600 lines
33 KiB
Markdown
600 lines
33 KiB
Markdown
# 角色 相关性分析师，因果分析
|
||
你是数据分析师，并对光伏产业有深刻理解，是光伏的生产经营管理者。
|
||
|
||
## 背景知识
|
||
|
||
### PR值重要性
|
||
PR值是衡量光伏电站发电效率的重要指标，它反映了电站设备运行状态及环境适应能力。
|
||
|
||
### 因果分析
|
||
主要确定可能影响PR值的关键因子，如平均温度、限电影响，通过因果分析工具（如Granger因果检验）进行验证。
|
||
|
||
### 原始数据集字段
|
||
电站生产数据字段如下：
|
||
|
||
- fillInDate，日期
|
||
- weather，天气
|
||
- dailyGeneratedElectrical ， 日发电量(万kw.h)
|
||
- dailyNetPower ， 日上网电量(万kw.h)
|
||
- maximumLoad ， 最大负荷(万kW)
|
||
- useHours， 利用小时(h)
|
||
- description ， 限电情况说明
|
||
- curtailmentLoss，限电损失电量(万kw.h)
|
||
- averageTemperature，平均温度(℃)
|
||
- daily Irradiation，日辐照量(MJ/m2)
|
||
- dailyIlluminationHours，日照时
|
||
- usePeakHours，峰值利用小时数(h)
|
||
- PR， 光伏电站PR值
|
||
- dailyPurchaseElectrical，日购网电量(万kw.h)
|
||
|
||
### 工作进展
|
||
这是性能基准分析的一部分，目前取得是一个电站的多年数据，目前已经完成了数据质量分析、异常值检测、描述性分析、相关性分析。
|
||
|
||
|
||
接下的因果分析要如何开展？
|
||
|
||
|
||
因果分析是深入理解数据间因果关系的重要步骤，尤其在光伏产业中，PR值是关键指标。以下是因果分析的详细步骤：
|
||
|
||
### 1. 明确目标
|
||
明确你的分析目标：确定哪些因素对PR值有显著影响。例如，你可能想知道平均温度、限电影响、日辐照量等因素是否对PR值有显著影响。
|
||
|
||
### 2. 数据预处理
|
||
确保数据质量和一致性，这是因果分析的基础。包括：
|
||
- 处理缺失值和异常值。
|
||
- 标准化或归一化数据（如果需要）。
|
||
- 创建需要的衍生变量（如转换变量单位等）。
|
||
|
||
### 3. 探索性数据分析（EDA）
|
||
通过图表和统计分析，初步了解各变量间的关系。例如：
|
||
- 散点图：查看PR值与平均温度、日辐照量等关键变量的关系。
|
||
- 时间序列图：查看PR值随时间变化的趋势，识别季节性和周期性影响。
|
||
|
||
### 4. 因果分析方法选择
|
||
常见因果分析方法包括：
|
||
- **Granger因果检验**：用于检验一个时间序列是否能预测另一个时间序列。
|
||
- **DAGs（有向无环图）**：用于描绘变量间的因果关系。
|
||
- **回归分析**：通过多元回归模型估计变量间的关系。
|
||
|
||
### 5. 实施因果分析
|
||
#### Granger因果检验
|
||
假设我们要检验平均温度和日辐照量对PR值的因果关系：
|
||
```python
|
||
import pandas as pd
|
||
from statsmodels.tsa.stattools import grangercausalitytests
|
||
|
||
# 假设你的数据已经加载到一个DataFrame df 中
|
||
max_lag = 5 # 设置最大滞后期
|
||
granger_test_results = grangercausalitytests(df[['PR', 'averageTemperature']], max_lag, verbose=True)
|
||
granger_test_results = grangercausalitytests(df[['PR', 'dailyIrradiation']], max_lag, verbose=True)
|
||
|
||
# 查看结果
|
||
for key, value in granger_test_results.items():
|
||
print(f"Lag {key}:")
|
||
print(value[0]) # 这个字典中的0号键存储着F检验结果
|
||
```
|
||
|
||
#### 多元回归分析
|
||
```python
|
||
import statsmodels.api as sm
|
||
|
||
# 定义自变量和因变量
|
||
X = df[['averageTemperature', 'dailyIrradiation', 'curtailmentLoss', 'dailyIlluminationHours']]
|
||
y = df['PR']
|
||
|
||
# 添加常数项
|
||
X = sm.add_constant(X)
|
||
|
||
# 拟合回归模型
|
||
model = sm.OLS(y, X).fit()
|
||
|
||
# 打印回归结果
|
||
print(model.summary())
|
||
```
|
||
|
||
### 6. 结果解释
|
||
- **Granger因果检验**：如果P值小于显著性水平（如0.05），则认为一个变量Granger引起另一个变量。
|
||
- **回归分析**：通过回归系数和P值判断变量对PR值的影响。
|
||
|
||
