R語言用多項式回歸和ARIMA模型預測電力負荷時間序列數據

原文連結：http://tecdat.cn/?p=18037

 

根據我們對溫度的預測，我們可以預測電力消耗。繪製電力消耗序列圖：

 

我們可以嘗試一個非常簡單的模型，其中日期Y_t的消耗量是時間，溫度（以多項式形式表示）以及工業生產指數IPI_t的函數。

 lm(Load~1+Time+as.factor(Week)+poly(Temp,3)+Temp+IPI,data=elect )
溫度影響的多項式函數來自下圖（去除線性趨勢後的消耗序列）
 
我們還可以假設自回歸形式，其中Y_ {t} 是Y_ {t-1} 的函數

lm(Load~1+Load1+Time+as.factor(Week)+poly(Temp,3)+Temp1+IPI,data=elect
然後，我們可以嘗試進行預測。第二個模型的問題是自回歸部分。要預測Y_ {t + h} ，我們必須使用在t + h-1，Y ^ t + h − 1中所作的預測。






IPI = elect[futur,"IPI"])for(t in 1:110){base_prevision[t+1,"Load1"] = p}
然後，我們可以預測 Y ^ t與觀察值 Yt進行比較。
 
 
我們在夏季估計良好（我們預測了8月上半月的高峰），但我們低估了冬季的消耗量。
最後，我們可以忽略解釋變量，而直接嘗試建立時間序列模型。
plot(elect[passe,"Load"],type="l") 
 
令人擔憂的是該序列的異方差，其最小斜率低於最大斜率。

n=length(passe)="l")m=aggregate(electby=list(as.fpoints(sort((1xM=((1:n)[vM])regm=lm(m$x~xm,col="blue")regM=lm(M$x~xM,col="blue")abline(regm,lty=2)abline(regM,lty=2) 

 
經典（簡單）的解決方案是取對數

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

 
然後，我們必須消除線性趨勢，以平穩序列

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



arima(Z,order = c(4,0,0),seasonal = list(order = c(1
第一個模型是穩定的，沒有單位根。我們可以嘗試引入季節性單位根


arima(Z,order = c(0,0,0),seasonal = list(order = c(0,1,
最後，最後一個要簡單一些


arima(Z,order = c(1,0,0),seasonal = list(order = c(2,0,0)))
然後，我們將所有預測存儲在資料庫中
然後將線性趨勢添加到殘差的預測中
在這裡，我們在 logY上建立了線性模型，即 logY〜N（μ，σ2），因此 E [Y] = exp（μ+σ2/ 2）

sqrt(predict(modelz1,n.ahead = 111)$se^2+sigma^2),
 
 
我們在這裡假設兩個模型（線性趨勢和自回歸模型的線性）的預測估計量是獨立的，因此我們可以對方差項求和。另外，Y的預測是
 exp(DOz$z1+1/2*DONNseu$seu1^2),
我們比較三個模型的預測（與觀察值）
 
 
我們與之前的預測進行比較，

lines(futur,base_previcol="orange")
 
 
夏季預測會有所偏差，而冬季預測我們有所改善。
更多內容，請點擊左下角「閱讀原文」查看報告全文


關注我們
案例精選、技術乾貨 第一時間與您分享
長按二維碼加關注
更多內容，請點擊左下角「閱讀原文」查看報告全文