簡介面向風電功率預(yù)測研究者和工程師的AMRA算法Matlab實現(xiàn)資源針對風速、風向、溫度、湍流強度等多變量影響下的功率預(yù)測問題完整覆蓋數(shù)據(jù)清洗、插值標準化、特征構(gòu)造、多元回歸建模、交叉驗證與結(jié)果可視化等關(guān)鍵環(huán)節(jié)。壓縮包共6個文件含3個.mat示例數(shù)據(jù)、2個.m核心算法腳本及1個rar附加壓縮包整體僅129KB輕量緊湊其中.m腳本實現(xiàn)模型訓(xùn)練與預(yù)測主流程.mat數(shù)據(jù)可直接加載用于實驗復(fù)現(xiàn)rar內(nèi)為補充參考內(nèi)容。資源已有254人學(xué)習下載適合需要對照AMRA與ARIMA等模型效果、深入理解回歸預(yù)測流程的初學(xué)者和研究人員。通過內(nèi)置數(shù)據(jù)與Matlab函數(shù)可直觀查看預(yù)測曲線與實際值的對比并在真實風電場景中調(diào)整滯后值、滑動窗口和模型參數(shù)完成從數(shù)據(jù)預(yù)處理到預(yù)測評估的完整實驗為后續(xù)優(yōu)化和算法擴展提供實用基礎(chǔ)。1. 風電功率預(yù)測為什么繞不開 AMRA先看懂它解決的三個痛點上一套風電場預(yù)測模型在并網(wǎng)考核里連續(xù)三個月誤差超限調(diào)度打電話來問原因。氣象預(yù)報給的風速曲線和實際偏差超過 2.5 m/s模型全線跑偏。后來換用 amra 這套自回歸滑動平均思路從歷史功率序列自身挖記憶結(jié)構(gòu)才把短期預(yù)測撐住。AMRA 的核心邏輯很簡單不跟天氣預(yù)報較勁而是把風速變化在功率序列里留下的“慣性”和“沖擊響應(yīng)”分別建模用過去若干個采樣點的功率和誤差滾動預(yù)測未來功率。它解決的三個實際問題一是功率曲線的非平穩(wěn)特性二是陣風/甩負荷造成的沖擊項三是多步預(yù)測時的誤差累積。適合正在做風電場功率申報、調(diào)峰調(diào)頻、以及 SCADA 數(shù)據(jù)二次開發(fā)的工程師。下面的章節(jié)從建模原理講起一直落到定階、擬合、多步預(yù)測和六個真實的翻車現(xiàn)場。2. 先立住 AMRA 的建模邏輯自回歸、滑動平均與預(yù)處理管線2.1 AMRA 的結(jié)構(gòu)拆解AR 項、MA 項和風電場景下的變體風電功率序列的典型表現(xiàn)是相鄰時刻相關(guān)性較強但疊加了陣風、切機、限功率等隨機沖擊。AMRA 在這個場景里可以理解為帶滑動平均修正的自回歸模型核心數(shù)學(xué)形式是y_t c Σ(φ_i * y_(t-i)) Σ(θ_j * ε_(t-j)) ε_t其中y_t是 t 時刻功率φ_i是自回歸項系數(shù)回想前 i 個時刻的功率對當前時刻的影響θ_j是滑動平均項系數(shù)對應(yīng)前 j 個時刻預(yù)測誤差對當前預(yù)測的修正ε_t是當前時刻不可解釋的隨機沖擊。風電功率的特性決定了 AR 項能捕捉風輪慣性和風場平抑后的慢變趨勢MA 項則吸收陣風波動、AGC 指令變化等短時沖擊。選型理由也很直接相比 LSTM、Transformer 這類黑匣子AMRA 參數(shù)個數(shù)只有 pq1 個幾秒鐘就能完成擬合而且每個系數(shù)都有可解釋的物理對應(yīng)關(guān)系。對風電場側(cè)的資源受限監(jiān)控終端來說這個復(fù)雜度部署起來壓力很小。實際工程里不少風場短期預(yù)測系統(tǒng)把“預(yù)測功率歸一化到額定容量后跑 ARMA(p,q)”作為核心模塊這是經(jīng)過工程檢驗的通用做法。2.2 風電原始數(shù)據(jù)的預(yù)處理異常點識別與缺失值插補直接從 SCADA 導(dǎo)出的功率序列沒法直接用。常見問題有三個變槳限功率時段數(shù)據(jù)整體偏低、通信中斷產(chǎn)生長段缺失、功率傳感器毛刺導(dǎo)致尖峰。我一般先用滑窗中位數(shù)做異常識別把偏離局部中位數(shù)超過 3 倍標準差的點標記為異常做空值處理。缺失值插補分兩種場景單點缺失用線性插值長段缺失超過 10 個采樣點用同時間段歷史平均替代。