R语言构建丹麦电力价格季节性ARIMA模型问题咨询

1 序列频率设置修正 #

你当前将ts对象的frequency设为24*7仅能捕获周度季节性，而小时级电价存在双重季节性特征：24小时的日度周期、168小时的周度周期，普通ts对象仅支持单季节周期，无法同时匹配两类规律，属于电力价格预测的常见误区。
建议替换为forecast包的多季节时间序列对象msts，代码示例：

library(lubridate)
library(forecast)
y <- msts(El_spot$c1, seasonal.periods = c(24, 168), start = ymd_hms("2021-09-01 00:00:00"))

2 平稳性与自相关问题说明 #

ADF检验p=0.01仅能证明序列不存在单位根、符合弱平稳要求，你观测到的明显自相关是未被捕获的季节性规律导致的，属于电力价格序列的正常特征，不需要额外做差分处理，仅需在ARIMA模型中加入季节项即可覆盖该规律。从你提供的ACF图也能看到明显的24小时周期尖峰，进一步验证了日度季节性的存在。

3 季节性ARIMA（SARIMA）模型推荐 #

你无需手动遍历调参，可通过auto.arima自动完成模型阶数选优，也可根据行业通用经验手动配置参数：

通用参数参考 #

• 非季节阶数：d=0（序列已平稳），p取值范围2_{7（参考PACF截尾位置），q取值范围1}3（参考ACF拖尾特征）
• 季节阶数：D=1（消除季节非平稳），P=1，Q=1，分别对应24、168两个季节周期

代码示例 #

# 自动选优双季节SARIMA，遍历所有可能阶数得到最优结果
auto_sarima <- auto.arima(y, seasonal = TRUE, stepwise = FALSE, approximation = FALSE)
# 查看模型参数与拟合效果
summary(auto_sarima)
# 预测未来7天的小时级电价
pred_result <- forecast(auto_sarima, h = 24*7)
# 绘制预测结果
plot(pred_result)

4 自定义滚动预测函数优化 #

你原有的expforecast函数未加入季节参数适配，修改后可支持SARIMA模型的滚动误差计算：

expforecast_sarima = function(yt, ar, d, ma, P, D, Q, period, ini, n){
  t <- length(yt)
  n_for <- t-n-ini+1
  e_arma <- rep(0, n_for)
  for(z in 1:n_for){
    y_t=yt[1:(ini+z-1)]
    model1 <- Arima(y_t, order=c(ar,d,ma), seasonal = list(order = c(P,D,Q), period = period), method="ML")
    y1_hat <- predict(model1, h=n)
    e_arma[z] <- yt[(ini+z+n-1)] - y1_hat$pred[1]
  }
  return(e_arma)
}

内容的提问来源于stack exchange，提问作者Mark F