### 7. 结论和行动建议
|
||
基于因果分析结果，提出合理的生产和管理建议。例如：
|
||
- 如果发现平均温度有显著负面影响，可考虑改善冷却系统。
|
||
- 如果限电影响显著，则需优化调度或协调电网资源。
|
||
|
||
### 8. 模型验证和优化
|
||
使用验证集对模型进行验证，检查其预测能力和稳定性。根据结果进行模型优化。
|
||
|
||
通过以上步骤，你可以有效地开展因果分析，深入理解哪些因素对光伏电站的PR值有显著影响，并据此提出优化建议。
|
||
|
||
|
||
这是PR值与温度的Granger因果检验，从这里能看到什么：
|
||
Granger Causality
|
||
number of lags (no zero) 1
|
||
ssr based F test: F=5.3927 , p=0.0204 , df_denom=1071, df_num=1
|
||
ssr based chi2 test: chi2=5.4078 , p=0.0200 , df=1
|
||
likelihood ratio test: chi2=5.3943 , p=0.0202 , df=1
|
||
parameter F test: F=5.3927 , p=0.0204 , df_denom=1071, df_num=1
|
||
|
||
Granger Causality
|
||
number of lags (no zero) 2
|
||
ssr based F test: F=1.3692 , p=0.2548 , df_denom=1068, df_num=2
|
||
ssr based chi2 test: chi2=2.7511 , p=0.2527 , df=2
|
||
likelihood ratio test: chi2=2.7476 , p=0.2531 , df=2
|
||
parameter F test: F=1.3692 , p=0.2548 , df_denom=1068, df_num=2
|
||
|
||
Granger Causality
|
||
number of lags (no zero) 3
|
||
ssr based F test: F=0.7583 , p=0.5176 , df_denom=1065, df_num=3
|
||
ssr based chi2 test: chi2=2.2900 , p=0.5144 , df=3
|
||
likelihood ratio test: chi2=2.2875 , p=0.5149 , df=3
|
||
parameter F test: F=0.7583 , p=0.5176 , df_denom=1065, df_num=3
|
||
|
||
Granger Causality
|
||
number of lags (no zero) 4
|
||
ssr based F test: F=0.6051 , p=0.6591 , df_denom=1062, df_num=4
|
||
ssr based chi2 test: chi2=2.4407 , p=0.6553 , df=4
|
||
likelihood ratio test: chi2=2.4380 , p=0.6558 , df=4
|
||
parameter F test: F=0.6051 , p=0.6591 , df_denom=1062, df_num=4
|
||
|
||
Granger Causality
|
||
number of lags (no zero) 5
|
||
ssr based F test: F=0.6304 , p=0.6766 , df_denom=1059, df_num=5
|
||
ssr based chi2 test: chi2=3.1847 , p=0.6715 , df=5
|
||
likelihood ratio test: chi2=3.1799 , p=0.6723 , df=5
|
||
parameter F test: F=0.6304 , p=0.6766 , df_denom=1059, df_num=5
|
||
Lag 1:
|
||
ssr_ftest: (5.3927432219054126, 0.020407419825952573, 1071.0, 1)
|
||
ssr_chi2test: (5.407848945216072, 0.02004640327862765, 1)
|
||
lrtest: (5.394279564578028, 0.02020286404202256, 1)
|
||
params_ftest: (5.3927432219054054, 0.020407419825952573, 1071.0, 1.0)
|
||
Lag 2:
|
||
ssr_ftest: (1.3691507561693161, 0.2547688713499563, 1068.0, 2)
|
||
ssr_chi2test: (2.7511212759731762, 0.2526978840510327, 2)
|
||
lrtest: (2.7476004204463607, 0.2531431322205008, 2)
|
||
params_ftest: (1.3691507561691427, 0.25476887135003584, 1068.0, 2.0)
|
||
Lag 3:
|
||
ssr_ftest: (0.7583430289197777, 0.5175839962365105, 1065.0, 3)
|
||
ssr_chi2test: (2.289982329583103, 0.5144427428106015, 3)
|
||
lrtest: (2.2875399028516767, 0.5149121326455213, 3)
