Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Previsión del consumo total de electricidad en función de la temperatura.
índice compuesto y modelos de frecuencia mixta
LI Xuerong1,2, SHANG Wei1,2, *1, ZHANG Xun1, SHAN Baoguo3, WANG Xiang3
(1. Academia de Matemáticas y Ciencias de Sistemas, Academia China de Ciencias, Beijing 100190, Porcelana;
2. Laboratorio de Ciencias Sociales de Pronósticos Económicos Digitales y Simulación de Políticas del Ministerio de Educación en la UCAS;
3. Instituto Estatal de Investigación de Energía de Red CO., LIMITADO, Beijing 102209, Porcelana)
Resumen El consumo total de electricidad. (TEC) puede reflejar con precisión el funcionamiento de
la economía nacional, y la previsión del TEC puede ayudar a predecir la evolución económica
tendencia de desarrollo, así como proporcionar ideas para la formulación de políticas macro.
Hoy en día, Los datos masivos y de alta frecuencia de múltiples fuentes proporcionan una nueva forma de predecir
el TEC. en este documento, Se construye un “índice de temperatura estacional-acumulado” basado en
en datos de temperatura de alta frecuencia, y un modelo de predicción de frecuencia mixta basado en
big data de múltiples fuentes (Muestreo de datos mixtos con temperatura mensual y diaria
Índice de temperatura, MIDAS-MT-DT) se propone. Los resultados experimentales muestran que el
El modelo MIDAS-MT-DT logra una mayor precisión de predicción, y el “estacional-
Índice de temperatura acumulativo” puede mejorar la precisión de la predicción..
Palabras clave Consumo total de electricidad; efecto estacional; grandes datos de temperatura; alto-
frecuencia big data; modelo de predicción de frecuencia mixta
1 Introducción
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
t
/
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
/
t
i
Dado que la energía eléctrica está estrechamente relacionada con la producción industrial., actividades de negocio
y la vida de los residentes, Los datos de electricidad generalmente podrían reflejar la condición de operación del
economía nacional. Las estadísticas de electricidad son de gran valor para ser exploradas, que puede ayudar
el gobierno para formular políticas de macrocontrol y promover la capacidad de gobernanza
mirar hacia el desarrollo económico o social.
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
1* Autor correspondiente: wei shang, Dirección de correo electrónico: shangwei@amss.ac.cn (W.. shang).
Este trabajo fue apoyado por el proyecto de ciencia y tecnología de State Grid Corporation de China. (Código de proyecto:
1400-202157207A-0-0-00); la Fundación Nacional de Ciencias Naturales de China [números de subvención 72273137].
© 2023 Academia China de Ciencias. Publicado bajo una atribución Creative Commons 4.0
Internacional (CC POR 4.0) licencia.
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Entre los indicadores estadísticos de la electricidad., consumo total de electricidad (TEC)
Es uno de los indicadores más completos y básicos para reflejar la electricidad.
situación de consumo de un país o región. TEC generalmente se define como el total
consumo de electricidad de la primaria, Industrias secundarias y terciarias del país.
o región, incluido
electricidad industrial, electricidad agrícola, comercial
electricidad, electricidad residencial, electricidad instalaciones publicas, etc.. El valor importante
del TEC radica en que podría reflejar las condiciones de funcionamiento de la economía nacional.
La predicción precisa de TEC puede ayudar a rastrear la tendencia del desarrollo económico y
proporcionar información para la formulación de políticas macroeconómicas.
Sin embargo, La predicción de TEC es una tarea difícil., y hay pocos estudios en
campos relacionados. TEC incluye varios sectores de consumo eléctrico con diferentes
patrones. Por lo tanto, Es difícil distinguir los factores complejos que influyen en cada uno.
otro durante el pronóstico, lo que añade incertidumbre a los resultados de la predicción.. con el
desarrollo de grandes datos, Grandes conjuntos de datos de alta frecuencia que pueden reflejar el microcomportamiento.
del consumo de electricidad proporcionan una nueva idea para la predicción de TEC. Actualmente,
Las investigaciones existentes en campos relacionados se centran principalmente en la predicción de la carga eléctrica.
[1-3], pero todavía hay pocos modelos que puedan predecir eficazmente TEC mediante fuentes múltiples.
grandes conjuntos de datos.
en este documento, un método de predicción de frecuencia mixta basado en la temperatura
índice compuesto y muestreo de datos mixtos (MIDAS) modelo, Modelo MIDAS-MT-DT,
se propone y se aplica a la predicción TEC, lo que mejora significativamente la predicción
Precisión en comparación con los modelos de referencia.. Basado en el análisis de la electricidad.
Comportamiento del consumo en diferentes estaciones., Este artículo construye la “estacionalidad”.-
índice de temperatura acumulada”, que puede reflejar con mayor precisión la electricidad
Comportamiento de consumo afectado por la temperatura.. Además, un diario de alta frecuencia
El indicador TEC también se introduce en el modelo para capturar otros factores excepto
temperatura. Para utilizar simultáneamente los dos tipos anteriores de alta frecuencia
grandes datos, Proponemos un modelo de predicción de frecuencia mixta. (MIDAS-MT-DT) para TEC
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
t
/
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
basado en el “índice de temperatura acumulada por temporada”, y seleccione TEC de Fujian
provincia, China como muestra para la investigación empírica. A través de una serie de comparaciones
experimentos con modelos de referencia, se comprueba que el modelo MIDAS-MT-DT tiene
mayor precisión de predicción, y el “índice de temperatura estacional-acumulado” tiene la
capacidad de mejorar la precisión de la predicción. La robustez y superioridad del
El marco propuesto se verifica aún más comparándolo con más modelos de referencia.
y múltiples ventanas de tiempo.
Los principales aportes de este trabajo se encuentran en los siguientes aspectos: primero, ponemos
Presentar una nueva perspectiva en la construcción de un índice compuesto de temperatura para predecir
datos de electricidad. La mayoría de los estudios anteriores han seleccionado algunos meses específicos. (verano o
invierno) y utilizó datos de temperatura para predecir intervalos de muestra locales [4-6]. El
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
El índice de temperatura construido en este documento involucra todas las estaciones en un análisis unificado.
estructura, que es más compatible y útil para reducir el costo de aplicación del
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
t
.
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
sistema real. Además, Ampliamos el modelo tradicional MIDAS incorporando
variables exógenas multifrecuencia, mejorando así la capacidad de predicción de la
modelo original.
El resto del contenido de este documento está organizado de la siguiente manera: Sección 2 resume
la literatura existente sobre predicción del consumo de electricidad y la frecuencia mixta
modelo; Sección 3 presenta la construcción de una “temperatura estacional-acumulada”
índice"; Sección 4 introduce el modelo de pronóstico TEC de frecuencia mixta basado en
índice de temperatura. Sección 5 compara los resultados de pronóstico de los modelos. Sección 6
es un resumen y perspectiva.
2 Revisión de literatura
En términos de análisis y predicción del consumo eléctrico., hay muchos
Métodos de pronóstico propuestos por académicos de todo el mundo., que se puede dividir aproximadamente
en los métodos de pronóstico clásicos, métodos de pronóstico tradicionales y modernos.