下面這段代碼實現(xiàn)了異常點識別和插補import pandas as pd import numpy as np def preprocess_wind_power(df, colpower, window12, zscore_thresh3.0): data df[col].copy() # 滑窗中位數(shù)與標準差 rolling_median data.rolling(windowwindow, centerTrue).median() rolling_std data.rolling(windowwindow, centerTrue).std() # 標記異常點偏離局部中位數(shù)過大 diff (data - rolling_median).abs() anomaly diff (zscore_thresh * rolling_std) # 異常點置空再做插補 data[anomaly] np.nan # 不超過10個點的缺失用線性插補 if data.isna().sum() 10: data data.interpolate(methodlinear) else: # 長段缺失用同點位歷史平均填充 hist_mean df[col].groupby(df.index.hour).transform(mean) data data.fillna(hist_mean) return data這段代碼里window12對應(yīng) 10 分鐘采樣下的 2 小時窗口覆蓋風電功率的自然波動周期zscore_thresh3.0是經(jīng)驗閾值限功率時段的出力平臺段因為持續(xù)偏低不會被誤判為異常而通信尖峰會明顯偏離局部中位數(shù)會被摘出來。長段缺失用groupby(df.index.hour)的好處是保留日內(nèi)的風功率規(guī)律避免填充值破壞序列的時序結(jié)構(gòu)。預(yù)處理之后還要做一次可視化確認把原始曲線和清洗后的曲線疊加重點看爬坡段有沒有被插補抹平。風電預(yù)測最怕的就是把爬坡特征抹掉那樣模型學(xué)不到有用的動態(tài)信息。2.3 平穩(wěn)性檢驗與差分ADF 與一階差分AMRA 的前提是序列平穩(wěn)。風電功率原始序列有明顯的天氣尺度趨勢和日內(nèi)波動直接用會導(dǎo)致偽回歸也就是擬合優(yōu)度很高、預(yù)測卻完全失效。工程上先用 ADFAugmented Dickey-Fuller檢驗做平穩(wěn)性判斷。from statsmodels.tsa.stattools import adfuller def check_stationarity(series): adf_stat, p_value, used_lag, nobs, crit_values, icbest adfuller( series, regressionc, autolagAIC ) print(fADF Statistic: {adf_stat:.4f}) print(fp-value: {p_value:.4f}) for key, value in crit_values.items(): print(fCritical value ({key}): {value:.4f}) if p_value 0.05: print(結(jié)論序列平穩(wěn)可直接建模。) return 0 else: print(結(jié)論非平穩(wěn)需要差分。) return 1判斷標準看 p-value小于 0.05 拒絕非平穩(wěn)假設(shè)序列可以直接建模大于 0.05 則需要做一階差分。風電功率在多數(shù)情況下不是一次差分就完全平穩(wěn)的因為天氣過程的移入移出會讓均值和方差緩慢漂移但一階差分后的序列通常能通過檢驗。差分次數(shù)不要貪多差分一次后用 ACF/PACF 看一眼拖尾形態(tài)如果還算收斂就停在一階差分過度差分會把低頻能量抹掉反而讓模型在預(yù)測時失去方向感。3. AMRA 建模仿真的完整流程定階、參數(shù)擬合與滾動預(yù)測3.1 數(shù)據(jù)劃分與歸一化訓(xùn)練集、驗證集和反歸一化風電功率建模的樣本劃分必須按時間順序不能隨機打亂。原因是序列存在自相關(guān)打亂會讓訓(xùn)練集泄漏未來信息驗證集指標虛高。我常用的劃分比例是前 70% 做訓(xùn)練中間 15% 做驗證最后 15% 做測試并且測試段必須包含至少一次完整的風速爬坡和切機事件否則預(yù)測能力沒有說服力。歸一化這里有個工程細節(jié)用 MinMaxScaler 把功率縮放到 [0,1]但每一天都要監(jiān)控訓(xùn)練集的最大值。風電場的額定容量是已知的我一般直接用額定功率做分母而不是用訓(xùn)練集最大值。因為訓(xùn)練集最大值可能來自限功率前的高風時段用它做歸一化會把正常范圍的功率壓縮到很小區(qū)間預(yù)測誤差被放大。反歸一化時對應(yīng)乘回額定功率即可。