|
||
params_ftest: (0.7583430289198638, 0.5175839962364648, 1065.0, 3.0)
|
||
Lag 4:
|
||
ssr_ftest: (0.6050570133082144, 0.6590612158363509, 1062.0, 4)
|
||
ssr_chi2test: (2.4407384604636446, 0.6552779853590059, 4)
|
||
lrtest: (2.437961537515548, 0.6557781117949888, 4)
|
||
params_ftest: (0.6050570133082872, 0.6590612158363078, 1062.0, 4.0)
|
||
Lag 5:
|
||
ssr_ftest: (0.6303833837874431, 0.6766128040673777, 1059.0, 5)
|
||
ssr_chi2test: (3.184656377018716, 0.671541598993472, 5)
|
||
lrtest: (3.1799264905102973, 0.6722689157469623, 5)
|
||
params_ftest: (0.6303833837874079, 0.6766128040673777, 1059.0, 5.0)
|
||
|
||
从你提供的Granger因果检验结果中，我们可以对PR值与平均温度之间的因果关系有以下几点观察：
|
||
|
||
### 1. 滞后期1（Lag 1）
|
||
- **F检验**: F=5.3927, p=0.0204
|
||
- **卡方检验**: chi2=5.4078, p=0.0200
|
||
- **似然比检验**: chi2=5.3943, p=0.0202
|
||
- **参数检验**: F=5.3927, p=0.0204
|
||
|
||
在滞后期1，所有检验的p值均约为0.020，这小于常见的显著性水平0.05。因此，可以认为在滞后期1下，平均温度Granger引起PR值的变化。
|
||
|
||
### 2. 滞后期2（Lag 2）
|
||
- **F检验**: F=1.3692, p=0.2548
|
||
- **卡方检验**: chi2=2.7511, p=0.2527
|
||
- **似然比检验**: chi2=2.7476, p=0.2531
|
||
- **参数检验**: F=1.3692, p=0.2548
|
||
|
||
在滞后期2，所有检验的p值均大于0.05，因此无法拒绝零假设，即在滞后期2下，平均温度并未显著Granger引起PR值的变化。
|
||
|
||
### 3. 滞后期3（Lag 3）
|
||
- **F检验**: F=0.7583, p=0.5176
|
||
- **卡方检验**: chi2=2.2900, p=0.5144
|
||
- **似然比检验**: chi2=2.2875, p=0.5149
|
||
- **参数检验**: F=0.7583, p=0.5176
|
||
|
||
在滞后期3，所有检验的p值均大于0.05，因此无法拒绝零假设，即在滞后期3下，平均温度并未显著Granger引起PR值的变化。
|
||
|
||
### 4. 滞后期4（Lag 4）
|
||
- **F检验**: F=0.6051, p=0.6591
|
||
- **卡方检验**: chi2=2.4407, p=0.6553
|
||
- **似然比检验**: chi2=2.4380, p=0.6558
|
||
- **参数检验**: F=0.6051, p=0.6591
|
||
|
||
在滞后期4，所有检验的p值均大于0.05，因此无法拒绝零假设，即在滞后期4下，平均温度并未显著Granger引起PR值的变化。
|
||
|
||
### 5. 滞后期5（Lag 5）
|
||
- **F检验**: F=0.6304, p=0.6766
|
||
- **卡方检验**: chi2=3.1847, p=0.6715
|
||
- **似然比检验**: chi2=3.1799, p=0.6723
|
||
- **参数检验**: F=0.6304, p=0.6766
|
||
|
||
在滞后期5，所有检验的p值均大于0.05，因此无法拒绝零假设，即在滞后期5下，平均温度并未显著Granger引起PR值的变化。
|
||
|
||
### 综合观察
|
||
从结果可以看出，只有在滞后期1时，平均温度对PR值有显著的Granger因果关系。在其他滞后期下，平均温度对PR值没有显著的Granger因果关系。因此，平均温度在短期内（滞后期1）对PR值有显著影响，但这种影响不持续到更长的滞后期。
|
||
|
||
### 建议
|
||
基于以上结果，以下是一些建议：
|
||
1. **短期关注**: 由于平均温度的短期变化会显著影响PR值，建议在温度变化较大的季节中密切监控PR值，并采取相应的温控措施。
|
||
2. **进一步分析**: 考虑其他可能影响PR值的因素如日辐照量、限电影响等，以构建更全面的因果关系模型。
|
||
3. **优化调度**: 在温度较高的时期，优化光伏电站的调度和管理策略，以最大化发电效率。
|
||
|
||
通过这些措施，可以更好地管理并优化光伏电站的运营，提高PR值和整体发电效率。
|
||
|
||
|
||
|
||
是的，为了构建一个更全面的因果关系模型，可以考虑将其他可能影响PR值的变量也纳入分析。这将有助于更准确地识别出哪些因素对PR值有显著影响，并能够更全面地理解这些因素之间的相互作用。以下是一些步骤和建议：
|
||
|
||
### 1. 确定潜在因果变量
|
||
除了平均温度，根据背景知识和数据字段，可以考虑纳入以下变量：
|
||
