Prognozowanie zapotrzebowania na energię elektryczną

Dzienne zapotrzebowanie na energię elektryczną można również modelować jako funkcję temperatury. Jak pewnie wiesz z rachunków za prąd, w upalne dni zużywa się więcej energii na klimatyzację, a w zimne – na ogrzewanie.

W tym ćwiczeniu dostosujesz kwadratowy model regresji z błędem ARMA. Roczne dane dzienne są przechowywane jako elecdaily i obejmują łączne dzienne zapotrzebowanie, zmienną wskaźnikową dla dni roboczych (dzień roboczy jest oznaczony wartością 1, a dzień wolny – wartością 0) oraz dzienne maksymalne temperatury. Ze względu na sezonowość tygodniową parametr frequency został ustawiony na 7.

Przyjrzyjmy się pierwszym trzem wierszom:

> 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 został wcześniej wczytany do twojego środowiska pracy.

To ćwiczenie jest częścią kursu

Prognozowanie w R

Instrukcje do ćwiczenia

Stwórz wykresy czasowe wyłącznie dla dziennego zapotrzebowania i maksymalnych temperatur z podziałem na panele (facetting).
Zbuduj macierz regresorów zawierającą: MaxTemp dla maksymalnych temperatur, MaxTempSq reprezentujący kwadrat maksymalnej temperatury oraz Workday – w tej kolejności. Drugi argument cbind() będzie wymagał prostego operatora matematycznego.
Dopasuj dynamiczny model regresji kolumny zapotrzebowania z błędami ARIMA i nazwij go fit.
Jeśli następny dzień jest dniem roboczym (wskaźnik wynosi 1), a prognozowana maksymalna temperatura wynosi 20°C, jakie jest prognozowane zapotrzebowanie? Uzupełnij odpowiednie wartości w cbind() dla argumentu xreg w funkcji forecast().

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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(___, ___, ___))

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Prognozowanie w R

SkillTag.level.beginnerSkillTag.label

4.9+

Rozpocznij kurs za darmo

Pierwszym krokiem w każdej analizie danych jest wizualizacja. Wykresy pozwalają dostrzec wiele cech danych: wzorce, nietypowe obserwacje i zmiany w czasie. Wszystko, co uda się zaobserwować na wykresach, powinno być – w miarę możliwości – uwzględnione w stosowanych metodach prognozowania.

Exercise 1: Witaj w kursie Forecasting in R Exercise 2: Tworzenie obiektów szeregów czasowych w R Exercise 3: Wykresy szeregów czasowych Exercise 4: Wykresy sezonowe Exercise 5: Trendy, sezonowość i cykliczność Exercise 6: Autokorelacja szeregu czasowego bez sezonowości Exercise 7: Autokorelacja sezonowych i cyklicznych szeregów czasowych Exercise 8: Dopasuj ACF do szeregu czasowego Exercise 9: Biały szum Exercise 10: Ceny akcji i biały szum

W tym rozdziale poznasz ogólne narzędzia przydatne w różnych sytuacjach prognozowania. Omówione zostaną metody prognozowania referencyjnego, metody sprawdzania, czy dana metoda prognozowania w pełni wykorzystuje dostępne informacje, a także metody mierzenia dokładności prognoz. Każde z tych narzędzi będzie wielokrotnie stosowane w kolejnych rozdziałach, podczas gdy będziesz rozwijać i zgłębiać różne metody prognozowania.

