电力负荷预测第七章 回归分析预测法2.pptx

教 学 要 求●清楚回归分析预测法的适用对象;●清楚回归分析与相关分析的区别;●掌握一元线性回归模型的参数估计与检验;●了解多元线性回归模型的参数估计与检验;●了解带虚拟变量的回归模型的应用条件;●清楚非线性回归模型的建模方法; 教学重点 ●相关分析与回归分析的基本概念； ●一元线性回归模型的建立与参数检验； 教学难点 ●相关系数的含义 ●参数检验的作用一.概述回归分析预测法—— 从各种现象的相互关系出发，通过对与预测对象有联系的现象的变动趋势分析，推算预测对象未来状态数量表现的一种方法。 负荷y时间x1xjy=f(t)—时间序列模型y=f(x) —关联序列模型影响因素负荷的变化空间示意图几个基本问题 1. 回归的含义2. 相关关系的概念3. 相关分析与回归分析的区别与联系4. 相关分析与回归分析的作用5. 回归分析模型的种类1.回归的含义回归——研究自变量与因变量之间关系形式的分析方法。长期预测GDP电量需求短期预测气象因素系统负荷自变量因变量2.相关关系的概念 ●函数关系：严格的依存关系，有数学表达式。 ●相关关系：非严格的，不确定的依存关系。 确定性问题（函数关系）不确定性问题（相关关系）相关关系的特点●现象之间确定存在数量上的客观内在关系。 表现在：一个现象发生数量上的变化，要影响另一现象也相应 地发生数量上的变化。●现象之间的依存关系不是确定的，具有一定的随机性。 表现在：给定自变量的一个数值，因变量晖有若干数值和它对 应，且因变量总是遵循一定规律围绕着这些数值的平 均数上下波动。3.相关分析与回归分析的区别与联系●相同点：研究及测度2个及以上变量之间的关系。●不同点： 相关分析 ①2个随机变量及以上紧密程度。直线相关—相关系数 曲线相关—相关指数 多元相关—复相关系数 ②不分自变量与因变量。 回归分析 ①几个随机变量与其它几个普通变量之间的数量变动关系。 ②需区分自变量与因变量。●相互联系——先相关分析，后回归分析。 相关分析回归分析判断关联关系可建模推算预测高级初级●相关分析是回归分析的基础；●序列相关并不一定能建立回归模型；4.相关分析与回归分析的作用●对数量关系的研究分析，深入认识现象之间的相互依存关系。●通过对回归模型，进行预测和预报。●用于补充缺少的资料。5.回归分析模型的种类●自变量多少 ： 一元与多元●模型线性性： 线性与非线性●含虚拟变量： 普通回归与虚拟变量回归 （自变量为数量变量和品质变量）●含滞后量： 无自回归、自回归二. 一元线性回归预测模型●定义： 对两个具有线性关系的变量，配合线性回归模型，根据自变量的变动来预测因变量的平均发展趋势的方法，为一元线性回归预测法。 主 要 内 容 1.模型描述 2.参数估计 3.相关系数 4.显著性检验 5.预测及预测区间的确定 6.算例因变量自变量——一元线性回归模型1.模型描述xi:影响因素（可以控制或预先给定）；ε：各种随机因素对y的影响的总和，服从正态分布 ，即 ε~N(0, σ2)；yi：预测目标，由于受随机因素的影响，是一个以回归直 线上对应值为中心的正态随机变量，即y~N(a+bx, σ2 )；总体方差——为一组观察值(xi,yi)的 散点状态的估计式；2.OLS参数估计(Ordinary Least Square )●基本思想： 通过数学模型，配合一条较为理想的趋势线, 使得原序列的观察值与估计值的离差平方和为最小；●推导3.相关系数——选择主要因素作模型的自变量的依据●离差平方和的分解 离差——在一元线性回归模型中，观察值yi的取值是上下波动的， 这种波动现象，~。 原因——自变量变动的影响，即x取值的不同； 其它因素的影响（包括观察和实践中产生的误差等）； 对1个观察值，离差为 对n个观察值，离差为为0,证明（略） 离差项的物理含义：Q1——由客观和实验中产生误差以及其它未加控制因素 引起的（未解释部分）。即：由那些未被考虑的 随机因素的影响产生的，且无法因回归方程的 建立而消失。Q2——由于选择自变量x并建立线性回归方程而产生的， 可用回归模型的建立加以说明（已解释部分）●可决系数R2R2——在总的离差中，由自变量x变动所引起的百分比。 它是评价两个变量之间线性相关关系强弱的一个 重要指标。0≤R2≤1 ●相关系数R：R——为可决系数的平方根，是一元线性方程中衡量两个 变量之间相关程度的重要指标。——积差法计算公式 ——可不需要先求出回归模型中的剩余离差来求， 直接从样本数据中计算得到，实际工作中带 来方便。若代入平均数，则R的计算变为R的讨论（-1≤R≤1 ）R为正则正相关R为负则负相关● R=0 说明回归离差为0，即自变量x的变动对总离差毫无影响。零相关；● │R│ =1 说明回归离差等于总离差