- 日辐照量（日irradiation）
|
||
- 限电损失电量（curtailmentLoss）
|
||
- 日照时长（dailyIlluminationHours）
|
||
- 最大负荷（maximumLoad）
|
||
- 峰值利用小时数（usePeakHours）
|
||
- 天气（weather）
|
||
|
||
### 2. 数据预处理
|
||
对这些变量进行数据预处理，处理缺失值、异常值，并进行必要的数据转换（如标准化或归一化）。
|
||
|
||
### 3. 多元Granger因果检验
|
||
使用多元Granger因果检验来分析多个变量对PR值的因果关系。
|
||
|
||
### 4. 多元回归分析
|
||
使用多元回归模型来估计各个变量对PR值的影响。
|
||
|
||
### 5. 进一步分析与验证
|
||
通过交叉验证等方法验证模型的稳定性和预测能力。
|
||
|
||
### 示例代码
|
||
以下是一个多元Granger因果检验的示例代码：
|
||
|
||
```python
|
||
import pandas as pd
|
||
from statsmodels.tsa.stattools import grangercausalitytests
|
||
|
||
# 假设你的数据已经加载到一个DataFrame df 中
|
||
# 选择我们感兴趣的变量
|
||
variables = ['PR', 'averageTemperature', 'dailyIrradiation', 'curtailmentLoss', 'dailyIlluminationHours', 'maximumLoad', 'usePeakHours']
|
||
df_selected = df[variables]
|
||
|
||
# 设置最大滞后期
|
||
max_lag = 5
|
||
|
||
# 进行多变量Granger因果检验
|
||
granger_test_results = grangercausalitytests(df_selected, max_lag, verbose=True)
|
||
```
|
||
|
||
### 多元回归分析
|
||
以下是一个多元回归分析的示例代码：
|
||
|
||
```python
|
||
import pandas as pd
|
||
import statsmodels.api as sm
|
||
|
||
# 定义自变量和因变量
|
||
X = df[['averageTemperature', 'dailyIrradiation', 'curtailmentLoss', 'dailyIlluminationHours', 'maximumLoad', 'usePeakHours']]
|
||
y = df['PR']
|
||
|
||
# 添加常数项
|
||
X = sm.add_constant(X)
|
||
|
||
# 拟合回归模型
|
||
model = sm.OLS(y, X).fit()
|
||
|
||
# 打印回归结果
|
||
print(model.summary())
|
||
```
|
||
|
||
### 结果解释与应用
|
||
1. **因果检验结果**：通过Granger因果检验，确定哪些变量在不同滞后期对PR值有显著因果关系。
|
||
2. **回归分析结果**：通过多元回归分析，确定各个变量对PR值的贡献度和显著性水平。
|
||
3. **优化策略**：根据分析结果，制定相应的优化和管理策略。例如，如果发现日辐照量和限电损失电量对PR值有显著影响，则可以在这些因素上重点进行优化和管理。
|
||
|
||
### 总结
|
||
通过纳入更多变量并进行多元因果分析和回归分析，可以更全面地理解光伏电站PR值的影响因素。这将有助于制定更加精准的运营和管理策略，提升光伏电站的发电效率和经济效益。
|
||
|
||
|
||
由于直接做多元Granger因果检验，输入各项数据的形状不符合模型的要求，所以使用向量自回归（VAR）模型。VAR 模型可以处理多个时间序列变量，并分析它们之间的相互影响。
|
||
|
||
使用 VAR 模型进行多变量因果关系分析
|
||
|
||
``` python
|
||
variables = ['PR', 'averageTemperature', 'dailyIrradiation', 'curtailmentLoss', 'dailyIlluminationHours', 'maximumLoad', 'usePeakHours']
|
||
max_lag = 5 # 设置最大滞后期
|
||
|
||
# 拟合 VAR 模型
|
||
model = VAR(report.SOURCE_DATA[variables])
|
||
results = model.fit(max_lag)
|
||
|
||
# 进行 Granger 因果关系检验
|
||
causality_results = results.test_causality('PR', variables[1:], kind='f')
|
||
print(causality_results.summary())
|
||
```
|
||
|
||
下面是结果：
|
||
```
|
||
Granger causality F-test. H_0: ['averageTemperature', 'dailyIrradiation', 'curtailmentLoss', 'dailyIlluminationHours', 'maximumLoad', 'usePeakHours'] do not Granger-cause PR. Conclusion: reject H_0 at 5% significance level.
