原文鏈接：http://tecdat.cn/?p=18359?

原文出處：拓端數(shù)據(jù)部落公眾號(hào)

?

電力負(fù)荷預(yù)測(cè)是電網(wǎng)規(guī)劃的基礎(chǔ)，其水平的高低將直接影響電網(wǎng)規(guī)劃質(zhì)量的優(yōu)劣。為了準(zhǔn)確預(yù)測(cè)電力負(fù)荷，有必要進(jìn)行建模。本文在R語(yǔ)言中使用分位數(shù)回歸、GAM樣條曲線、指數(shù)平滑和SARIMA模型對(duì)電力負(fù)荷時(shí)間序列預(yù)測(cè)并比較。

用電量

本文使用的數(shù)據(jù)是1996年至2010年之間的每周用電量數(shù)據(jù)，序列

1. 


2. load ("Load.RData")

3. plot (ts( data = Load , start= 1996 , frequency = 52) )

用電量變量及其影響因素：
?星期幾（離散）
?時(shí)間小時(shí)（離散或非參數(shù)）
?年（連續(xù)）

交互影響：
?日期和時(shí)間

?年份和時(shí)間

活動(dòng)
?公共假期

溫度對(duì)模型的影響：高溫、低溫和極冷溫度
?

模型：
分段線性函數(shù)，
GAM模型中的樣條曲線
?

數(shù)據(jù)探索

時(shí)間對(duì)電力負(fù)荷的影響

> plot ( NumWeek , Load )

溫度對(duì)電力負(fù)荷的影響，（Tt，Yt）

> plot ( Temp , Load )

負(fù)荷序列（Yt）的自相關(guān)的影響，

> acf (Load )

?

OLS與 中位數(shù)回歸
?

中位數(shù)回歸通過單調(diào)變換是穩(wěn)定的。

?

1. lm(y?x, data =df)

2. lm(y?x, data =df , tau =.5)

現(xiàn)在，中位數(shù)回歸將始終有兩個(gè)觀察結(jié)果。

1. 


2. which ( predict ( fit ))

3. 21 46

?

分位數(shù)回歸和指數(shù)平滑

簡(jiǎn)單的指數(shù)平滑：

經(jīng)典地，我們尋找使預(yù)測(cè)誤差最小的α，即

?

1. 


2. X=as. numeric ( Nile )

3. SimpleSmooth = function (a){

5. for (t in 2:T{L[t=a*X[t+(1 -a)*L[t -1

7. }lines ( SimpleSmooth (.2) ,col =" red ")

8. 


1. V= function (a){

2. 


3. for (t in 2:T){

4. L[t]=a*X[t]+(1 -a)*L[t -1]

5. erreur [t]=X[t]-L[t -1] }

6. return ( sum ( erreur ?2) )

7. 


8. optim (.5 ,V)$ par

9. [1] 0.2464844

10. hw= HoltWinters (X, beta =FALSE

11. hw$ alpha

12. [1] 0.2465579

我們可以考慮分位數(shù)誤差

1. HWtau = function ( tau ){

2. loss = function (e) e*(tau -(e< ;=0) *1)

3. V= function (a){

4. 


5. 


6. for (t in 2:T){

7. L[t]=a*X[t+(1 -a)*L[t -1

8. erreur [t=X[t-L[t -1

9. return ( sum ( loss ( erreur

10. 


11. optim (.5 ,V)$ par

12. 


1. plot (X, type ="b",cex =.6

2. 


3. lines ( SimpleSmooth ( HWtau (.8,col=" blue ",

4. lwd =2)

?

雙指數(shù)平滑

我們考慮分位數(shù)誤差

其中

。

1. 


2. hw= HoltWinters (X, gamma =FALSE ,l. start =X[1])

3. hw$ alpha

4. alpha

5. 0.4223241

6. hw$ beta

7. beta

8. 0.05233389

9. 


10. DouSmo = function (a,b){

11. 


12. for (t in 2:T){

13. L[t]=a*X[t+(1 -a*(L[t -1]+ B[t -1]

14. B[t]=b*(L[t]-L[t -1]) +(1 -b*B[t -1]

15. return (L+B)

?

預(yù)測(cè)

數(shù)理統(tǒng)計(jì)建立在對(duì)概率模型參數(shù)的估計(jì)和假設(shè)檢驗(yàn)的基礎(chǔ)上。
統(tǒng)計(jì)中的預(yù)測(cè)：當(dāng)模型擬合觀測(cè)值時(shí)，它會(huì)提供良好的預(yù)測(cè)。
相反，我們使用沒有出現(xiàn)過的場(chǎng)景，它使我們能夠評(píng)估未來的主要趨勢(shì)，而不是預(yù)測(cè)極端事件的能力。

?

預(yù)測(cè)變量的構(gòu)造
?

1. 


2. plot (ts( data = Load $Load , start =

3. 1996 , frequency = 52) ,col =" white "

回歸

1. plot (ts( data = Temp , start =

2. 1996 , frequency = 52) ,

3. lines (ts( data = train $Temp , start =

4. 1996 , frequency = 52) )

5. lines (ts( data = test $Temp , start =

6. 1996+620 /52, frequency = 52)

?

?

SARIMA模型，s = 52

1. 


2. ARIMA = arima (z, order =c(1 ,0 ,0 ,seasonal =list ( order =c(0 ,1 ,0 ,period =52

3. plot ( forecast (ARIMA ,h =112 )

最受歡迎的見解

1.在python中使用lstm和pytorch進(jìn)行時(shí)間序列預(yù)測(cè)

2.python中利用長(zhǎng)短期記憶模型lstm進(jìn)行時(shí)間序列預(yù)測(cè)分析

3.使用r語(yǔ)言進(jìn)行時(shí)間序列（arima，指數(shù)平滑）分析

4.r語(yǔ)言多元copula-garch-模型時(shí)間序列預(yù)測(cè)

5.r語(yǔ)言copulas和金融時(shí)間序列案例

6.使用r語(yǔ)言隨機(jī)波動(dòng)模型sv處理時(shí)間序列中的隨機(jī)波動(dòng)

7.r語(yǔ)言時(shí)間序列tar閾值自回歸模型

8.r語(yǔ)言k-shape時(shí)間序列聚類方法對(duì)股票價(jià)格時(shí)間序列聚類

9.python3用arima模型進(jìn)行時(shí)間序列預(yù)測(cè)