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
métodos de pronóstico inteligentes. entre ellos, el método de predicción clásico incluye
el método del coeficiente elástico, el cálculo de la capacidad de expansión del
industria, etc.. La frecuencia de los datos de los métodos de predicción tradicionales es principalmente anual y
mensual. Los modelos comúnmente utilizados incluyen modelos de series de tiempo. [1], modelos de regresión
[2] modelos de predicción grises [3-4], etc.. Con el desarrollo de la capacidad de procesamiento de datos.,
Los modelos inteligentes modernos se han utilizado ampliamente en el consumo de electricidad.
Previsión con datos mensuales y diarios.. Los investigadores han empleado varios modelos
incluido el método de predicción de redes neuronales [5], máquina de vectores de soporte [6], caos
método de predicción teórica [7], También incluye otros métodos de pronóstico combinados., etc..
En años recientes, La tecnología de big data se ha ido aplicando paulatinamente en la investigación de
predicción de datos de electricidad [8-10]. el modelo de [11] encontró que por cada 1 grado
aumento de temperatura, El consumo máximo de electricidad aumentaría en 0.45% a 4.6%.
También utilizando modelos de aprendizaje profundo., Bedi y Toshniwal (2020) proponer un aprendizaje profundo
enfoque híbrido basado en que primero implementa la descomposición en modo variacional (VMD)
y modelos de codificador automático para extraer subseñales/características significativas de los datos [12].
Ayub et al.. (2020) aplicó el modelo GRU-CNN para predecir la electricidad diaria
consumo del conjunto de datos ISO-NE, lo que mejoró la precisión de la predicción al 7%
comparado con el modelo de referencia SOTA [13]. Cui et al. (2023) proponer un profundo
Marco de aprendizaje con un ajuste COVID-19 para la previsión de la demanda eléctrica.
[14]. en el estudio de [15], el WT adaptativo (AWT)-memoria larga a corto plazo (LSTM) es
integrado en un enfoque híbrido para predecir el consumo de electricidad.
Los modelos de frecuencia mixta se han aplicado inicialmente al campo de la meteorología.,
y el principio básico es explorar la información contenida en la alta frecuencia.
datos y predecir el futuro antes de la publicación oficial de datos estadísticos relevantes. El
El modelo MIDAS es un modelo de frecuencia mixta ampliamente utilizado., propuesto por Ghysels et al..
(2004) [16]. Después, Muchos académicos han propuesto formas extendidas de MIDAS.
modelo, como el modelo MS-MIDAS [17] y el modelo de cointegración MIDAS [18].
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
t
.
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
.
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Más recientemente, Se ha aplicado el modelo MF-VAR para estimar el valor combinado.
variables endógenas [19].
Debido a la demanda de pronósticos a tiempo en muchas industrias, frecuencia mixta
Se han aplicado modelos a la previsión de la energía eólica., flujo de pasajeros en tránsito ferroviario
pronóstico, pronóstico macroeconómico, pronóstico del mercado financiero y muchos otros
campos. Por ejemplo, Algunos académicos aplicaron el aprendizaje multitarea y el conjunto.
métodos de descomposición para pronosticar la energía eólica [20-22]. La previsión en el tiempo de
número de pasajeros en el tráfico por Yao Enjian et al.. (2018) y bao lei (2017) han mejorado mucho
la capacidad de respuesta de emergencia del sistema de tráfico en situaciones de emergencia [23, 24]. Actualmente,
Los modelos de frecuencia mixta también se utilizan ampliamente en los mercados macroeconómicos y financieros.
[25-27]. Por ejemplo, Zhang Wei et al.. (2020) [28] y Ghysel y Sinko (2011) [29]
respectivamente, pronóstico del Producto Interno Bruto (PIB) y la volatilidad de los mercados financieros.
En resumen, la literatura existente aplica varios algoritmos inteligentes y
pronostica datos de electricidad utilizando conjuntos de datos históricos. Muchos estudios han aplicado
big data meteorológicos o big data de teledetección y otros datos del entorno natural.
La mayoría de los modelos existentes utilizan datos de temperatura en meses específicos para pronosticar las temperaturas locales.
intervalos de muestra, pero no han considerado los big data de alta frecuencia de múltiples fuentes y
otra información predictiva, por lo tanto, se espera que la precisión del pronóstico sea mayor.
mejorado.
3 Datos y variables
Esta sección presenta la recopilación y el preprocesamiento de datos., así como el
construcción del “índice de temperatura estacional-acumulado”. Cifra 1 presenta el
Marco metodológico del modelo MIDAS-MT-DT para la previsión TEC.. El
El marco incluye los siguientes pasos.: 1) Recoger los datos de temperatura diaria., a diario
datos TEC, datos de temperatura mensuales y datos TEC mensuales en los datos históricos; 2)
El índice de temperatura diario se obtiene por transformación acumulativa y estacional.
transformación. El índice de temperatura mensual se obtiene por transformación estacional..
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
t
.
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
3) El índice de temperatura mensual y la variable rezagada del TEC mensual son
tomados como variables de pronóstico de baja frecuencia, y el índice de temperatura diaria y
Los TEC diarios se toman como variables de pronóstico de alta frecuencia.. la baja frecuencia
y se utilizan variables de alta frecuencia para predecir el TEC mensual. Los detalles de la
El marco anterior se presenta en la sección 3 y 4.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
/
t
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
/
.
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Cifra 1. El marco del modelo MIDAS-MT-DT
3.1 Recopilación y preprocesamiento de datos.
En nuestro estudio empírico, el TEC mensual de la provincia de Fujian es seleccionado como el
variable predicha. El periodo de muestra es a partir de enero. 2017 a noviembre 2020, y el
La fuente de datos es la base de datos Wind.. Los big data de alta frecuencia utilizados en la predicción.
el modelo incluye 1) el diario TEC de la provincia de Fujian, proporcionado por State Grid
Instituto de Investigación de Energía Co., LIMITADO.; 2) Los datos de temperatura, que incluye Xiamen,
Putin, Fuzhou, nanping, Quanzhou, Ningdé, Longyan, Sanming y Zhangzhou de
Provincia de Fujian, y la fuente de datos es la base de datos Wind. El promedio del máximo diario.
temperatura encendida 9 ciudades de Fujian se toman como los datos de temperatura diaria originales del
índice de temperatura (𝑇𝑖,𝑚 en ecuación. (1)); el promedio de la temperatura promedio mensual en
9 ciudades de Fujian se toman como los datos de temperatura mensuales originales de la temperatura
índice (𝑇𝑚 en ecuación. (3)). En el pronóstico fuera de muestra, Primero usamos el modelo ARMA para
predecir el índice de temperatura en los períodos de prueba, y luego los valores predichos de
El índice de temperatura se ingresa en nuestros modelos de pronóstico.. El período de muestra de la
Recopilación y preprocesamiento de datos La construcción del “Índice de temperatura acumulativo estacional” Modelo de pronóstico de frecuencia mixta TEC mensual Datos de temperatura diarios Transformación estacional Transformación acumulativa Datos de temperatura mensuales TEC diario retrasado Índice de temperatura mensual Índice de temperatura diario Variables de predicción de alta frecuencia Variables de predicción de baja frecuencia Variable predicha TEC mensual retrasado TEC diario Big data de alta frecuencia
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Los datos de alta frecuencia anteriores son de enero. 1, 2017, a noviembre 30, 2020.