|
||
================================================
|
||
Test statistic Critical value p-value df
|
||
------------------------------------------------
|
||
1.674 1.461 0.012 (30, 7238)
|
||
------------------------------------------------
|
||
```
|
||
|
||
从这个结果可以看出什么？
|
||
|
||
|
||
从你的结果可以看出：
|
||
|
||
### 1. 假设检验
|
||
- **原假设（H₀）**：'averageTemperature'、'dailyIrradiation'、'curtailmentLoss'、'dailyIlluminationHours'、'maximumLoad' 和 'usePeakHours' 这些变量**不** Granger 引起 PR。
|
||
- **备择假设（H₁）**：这些变量 Granger 引起 PR。
|
||
|
||
### 2. 检验结果
|
||
- **测试统计量（Test statistic）**: 1.674
|
||
- **临界值（Critical value）**: 1.461
|
||
- **p值（p-value）**: 0.012
|
||
- **自由度（df）**: (30, 7238)
|
||
|
||
### 3. 结果解释
|
||
- **p值（p-value）**: 结果中的 p 值是 0.012，小于常见的显著性水平 0.05。因此，我们可以在 5% 显著性水平上拒绝原假设（H₀），即这些变量（'averageTemperature'、'dailyIrradiation'、'curtailmentLoss'、'dailyIlluminationHours'、'maximumLoad' 和 'usePeakHours'）确实 Granger 引起 PR。
|
||
- **测试统计量 vs 临界值**: 测试统计量 1.674 大于临界值 1.461，这也进一步支持了拒绝原假设的结论。
|
||
|
||
### 总结
|
||
你的分析结果表明，变量 'averageTemperature'、'dailyIrradiation'、'curtailmentLoss'、'dailyIlluminationHours'、'maximumLoad' 和 'usePeakHours' 共同对 PR 值具有显著的 Granger 因果关系。这意味着这些变量在历史数据中的变化可以帮助预测 PR 值的变化。
|
||
|
||
### 建议与进一步分析
|
||
1. **深入理解每个变量的贡献**:
|
||
- 进一步研究每个单独变量对 PR 值的具体贡献度和影响方向。
|
||
- 使用回归分析或分解VAR模型的贡献度来识别各变量的个体影响。
|
||
|
||
2. **优化运营策略**:
|
||
- 结合这些显著变量，制定更精准的光伏电站运营和管理策略。例如，优化温控系统、管理限电、调度负荷等。
|
||
|
||
3. **模型验证**:
|
||
- 使用不同的时间窗口或不同的数据集验证结果的稳健性。
|
||
- 评估模型的预测能力，确保其适用于实际运营中的决策支持。
|
||
|
||
通过这些措施，你可以更深入地理解光伏电站运营中的关键因素，并据此优化管理，提高PR值和整体发电效率。
|
||
|
||
|
||
|
||
|
||
要了解VAR模型中各变量对目标变量（如PR值）的贡献度，可以使用以下分析方法：
|
||
|
||
1. **脉冲响应函数（Impulse Response Function, IRF）**：用于分析系统对某个冲击（shock）的动态响应，帮助理解某个变量的突然变化对其他变量的影响。
|
||
2. **方差分解（Variance Decomposition, VD）**：用于分析每个变量在预测误差方差中的贡献度，帮助理解不同变量对目标变量的长期预测的贡献。
|
||
|
||
### 1. 脉冲响应函数（IRF）
|
||
|
||
脉冲响应函数（IRF）展示了一个标准差的冲击如何传播并影响系统中的其他变量。可以通过如下代码生成并可视化IRF：
|
||
|
||
```python
|
||
import matplotlib.pyplot as plt
|
||
from statsmodels.tsa.api import VAR
|
||
|
||
# 假设已经拟合了VAR模型
|
||
model = VAR(report.SOURCE_DATA[variables])
|
||
results = model.fit(max_lag)
|
||
|
||
# 计算脉冲响应函数
|
||
irf = results.irf(10) # 计算未来10期的脉冲响应
|
||
irf.plot(orth=False)
|
||
plt.show()
|
||
```
|
||
|
||
上述代码将生成脉冲响应函数的图，帮助你可视化某个变量的冲击如何影响其他变量的动态变化。
|
||
|
||
### 2. 方差分解（Variance Decomposition, VD）
|
||
|
||
方差分解帮助量化每个变量在预测误差中的贡献度。以下代码可以生成方差分解结果：
|
||
|
||
```python
|
||
# 计算方差分解
|
||
fevd = results.fevd(10) # 计算未来10期的方差分解
|
||
|
||
# 打印方差分解结果
|
||
print(fevd.summary())
|
||
|
||
# 可视化方差分解结果
|
||
fevd.plot()
|
||
plt.show()
|
||
```
|
||
|
||
### 结果解读
|
||
|
||
1. **脉冲响应函数（IRF）**：
|
||
- 图中展示了一个变量的一个标准差冲击如何影响其他变量的变化。
|
||
- 通过观察图，你可以看到各变量之间的动态关系以及冲击在系统中的传播路径。
|
||
|
||
2. **方差分解（VD）**：
|
||
- 输出的表格展示了每个变量对目标变量（如PR值）预测误差方差的贡献度。
|
||
- 比如，表格中的某一列数值显示了不同变量在各个时间点对目标变量预测误差的贡献比例。
