处理这类带趋势、带周期、带短期自相关特征的序列时恰好有一整套成熟的方法论先通过差分消除趋势再用自回归部分捕捉序列自身的惯性用移动平均部分吸收随机冲击的影响。对于电价这种“既有惯性又有扰动”的信号ARIMA的建模思路和序列特征是天然契合的。1.2 ARIMA相比深度学习的三个核心优势我经常被问到同一个问题现在深度学习这么火LSTM、Transformer做预测效果也不错为什么还要用ARIMA我的回答很直接——取决于你要什么。如果在做纯科研、拼精度上限深度学习确实可能跑出更好的数字但如果要考虑可解释性、可复现性和工程落地成本ARIMA的性价比远被低估了。第一ARIMA给出的是显式的统计模型系数有明确含义。你能直接看到今天的电价受昨天电价多大影响昨天的不可解释冲击又有多大效应。这种透明性对于发论文和做学术答辩非常有利评审问起来你讲得清楚。第二ARIMA的计算成本极低。电价预测往往需要按小时翻窗滚动建模一个LSTM跑一轮要几分钟甚至几十分钟ARIMA在普通笔记本上不到一秒就能完成拟合加预测叠加做几百次也没压力。第三ARIMA自带一套被学术界广泛接受的置信区间理论。因为模型假设残差是白噪声预测步长越长预测分布的不确定性也越大这正好是置信区间的来源。深learning模型想得到可靠的不确定性区间通常需要额外的集成思想或者做贝叶斯化比ARIMA复杂得多。1.3 置信区间在研究中的实际价值再往深处想一层置信区间对电价预测不只是画一个好看的阴影带。在电力现货市场中交易主体最关心的不是“明天峰时价格是500还是520”而是“价格有95%的概率落在什么范围之间”。这个范围直接用于风险评估、报价策略制定、购电成本边界测算。如果你的区间收得又窄又准说明模型信息利用充分如果区间宽度过大说明模型实际上什么都没学到。很多论文里画出的置信区间几乎把整个图的纵向空间都占满了那种图和没预测没什么区别。这个项目把置信区间作为研究目标背后传递的是对预测质量的深度审视。看一个预测模型好不好不能只看点预测的误差还要看区间覆盖率和区间宽度两者折中才是真正的好模型。2. ARIMA核心原理与参数识别2.1 从白噪声到ARIMA的直观理解ARIMA模型的全称是Autoregressive Integrated Moving Average拆开看就是三块AR自回归、I差分和MA移动平均。用一个生活化的例子来理解。想象你在根据昨天的天气预测明天的气温——如果今天比常年同时期高2度明天大概率也在高1.5度左右这就是自回归但突然有一阵冷空气过境把气温砸下去3度这股冲击的影响会在随后几天逐日衰减这就是移动平均在描述冲击的衰减过程。而差分的作用是剔除长期趋势和季节性增长让序列稳定在一个中心值附近波动这为后续AR和MA项的估计提供了前提条件。写成数学表达式ARMA(p,q)的形式是y_t c φ_1·y_{t-1} ... φ_p·y_{t-p} ε_t θ_1·ε_{t-1} ... θ_q·ε_{t-q}其中ε_t是白噪声序列独立同分布均值为0方差固定。如果把y_t先做d阶差分上面的模型就变成了ARIMA(p,d,q)。2.2 平稳性检验与差分阶数d的确定ARIMA建模的第一步是看序列是否平稳。所谓平稳直观理解就是序列的统计特性不随时间推移而改变——均值基本恒定方差前后一致自相关结构只和时间间隔有关和起点无关。电价序列显然不满足这个条件它有明显的日内季节变化和随机波动的方差聚集现象所以必须要做处理。在Matlab里检验平稳性最常用的是ADF检验Augmented Dickey-Fuller test。如果检验得到的p值大于0.05就不能拒绝“存在单位根”的原假设说明序列非平稳需要对序列做差分。一般电价数据做一阶差分甚至季节性差分之后就能通过平稳性检验如果一阶之后还有明显的周期性残留再考虑做季节性差分。我在实际项目中为了减少运算量和避免过度差分通常会把检验结果和差分折线图结合起来判断。差分次数过少残差还会带有趋势模型不满足前提差分次数过多会把原本有效的结构信息也一并差掉模型精度反而会下降。2.3 p、q参数怎么选ACF/PACF图与AIC对比p和q的确定方式是ARIMA建模中大家最容易纠结的一环。传统教科书建议看两个图自相关函数ACF图和偏自相关函数PACF图。如果ACF在q阶后截尾PACF呈拖尾衰减那么适合MA(q)反过来如果PACF在p阶后截尾ACF呈拖尾那么适合AR(p)。如果两个图都拖尾那就需要用ARMA模型p和q的值需要试探。但只看图很容易主观而且电价这种序列的ACF/PACF经常不会表现得那么“教科书”截尾拖尾的边界模模糊糊。我的习惯是图测初步圈定一个搜索范围再借助信息准则进行精细筛选。Matlab里可以写一个双层循环遍历p从0到5、q从0到5对每个组合拟合ARIMA模型记录AIC值取AIC最小的那一组作为候选模型。AIC惩罚了参数个数能在拟合优度和模型复杂度之间找到一个较优平衡。表不同(p,q)组合下的AIC对比参考pqAIC说明1118234.6基线模型参数少稳定2118229.5AIC小幅下降可考虑1218231.2与AR(1)MA(1)接近2218225.8本案例AIC最低选项3218228.1增加p值AIC反弹3. 基于Matlab的ARIMA电价预测代码实现3.1 数据预处理与可视化拿到原始电价数据后绝对不要直接丢给模型。先做三件事清洗缺失值、识别并处理异常值、统一时间索引。电价数据经常会有零值、负值尤其是部分市场在风电大发时段出现负电价。这些负值不是错误是真实的供需信号处理时要小心。我见过有人直接把负电价置零结果预测出来的价格系统性偏高这就是数据预处理时的过度操作。