分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测

简介: 分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测

电力负荷预测是电网规划的基础,其水平的高低将直接影响电网规划质量的优劣。为了准确预测电力负荷,有必要进行建模。本文在R语言中使用分位数回归、GAM样条曲线、指数平滑和SARIMA模型对电力负荷时间序列预测并比较。

用电量

本文使用的数据是1996年至2010年之间的每周用电量数据,序列

load ("Load.RData")
plot (ts( data = Load , start= 1996 , frequency = 52) )

用电量变量及其影响因素:

•星期几(离散)

•时间小时(离散或非参数)

•年(连续)

交互影响:

•日期和时间

•年份和时间

活动

•公共假期

温度对模型的影响:高温、低温和极冷温度

模型:

分段线性函数,

GAM模型中的样条曲线

数据探索

时间对电力负荷的影响

> plot ( NumWeek , Load )

温度对电力负荷的影响,(Tt,Yt)

> plot ( Temp , Load )

负荷序列(Yt)的自相关的影响,

> acf (Load )

OLS与 中位数回归

中位数回归通过单调变换是稳定的。

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

现在,中位数回归将始终有两个观察结果。

which ( predict ( fit ))
21 46

分位数回归和指数平滑

简单的指数平滑:

经典地,我们寻找使预测误差最小的α,即

X=as. numeric ( Nile )
SimpleSmooth = function (a){
for (t in 2:T{L\[t=a\*X\[t+(1 -a)\*L\[t -1
}lines ( SimpleSmooth (.2) ,col =" red ")

V= function (a){
for (t in 2:T){
L\[t\]=a\*X\[t\]+(1 -a)\*L\[t -1\]
erreur \[t\]=X\[t\]-L\[t -1\] }
return ( sum ( erreur ˆ2) )
optim (.5 ,V)$ par
\[1\] 0.2464844
hw= HoltWinters (X, beta =FALSE
hw$ alpha
\[1\] 0.2465579

我们可以考虑分位数误差

HWtau = function ( tau ){
loss = function (e) e*(tau -(e< ;=0) *1)
V= function (a){
for (t in 2:T){
L\[t\]=a\*X\[t+(1 -a)\*L\[t -1
erreur \[t=X\[t-L\[t -1
return ( sum ( loss ( erreur
optim (.5 ,V)$ par

plot (X, type ="b",cex =.6 
lines ( SimpleSmooth ( HWtau (.8,col=" blue ",
lwd =2)

双指数平滑

我们考虑分位数误差

其中

hw= HoltWinters (X, gamma =FALSE ,l. start =X\[1\])
hw$ alpha
alpha
0.4223241
hw$ beta
beta
0.05233389
DouSmo = function (a,b){
for (t in 2:T){
L\[t\]=a\*X\[t+(1 -a\*(L\[t -1\]+ B\[t -1\]
B\[t\]=b*(L\[t\]-L\[t -1\]) +(1 -b*B\[t -1\] 
return (L+B)

预测

数理统计建立在对概率模型参数的估计和假设检验的基础上。

统计中的预测:当模型拟合观测值时,它会提供良好的预测。

相反,我们使用没有出现过的场景,它使我们能够评估未来的主要趋势,而不是预测极端事件的能力。

预测变量的构造

plot (ts( data = Load $Load , start =
1996 , frequency = 52) ,col =" white "

回归

plot (ts( data = Temp , start =
1996 , frequency = 52) ,
lines (ts( data = train $Temp , start =
1996 , frequency = 52) )
lines (ts( data = test $Temp , start =
1996+620 /52, frequency = 52)

SARIMA模型,s = 52

ARIMA = arima (z, order =c(1 ,0 ,0 ,seasonal =list ( order =c(0 ,1 ,0 ,period =52
plot ( forecast (ARIMA ,h =112 )

相关文章
|
6月前
|
存储 人工智能 数据可视化
【视频】广义相加模型(GAM)在电力负荷预测中的应用(上)
【视频】广义相加模型(GAM)在电力负荷预测中的应用
|
6月前
|
数据可视化 数据挖掘
【视频】广义相加模型(GAM)在电力负荷预测中的应用(下)
【视频】广义相加模型(GAM)在电力负荷预测中的应用
|
6月前
|
数据挖掘 数据建模
R语言指数加权模型EWMA预测股市多变量波动率
R语言指数加权模型EWMA预测股市多变量波动率
R语言指数加权模型EWMA预测股市多变量波动率
|
6月前
|
存储 对象存储
R语言分布滞后线性和非线性模型(DLNM)分析空气污染(臭氧)、温度对死亡率时间序列数据的影响
R语言分布滞后线性和非线性模型(DLNM)分析空气污染(臭氧)、温度对死亡率时间序列数据的影响
|
6月前
【视频】广义相加模型(GAM)在电力负荷预测中的应用(三)
【视频】广义相加模型(GAM)在电力负荷预测中的应用
|
6月前
极值分析:分块极大值BLOCK-MAXIMA、阈值超额法、广义帕累托分布GPD拟合降雨数据时间序列
极值分析:分块极大值BLOCK-MAXIMA、阈值超额法、广义帕累托分布GPD拟合降雨数据时间序列
极值分析:分块极大值BLOCK-MAXIMA、阈值超额法、广义帕累托分布GPD拟合降雨数据时间序列
|
6月前
|
数据可视化
R语言分位数回归、最小二乘回归OLS北京市GDP影响因素可视化分析
R语言分位数回归、最小二乘回归OLS北京市GDP影响因素可视化分析
|
6月前
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
R语言分位数回归、GAM样条曲线、指数平滑和SARIMA对电力负荷时间序列预测
|
6月前
【视频】广义相加模型(GAM)在电力负荷预测中的应用(一)
【视频】广义相加模型(GAM)在电力负荷预测中的应用
|
6月前
|
存储 数据可视化
【视频】广义相加模型(GAM)在电力负荷预测中的应用-2
【视频】广义相加模型(GAM)在电力负荷预测中的应用