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

---

可下载资源

plot(elect,type="l")

我们还可以假设自回归形式，其中Y_ {t} 是Y_ {t-1} 的函数

lm(Load~1+Load1+Time+as.factor(Week)+
poly(Temp,3)+Temp1+IPI,data=elect

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。

 

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

plot(elect
plot(z,type="l")
B = data.frame(z=z,t=1:length

然后，我们必须消除线性趋势，以平稳序列

z = residuals(lm(z~t,data=B))
 
 
arima(Z,order = c(4,0,0), 
seasonal = list(order = c(1 

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

 arima(Z,order = c(0,0,0), 
seasonal = list(order = c(0,1, 

最后，最后一个要简单一些

arima(Z,order = c(1,0,0), seasonal = list(order = c(2,0,0)))

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

reg = lm(z~t,data=B)

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）

sqrt(predict(modelz1,n.ahead = 111)$se^2+sigma^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

 exp(DOz$z1+1/2*DONNseu$seu1^2),

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，

lines(futur,base_previ
col="orange")

夏季预测会有所偏差，而冬季预测我们有所改善。