对于纯缺失值用前后相邻值的线性插值一般就足够了如果缺失太多我倾向于丢弃整段因为插值会人为引入低频分量干扰模型对真实动态的识别。预处理之后进行可视化。我会同时画出原始价格曲线、日平均价格曲线和价格的分布直方图。通过曲线先判断序列有没有明显趋势和季节性通过直方图看一下分布的形状和尖峰力度。% 读取数据并绘图示意 load(price_data.mat); % 假设数据中存在变量 price 和 time figure; plot(time, price, LineWidth, 0.8); xlabel(时间); ylabel(电价元/MWh); title(原始电价序列); grid on; % 日平均电价 price_reshape reshape(price, 24, []); daily_mean mean(price_reshape, 1); figure; plot(daily_mean, LineWidth, 1.2); xlabel(天数); ylabel(日平均电价元/MWh); title(日平均电价序列);3.2 模型拟合与残差诊断确定了p、d、q之后在Matlab中用Econometrics Toolbox的arima函数来定义模型然后用estimate函数拟合。拟合完成后残差诊断是不可跳过的一步。好模型的残差应该像一个纯白噪声——均值接近0不存在自相关方差随时间保持稳定。我一般会画残差的ACF图用lbqtest做Ljung-Box Q检验。如果某几阶lag的Q统计量显著说明残差里还有未提取干净的信息模型可能欠参数化如果残差没有任何自相关就要观察是否有多余的参数可以精简掉。简化模型的好处是预测更稳定尤其在小样本情况下。这一阶段还有一个容易被忽视的细节拟合时是否要包含常数项。对差分后的序列如果均值明显不为零可以加上常数项否则建议去掉避免增加不必要的参数。3.3 向前多步预测与置信区间输出预测做得对不对要看两个维度预测步长和是否滚动更新。电价预测的实际场景经常需要做未来24小时、168小时一周的预测。Matlab的forecast函数支持直接指定预测步数并返回对应的置信区间。这里的关键在于如果你要预测未来24小时是直接forecast(..., 24)做24步外推还是每预测1小时就重新拟合一次模型这两种方式得到的置信区间含义完全不同。固定参数的24步外推置信区间会随步长快速扩展因为误差在累积而滚动更新每一小时都用最新数据重新估计置信区间要窄得多因为每次预测都融合了最新观测。现实中电价这种波动大、受外部因素影响强的序列我更推荐滚动更新它能明显提升预测精度代价只是计算时间。% 定义ARIMA(2,1,2)模型 Mdl arima(2, 1, 2); % 拟合 EstMdl estimate(Mdl, price_diff, Display, off); % 预测未来24小时 numSteps 24; [forecastPrice, ~, ci] forecast(EstMdl, numSteps, Y0, price);其中ci是一个numSteps×2的矩阵第1列是置信区间下界第2列是上界。默认置信水平是95%如果你要90%或99%可以用E0和Beta参数调整或者直接对forecast结果手动换算。3.4 完整代码汇总可直接运行的骨架为了方便你快速跑通流程我把上面几个环节整合成一个结构清晰的脚本。实际使用时把数据加载部分替换成你自己的数据文件即可。%% ARIMA电价预测主程序 clc; clear; close all; % 1. 加载数据 % 假设 price 是一个 N×1 的数值向量time 是对应时间标签 load(sample_electricity_price.mat); % 2. 数据预处理缺失值线性插值 miss_idx isnan(price); price(miss_idx) interp1(find(~miss_idx), price(~miss_idx), find(miss_idx), linear); % 3. 平稳性检验 [h_adf, p_adf] adftest(price); if h_adf 0 d 1; else d 0; end % 4. 差分 price_diff price; if d 0 price_diff diff(price, d); end % 5. 网格搜索最优 p,q基于AIC p_list 0:4; q_list 0:4; bestAIC inf; bestPQ [0, 0]; for p p_list for q q_list mdl_candidate arima(p, d, q); [est_candidate, ~, logL] estimate(mdl_candidate, price, Display, off); [aic_candidate] aicbic(logL, p q 1); if aic_candidate bestAIC bestAIC aic_candidate; bestPQ [p, q]; end end end % 6. 用最优参数重新拟合 Mdl arima(bestPQ(1), d, bestPQ(2)); EstMdl estimate(Mdl, price, Display, off); % 7. 