共计 2260 个字符，预计需要花费 6 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=18359
原文出处：拓端数据部落公众号
电力负荷预测是电网布局的根底，其程度的高下将间接影响电网布局品质的优劣。为了精确预测电力负荷，有必要进行建模。本文在 R 语言中应用分位数回归、GAM 样条曲线、指数平滑和 SARIMA 模型对电力负荷工夫序列预测并比拟。
用电量
本文应用的数据是 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）
•工夫小时（离散或非参数）
•年（间断）
交互影响：
•日期和工夫
•年份和工夫
流动
•公共假期
温度对模型的影响：低温、高温和极冷温度
模型：
分段线性函数，
GAM 模型中的样条曲线
数据摸索
工夫对电力负荷的影响
> plot (NumWeek , Load)
温度对电力负荷的影响，（Tt，Yt）
> plot (Temp , Load)
负荷序列（Yt）的自相干的影响，
> acf (Load)
OLS 与 中位数回归
中位数回归通过枯燥变换是稳固的。
lm(y˜x, data =df)
lm(y˜x, data =df , tau =.5)当初，中位数回归将始终有两个察看后果。
which (predict ( fit))
21 46
分位数回归和指数平滑
简略的指数平滑：
经典地，咱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
咱们能够思考分位数误差
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
咱们思考分位数误差
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
数理统计建设在对概率模型参数的预计和假设检验的根底上。
统计中的预测：当模型拟合观测值时，它会提供良好的预测。
相同，咱们应用没有呈现过的场景，它使咱们可能评估将来的次要趋势，而不是预测极其事件的能力。
预测变量的结构
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)
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3. 应用 r 语言进行工夫序列（arima，指数平滑）剖析
4.r 语言多元 copula-garch- 模型工夫序列预测
5.r 语言 copulas 和金融工夫序列案例
6. 应用 r 语言随机稳定模型 sv 解决工夫序列中的随机稳定
7.r 语言工夫序列 tar 阈值自回归模型
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9.python3 用 arima 模型进行工夫序列预测
