首页 > 其他分享 >R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据

R语言用多项式回归和ARIMA模型预测电力负荷时间序列数据

时间:2024-03-29 15:55:05浏览次数:22  
标签:elect 预测 负荷 多项式 模型 ARIMA html 线性 回归

原文链接:http://tecdat.cn/?p=18037

原文出处:拓端数据部落公众号

 

根据我们对温度的预测,我们可以预测电力消耗。绘制电力消耗序列图:

  html
plot(elect,type="l")

 

 

我们可以尝试一个非常简单的模型,其中日期Y_t的消耗量是时间,温度(以多项式形式表示)以及工业生产指数IPI_t的函数。

  html
 lm(Load~1+Time+as.factor(Week)+poly(Temp,3)+Temp+IPI,data=elect )

温度影响的多项式函数来自下图(去除线性趋势后的消耗序列)

 

我们还可以假设自回归形式,其中Y_ {t} 是Y_ {t-1} 的函数

  html
lm(Load~1+Load1+Time+as.factor(Week)+
poly(Temp,3)+Temp1+IPI,data=elect

然后,我们可以尝试进行预测。第二个模型的问题是自回归部分。要预测Y_ {t + h} ,我们必须使用在t + h-1,Y ^ t + h − 1中所作的预测。

  html

 
IPI = elect[futur,"IPI"])
for(t in 1:110){ 
 base_prevision[t+1,"Load1"] = p}

然后,我们可以预测 Y ^ t与观察值 Yt进行比较。

 

 

我们在夏季估计良好(我们预测了8月上半月的高峰),但我们低估了冬季的消耗量。

最后,我们可以忽略解释变量,而直接尝试建立时间序列模型。

  html
plot(elect[passe,"Load"],type="l")

 

 

令人担忧的是该序列的异方差,其最小斜率低于最大斜率。

  html
n=length(passe)="l")
m=aggregate(elect
by=list(as.f
points(sort((1
xM=((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)

 

 

经典(简单)的解决方案是取对数

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

 

 

然后,我们必须消除线性趋势,以平稳序列

  html
z = residuals(lm(z~t,data=B))

 
arima(Z,order = c(4,0,0), 
seasonal = list(order = c(1 

第一个模型是稳定的,没有单位根。我们可以尝试引入季节性单位根

  html
 arima(Z,order = c(0,0,0), 
seasonal = list(order = c(0,1, 

最后,最后一个要简单一些

  html
arima(Z,order = c(1,0,0), 
seasonal = list(order = c(2,0,0)))

然后,我们将所有预测存储在数据库中

然后将线性趋势添加到残差的预测中

  html
reg = lm(z~t,data=B)

在这里,我们在 logY上建立了线性模型,即 logY〜N(μ,σ2),因此 E [Y] = exp(μ+σ2/ 2)

  html
sqrt(predict(modelz1,n.ahead = 111)$se^2+sigma^2),
 

 

我们在这里假设两个模型(线性趋势和自回归模型的线性)的预测估计量是独立的,因此我们可以对方差项求和。另外,Y的预测是

  html
 exp(DOz$z1+1/2*DONNseu$seu1^2),

我们比较三个模型的预测(与观察值)

 

 

我们与之前的预测进行比较,

  html
lines(futur,base_previ
col="orange")

 

 

夏季预测会有所偏差,而冬季预测我们有所改善。


最受欢迎的见解

1.用SPSS估计HLM层次线性模型模型

2.R语言线性判别分析(LDA),二次判别分析(QDA)和正则判别分析(RDA)

3.基于R语言的lmer混合线性回归模型

4.R语言Gibbs抽样的贝叶斯简单线性回归仿真分析

5.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

6.使用SAS,Stata,HLM,R,SPSS和Mplus的分层线性模型HLM

7.R语言中的岭回归、套索回归、主成分回归:线性模型选择和正则化

8.R语言用线性回归模型预测空气质量臭氧数据

9.R语言分层线性模型案例

标签:elect,预测,负荷,多项式,模型,ARIMA,html,线性,回归
From: https://www.cnblogs.com/tecdat/p/18104018