Exercise 1: Prognozy i możliwe scenariusze Exercise 2: Naiwne metody prognozowania Exercise 3: Dopasowane wartości i reszty Exercise 4: Sprawdzanie reszt szeregu czasowego Exercise 5: Zbiór treningowy i testowy Exercise 6: Ocena dokładności prognoz metodami niesezonowymi Exercise 7: Ocena dokładności prognoz metod sezonowych Exercise 8: Czy mój model prognozujący jest dobry?Exercise 9: Kroswalidacja szeregów czasowych Exercise 10: Wykorzystanie tsCV() do krzyżowej walidacji szeregów czasowych

Prognozy uzyskiwane metodami wygładzania wykładniczego są ważonymi średnimi przeszłych obserwacji, przy czym wagi maleją wykładniczo wraz ze starszymi obserwacjami. Innymi słowy, im nowsza obserwacja, tym większa przypisana jej waga. To podejście pozwala szybko uzyskiwać wiarygodne prognozy dla szerokiej gamy szeregów czasowych, co stanowi jego dużą zaletę i ma kluczowe znaczenie w zastosowaniach biznesowych.

Exercise 1: Prognozy z wykładniczym ważeniem Exercise 2: Proste wygładzanie wykładnicze Exercise 3: SES a metoda naiwna Exercise 4: Metody wygładzania wykładniczego z trendem Exercise 5: Metody trendu Holta Exercise 6: Metody wygładzania wykładniczego z trendem i sezonowością Exercise 7: Holt-Winters dla danych miesięcznych Exercise 8: Metoda Holta-Wintersa dla danych dziennych Exercise 9: Modele przestrzeni stanów dla wygładzania wykładniczego Exercise 10: Automatyczne prognozowanie z wygładzaniem wykładniczym Exercise 11: ETS kontra sezonowa metoda naiwna Exercise 12: Dopasuj modele do szeregów czasowych Exercise 13: Kiedy ETS zawodzi?

Modele ARIMA to kolejne podejście do prognozowania szeregów czasowych. Wygładzanie wykładnicze i modele ARIMA to dwie najszerzej stosowane metody prognozowania szeregów czasowych – uzupełniają się nawzajem. O ile modele wygładzania wykładniczego opierają się na opisie trendu i sezonowości w danych, o tyle modele ARIMA mają na celu opisanie autokorelacji w danych.

Exercise 1: Transformacje stabilizujące wariancję Exercise 2: Transformacje Boxa-Coxa dla szeregów czasowych Exercise 3: Różnicowanie niesezonowe w celu uzyskania stacjonarności Exercise 4: Różnicowanie sezonowe a stacjonarność Exercise 5: Modele ARIMA Exercise 6: Automatyczne modele ARIMA dla niesezonowych szeregów czasowych Exercise 7: Prognozowanie za pomocą modeli ARIMA Exercise 8: Porównanie auto.arima() i ets() na danych bez sezonowości Exercise 9: Sezonowe modele ARIMA Exercise 10: Automatyczne modele ARIMA dla sezonowych szeregów czasowych Exercise 11: Odkrywanie opcji auto.arima()Exercise 12: Porównanie auto.arima() i ets() na danych sezonowych

Modele szeregów czasowych omówione w poprzednich rozdziałach sprawdzają się w wielu przypadkach, ale często nie są odpowiednie dla danych tygodniowych lub godzinowych i nie uwzględniają dodatkowych informacji – takich jak wpływ świąt, aktywności konkurencji czy zmian przepisów prawa. W tym rozdziale przyjrzysz się metodom obsługującym bardziej złożoną sezonowość i zobaczysz, jak rozszerzyć modele ARIMA, aby możliwe było uwzględnienie w nich dodatkowych informacji.

Exercise 1: Regresja dynamiczna Exercise 2: Prognozowanie sprzedaży z uwzględnieniem wydatków na reklamę Exercise 3: Prognozowanie zapotrzebowania na energię elektryczną

Bieżące ćwiczenie

Exercise 4: Dynamiczna regresja harmoniczna Exercise 5: Prognozowanie danych tygodniowych Exercise 6: Regresja harmoniczna dla wielokrotnej sezonowości Exercise 7: Prognozowanie rezerwacji połączeń Exercise 8: Modele TBATS Exercise 9: Modele TBATS dla zapotrzebowania na energię elektryczną Exercise 10: Twoja przyszłość w prognozowaniu!