电力输出预测中R语言计算RMSE、相关系数R及RMSE值合理性判定

无额外依赖的原生R实现 #

• RMSE计算逻辑为预测值与真实值差值的平方取均值后开平方根，假设你存储真实电力输出观测值的对象为actual、存储模型预测结果的对象为pred，直接运行代码即可得到结果：
  rmse_result <- sqrt(mean((pred - actual)^2))
• 相关系数（皮尔逊R）计算直接调用R内置的cor()函数即可，代码为：
  r_result <- cor(pred, actual, method = "pearson", use = "complete.obs")
  其中use = "complete.obs"的作用是自动剔除配对的缺失值，避免因数据不全导致结果为NA。

常用扩展包快捷实现 #

• 若需要批量计算多组模型的预测指标，可调用Metrics包的封装函数：
  1. 首次使用先安装：install.packages("Metrics")
  2. 加载包后直接计算：library(Metrics); rmse_result <- rmse(actual = actual, predicted = pred)
• 若使用caret包做模型训练，可调用postResample()函数一次性输出RMSE、决定系数R²、平均绝对误差MAE三个常用指标：
  postResample(pred = pred, obs = actual)

RMSE不存在跨场景通用的绝对合格阈值，判定时需要结合三个核心参照维度：

• 量纲匹配性：RMSE的单位和预测目标的单位完全一致，不能脱离数值范围谈精度。比如预测值被缩放到[0,1]区间时，RMSE 0.01代表平均偏差为区间范围的1%；若预测值为几百MW量级的原始功率，同样的0.01偏差代表几乎零误差，是不符合实际场景的。
• 基线对比：合格的RMSE必须显著低于简单基线的误差水平。比如基线为“始终预测历史平均电力输出值”的RMSE，你的模型结果需要比该基线低至少20%-30%，才代表模型具备实际预测价值。
• 场景要求：面向电网调度的电力输出预测，通常要求RMSE占装机满发功率的比例在5%-10%区间即满足生产需求；面向功率爬坡预警、实时市场交易的场景，对RMSE的精度要求会进一步提升。

针对你目前得到的0.0078的RMSE结果：

首先需要核对Excel计算时的输入量纲与公式逻辑：

• 如果数据集提前做了[0,1]区间归一化处理，该数值代表预测平均偏差仅为真值范围的0.78%，属于精度极高的可接受范围
• 如果数据集为未归一化的原始功率值，该数值大概率存在计算偏差：可能是公式漏写平方步骤、误将百分比形式的误差值直接当成了RMSE绝对值，或是错用残差的样本标准差代替了均方根误差（样本标准差会因扣除了残差的平均偏移项导致结果偏小），需要重新核对计算逻辑

内容的提问来源于stack exchange，提问作者Sohrab Khan