CommencezCommencez gratuitement

Prévision de la demande d'électricité

Vous pouvez aussi modéliser la demande quotidienne d'électricité en fonction de la température. Comme vous l'avez sans doute remarqué sur votre facture d'électricité, on consomme plus d'électricité lors des journées chaudes à cause de la climatisation, et lors des journées froides à cause du chauffage.

Dans cet exercice, vous allez ajuster un modèle de régression quadratique avec une erreur ARMA. Une année de données quotidiennes est stockée dans elecdaily et comprend la demande quotidienne totale, une variable indicatrice pour les jours ouvrables (un jour ouvrable est représenté par 1, et un jour non ouvrable par 0), ainsi que les températures maximales quotidiennes. Comme il y a une saisonnalité hebdomadaire, la frequency a été fixée à 7.

Jetons un coup d'œil aux trois premières lignes :

> elecdaily[1:3, ]
       Demand Temperature Workday
[1,] 174.8963        26.0       0
[2,] 188.5909        23.0       1
[3,] 188.9169        22.2       1

elecdaily a été préchargé dans votre espace de travail.

Cette activité fait partie du cours

Prévision en R

Voir le cours

Instructions de l’exercice

  • Produisez des graphiques temporels de la demande quotidienne et des températures maximales seulement, avec des facettes.
  • Créez une matrice de régressions pour inclure, dans cet ordre, MaxTemp pour les températures maximales, MaxTempSq qui représente la valeur au carré de la température maximale, et Workday. Évidemment, le deuxième argument de cbind() nécessitera un simple opérateur mathématique.
  • Ajustez un modèle de régression dynamique de la colonne de la demande avec des erreurs ARIMA et nommez-le fit.
  • Si le lendemain est un jour ouvrable (indicateur à 1) avec une température maximale prévue de 20 °C, quelle est la demande prévue? Remplissez les valeurs appropriées dans cbind() pour l'argument xreg dans forecast().

Exercice interactif pratique

Essayez cet exercice en complétant ce code d’exemple.

# Time plots of demand and temperatures
autoplot(elecdaily[, c(___, ___)], facets = ___)

# Matrix of regressors
xreg <- cbind(MaxTemp = elecdaily[, "Temperature"],
              MaxTempSq = ___,
              Workday = ___)

# Fit model
fit <- auto.arima(___, xreg = xreg)

# Forecast fit one day ahead
forecast(___, xreg = cbind(___, ___, ___))
Modifier et exécuter le code