from sklearn.preprocessing import MinMaxScaler import numpy as np def build_train_test(series, train_ratio0.7, val_ratio0.15): total len(series) train_end int(total * train_ratio) val_end int(total * (train_ratio val_ratio)) df pd.DataFrame({power: series}) scaler MinMaxScaler(feature_range(0, 1)) # 使用額定容量歸一化而不是訓(xùn)練集最大值 df[power_scaled] df[power] / 1500.0 # 假設(shè)額定功率1500kW train df.iloc[:train_end] val df.iloc[train_end:val_end] test df.iloc[val_end:] return train, val, test, scaler注意注釋里寫了額定功率 1500kW 的例子實際項目里直接把風機銘牌功率填進去。分段后的訓(xùn)練集和驗證集都保留了完全的時間順序后續(xù)擬合時不交叉驗證結(jié)果才可信。反歸一化就是把預(yù)測值乘回 1500.0不做這個操作模型輸出的 RMSE 會小得離譜但那是假象。3.2 基于 ACF/PACF 與 AIC/BIC 的模型定階定階是 AMRA 建模最依賴經(jīng)驗的一步。ACF自相關(guān)函數(shù)決定 MA 項的階數(shù) qPACF偏自相關(guān)函數(shù)決定 AR 項的階數(shù) p。風電功率序列的典型表現(xiàn)是ACF 緩慢衰減說明序列即便差分后仍帶較強的持續(xù)性PACF 在滯后 1 或 2 處出現(xiàn)截尾后跌入置信區(qū)間。不過只靠看圖定階不保險。遇到實際工程數(shù)據(jù)我更常用 AIC/BIC 在候選區(qū)間內(nèi)掃描。候選范圍按經(jīng)驗設(shè)置p 在 0~5q 在 0~5。掃描代碼import itertools from statsmodels.tsa.arima.model import ARIMA import warnings warnings.filterwarnings(ignore) def select_order(train_series, max_p5, max_q5): results [] for p, q in itertools.product(range(max_p 1), range(max_q 1)): try: model ARIMA(train_series, order(p, 0, q)) fit model.fit() results.append({ p: p, q: q, AIC: fit.aic, BIC: fit.bic }) except Exception: continue df_res pd.DataFrame(results).sort_values(AIC) return df_res.head(10)運行后輸出 AIC/BIC 排前三的組合再結(jié)合 ACF/PACF 圖的直觀判斷做最終選擇。經(jīng)驗法則是如果 AIC 最小和政治家次序的 p、q 之間差異小于 2選參數(shù)更少的那組如果 BIC 和 AIC 的最優(yōu)結(jié)果不一致優(yōu)先信 BIC因為 BIC 對參數(shù)個數(shù)懲罰更重更不容易過擬合。風電數(shù)據(jù)樣本量通常不算大BIC 的保守傾向更貼合工程現(xiàn)實。3.3 參數(shù)擬合與單步預(yù)測最小二乘與殘差檢查定階完成后進入擬合階段。statsmodels 的 ARIMA 在order(p, d, q)中指定差分階數(shù)這里d0是因為數(shù)據(jù)已經(jīng)做了預(yù)處理和差分。擬合完成后立刻檢查兩件事擬合殘差是否接近白噪聲、以及單步預(yù)測的 RMSE 是否在可接受區(qū)間。def fit_arma_and_predict(train_series, val_series, p2, q2, forecast_steps24): model ARIMA(train_series, order(p, 0, q)) fit model.fit() # 單步滾動預(yù)測驗證 history list(train_series) predictions [] for t in range(len(val_series)): model ARIMA(history, order(p, 0, q)) fit model.fit() yhat fit.forecast(steps1)[0] predictions.append(yhat) history.append(val_series.iloc[t]) rmse np.sqrt(np.mean((np.array(predictions) - val_series.values) ** 2)) return fit, predictions, rmse這段代碼里forecast_steps1做單步滾動預(yù)測每一步都把真實值重新放進歷史序列。