3.2 Índice de temperatura estacional-acumulado
Combinado con cambios estacionales, se puede analizar que la electricidad
El comportamiento de consumo tiene las dos características siguientes.: (1) efecto estacional: cuando
la temperatura es más alta que la temperatura confortable, producción industrial,
Los sectores comerciales y residenciales necesitan utilizar aire acondicionado para refrescarse.. En el
mismo tiempo, porque la provincia de Fujian está en la región sur de China cuando
La temperatura es más baja que la temperatura agradable en invierno., también necesita usar aire
acondicionamiento para calefacción. En resumen, La temperatura del verano debe ser positiva.
correlacionado con el consumo de electricidad, mientras que la temperatura invernal debería ser negativa
correlacionado con el consumo de electricidad. (2) Efecto acumulativo: el comportamiento de
El consumo de electricidad tiene una cierta inercia.. El comportamiento del uso del aire acondicionado en
los primeros días tienden a continuar por un corto tiempo, Entonces la temperatura del primer día.
tiene cierto impacto en los próximos días.
Basado en las dos características., los datos de temperatura diaria se transforman a través de
transformación acumulativa y transformación estacional. La fórmula del acumulativo.
la transformación es:
4
(1 − ∑ 𝑒−𝑗
𝑗=1
𝑖
4
) ∗ 𝑇𝑖,𝑚 + ∑ 𝑒−𝑗
∗ 𝑇𝑖−𝑗,𝑚, 𝑖 ≥ 5
𝑗=1
4−𝑖
) ∗ 𝑇𝑖,𝑚 + ∑ 𝑒−𝑗
∗ 𝑇𝑖−𝑗+1,𝑚 + ∑ 𝑒−(4−𝑗)
∗ 𝑇𝑁−𝑖+1,𝑚−1, 𝑖 = 1,2,3,4
𝑗=1
𝑗=𝑖
𝐶𝑇 𝑖,𝑚 =
4
(1 − ∑ 𝑒−𝑗
𝑗=1
{
(1)
donde 𝐶𝑇𝑖,𝑚 es el índice de temperatura diaria del i día del m mes transformado por
efecto acumulativo; 𝑇𝑖,𝑚 son los datos de temperatura diaria originales del i día del m
mes; N indica el número total de días en el mes m-1. j representa el número
de días antes de que yo. En nuestro estudio, asumimos el efecto acumulativo de la electricidad
el comportamiento de consumo dura 5 días, por lo tanto 𝑗 ∈ {1,2,3,4}; 𝑒−𝑗 representa la influencia
coeficiente de la temperatura del día j anterior, que disminuye según la tendencia de
logaritmo natural en el tiempo.
Después, los datos de temperatura diaria se transforman por efecto estacional
transformación, donde la fórmula es:
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
.
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
.
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
𝑆𝐶_𝑇𝑖,𝑚 = {
𝐶𝑇𝑖,𝑚, 𝑚 ∈ {5,6,7,8,9}, 𝑖 = 1,2, … 𝑁
𝐿 − 𝐶𝑇𝑖,𝑚, 𝑚 ∈ {10,11,12,1,2,3,4}, 𝑖 = 1,2, … 𝑁
(2)
dónde, 𝑆𝐶_𝑇𝑖,𝑚 es el índice de temperatura diaria del i día del m mes siguiente
transformación de efecto acumulativo y transformación de efecto estacional, y N es el total
número de días del mes m. L es la longitud de desplazamiento para asegurar que el
El índice de temperatura después de la transformación estacional se mantiene continuo.. en este documento, nosotros
estimar el valor de L calculando el promedio de dist( −𝐶𝑇𝑖,4, 𝐶𝑇𝑖,5 )+
dist(𝐶𝑇𝑖,9, −𝐶𝑇𝑖,10) de cada año en el período de la muestra, donde dist(𝑎, 𝑏) representa el
distancia entre a y b, eso es, dist(𝑎, 𝑏)=|ab|.
Además, los datos de temperatura mensual se transforman por efecto estacional a
obtener el índice de temperatura mensual, en el que la fórmula del efecto estacional
la transformación es:
𝑆_𝑇𝑚 = {
𝑇𝑚, 𝑚 ∈ {5,6,7,8,9}
𝐿 − 𝑇𝑚, 𝑚 ∈ {10,11,12,1,2,3,4}
(3)
donde 𝑆_𝑇𝑚 es el índice de temperatura mensual del mes m después del efecto estacional
transformación; 𝑇𝑚 son los datos de temperatura mensual originales del mes m; l es el
igual que se define en la ecuación. (4).
4 Metodología
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
t
.
/
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
.
/
i
En esta sección, El modelo de pronóstico TEC de frecuencia mixta MIDAS-MT-DT es
presentado, así como los modelos de pronóstico TEC de frecuencia única utilizados como punto de referencia
modelos. Después, presentamos nuestro diseño experimental de experimentos comparativos.
4.1 Modelo de pronóstico de frecuencia mixta basado en big data de múltiples fuentes
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Para utilizar de manera integral datos de temperatura de alta frecuencia y alta-
datos de consumo de electricidad de frecuencia, el modelo MIDAS de Ghysels et al.. (2004) es
ampliado en este documento, y un modelo de predicción de frecuencia mixta de TEC (MIDAS-MT-
DT) Se propone un “índice de temperatura acumulativo estacional”. La fórmula del
el modelo es el siguiente:
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
𝑝𝑌−1
𝑝𝑋−1
𝑌𝑀,𝑡+1 = 𝜇 + ∑ 𝜇𝑗+1𝑌𝑡−𝑗
+ ∑ 𝛽𝑗+1𝑆_𝑇𝑡−𝑗
𝑝𝑋−1
𝑁−1
𝑗=0
𝑗=0
𝑝𝑋−1
𝑁−1
+𝛽 ∑ ∑ 𝑤𝑁−𝑖+𝑗∗𝑁(𝜽)𝑌𝐷, 𝑁−𝑖,𝑡−𝑗
+ 𝛿 ∑ ∑ 𝑤𝑁−𝑖+𝑗∗𝑁(𝜽)𝑆𝐶_𝑇𝑁−𝑖,𝑡−𝑗
+ 𝑢𝑡+1
𝑗=0
𝑖=0
𝑗=0
𝑖=0
(4)
dónde, 𝑌𝑀,𝑡+1 es el TEC mensual del mes t, 𝑆_𝑇𝑡 es la temperatura mensual
índice del mes t después de la transformación estacional, 𝑌𝐷, 𝑁,𝑡 es el TEC diario del día N
del mes t, 𝑆𝐶_𝑇𝑁,𝑡 es el índice de temperatura diaria del día N del mes t posterior
transformación acumulativa y transformación estacional. 𝑤𝑖(𝜽) es una alta frecuencia
polinomios de ponderación de retardo variable del modelo MIDAS, 𝜽 es el parámetro estimado
polinomio, y ∑
𝑝𝑋−1
𝑗=0
∑
𝑁−1
𝑖=0
𝑤𝑁−𝑖+𝑗∗𝑁(𝜽)
= 1 ; 𝜇 , 𝜇𝑗+1 , 𝛽 , 𝛽𝑗+1 , 𝛿 son los
Parámetros a ser estimados por el modelo., 𝑝𝑋 y 𝑝𝑌 son el período de retraso óptimo de la
modelo seleccionado por criterio AIC, i y j son los números enteros en el operador sumativo, y
𝑢𝑡+1 es el error aleatorio del modelo. Los parámetros se estiman mediante no lineal.
