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(yx, data =df)lm(yx, 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，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 2) )optim (.5 ,V)$ par\[1\] 0.2464844hw= HoltWinters (X, beta =FALSEhw$ 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 -1erreur \[t=X\[t-L\[t -1return ( sum ( loss ( erreuroptim (.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$ alphaalpha0.4223241hw$ betabeta0.05233389DouSmo = 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 =52plot ( 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