发电量预测是电力系统规划与运行的基础,是电力市场运作中的重要组成部分。目前,对发电量预测的研究已经比较深入,常用的发电量预测方法有：灰色预测法、线性回归模型、自回归移动平均模型及人工神经网络算法等。其中回归预测模型和时间序列模型是该领域最成熟的两个模型。回归预测模型通过建立发电量与其他相关变量之间的模型来预测发电量,但是由于影响发电量的外部因素错综复杂,准确分析其对发电量的影响比较困难。另一种有效的方法是利用时间序列模型对发电量本身的历史数据进行分析研究,进而预测未来的发电量。本文采用时间序列模型对发电量预测进行研究。在电力市场化过程中,发电量预测的精度直接关系到各方的利益。因此,如何提高模型的预测精度吸引了越来越多人的关注。本文在现有模型的基础上探究更为精确、有效的方法。首先分别介绍了单整自回归移动平均模型(ARIMA模型)和灰色预测模型(GM(1,1)模型),接着提出了基于灰色预测理论修正的ARIMA模型,以提高模型的预测精度。最后根据2008年—2013年我国甘肃省5年的发电量数据建立合适的ARIMA模型,并将基于非等间隔GM(1,1)模型的残差修正法用于ARIMA模型的优化和改进,得到(GM-ARIMA模型的预测结果。最终,对比ARIMA模型、GM(1,1)模型以及GM-ARIMA模型的预测结果,发现GM-ARIMA模型达到了提高模型预测精度的目的。