Mínimos cuadrados (SNL).
En el experimento de comparación, Empleamos la función de peso de retardo Almon y Beta de
modelo MIDAS, que se definen como
y
𝑤𝑖
𝐴𝑙𝑚𝑜𝑛(𝜃1, 𝜃2) =
𝑒𝜃1𝑖+𝜃2𝑖 2
∑ 𝑒𝜃1𝑖+𝜃2𝑖 2
𝑁
𝑖=1
𝑤𝑖
𝐵𝑒𝑡𝑎 (𝜃1, 𝜃2, 𝜃3) =
𝜃1−1(1 − 𝑥𝑖)𝜃2−1
𝑥𝑖
𝑁
∑ 𝑥𝑖
𝑖=1
𝜃1−1(1 − 𝑥𝑖)𝜃2−1
+ 𝜃3
(5)
(6)
.
donde 𝑥𝑖 = (𝑖 − 1) (𝑁 − 1)
⁄
4.2 Modelos de pronóstico de frecuencia única
Para verificar el poder predictivo del modelo MIDAS-MT-DT y el
“Índice de temperatura estacional-acumulado”, varios experimentos comparativos de un solo-
Se realizan modelos de pronóstico de frecuencia.. Primero, Autoregresivo diario y mensual
Media móvil (ARMA) Los modelos se utilizan para comparar la precisión de la predicción con
y sin el índice de temperatura. Específicamente, el modelo ARMA mensual es:
𝑝𝑌−1
𝑝𝑋−1
𝑝𝑍−1
𝑌𝑀,𝑡+1 = 𝜇 + ∑ 𝜇𝑗+1𝑌𝑀,𝑡−𝑗
+ ∑ 𝛽𝑗+1𝑆_𝑇𝑡−𝑗
+ ∑ 𝛿𝑗+1𝑢𝑡+1
(7)
𝑗=0
𝑗=0
𝑗=0
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
.
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
/
t
.
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
donde 𝑌𝑀,𝑡 es el TEC mensual en el mes t, 𝑆_𝑇𝑡 es el índice de temperatura mensual de
el mes t después de la transformación estacional, y 𝑢𝑡+1 es independiente e idénticamente
variable aleatoria distribuida, representando el error del modelo.
El modelo ARMA diario es:
𝑝𝑌−1
𝑝𝑋−1
𝑝𝑍−1
𝑌𝐷,𝑡+1 = 𝜇 + ∑ 𝜇𝑗+1𝑌𝐷,𝑡−𝑗
+ ∑ 𝛽𝑗+1𝑆𝐶_𝑇𝑡−𝑗
+ ∑ 𝛿𝑗+1𝑢𝑡+1
(8)
𝑗=0
𝑗=0
𝑗=0
dónde, 𝑌𝐷,𝑡 es el TEC diario del día t, y 𝑆𝐶_𝑇𝑡 es la alta frecuencia diaria
índice de temperatura en el día t después de la transformación estacional y acumulativa.
4.3 Diseño experimental
La precisión de predicción de los modelos MIDAS con temperatura diaria o mensual.
Se comparan respectivamente el índice y el índice de temperatura sin él.. Además, mezclado-
Los modelos de frecuencia se comparan con varios modelos de frecuencia única.. Además de
modelos ARMA, algunos modelos inteligentes como la regresión de vectores de soporte (RVS) y
Bosque aleatorio (RF) Los modelos se seleccionan como modelos de referencia.. para resumir, el
Las especificaciones del modelo y los parámetros de los experimentos de comparación se muestran en la tabla.
1.
Mesa 1. Especificaciones y parámetros del modelo.
Etiqueta de modelo
Especificaciones del modelo
Parámetros del modelo
ARMA-M
Modelo ARMA mensual de frecuencia única, con
En ecuación. (7), 𝛽𝑗 = 0
variables rezagadas y sin índice de temperatura
ARMA-D
Modelo ARMA diario de frecuencia única, con
En ecuación. (8), 𝛽𝑗 = 0
variables rezagadas y sin índice de temperatura
ARMA-MT
Modelo ARMA mensual con mensual
En ecuación. (7), 𝛽𝑗 ≠ 0
índice de temperatura y variables rezagadas
ARMA-DT
Modelo ARMA diario con temperatura diaria.
En ecuación. (8), 𝛽𝑗 ≠ 0
índice y variables rezagadas
SVR-M
Modelo SVR mensual de frecuencia única, con
variables rezagadas y sin índice de temperatura
SVR-D
Modelo SVR diario de frecuencia única, con
variables rezagadas y sin índice de temperatura
Valores predeterminados de Python Scikit-
SVR-MT
Modelo SVR mensual con temperatura mensual
aprender biblioteca
índice y variables rezagadas
RVS-DT
Modelo SVR diario con índice de temperatura diario
y variables rezagadas
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
t
/
.
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
RF-M
Modelo RF mensual de frecuencia única, con
variables rezagadas y sin índice de temperatura
RF-D
Modelo RF diario de frecuencia única, con rezagado
variables y sin índice de temperatura
RF-MT
Modelo RF mensual con temperatura mensual.
índice y variables rezagadas
RF-DT
Modelo RF diario con índice de temperatura diario.
y variables rezagadas
MIDAS
Modelo de referencia de frecuencia mixta, sin
En ecuación. (4), 𝛽𝑗 = 0，𝛿 = 0
índice de temperatura
MIDAS-MT
Modelo MIDAS con índice de temperatura mensual.
En ecuación. (4), 𝛽𝑗 ≠ 0，𝛿 = 0
y sus variables rezagadas
MIDAS-DT
Modelo MIDAS con índice de temperatura diaria.
MIDAS-MT-DT
Modelo MIDAS con índice de temperatura mensual.
En ecuación. (4), 𝛽𝑗 = 0，𝛿 ≠ 0
En ecuación. (4), 𝛽𝑗 ≠ 0，𝛿 ≠ 0
y sus variables rezagadas, así como el diario
índice de temperatura
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
5 Resultados empíricos
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
mi
d
tu
d
norte
/
i
En esta sección, el desempeño de pronóstico del modelo MIDAS-MT-DT y el
El “índice de temperatura acumulativo estacional” se ilustra a través de una serie de estudios comparativos.
resultados experimentales. Primero, la descripción de la “temperatura acumulada estacional
índice” se presentan, y luego los resultados de predicción de los modelos de frecuencia única y
los modelos de frecuencia de mezcla se comparan respectivamente.
