R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据

根据我们对温度的预测,我们可以预测电力消耗。

由Kaizong Ye,Liao Bao撰写

绘制电力消耗序列图:

我们可以尝试一个非常简单的模型,其中日期Y_t的消耗量是时间,温度(多项式形式表示)以及工业生产指数IPI_t的函数。


温度影响的多项式函数来自下图(去除线性趋势后的消耗序列)

我们还可以假设自回归形式,其中Y_ {t} 是Y_ {t-1} 的函数

然后,我们可以尝试进行预测。第二个模型的问题是自回归部分。要预测Y_ {t + h} ,我们必须使用在t + h-1,Y ^ t + h − 1中所作的预测。


热门课程

R语言数据分析挖掘必知必会

面对扑面而来的数据浪潮,包含Google、Facebook等国际企业,都已采用R语言进行数据分析

探索课程

然后,我们可以预测 Y ^ t与观察值 Yt进行比较。

 

我们在夏季估计良好(我们预测了8月上半月的高峰),但我们低估了冬季的消耗量。

最后,我们可以忽略解释变量,而直接尝试建立时间序列模型。

 

经典(简单)的解决方案是取对数

然后,我们必须消除线性趋势,以平稳序列

第一个模型是稳定的,没有单位根。我们可以尝试引入季节性单位根

最后,最后一个要简单一些

然后,我们将所有预测存储在数据库中

然后将线性趋势添加到残差的预测中

在这里,我们在 logY上建立了线性模型,即 logY〜N(μ,σ2),因此 E [Y] = exp(μ+σ2/ 2)

我们在这里假设两个模型(线性趋势和自回归模型的线性)的预测估计量是独立的,因此我们可以对方差项求和。另外,Y的预测是

我们比较三个模型的预测(与观察值)

我们与之前的预测进行比较,

夏季预测会有所偏差,而冬季预测我们有所改善。


可下载资源

关于作者

Kaizong Ye拓端研究室(TRL)的研究员。

本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。

​非常感谢您阅读本文,如需帮助请联系我们!

 
QQ在线咨询
售前咨询热线
15121130882
售后咨询热线
0571-63341498