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 ( erreuroptim (.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
0.05233389DouSmo = 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 )

最受欢迎的见解

1.在python中使用lstm和pytorch进行时间序列预测

2.python中利用长短期记忆模型lstm进行时间序列预测分析

3.使用r语言进行时间序列（arima，指数平滑）分析

4.r语言多元copula-garch-模型时间序列预测

5.r语言copulas和金融时间序列案例

6.使用r语言随机波动模型sv处理时间序列中的随机波动

7.r语言时间序列tar阈值自回归模型

8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类

9.python3用arima模型进行时间序列预测

拓端tecdat|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相关推荐

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
原文链接:http://tecdat.cn/?p=18359 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(点击文末"阅读原文 ...
拓端tecdat|R语言逻辑回归（Logistic回归）模型分类预测病人冠心病风险
最近我们被客户要求撰写关于冠心病风险的研究报告,包括一些图形和统计输出. 相关视频:R语言逻辑回归(Logistic回归)模型分类预测病人冠心病风险逻辑回归Logistic模型原理和R语言分类预测冠 ...
在r语言中使用GAM（广义相加模型）进行电力负荷时间序列分析
广义相加模型(GAM:Generalized Additive Model),它模型公式如下:有p个自变量,其中X1与y是线性关系,其他变量与y是非线性关系,我们可以对每个变量与y拟合不同关系,对X2 ...
拓端tecdat|R语言线性回归和时间序列分析北京房价影响因素可视化案例
最近我们被客户要求撰写关于北京房价影响因素的研究报告,包括一些图形和统计输出. 目的房价有关的数据可能反映了中国近年来的变化: 人们得到更多的资源(薪水),期望有更好的房子人口众多独生子女政策: ...
拓端tecdat|R语言用LOESS(局部加权回归)季节趋势分解（STL）进行时间序列异常检测
最近我们被客户要求撰写关于LOESS(局部加权回归)的研究报告,包括一些图形和统计输出. 这篇文章描述了一种对涉及季节性和趋势成分的时间序列的中点进行建模的方法.我们将对一种叫做STL的算法进行研究, ...
拓端tecdat|R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
最近我们被客户要求撰写关于向量误差修正模型的研究报告,包括一些图形和统计输出. 向量自回归模型估计的先决条件之一是被分析的时间序列是平稳的.但是,经济理论认为,经济变量之间在水平上存在着均衡关系,可以 ...
R语言分位数回归Quantile Regression分析租房价格
全文链接:http://tecdat.cn/?p=18422 本文想在R软件中更好地了解分位数回归优化.在查看分位数回归之前,让我们从样本中计算中位数或分位数(点击文末"阅读原文" ...
求助：r语言分位数回归engel数据穷人与富人的比较时stepfun函数的作用是什么
attach(engel) engel z = rq(foodexp ~ income, tau=-1) z$sol # 这里包含了每个分位点下的系数估计结果 x.poor = quanti ...
拓端tecdat|bilibili视频流量数据潜望镜
最近我们被客户要求撰写关于bilibili视频流量的研究报告,包括一些图形和统计输出. 最新研究表明,中国有超过7亿人在观看在线视频内容.Bilibili,被称为哔哩哔哩或简称为B站,是中国大陆第二个 ...
r语言logistic回归_R语言多分类logistic逻辑回归模型在混合分布模拟单个风险损失值评估的应用...
原文链接 :http://tecdat.cn/?p=14017tecdat.cn 通常,我们在回归模型中一直说的一句话是" 请查看一下数据 ". 在上一篇文章中,我们没有查看数据 ...

拓端tecdat|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

原文链接：http://tecdat.cn/?p=18359

原文出处：拓端数据部落公众号

用电量

数据探索

OLS与中位数回归

分位数回归和指数平滑

双指数平滑

预测

预测变量的构造

回归

拓端tecdat|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相关推荐

最新文章

热门文章

拓端tecdat|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

原文链接：http://tecdat.cn/?p=18359

原文出处：拓端数据部落公众号

用电量

数据探索

OLS与 中位数回归

分位数回归和指数平滑

双指数平滑

预测

预测变量的构造

回归

拓端tecdat|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相关推荐

最新文章

热门文章

OLS与中位数回归