5.1 Descripción de datos y análisis de correlación.
Según el método de construcción en la Sección 3.2, la descripción del
El “índice de temperatura acumulada por temporada” se muestra en la Figura 2. Según los resultados
en la figura, el índice de temperatura construido en este trabajo mantiene una tendencia general
de correlación positiva con Fujian TEC, lo que indica que puede mejorar la
pronóstico del rendimiento de los datos de temperatura.
i
/
/
.
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
.
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
60
50
40
30
20
10
0
10
9
8
7
6
5
4
3
2
1
0
Datos de temperatura sin procesar
Índice de temperatura estacional-acumulado
TEC de Fujian
Cifra 2. La descripción del “índice de temperatura acumulada por temporada”
Mesa 2 muestra las estadísticas descriptivas y los resultados del análisis de correlación del crudo
datos de temperatura, “Índice de temperatura acumulativo estacional” y TEC diario de Fujian. El
Los resultados muestran que el coeficiente de correlación entre el “estacional-acumulado”
índice de temperatura” y Fujian TEC es 0.6540, mientras que el coeficiente de correlación entre
Los datos de temperatura sin procesar y Fujian TEC son solo -0.3060. Esto indica que el
El método de construcción del índice de temperatura en este documento puede mejorar efectivamente la
correlación con las variables predichas.
Mesa 2. Estadística descriptiva y análisis de correlación.
Datos de temperatura sin procesar
Acumulativo estacional
TEC de Fujian
índice de temperatura
Significar
Máximo
Mínimo
estándar. desarrollador.
Oblicuidad
Curtosis
Correlación de Pearson
coeficiente con Fujian TEC
26.1478
9.4058
37.2591
6.5261
-1.0306
-0.2506
-0.3060
35.5638
50.5942
22.3403
5.1441
0.2943
2.6980
0.6540
6.2101
3.4423
8.9278
0.9815
0.2392
-0.0345
1
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
t
/
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
.
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
5.2 Modelos de pronóstico de frecuencia única
Verificar la capacidad predictiva del “índice de temperatura estacional-acumulado”,
Se utilizan modelos diarios y mensuales para comparar la precisión de la predicción con y sin
el índice de temperatura, respectivamente. Los resultados de la predicción se muestran en la tabla. 3. En el
mesa, columna 1 representa el período de prueba, y el periodo de formación correspondiente es
desde el inicio de la muestra hasta el mes anterior del período de prueba. El
Las precisiones de predicción se calculan mediante las siguientes fórmulas.:
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 (𝐴𝐶𝐶) = 1 −
1
𝑁
𝑁
∑ |
𝑡=1
𝑥̂𝑡 − 𝑥𝑡
𝑥𝑡
|
𝑅𝑜𝑜𝑡 𝑀𝑒𝑎𝑛 𝑆𝑞𝑢𝑎𝑟𝑒𝑑 𝐸𝑟𝑟𝑜𝑟 (𝑅𝑀𝑆𝐸) = √
1
𝑁
𝑁
∑(
𝑡=1
𝑥̂𝑡 − 𝑥𝑡
𝑥𝑡
)2
(7)
(8)
donde 𝑥̂𝑡 y 𝑥𝑡 representan el valor predicho y el valor real del pronóstico
modelo, respectivamente.
Mesa 3. Resultados de predicción de modelos de frecuencia única.
Grupo A: Modelos de frecuencia mensual
Período de prueba
ARMA-M
ARMA-MT
SVR-M
SVR-MT
RF-M
RF-MT
2020.1-
2020.3
2020.4-
2020.6
2020.7-
2020.9
CAC
63.42%
83.20%
76.84%
92.67%
77.60%
92.85%
RMSE
17.7056
16.0453
23.9215
7.2015
24.1843
7.9507
CAC
62.89%
70.12%
87.11%
93.11%
86.54%
91.71%
RMSE
54.6691
53.8693
27.9021
14.8238
20.8601
15.2980
CAC
62.43%
82.31%
87.48%
89.13%
81.16%
86.97%
RMSE
58.1760
33.7527
23.9188
21.8095
31.4153
25.0699
2020.10-
CAC
69.75%
75.52%
74.02%
89.64%
73.95%
85.67%
2020.11
RMSE
48.1106
33.5277
39.9282
16.1358
34.1574
21.0209
Grupo B: Modelos de frecuencia diaria
Período de prueba
ARMA-D
ARMA-DT
SVR-D
RVS-DT
RF-D
RF-DT
2020.8.1-
CAC
61.10%
97.72%
82.92%
95.49%
85.16%
94.98%
2020.8.31
RMSE
3.1863
0.2353
1.6579
0.4335
1.4492
0.4886
2020.9.1-
CAC
67.51%
89.07%
84.03%
95.76%
87.21%
88.73%
2020.9.30
RMSE
2.5071
0.9195
1.4930
0.3945
1.2188
0.9456
2020.10.1-
CAC
76.72%
96.39%
74.48%
95.24%
82.61%
93.19%
2020.10.31
RMSE
1.5694
0.3934
1.9787
0.3897
1.3973
0.5174
2020.11.1-
CAC
74.17%
98.23%
84.62%
95.22%
79.36%
94.30%
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
t
/
.
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
/
.
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
2020.11.30
RMSE
1.7447
0.1587
1.3304
0.3790
1.6610
0.4516
Nota: Los números en negrita en la tabla indican modelos con precisión predictiva mejorada en comparación
al modelo de referencia.
Según los resultados de la tabla., en todos los periodos de prueba, independientemente del día a día
o la base mensual, las precisiones de predicción de los modelos de pronóstico agregados con el
El índice de temperatura mejora significativamente en comparación con los modelos de referencia..
Los modelos inteligentes como SVR y RF funcionan mucho mejor que los modelos ARMA en el
casos de los modelos mensuales. A diario, modelos inteligentes y modelos ARMA
son competitivos. entre ellos, la precisión de predicción más alta ha alcanzado 98.23%. El
resultados en la tabla 3 mostrar que el índice de temperatura construido en este artículo puede
mejorar significativamente la capacidad de pronóstico de los modelos de referencia al
reflejando la influencia del comportamiento del consumo de electricidad en TEC.
5.3 Modelos de pronóstico de frecuencia mixta
Para verificar la capacidad de predicción del modelo MIDAS-MT-DT, el
Precisión de predicción del modelo MIDAS con datos diarios., e índice de temperatura mensual
y sin índice de temperatura se comparan respectivamente. Los resultados de la predicción son
mostrado en la tabla 4. La primera columna de la tabla representa el período de prueba del modelo.,
y el período de capacitación correspondiente es desde el inicio del período de muestra hasta el
mes anterior del período de prueba. Las precisiones de predicción de los correspondientes
los modelos se calculan mediante la ecuación. (7-8).