這種“每次只預(yù)測下一步、用真值更新”的方式用于驗證模型的單步能力實際生產(chǎn)里如果要做未來 4 小時預(yù)測則換成多步預(yù)測策略。誤差指標只看 RMSE 并不夠還要對比 MAPE 和預(yù)測偏差方向。如果模型系統(tǒng)性偏低或偏高多半是訓(xùn)練集里限功率樣本占比失衡這會在第 5 章詳述。擬合后務(wù)必打印殘差 ACF 圖如果滯后 1 處出現(xiàn)顯著自相關(guān)說明 p 或 q 階數(shù)不夠需要回頭加階。4. 從單步到多步預(yù)測窗口、誤差修正與區(qū)間估計4.1 多步預(yù)測的三種策略遞推、直接和多輸出風電功率預(yù)測真正要解決的是未來 1~4 小時甚至 24 小時的功率曲線。多步預(yù)測的工程策略有三種遞推法、直接法和多輸出法。遞推法就是把第 h 步的預(yù)測當作已知輸入一步步向后推做法簡單但誤差會累積直接法是為每個預(yù)測步長單獨訓(xùn)練一個模型誤差不傳遞但需要維護多套模型多輸出法用一個模型同時輸出多個時點的預(yù)測效率最高但模型復(fù)雜度上升。三者的取舍如下表。策略優(yōu)勢劣勢推薦場景遞推法實現(xiàn)簡單、模型量少誤差隨步長累積預(yù)測窗口小于 6 步直接法每步誤差獨立需要訓(xùn)練 12/24 個模型工程繁瑣預(yù)測窗口 12 步以上多輸出法一次建模、效率高模型內(nèi)部相關(guān)性處理復(fù)雜步長固定且調(diào)度系統(tǒng)要求嚴格實盤里我常用直接法和遞推法的混合方案前 6 步用遞推第 7 步到第 48 步切成若干個直接法模型。這樣做既避免了前期誤差快速膨脹又讓遠期的預(yù)測不至于完全偏離。代碼上遞推法就是上一節(jié)fit_arma_and_predict里把forecast_steps1改成forecast_stepsh然后每次把預(yù)測結(jié)果拼到歷史序列末尾。4.2 殘差補償讓預(yù)測曲線不再“平坦化”多步預(yù)測到了第 12 步以后ARMA 模型會逐漸向序列均值收斂預(yù)測曲線變成一條接近水平線的狀態(tài)這就是所謂的“平坦化”。原因是 AR 項的系數(shù)經(jīng)過多次迭代后遠期狀態(tài)對初始信息的敏感度指數(shù)衰減。緩解辦法不是調(diào)高階數(shù)而是對殘差做二次建模。具體做法擬合訓(xùn)練集殘差序列提取其中仍然帶自相關(guān)的部分用 EWMA指數(shù)加權(quán)移動平均擬合殘差的趨勢項疊加到預(yù)測值上。實現(xiàn)如下def ewma_error_correction(predictions, resid_series, alpha0.3): error_model resid_series.ewm(alphaalpha, adjustFalse).mean() error_forecast error_model.iloc[-1] corrected [] for pred in predictions: corrected.append(pred error_forecast) error_forecast * (1 - alpha) return np.array(corrected)alpha0.3表示對近期殘差變化的敏感度數(shù)值越接近 1補償項跟隨殘差越快風電功率預(yù)測中 alpha 取 0.2~0.3 比較穩(wěn)因為殘差中包含的大部分是隨機噪聲過高的 alpha 會把噪聲也當成趨勢補償進去反而增加方差。這個技巧在爬坡段的預(yù)測效果尤其明顯能推遲曲線趨平的時間點大約 3~5 個步長。4.3 預(yù)測區(qū)間給調(diào)度留出裕度調(diào)度側(cè)要的不是一條單值預(yù)測曲線而是一個可信區(qū)間。風電功率的預(yù)測誤差不是均勻分布的低風速段誤差小、高風速段誤差大區(qū)間寬度也應(yīng)該隨之調(diào)整。工程常用做法是把殘差按功率水平分段統(tǒng)計每個段的殘差標準差預(yù)測時按當前功率點查對應(yīng)段的標準差構(gòu)造 90% 區(qū)間。