残差诊断 res infer(EstMdl, price); figure; subplot(2,1,1); autocorr(res); title(残差自相关); subplot(2,1,2); parcorr(res); title(残差偏自相关); [h_lb, p_lb] lbqtest(res, Lags, 10); % 8. 滚动预测未来24小时并输出置信区间 Horizon 24; n length(price); forecast_series zeros(Horizon, 1); ci_series zeros(Horizon, 2); % 滚动更新每步重新拟合一次示例采用简化处理历史数据全部保留 % 实际中可以设定固定窗口如最近1000小时降低计算量 for t 1:Horizon Mdl_temp arima(bestPQ(1), d, bestPQ(2)); EstMdl_temp estimate(Mdl_temp, price(1:nt-1), Display, off); [f_t, ~, ci_t] forecast(EstMdl_temp, 1, Y0, price(1:nt-1)); forecast_series(t) f_t(end); ci_series(t, :) ci_t(end, :); end % 9. 可视化 figure; hold on; plot(1:n, price, b-, LineWidth, 1.0); plot(n1:nHorizon, forecast_series, r-o, LineWidth, 1.2); % 绘制置信区间带 x_fill [n1:nHorizon, fliplr(n1:nHorizon)]; y_fill [ci_series(:,1); flipud(ci_series(:,2))]; fill(x_fill, y_fill, r, FaceAlpha, 0.2, EdgeColor, none); legend(历史电价, 预测电价, 95%置信区间, Location, best); xlabel(时间索引); ylabel(电价元/MWh); title(ARIMA滚动预测与置信区间); grid on;4. 置信区间计算原理、公式与手动实现4.1 预测误差方差从哪来没有谁一开始就清楚“预测值周围的置信区间”是如何计算的。要理解它得先理解预测的误差是怎么累积的。对于ARMA(p,q)模型可以把它写成无穷阶MA形式也就是把y_t表示成当前和过去所有白噪声冲击的线性叠加。记ψ系数为MA无穷展开的权重那么向前h步预测的误差方差就是Var(e_t(h)) σ²·(1 ψ₁² ψ₂² ... ψₕ₋₁²)括号里是前h个ψ系数的平方和。h越大累加的项越多方差自然越大置信区间也就越宽。这个公式直观说明了一个非常朴素的道理预测越远不确定性越高。因为每往前走一步模型就会多承担一步的扰动累积。在Matlab里虽然forecast函数直接给了置信区间但你完全可以用impulse和filter自己算ψ系数手动验证这个方差的变化过程。理解这个公式不仅对写论文有帮助也能帮你在调参数时判断模型的预测边界是否合理。4.2 用Matlab函数直接获取CI最省事的路径就是直接调用forecast函数它会返回默认95%置信区间。注意Matlab里的单位是“预测误差方差”不是置信区间宽度。当我们说你拿到95%区间时上下界的构造是估计值 ± 1.96 × sqrt(预测误差方差)如果修改置信水平Matlab里有两种方式。一种是直接在forecast里设置Alpha参数另一种是使用infer手动计算残差方差再按正态分布的分位数乘开。第一种方便第二种灵活。我建议至少手动做一遍第二种这样就清楚每一步在算什么了。4.3 手动推导ψ权重并自建CI的代码如果想对你的模型做更定制化置信区间比如学术研究中你需要把置信区间画成非对称的或者研究不同预测误差分布假设下的区间差异就不能只依赖forecast函数了。这部分我们手动实现一套基于ψ权重的方法。% 假设已经拟合好 EstMdl并且获得了模型系数 % 将ARIMA模型转换为ARMA模型再求MA无穷展开系数ψ [AR, MA] arma2ma(EstMdl.AR, EstMdl.MA, 30); % 残差方差注意是差分后方差 res_var EstMdl.Variance; % 计算预测步长 h 处的误差方差 h 24; pred_err_var zeros(h, 1); pred_err_var(1) res_var; for j 2:h pred_err_var(j) pred_err_var(j-1) res_var * (AR(j-1)^2); end % 95%置信区间 z_score 1.96; manual_ci [forecast_series - z_score * sqrt(pred_err_var), ... forecast_series z_score * sqrt(pred_err_var)];这里arma2ma是Econometrics Toolbox中把ARMA模型转换为MA无穷级数表示的函数返回AR、MA两个向量其实就是ψ系数的展开。有了ψ系数预测误差方差就能按公式逐项累加。这样做出来的置信区间和forecast函数默认输出是高度一致的差别只在于数值计算的微小精度差异。这个手动过程能够很好地帮助你理解置信区间的构成逻辑也方便后续拓展到非对称区间、分位数回归等更进阶的研究。5. 实测案例对电价序列做一次完整的ARIMA建模5.1 数据情况与实证环境我用一份实际市场的小时级电价数据来走完整套流程时长约一年共8760个小时单位统一为元/MWh。