Mesa 4. Resultados de predicción de modelos de frecuencia mixta.
Grupo A: Consumo total de electricidad de Fujian
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
/
.
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
/
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Almón-MIDAS
Beta-MIDAS
Período de prueba
MIDAS
MIDAS-MT MIDAS-DT MIDAS-MT-DT
MIDAS MIDAS-MT MIDAS-DT MIDAS-MT-DT
2020.1-
2020.3
2020.4-
2020.6
2020.7-
2020.9
2020.10-
2020.11
CAC
RMSE
CAC
RMSE
CAC
RMSE
CAC
RMSE
83.21%
86.15%
16.6583
21.0858
96.54%
93.35%
4.8878
7.2637
94.45%
94.91%
9.0774
7.5643
94.23%
95.62%
90.86%
10.4433
94.00%
9.0697
94.30%
7.9832
89.58%
5.3534
4.2126
12.2389
86.15%
12.4566
98.39%
2.3340
96.29%
6.1133
95.18%
3.5138
80.68%
94.30%
81.87%
18.8926
5.0649
18.6801
84.34%
91.62%
90.94%
23.8644
14.2741
14.4594
93.64%
91.13%
87.83%
11.5742
17.2138
20.4678
90.66%
93.09%
93.38%
13.0001
12.4452
8.8826
96.93%
3.4150
94.72%
7.3290
96.73%
5.1104
98.02%
3.7987
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Grupo B: Consumo de electricidad residencial de Fujian
Almón-MIDAS
Beta-MIDAS
Período de prueba
MIDAS
MIDAS-MT MIDAS-DT MIDAS-MT-DT
MIDAS MIDAS-MT MIDAS-DT MIDAS-MT-DT
2020.1-
2020.3
2020.4-
2020.6
2020.7-
2020.9
2020.10-
2020.11
CAC
RMSE
CAC
RMSE
CAC
RMSE
CAC
RMSE
91.51%
94.84%
3.4390
2.1221
90.57%
3.8354
88.79%
87.20%
90.74%
5.4743
5.6525
88.39%
94.68%
7.8735
4.4300
4.7849
86.43%
9.9840
87.59%
92.30%
95.49%
5.0707
3.5147
1.7105
92.69%
4.1736
94.96%
2.2653
94.59%
3.1155
93.74%
2.5531
80.89%
85.07%
84.96%
16.4449
14.7521
15.5679
88.86%
92.04%
83.15%
20.1651
11.3245
26.7171
82.40%
91.79%
92.87%
26.8130
11.6818
10.3671
86.68%
85.01%
90.50%
21.6887
26.0945
13.6509
Grupo C: El consumo de electricidad de la industria terciaria de Fujian
Almón-MIDAS
Beta-MIDAS
92.33%
9.0528
95.59%
7.5793
94.95%
11.6454
92.23%
13.8566
yo
D
oh
w
norte
oh
a
d
mi
d
Período de prueba
MIDAS
MIDAS-MT MIDAS-DT MIDAS-MT-DT
MIDAS MIDAS-MT MIDAS-DT MIDAS-MT-DT
2020.1-
2020.3
2020.4-
2020.6
2020.7-
2020.9
2020.10-
2020.11
CAC
RMSE
CAC
RMSE
CAC
RMSE
CAC
RMSE
82.26%
91.45%
4.8074
2.7748
91.48%
93.18%
3.0102
1.8038
81.06%
4.4253
85.19%
4.0636
90.77%
89.33%
93.59%
5.3767
5.5239
95.12%
90.61%
2.0203
3.9438
3.2686
90.73%
3.2524
94.32%
1.6667
94.57%
1.4146
97.24%
1.3215
97.25%
0.9801
84.00%
83.56%
78.24%
4.1694
4.7109
4.7102
84.77%
81.86%
89.79%
5.1318
5.9643
3.3482
77.35%
90.60%
82.25%
11.3417
4.8776
7.9887
83.82%
90.98%
79.14%
5.93041
3.0239
7.1812
93.40%
2.5181
91.51%
3.0738
86.34%
6.7196
91.15%
3.2041
Nota: Los números en negrita en la tabla indican modelos con precisión predictiva mejorada en comparación con el modelo MIDAS de referencia..
Según los resultados de la tabla., en todos los periodos de prueba, independientemente de si
se suma el índice de temperatura diario o índice de temperatura mensual, la predicción
Las precisiones de los modelos mejoran significativamente en comparación con el punto de referencia.
modelos. entre ellos, la precisión de predicción más alta ha alcanzado 98.39%. Además,
el modelo MIDAS-MT y el modelo MIDAS-MT-DT han obtenido mayor predicción
precisiones que los modelos de referencia en la mayoría de los cuatro períodos de prueba. Sin embargo,
sólo uno de los modelos MIDAS-DT logra una mayor precisión de predicción. Esto indica
que el índice de temperatura mensual tiene una mejor capacidad predictiva que el diario
índice de temperatura. Comparando diferentes polinomios de ponderación de retraso de MIDAS
modelos, También encontramos que los modelos Almon-MIDAS funcionan mejor que Beta-MIDAS en
la mayoría de las muestras de datos.
Para verificar la solidez de nuestro modelo en más conjuntos de datos, aplicamos aún más nuestro
Modelos para pronosticar el consumo eléctrico residencial. (REC) de Fujian y el
Consumo de electricidad de la industria terciaria de Fujian. Los resultados en el Panel B y C de
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
t
/
.
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
/
.
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Mesa 4 muestran que el modelo MIDAS-MT-DT logra mejores rendimientos en todas las pruebas
períodos de múltiples conjuntos de datos. También hemos observado resultados similares a los del Panel A.
eso, el índice de temperatura mensual tiene una mayor capacidad para mejorar la predicción
Precisión en el modelo de frecuencia de mezcla.. En general, nuestros resultados demuestran que el
El modelo MIDAS-MT-DT propuesto en este artículo mejora significativamente la predicción
precisión del TEC mediante la incorporación de datos de temperatura de alta frecuencia y alta-
datos de frecuencia TEC, y esta ventaja no se ve afectada fácilmente por la aleatoriedad de la
conjunto de datos con buena robustez.
6 Conclusiones e investigaciones futuras.
El consumo total de electricidad (TEC) refleja el funcionamiento del sistema nacional
economía. La predicción precisa del TEC es de gran importancia para el país.
impulsar el desarrollo económico y formular políticas de macrocontrol. el alto-
La frecuencia y los datos masivos de múltiples fuentes proporcionan una nueva idea para la predicción de TEC..
Basado en el análisis del comportamiento del consumo eléctrico en diferentes estaciones., este
estudio construye un “índice de temperatura estacional-acumulado” considerando la inercia de
Estaciones y comportamiento del consumo eléctrico., que puede reflejar la electricidad
Comportamiento de consumo afectado por la temperatura.. Además, datos diarios de alta frecuencia
También se incorpora el TEC para complementar el comportamiento del consumo eléctrico.
afectado por otros factores. Basado en los dos conjuntos de datos de alta frecuencia anteriores, este estudio
propone un modelo de predicción de frecuencia mixta (MIDAS-MT-DT) para el TEC basado en
el “índice de temperatura acumulativo estacional” y los modelos de frecuencia mixta.