def prediction_interval(predictions, actuals, power_bins, prob0.90): z_score 1.645 df pd.DataFrame({pred: predictions, actual: actuals}) df[bin] pd.cut(df[pred], binspower_bins, labelsFalse) std_map df.groupby(bin)[actual].apply( lambda x: np.sqrt(np.mean((x - df.loc[x.index, pred]) ** 2)) ) intervals [] for i, pred in enumerate(predictions): bin_idx pd.cut([pred], binspower_bins, labelsFalse)[0] std_val std_map.get(bin_idx, 0.05) intervals.append((pred - z_score * std_val, pred z_score * std_val)) return intervals這里的power_bins建議按額定功率的 0~0.2、0.2~0.4、0.4~0.6、0.6~0.8、0.8~1.0 五檔切分。每組的標準差單獨計算如果某組樣本太少比如低風速段長期缺數(shù)據(jù)就用全局標準差兜底。調(diào)度側(cè)拿到 90% 區(qū)間后做備用容量申報既不會過度預(yù)留也不至于風險裸奔。5. AMRA 風電預(yù)測中的常見坑六個翻車現(xiàn)場與排查建議5.1 數(shù)據(jù)側(cè)的坑訓(xùn)練集混入限功率樣本現(xiàn)象模型在驗證集上的損失看起來很漂亮但實際預(yù)測出的功率總是偏低尤其在正常出力時段預(yù)報值比實際值低 10%~15%。原因訓(xùn)練集里混入大量限功率和棄風時段的樣本模型學(xué)習到的“平均出力水平”被拉低。限功率時段的功率是調(diào)度指令壓低的結(jié)果不是氣象驅(qū)動的真實功率把它們當作正常樣本訓(xùn)練模型就把“低出力”當成了常態(tài)。解決在預(yù)處理階段把限功率樣本識別出來直接剔除或單獨打標記。識別方法是檢查同一時刻的槳距角、變流器有功指令如果功率持續(xù)保持在限值附近且風速明顯高于該功率對應(yīng)的等效風速判定為限功率。剔除后重新統(tǒng)計訓(xùn)練集的風速-功率分布確保覆蓋完整的出力區(qū)間。5.2 定階側(cè)的坑差分過度把信號差成噪聲現(xiàn)象一階差分后發(fā)現(xiàn) ACF 還是拖尾機械地再做一次差分然后把所有階數(shù)交給 AIC 自動搜索。結(jié)果模型擬合得很好但預(yù)測輸出幾乎是一條直線。原因第二次差分把序列中本來就弱的低頻趨勢徹底抹掉模型面對的是一個近似白噪聲的序列自回歸項無從學(xué)習預(yù)測值自然回歸到均值附近。解決差分次數(shù)最多不要超過一次。第二次差分后需要重新繪制序列圖確認曲線仍然具有可辨識的波動結(jié)構(gòu)如果看起來純隨機就回到一階差分后的數(shù)據(jù)建模不要為了過平穩(wěn)性檢驗而反復(fù)差分。5.3 定階側(cè)的坑AIC 選出的階數(shù)過擬合現(xiàn)象AIC 自動掃描給出 p5、q5 的組合訓(xùn)練集誤差顯著下降但驗證集誤差升高模型對新數(shù)據(jù)的適應(yīng)能力變差。原因AIC 對參數(shù)數(shù)量的懲罰在樣本量較小時太弱風電數(shù)據(jù)樣本通常只有幾千個點參數(shù)一多就發(fā)生過擬合。解決把 AIC 換成 BIC 做最終決策或在 AIC 結(jié)果上強加 pq 上限不超過 5 的經(jīng)驗約束。對比多組階數(shù)的驗證集 RMSE選擇驗證誤差最小而不是訓(xùn)練誤差最小的組合。5.4 多步預(yù)測側(cè)的坑遞推誤差累積導(dǎo)致曲線趨平現(xiàn)象用遞推法預(yù)測未來 24 個點前 6 步誤差在可接受范圍第 10 步之后預(yù)測值不再隨實際波動穩(wěn)定在同一水平線上。原因每一步預(yù)測誤差都會作為下一步的輸入模型對噪聲的放大效應(yīng)在持續(xù)疊加最終壓制了信號成分預(yù)測均值回歸到序列歷史均值。解決改用直接法為每個預(yù)測步長建立獨立模型或者用第 4.2 節(jié)的 EWMA 殘差補償。同時檢查預(yù)測窗口長度是否合理超過模型有效記憶范圍的預(yù)測要直接放棄改用統(tǒng)計爬坡概率的方式補充。