|
||
|
||
### 综合应用
|
||
|
||
通过脉冲响应函数和方差分解的分析，你可以：
|
||
- 更清楚地理解各变量之间的动态关系和交互作用。
|
||
- 定量分析每个变量对目标变量长期预测的贡献度。
|
||
- 识别关键变量并制定相应的优化策略，以改善光伏电站的PR值和运营效率。
|
||
|
||
这些分析工具将帮助你构建更全面、更精细的因果关系模型，并为光伏电站的运营决策提供有价值的见解。
|
||
|
||
|
||
|
||
这是方差分解，从这里能读出什么？
|
||
FEVD for PR
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 1.000000 0.000000 0.000000 0.000000 0.000000 0.000000 0.000000
|
||
1 0.988341 0.001420 0.001647 0.000081 0.000003 0.008417 0.000091
|
||
2 0.970264 0.001847 0.001668 0.011205 0.001880 0.011056 0.002080
|
||
3 0.960568 0.002729 0.003475 0.014558 0.002981 0.012573 0.003117
|
||
4 0.958783 0.002785 0.004061 0.015489 0.002937 0.012778 0.003167
|
||
5 0.949995 0.003380 0.004539 0.022508 0.003019 0.013226 0.003333
|
||
6 0.945762 0.003943 0.005713 0.024238 0.002962 0.014046 0.003335
|
||
7 0.939771 0.004337 0.006635 0.027984 0.003035 0.014952 0.003285
|
||
8 0.935724 0.004641 0.007608 0.030430 0.003032 0.015318 0.003246
|
||
9 0.933106 0.004831 0.008184 0.031890 0.003002 0.015769 0.003217
|
||
|
||
FEVD for averageTemperature
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.003969 0.996031 0.000000 0.000000 0.000000 0.000000 0.000000
|
||
1 0.006451 0.977460 0.001305 0.000059 0.009558 0.004222 0.000945
|
||
2 0.007583 0.968031 0.003533 0.001255 0.014836 0.003865 0.000896
|
||
3 0.008085 0.956862 0.006675 0.001406 0.021079 0.004863 0.001031
|
||
4 0.009209 0.943618 0.008433 0.001266 0.030708 0.005330 0.001437
|
||
5 0.011282 0.926844 0.008364 0.001226 0.043755 0.007136 0.001392
|
||
6 0.012813 0.911979 0.008504 0.001168 0.056180 0.007878 0.001479
|
||
7 0.013712 0.899303 0.008486 0.001139 0.067327 0.008208 0.001825
|
||
8 0.014324 0.886921 0.008415 0.001140 0.078549 0.008438 0.002212
|
||
9 0.015055 0.874935 0.008223 0.001188 0.089345 0.008718 0.002536
|
||
|
||
FEVD for dailyIrradiation
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.091113 0.019406 0.889481 0.000000 0.000000 0.000000 0.000000
|
||
1 0.089240 0.018651 0.884587 0.000066 0.003731 0.000750 0.002976
|
||
2 0.088745 0.018404 0.881469 0.001281 0.005172 0.001210 0.003719
|
||
3 0.088572 0.018398 0.880272 0.001509 0.005339 0.001952 0.003958
|
||
4 0.090986 0.018864 0.867278 0.003480 0.012236 0.002069 0.005087
|
||
5 0.091420 0.018758 0.863134 0.005421 0.013781 0.002109 0.005376
|
||
6 0.091856 0.018715 0.860489 0.005954 0.015308 0.002252 0.005428
|
||
7 0.092182 0.018674 0.858894 0.006612 0.015771 0.002303 0.005563
|
||
8 0.092290 0.018714 0.857688 0.006836 0.016260 0.002401 0.005810
|
||
9 0.092603 0.018711 0.855841 0.007117 0.017309 0.002506 0.005913
|
||
|
||
FEVD for curtailmentLoss
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.327602 0.010605 0.053166 0.608627 0.000000 0.000000 0.000000
|
||
1 0.324492 0.012737 0.052356 0.603802 0.002368 0.003433 0.000812
|
||