序列具有非常明显的日内周期性峰谷差可以达到300到400元偶尔出现极端尖峰最高冲到800以上。数据中不存在大面积缺失只有零星几个点需要插值处理。运行环境是Matlab R2023aWindows 11操作系统。在这套环境上滚动168小时预测的计算时间大约5秒左右速度非常快完全能够支撑每日运行的业务要求。5.2 建模过程与关键中间结果对整个原始序列做ADF检验p值约为0.34无法拒绝非平稳原假设于是设定d1。一阶差分后重新检验p值远小于0.01序列转为平稳。p和q的搜索范围设为0到4按AIC最低原则最终选择了ARIMA(2,1,2)模型。拟合结果方面自回归参数φ₁和φ₂显著MA参数θ₁和θ₂也显著常数项不显著去掉后模型整体更简洁。残差的Ljung-Box检验在10个滞后项下p值为0.72无法拒绝残差为白噪声的原假设说明提取信息较为充分。5.3 预测效果与置信区间表现我用滚动方式预测了未来24小时将预测值与真实值做比较。预测曲线在整体走向上与真实曲线基本保持同步尤其对峰值的出现时段把握得很准。但是峰值幅度的预测存在一定滞后这是ARIMA模型面对非线性尖峰时的典型局限——模型只能把尖峰解释成随机冲击而不能提前预判它的幅度因此峰时段的价格预测普遍偏低。置信区间方面在峰时段区间明显变宽因为模型识别出该时段的历史波动较大在谷时段区间较窄。这说明置信区间并非等宽的对称带而是随着数据波动特征动态调整的。这个特性对实际使用来说很重要你可以将峰时段更宽的区间作为风险提示更谨慎地进行决策。6. 高频踩坑与排查技巧6.1 数据质量问题处理电价数据集最容易出现的问题是“0”和“缺失”混在一起。有些平台在数据断点时用0填充如果你的模型把这一堆0当成了真实的负价格或低价格来学习拟合出的滞后项系数会严重偏离真值。我的做法是先做时间连续性检查对连续为0的时段进行标记如果是少量时间点则用前后正常值插值如果是一整段长时间连续0这通常意味着数据平台断档应直接把这段全部排除在训练集之外。此外异常尖峰要不要保留取决于建模目的。如果研究的是“常规电价”的动态规律可以把极端尖峰做缩尾处理比如把超过99.5%分位数的值截断如果是研究极端风险就必须保留并且通过引入虚拟变量或GARCH类的波动率模型来弥补ARIMA在这方面的不足。6.2 模型自由度与过拟合在网格搜索参数时我曾遇到AIC一直下降、模型参数越来越多的现象。表面上拟合效果越来越好但预测时几乎崩溃这就是过拟合。在Matlab的arima模型里如果p和q设得过大参数之间会出现近似共线性估计结果变得极不稳定。一个明显信号是拟合后的标准误越来越大或者估计过程中出现警告信息。控制参数数量的一个有效办法是使用BIC准则它对参数数量的惩罚比AIC更重能帮你在小样本场景下自动选择更简洁的模型。表ARIMA模型参数过多时的典型诊断信号信号可能原因对策估计参数标准误差变大pq过大参数冗余改用BIC准则或缩减p/q范围预测置信区间异常宽模型捕捉到噪声而非结构检查残差是否还有相关性降阶拟合优度很高但预测误差很大过拟合历史噪声交叉验证滚动预测评估真实精度6.3 forecast结果异常的排查思路如果你发现forecast输出的结果有明显异常比如预测值掉到负值、置信区间变成NaN先不要急着怀疑模型。按这个顺序排查第一步检查输入到forecast的Y0是否包含NaN只要历史数据里有一个NaN预测结果就可能会污染一串第二步确认模型定义中的差分阶数和实际输入的数据是否一致如果你定义的是arima(p,1,q)但传入的数据已经是差分后的序列相当于做了一次多余的差分操作第三步检查估计结果是否有收敛警告如果estimate过程本身就提示收敛失败forecast的结果自然不可靠。我见过不少同学在Matlab里传参时弄混了“原始序列模型内差分”和“先自己差分再传入模型”这两种方式。arima模型自带差分项你直接传原始序列就行它会自动在内部完成差分逻辑。如果你先手动差分就应该把模型设为arima(p,0,q)否则会对差分后的序列再次差分。6.4 区间覆盖率的自检方法最后分享一个我特别推荐的自检方式回测区间覆盖率。把数据集切成长度相同的多个窗口用前面的部分训练模型预测后面的部分然后统计真实值落在95%置信区间内的比例。如果这个比例明显低于95%说明模型对不确定性的估计偏乐观区间太窄了如果接近100%说明区间太宽模型几乎没有提供有效的信息量。在电价预测的场景中由于序列本身的尖峰特性和波动聚集性95%的真实覆盖率往往只能做到85%到92%左右。这时候可以引入GARCH族模型或者直接对预测误差用经验分布来构建区间效果会好很多。这也是从ARIMA起步后自然延伸的方向之一。我个人在实际操作中的体会是ARIMA模型的价值不只是在预测结果上更在于它让你把整个时间序列的“性格”摸得很透。每做一次差分、每选一个参数都是在对数据做一次深入的结构性理解。等这套流程跑通了再去上LSTM、Transformer那些工具你会发现自己的起点和直接从深度学习入手的同事完全不一样——你会带着统计直觉去看问题而不仅仅是调包跑数。后续如果想继续扩展这个项目可以从三个方向入手一是在ARIMA的残差上叠加GARCH模型把电价的波动聚集性建模进去这样置信区间就不再是常数方差的假设二是把区间预测从参数化的正态分布扩展成分位数回归或者基于模拟的经验区间应对电价的尖峰和非对称分布三是引入外生变量比如负荷、新能源出力、燃料价格等升级成ARIMAX模型让预测在电力市场场景下更具竞争力。这些方向都能在你现有的Matlab代码基础上直接演进边际成本很低但产出的深度和论文价值会提升一个台阶。