5.5 評估側(cè)的坑統(tǒng)一用 MAPE 在低功率時段失真現(xiàn)象MAPE 指標很差但視覺上看預(yù)測曲線跟實際貼合調(diào)度也沒意見。反過來另一份報告的 MAPE 很好看預(yù)測效果實際一塌糊涂。原因MAPE 在功率接近零的時段夜間低風速會因分母極小被放大個別離群點會拉爆整個指標。風電功率在 0 附近常駐直接算 MAPE 容易誤判模型質(zhì)量。解決按功率區(qū)間分段評估重點只看 20%~80% 額定功率區(qū)間的預(yù)測誤差低功率區(qū)間用 MAE 代替同時統(tǒng)一所有對比模型的評估口徑避免 A 用容量歸一化、B 用實際功率做分母二者結(jié)果不可比。5.6 評估側(cè)的坑殘差自相關(guān)明顯但模型“通過”現(xiàn)象RMSE 和 MAE 都達標但殘差序列的自相關(guān)函數(shù)在滯后 1~5 處仍然顯著非零模型看起來通過了所有數(shù)值指標。原因ARMA 模型的理論假設(shè)是殘差為白噪聲殘差還有自相關(guān)說明模型的動態(tài)結(jié)構(gòu)沒有完全捕獲p、q 階數(shù)偏低或者存在周期性未處理。解決擬合后強制生成殘差 ACF/PACF 圖并做 Ljung-Box 檢驗p 值小于 0.05 時必須回到定階環(huán)節(jié)重新調(diào)整。這個步驟不能省它是判斷模型是否合格的唯一可靠依據(jù)。6. 最后一步驗證滾動回測與殘差白噪聲檢驗6.1 滾動回測框架模型上線前用滾動回測完整模擬一遍未來多步預(yù)測過程。做法是把測試集按窗口滑動每次只取過去 N 個點訓(xùn)練模型預(yù)測未來 H 個點然后窗口前移反復(fù)執(zhí)行。這樣可以確保模型評估不是在“看過答案”的情況下進行的。代碼框架def rolling_backtest(series, p, q, h12, window240): errors [] for start in range(0, len(series) - window - h, h): train series.iloc[start:start window] test series.iloc[start window:start window h] model ARIMA(train, order(p, 0, q)).fit() pred model.forecast(stepsh) rmse np.sqrt(np.mean((pred - test.values) ** 2)) errors.append(rmse) return np.mean(errors), np.std(errors)window240對應(yīng) 10 分鐘粒度下 40 小時的歷史訓(xùn)練數(shù)據(jù)比較符合風電功率預(yù)測對記憶長度的需求steph表示每預(yù)測完一輪就跳過 H 個點減少計算量同時保留不重疊驗證的統(tǒng)計獨立性。最終輸出均值和標準差均值代表整體精度標準差反映預(yù)測性能在不同天氣狀態(tài)下的穩(wěn)定性后者往往比前者更值得關(guān)注。6.2 Ljung-Box 殘差白噪聲檢驗?zāi)Ｐ秃细衽c否最終看殘差是否變成白噪聲。Ljung-Box 檢驗統(tǒng)計殘差序列在給定滯后范圍內(nèi)的自相關(guān)總和p 值高于 0.05 表示沒有顯著自相關(guān)模型信息提取干凈。from statsmodels.stats.diagnostic import acorr_ljungbox def check_residual_whiteness(resid, lags10): lb_value, lb_pvalue acorr_ljungbox(resid, lags[lags], return_dfTrue).values[0] print(fLjung-Box p-value: {lb_pvalue:.4f}) return lb_pvalue 0.05這步配合滾動回測一起做每隔幾輪就取一段預(yù)測殘差跑一次檢驗。我做風電功率預(yù)測項目時吃過一次虧當時模型的 RMSE 比基線模型低了 12%以為勝券在握結(jié)果 Ljung-Box 檢驗發(fā)現(xiàn)殘差在滯后 3 處有顯著自相關(guān)說明還有一個日內(nèi)周期沒建模。后來在預(yù)處理里加了小時級差分才把殘差漂白。從那以后我每次切換數(shù)據(jù)集都強制走一遍 ADF 檢驗、Ljung-Box 檢驗和滾動回測三件套少一個都不敢上線。這套流程放到你的 amra 風電功率預(yù)測項目里同樣能幫你少踩兩個坑。希望幫到你。本文還有配套的精品資源點擊獲取