2 0.328479 0.012963 0.051660 0.596354 0.002722 0.003440 0.004382
|
||
3 0.325154 0.013360 0.051405 0.593682 0.002835 0.005503 0.008062
|
||
4 0.324494 0.014812 0.052167 0.590369 0.003624 0.006189 0.008344
|
||
5 0.328674 0.014790 0.051775 0.584085 0.004163 0.006121 0.010393
|
||
6 0.329012 0.014847 0.051630 0.582598 0.004772 0.006193 0.010947
|
||
7 0.329783 0.015009 0.051530 0.581489 0.004797 0.006209 0.011184
|
||
8 0.329910 0.015197 0.051506 0.580909 0.004905 0.006260 0.011313
|
||
9 0.330055 0.015364 0.051454 0.580324 0.005170 0.006272 0.011361
|
||
|
||
FEVD for dailyIlluminationHours
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.013773 0.321067 0.003065 0.006400 0.655695 0.000000 0.000000
|
||
1 0.015439 0.373615 0.002496 0.004926 0.602185 0.000001 0.001338
|
||
2 0.014673 0.387765 0.002259 0.004663 0.589011 0.000059 0.001570
|
||
3 0.013449 0.394094 0.003452 0.004309 0.580693 0.000122 0.003881
|
||
4 0.013441 0.405583 0.003601 0.004100 0.564584 0.001462 0.007227
|
||
5 0.014234 0.406312 0.003271 0.004273 0.562485 0.002382 0.007044
|
||
6 0.014781 0.410744 0.003084 0.004098 0.557177 0.002703 0.007413
|
||
7 0.014613 0.414412 0.002924 0.003928 0.553109 0.002925 0.008091
|
||
8 0.014316 0.416740 0.002789 0.003809 0.550400 0.003154 0.008791
|
||
9 0.014362 0.418777 0.002679 0.003768 0.547506 0.003528 0.009381
|
||
|
||
FEVD for maximumLoad
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.009473 0.001050 0.703662 0.009336 0.000451 0.276029 0.000000
|
||
1 0.013688 0.001056 0.701016 0.009106 0.004709 0.270128 0.000297
|
||
2 0.022070 0.002182 0.692377 0.009796 0.005663 0.265577 0.002334
|
||
3 0.030465 0.002547 0.685142 0.011020 0.005617 0.262898 0.002311
|
||
4 0.030306 0.002670 0.682233 0.012038 0.009202 0.260965 0.002586
|
||
5 0.034621 0.003745 0.676400 0.011931 0.009553 0.261127 0.002624
|
||
6 0.036195 0.004321 0.674535 0.011914 0.009843 0.260571 0.002622
|
||
7 0.037894 0.004636 0.672745 0.012030 0.009829 0.260236 0.002630
|
||
8 0.038908 0.004724 0.671622 0.012172 0.009955 0.259928 0.002690
|
||
9 0.039533 0.004891 0.670878 0.012224 0.010021 0.259758 0.002694
|
||
|
||
FEVD for usePeakHours
|
||
PR averageTemperature dailyIrradiation curtailmentLoss dailyIlluminationHours maximumLoad usePeakHours
|
||
0 0.002797 0.030562 0.699448 0.006377 0.000100 0.001062 0.259654
|
||
1 0.005083 0.029957 0.703145 0.006256 0.003906 0.001882 0.249771
|
||
2 0.008260 0.030050 0.700284 0.006143 0.003884 0.001860 0.249519
|
||
3 0.012441 0.029612 0.689068 0.010943 0.008175 0.001869 0.247892
|
||
4 0.012316 0.031159 0.683661 0.011072 0.014529 0.001862 0.245401
|
||
5 0.015302 0.031638 0.680713 0.011049 0.015067 0.001923 0.244309
|
||
6 0.015958 0.031973 0.678722 0.011023 0.016755 0.001954 0.243615
|
||
7 0.017101 0.032236 0.677270 0.011084 0.017237 0.001978 0.243094
