综述：基于时间序列模型的能源需求与发电预测：经典、灰色、模糊与智能方法的比较分析

这篇系统综述比较分析了ARIMA、ES、MA、FTS、CBR、GPM和Prophet等8种时间序列模型在能源预测中的应用，通过145篇文献的定量分析（RMSE/MAE/MAPE/R2指标）揭示了经典方法在线性场景、灰色模型在数据稀缺场景、模糊模型在复杂季节模式中的优势，为能源政策制定提供了模型选择框架。

　　

时间序列模型在能源预测中的比较研究

方法论创新

采用系统性分析框架对2015-2025年间80项核心研究进行七维评估，涵盖算法架构（如ARIMA(p,d,q)）、预测范围（短/中/长期）、地理背景等维度。特别排除了机器学习混合方法，确保时间序列模型的纯净对比。

经典模型的稳态优势

移动平均（MA）和指数平滑（ES）在公式SMA_t = (1/n)∑y_t-i中展现稳定表现，适合日内至周级别的负荷预测。ARMA模型通过组合自回归（AR）和移动平均（MA）项，在希腊电力市场研究中将MAPE降低3.33%。而ARIMA通过差分处理非平稳数据，在巴西工业用电预测中实现R2=0.93。

智能算法的突破性进展

模糊时间序列（FTS）将数值转化为"高/中/低"等语言变量，在西班牙电力需求预测中达到0.87%的MAPE。灰色模型（GPM）的GM(1,1)通过累加生成操作（AGO）处理小样本数据，在中国清洁能源预测中误差比传统模型低41%。Facebook开发的Prophet模型则凭借加法公式y(t)=g(t)+s(t)+h(t)+ε_t，在印度峰值负荷预测中MAPE仅3.01%。

地理与时间维度差异

研究揭示美国、中国贡献了25%的文献，而非洲几乎空白。短期预测研究占比86.3%，但土耳其学者开发的LSTM-SMI混合模型在风电预测中实现99.24%准确率，展示了多时间尺度融合的价值。

应用指导框架

提出决策树式选择标准：

• •

  线性稳定数据：优先ARIMA/SARIMA

• •

  数据稀缺场景：选用GPM或CBR

• •

  多季节波动：Prophet或FTS

• •

  实时响应需求：ESMA组合

未来挑战

现存模型对电动汽车普及等新兴变量捕捉不足，且缺乏跨气候区验证。欧洲学者尝试的CEEMDAN-ARBiLSTM-Prophet三级架构为复杂场景建模提供了新思路。

（注：全文严格基于原文数据，所有结论均可在原文表格1和对应章节查证）