Según los resultados empíricos, El índice de temperatura construido en este artículo.
es capaz de mejorar significativamente la capacidad de pronóstico del modelo de referencia al
reflejando el comportamiento del consumo de electricidad afectado por la temperatura y otros
factores. Incorporando datos de temperatura de alta frecuencia y datos TEC diarios, el
El modelo MIDAS-MT-DT propuesto en este artículo captura los intrincados factores de
comportamiento del consumo de electricidad, por lo tanto mejora significativamente la precisión de la predicción
del TEC, y la mayor precisión ha alcanzado 98.39%. A través de comparativa
experimentos, encontramos que el índice de temperatura mensual tiene una mayor capacidad para
mejorar la precisión de la predicción en el modelo de frecuencia de mezcla. Los experimentos de
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
/
t
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
/
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
múltiples períodos de prueba y conjuntos de datos pronosticados verifican aún más la solidez del
Modelo MIDAS-MT-DT.
En términos de las limitaciones de este artículo., Las direcciones de investigación futuras incluyen: En
Además del big data de temperatura., otros datos microscópicos que pueden reflejar la
Se puede recopilar aún más el comportamiento del consumo de electricidad., y más exógeno
Se pueden introducir variables en el modelo de predicción.. Los ejemplos incluyen la teledetección
datos y datos de internet. En términos del modelo de predicción., la tecnología de fusión de múltiples-
fuente de electricidad big data, Se pueden explorar modelos de aprendizaje automático y aprendizaje profundo.
para mejorar aún más la precisión de la predicción.
Contribuciones de autor
Xuerong Li ha recopilado y procesado datos experimentales., presentó los resultados del experimento y
Redactó la versión original del manuscrito.; Wei Shang ha guiado la dirección general de
esta investigación, y brindó asesoramiento para experimentos de comparación.. Xun Zhang brindó consejos para
motivación y conclusiones presentadas en la Sección 1. Baoguo Shan y Xiang Wang han financiado
la investigación, presentó la propuesta de investigación, y contribuyó con parte del experimento
datos. Todos los autores han hecho contribuciones significativas y valiosas en la revisión y
corregir el manuscrito resultante.
Referencias
[1] A. hussain, METRO. Rahmán & j. A. Memon. Previsión del consumo de electricidad en Pakistán: El
camino a seguir. Política energética 90 (2016), 73-80. doi: 10.1016/j.enpol.2015.11.028.
[2] Y. feng & S. METRO. ryan. Modelado de carga eléctrica horaria diaria mediante regresión funcional.
Energía Aplicada, 170 (2016), 455-465. doi: 10.1016/j.apenergy.2016.02.118.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
t
.
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
t
/
.
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
[3] W.. Xu, R. Gu, Y. Liu & Y. dai. Previsión del consumo de energía utilizando un nuevo GM-ARMA
modelo basado en filtro HP: El caso de la provincia china de Guangdong. Modelado económico,
45 (2015), 127-135. doi: 10.1016/j.econmod.2014.11.011.
[4] l. Zeng, C. Liu & W.. z. Wu. Un novedoso GM discreto (2, 1) modelo con un término polinómico para
previsión del consumo de electricidad. Investigación de sistemas de energía eléctrica, 214 (2023), 108926.
doi: 10.1016/j.epsr.2022.108926.
[5] norte. Kunwar, k. yash & R. Kumar. Precios basados en carga de área en DSM a través de ANN y heurística
programación. Red inteligente, 4 (2013), 1275-1281. doi: 10.1109/TSG.2013.2262059.
[6] q. cheng, Y. yan, S. Liu, C. Cual, h. chaoui & METRO. alzaed. Electricidad basada en filtros de partículas
predicción de carga para la programación diaria de microrredes conectadas a la red. Energías, 13 (2020),
6489. doi: 10.3390/es13246489.
[7] z. j. Liu, h. METRO. Cual & METRO. Y. Dejar. Modelo de previsión del precio de la electricidad basado en la teoría del caos..
En: Actas de 2005 Conferencia Internacional de Ingeniería Energética, 2005, páginas. 1-9. doi:
10.1109/IPEC.2005.206950.
[8] X. guo, q. zhao, D. Zheng, Y. Y & Y. gao. Un modelo de pronóstico de carga a corto plazo de múltiples-
escalar la red neuronal híbrida CNN-LSTM considerando el precio de la electricidad en tiempo real. Energía
Informes, 6 (2020), 1046-1053. doi: 10.1016/j.egyr.2020.11.078.
[9] PAG. Jiang, Y. NO, j. Wang & X. Huang. Previsión multivariable del precio de la electricidad a corto plazo
utilizando inteligencia artificial y esquema de múltiples entradas y múltiples salidas. Economía energética, 117
(2023), 106471. doi: 10.1016/j.eneco.2022.106471.
[10] Y. Jiang, t. gao, Y. dai, R. Y, j. hao, j. zhang & D. W.. gao. Residencial de muy corta duración
previsión de carga basada en deep-autoformer. Energía Aplicada, 2022, 328: 120120. doi:
10.1016/j.apenergy.2022.120120.
[11] METRO. Santamouris, C. Cartalis, A. Sinnefa, D. dibujar. Sobre el impacto de la isla de calor urbana
y el calentamiento global en la demanda de energía y el consumo de electricidad de los edificios—A
revisar. Energía & Edificios, 98 (2015), 119-124. doi: 10.1016/j.enbuild.2014.09.052.
[12] j. bedi & D. Tashniwal. Pronóstico de series temporales de carga de energía mediante descomposición y
red de memoria integrada del codificador automático. Computación blanda aplicada, 93 (2020), 106390. doi:
10.1016/j.asoc.2020.106390.
[13] norte. Ayub, METRO. Irfan, METRO. अवाई, Ud.. Alí, t. Alí, METRO. Hamdi, A. Alghamdi & F. Mahoma. Grande
Análisis de datos para la previsión de carga eléctrica a corto y medio plazo utilizando técnicas de IA.
conjuntos. Energías, 13 (2020), 5193. doi: 10.3390/es13195193.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
.
/
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
[14] z. Cual, j. Wu, W.. lian & Y. GRAMO. Wang. Un novedoso marco de aprendizaje profundo con un COVID-19
ajuste para la previsión de la demanda de electricidad. Informes energéticos, 9 (2023), 1887-1895. doi:
10.1016/j.egyr.2023.01.019.
[15] A. saranj & METRO. Zolfaghari. La previsión del consumo eléctrico.: Adoptando un híbrido
Enfoque mediante aprendizaje profundo y modelos ARIMAX-GARCH.. Informes energéticos, 8 (2022), 7657-
7679. doi: 10.1016/j.egyr.2022.06.007.