相关文章

  • 【NC16622】多项式输出
    题目多项式输出模拟,注意细节思路一道模拟题,按要求模拟即可,没有算法上的难度,有的是动手的复杂性。这本来可以直接在主函数中写处理过程的,但是为了其更有通用性,在这里将其提取为一个函数,具体见代码。代码#include<stdio.h>#include<stdlib.h>#include<string.h>......
  • 生成函数与多项式
    1.生成函数1.1普通型生成函数OGF1.1.1基础序列\(\{f_i\}_{i=0}^n\)的普通型生成函数是\(F(x)=\sum_{i=0}^nf_ix^i\)。\(n\)可以等于\(\infty\)。有一些常用的运算规则需要记住:\[F(x)+G(x)=H(x)\iffh_n=f_n+g_n\]\[F(x)G(x)=H(x)\iffh_n=\sum_{i=......
  • 多项式习题
    P3338[ZJOI2014]力给定数组\(q\),有:\[E_j=\sum\limits_{i=1}^{j-1}\frac{q_i}{(i-j)^2}-\sum\limits_{i=j+1}^{n}\frac{q_i}{(i-j)^2}\]求数组\(E\)。首先把数组从\(0\)开始编号。然后如果有数组\(g_i=\dfrac{1}{i^2}\),\(g_0=1\),我们发现:\(E\)的前半部分就是\(q\)......
  • 车-电-路网时空分布负荷预测研究(Matlab代码)
    ......
  • 题解 P5809【【模板】多项式复合逆】
    \(\text{Link}\)力求把最新技术翻译地人人都能看懂。推荐先学习:拉格朗日反演。题意给出\(n\)次多项式\(F(x)\),求一个\(n\)次多项式\(G(x)\)满足\(F(G(x))\equivx(\bmodx^{n+1})\)。保证\([x^0]F(x)=0\)且\([x^1]F(x)\ne0\)。\(n\le2\times10^4\)。思路我们......
  • 多项式朴素贝叶斯分类器
    在这篇文章中,我们介绍多项式朴素贝叶斯分类器是如何工作的,然后使用scikit-learn作为实际工作的示例来介绍如何使用。与假设高斯分布的高斯朴素贝叶斯分类器相反,多项式朴素贝叶斯分类器依赖于多项分布。通过学习/估计每个类的多项概率来“拟合”多项式分类器-使用平滑技巧来处理......
  • 初三多项式的运算练习 题解
    初三多项式的运算练习题解美好的下午时光要拿来写题解呜呜呜,一篇一篇地鸽得了。有些题要用到GF的知识,或许我可以找时间讲一下?贴一份我的FFT和NTT的板子。FFT:#include<bits/stdc++.h>usingnamespacestd;typedeflonglongll;intn,m,limit,f[1<<22],g[1......
  • 计算地球圆盘负荷产生的位移
    1.研究背景        计算受表面载荷影响的弹性体变形问题有着悠久的历史,涉及到许多著名的数学家和物理学家(Boussinesq1885;Lamb1901;Love1911,1929;Shida1912;Terazawa1916;Munk&MacDonald1960;Longman1962,1963;Farrell1972)。对于均匀弹性半空间的易于编码的解(Becker......
  • 多项式化简技巧
    多项式化简技巧多项式部分省流:1.\(1^2+2^2+···+n^2=\frac{1}{6}n(n+1)(2n+1)\)2.若\(n\)为奇数,\(x^n+1=(x+1)(x^{n-1}*(-1)^{n-1}+x^{n-2}*(-1)^{n-2}+···+x*(-1)+1)\)3.等比数列求和公式推导:\(x^n-1=(x-1)(x^{n-1}+x^{n-2}+···+x+1)\)即\(x^n+1=(x-1)\sum\li......
  • R语言风险价值:ARIMA,GARCH模型,Delta-normal法滚动估计,预测VaR(Value at Risk)和回测分析
    原文链接:http://tecdat.cn/?p=24492原文出处:拓端数据部落公众号介绍此分析的目的是帮助客户构建一个过程,以在给定时变波动性的情况下正确估计风险价值。风险价值被广泛用于衡量金融机构的市场风险。我们的时间序列数据包括1258天的股票收益。为了解释每日收益率方差的一小部......