基于ARIMA的电价预测与置信区间计算：Matlab完整实现

相关推荐

随身WiFi避坑指南：原理、场景、硬件参数与套餐全解析

Arduino ESP32 安装完整指南：从进度条卡死到第一次点亮 Blink 一次走通

ComputeShader实战指南：GPU粒子更新、线程模型与Buffer绑定避坑

更多资讯

萤石开放平台音视频接入与直播流管理实战指南

本地AI编程工作台搭建：VS Code+Ollama+CodeLLDB实战指南

基于SpringBoot的校园心理咨询平台设计与实现

GitHub Skills实战：用真实仓库训练Git协作技能

Android App加固工具选型：XopProtector工程化实践指南

Zephyr 离线构建环境一次搭好

今日更新

CopilotKit Vue Demo 与 React Demo 的 Parity 实现指南：路由、运行时端点与交互语义的全框架对齐

Harbor RBAC 实战：db_auth 模式下非管理员用户管理项目成员的完整验证与权限模型解析

STM32平衡车纯平衡程序从拆包到参数整定的完整调试指南

本周精选

超人会飞不算本事：系统稳定依赖清晰规则与边界设计

超人VS蜘蛛侠：拆解超级IP的影响力与传播方法论

基于CNN的调制信号识别：MATLAB实现时频图分类实战

本月热门

基于YOLO的焊缝缺陷检测：从数据标注到工业部署全流程实践

分布式服务的决策记录

创业产品的首版范围

读完文章，想聊聊您的网站？