[16] mi. Ghysels, PAG. Santa-Clara P & R. Valkánov. El toque MIDAS: Muestreo de datos mixtos
modelos de regresión. UC
Los Angeles:
Finanzas.
(2004). Disponible
en:
http://escholarship.org/uc/item/9mf223rs.
[17] PAG. Guérin & METRO. Marcelino. Modelo MIDAS de conmutación de Markov. Revista de negocios &
Estadísticas económicas, 31 (2013), 45-56. doi: 10.1080/07350015.2012.727721.
[18] j. I. Molinero. Regresiones cointegrantes de frecuencia mixta con retardo distribuido parsimonioso
estructuras. Revista de econometría financiera, 12 (2014), 584-614. doi: 10.1093/jjfinec/nbt010.
[19] R. kikuchi, t. arriba, S. Obayashi, h. apesta, h. Oikawa & A. Misumi. Previsión inmediata
Algoritmo para campos de viento utilizando pronósticos conjuntos y datos de vuelo de aeronaves.. Meteorológico
Aplicaciones, 25 (2018), 365-375. doi: 10.1002/se reunió.1704.
[20] A. Dupre, PAG. Drobinski P., j. badosa, C. Briar & PAG. Tanques. El valor económico del viento
pronóstico de energía. Energías, 13 (2020), 5266. doi: 10.3390/es13205266.
[21] I. kútiev, PAG. Muhtarov, B. Andonov & R. advertencia. Modelo híbrido para pronóstico inmediato y
pronosticar el índice K. Revista de Física Atmosférica y Solar-Terrestre, 71 (2009), 589-
596. doi: 10.1016/j.jastp.2009.01.005.
[22] Y. Wei & METRO. C. Chen. Previsión del flujo de pasajeros del metro a corto plazo con modo empírico
descomposición y redes neuronales. Investigación en transporte Parte C Tecnologías emergentes,
21 (2012), 148-162. doi: 10.1016/j.trc.2011.06.009.
[23] METRO. En, q. Él & j. gao. Previsión del flujo de pasajeros del metro en función de la ocurrencia de eventos con
redes sociales. Transacciones IEEE sobre sistemas de transporte inteligentes, 18 (2017), 1623-1632.
doi: 10.1109/TETAS.2016.2611644.
[24] V. Kuzin, METRO. Marcelino & C. Schumacher. MIDAS vs.. VAR de frecuencia mixta: Previsión inmediata
PIB en la zona del euro. Revista internacional de previsión, 27 (2011), 529-542. doi:
10.1016/j.ijforecast.2010.02.006.
[25] mi. andrea, mi. Ghysels, A & Kourtellos. ¿Deberían los pronosticadores macroeconómicos utilizar diariamente
datos financieros y cómo?. Revista de negocios & Estadísticas económicas, 31 (2013), 240-251. doi:
10.1080/07350015.2013.767199.
[26] F. corsi. Un modelo simple aproximado de memoria larga de volatilidad realizada. Revista de Finanzas
Econometría, 7 (2009), 174-196. doi: 10.1093/jjfinec/nbp001.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
/
.
/
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
/
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
[27] h. Bahcivan & C. C. Karaján. Dinámica de correlación de alta frecuencia y día de la semana.
efecto: Un enfoque basado en puntuaciones en una bolsa de valores de un mercado emergente. Revisión internacional
de Análisis Financiero, 80 (2022), 102008. doi: 10.1016/j.irfa.2021.102008.
[28] A. Richardson, t. mulder & t. Vehbi. Previsión inmediata del PIB mediante algoritmos de aprendizaje automático:
Una evaluación en tiempo real. Revista internacional de previsión., 37 (2021), 941-948. doi:
10.1016/j.ijforecast.2020.10.005.
[29] mi. Ghysels & A. Hijo. Previsión de volatilidad y ruido de microestructura.. Diario de
Econometría, 160 (2011), 257-271. doi: 10.1016/j.jeconom.2010.03.035.
Biografía del autor
Dr. Xuerong Li, profesor asistente de la Academia de Matemáticas y
Ciencia de sistemas, Academia China de Ciencias. Ella recibió el B.E..
Licenciatura de la Universidad Renmin de China y Ph.D.. grado de
Universidad de la Academia de Ciencias de China en 2013 y 2019
respectivamente. Sus intereses de investigación se encuentran en el área de la economía.
previsión y aprendizaje automático.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
.
/
/
t
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
t
/
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
Profe. wei shang, profesor asociado de la Academia de Matemáticas y
Ciencia de sistemas, Academia China de Ciencias, ingeniero jefe de
Centro de ciencia de previsión, Academia China de Ciencias. Ella
tiene un doctorado del Instituto de Tecnología de Harbin. Su investigación se centra
sobre seguimiento macroeconómico y alerta temprana, Datos de Internet
Minería, Comercio electrónico y tecnología y desarrollo de la información.. Ella
publicó sus investigaciones en importantes revistas como Decision Support Systems, Electrónico
Investigación y aplicaciones, y revisión de información en línea. Es la investigadora principal de
tres proyectos regulares de la Fundación Nacional de Ciencias de China, así como un proyecto ICT4D de
Centro de investigación para el desarrollo de la información (Canadá).
Inteligencia de datos recién aceptada MS.
https://doi.org/10.1162/dint_a_002155
Profe. Xun Zhang, profesor asociado de la Academia de Matemáticas y
Ciencia de sistemas, Academia China de Ciencias. Ella recibió el B.E..
Licenciatura de la Universidad Renmin de China y Ph.D.. grado de
Academia de Matemáticas y Ciencias de Sistemas, Academia China de
Ciencias en 2004 y 2009 respectivamente. Sus intereses de investigación están en la
Área de previsión macroeconómica y economía energética..
Shan Baoguo es el vicepresidente del Instituto Estatal de Investigación de Energía de la Red
y un ingeniero senior a nivel de profesor. Recibió su título de bachiller y
Maestría de la Universidad de Energía Eléctrica del Norte de China en 1993 y
1997, respectivamente. Sus intereses de investigación son el análisis energético y
pronóstico, gestión del lado de la demanda de energía.
Dr. Wang Xiang es economista senior de State Grid Energy Research.
Instituto. Recibió su licenciatura de la Universidad de Jilin en 2011 y
su doctorado de la Universidad de Nankai en 2014. Sus intereses de investigación
son análisis y pronósticos macroeconómicos y del mercado energético.
yo
D
oh
w
norte
oh
a
d
mi
d
F
r
oh
metro
h
t
t
pag
:
/
/
d
i
r
mi
C
t
.
metro
i
t
.
mi
d
tu
d
norte
/
i
t
/
yo
a
r
t
i
C
mi
–
pag
d
F
/
d
oh
i
/
i
t
.
/
/
1
0
1
1
6
2
d
norte
_
a
_
0
0
2
1
5
2
1
2
7
0
2
5
d
norte
_
a
_
0
0
2
1
5
pag
d
.
/
t
i
F
b
y
gramo
tu
mi
s
t
t
oh
norte
0
7
S
mi
pag
mi
metro
b
mi
r
2
0
2
3