|
||
8 0.017766 0.032811 0.675394 0.011293 0.018330 0.001980 0.242426
|
||
9 0.018085 0.033299 0.673928 0.011309 0.019498 0.001977 0.241904
|
||
|
||
|
||
VAR（向量自回归，Vector Autoregression）模型是一种多元时间序列分析方法，用于捕捉多个变量之间的动态关系。在VAR模型中，残差（Residuals）有着重要的意义和作用。
|
||
|
||
### 残差的定义
|
||
|
||
在VAR模型中，残差指的是模型预测值与实际观测值之间的差异。具体来说，对于每个时间点 \( t \) 和每个变量 \( i \)，残差 \( e_{i,t} \) 可以表示为：
|
||
|
||
\[ e_{i,t} = y_{i,t} - \hat{y}_{i,t} \]
|
||
|
||
其中：
|
||
- \( y_{i,t} \) 是第 \( i \) 个变量在时间 \( t \) 的实际观测值。
|
||
- \( \hat{y}_{i,t} \) 是根据VAR模型得出的第 \( i \) 个变量在时间 \( t \) 的预测值。
|
||
|
||
### 残差的意义
|
||
|
||
1. **模型拟合的误差**：
|
||
- 残差代表了模型在捕捉时间序列动态关系上的偏差。较大的残差可能表明模型在某些时间点或变量上拟合不佳。
|
||
|
||
2. **模型诊断**：
|
||
- 对残差进行分析（如自相关性、分布特性等）可以帮助诊断模型的适用性和性能。理想情况下，残差应该是白噪声，即没有自相关性且符合正态分布。
|
||
|
||
3. **模型改进**：
|
||
- 如果残差存在明显的模式或自相关关系，说明模型可能存在某些方面的不足。此时，可以考虑改进模型，如增加滞后项、引入额外变量或使用更复杂的模型结构。
|
||
|
||
### 残差分析
|
||
|
||
在实际应用中，常用以下方法对VAR模型的残差进行分析：
|
||
|
||
1. **自相关函数（ACF）和偏自相关函数（PACF）**：
|
||
- 检查残差是否存在自相关性。理想情况下，残差应近似于白噪声，其自相关函数和偏自相关函数应在滞后期内接近零。
|
||
|
||
2. **正态性检验**：
|
||
- 检查残差是否服从正态分布。常用的方法包括Q-Q图、Shapiro-Wilk检验等。
|
||
|
||
3. **异方差性检验**：
|
||
- 检查残差是否存在异方差性。常用的方法包括Breusch-Pagan检验、White检验等。
|
||
|
||
4. **序列图**：
|
||
- 通过绘制残差的时间序列图，可以直观地观察残差随时间的变化情况，发现可能的模式或异常点。
|
||
|
||
### 总结
|
||
|
||
VAR模型的残差是指模型预测值与实际观测值之间的差异。这些残差在评估模型的拟合性能、诊断潜在问题以及改进模型方面起着关键作用。对残差进行详细的分析，可以帮助确保VAR模型的可靠性和准确性。
|
||
|
||
|
||
|
||
**结果分析**
|
||
|
||
- **温度（averageTemperature）对PR值（PR）的影响：**
|
||
在滞后期1，温度对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值均为0.02，表明在滞后期1温度对PR值有显著影响。然而，滞后期2到滞后期5的p值均大于0.05，表明这些滞后期没有显著影响。
|
||
|
||
- **辐照量（daily Irradiation）对PR值（PR）的影响：**
|
||
在所有滞后期（1到5），辐照量对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值均大于0.05，表明辐照量对PR值没有显著影响。
|
||
|
||
- **日照时数（dailyIlluminationHours）对PR值（PR）的影响：**
|
||
在滞后期1，日照时数对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值接近于0.05，但并未达到显著性水平。在滞后期2到滞后期5，p值均大于0.05，表明日照时数对PR值没有显著影响。
|
||
|
||
- **限电损失（curtailmentLoss）对PR值（PR）的影响：**
|
||
限电损失在所有滞后期（1到5）对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值均小于0.05，表明限电损失对PR值有显著影响。
|
||
|
||
- **发电量（dailyGeneratedElectrical）对PR值（PR）的影响：**
|
||
在所有滞后期（1到5），发电量对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值均大于0.05，表明发电量对PR值没有显著影响。
|
||
|
||
- **利用小时数（useHours）对PR值（PR）的影响：**
|
||
利用小时数在所有滞后期（1到5）对PR值的F检验p值、卡方检验p值、似然比检验P值和参数检验P值均小于0.05，表明利用小时数对PR值有显著影响。
|
||
|
||
**结论**
|
||
|
||
- 存在显著因果关系：
|
||
1. **温度（averageTemperature）**对PR值（PR）在滞后期1有显著影响。
|
||
2. **限电损失（curtailmentLoss）**对PR值（PR）在所有滞后期（1到5）有显著影响。
|
||
3. **利用小时数（useHours）**对PR值（PR）在所有滞后期（1到5）有显著影响。
|
||
|
||
- 未显示出明显或持续性的因果关系：
|
||
1. **辐照量（daily Irradiation）**对PR值（PR）没有显著影响。
|
||
2. **日照时数（dailyIlluminationHours）**对PR值（PR）没有显著影响。
|
||
3. **发电量（dailyGeneratedElectrical）**对PR值（PR）没有显著影响。
|
||
|
||
**进一步分析建议**
|
||
|
||
1. **使用多元Granger因果检验**来分析多个变量对PR值的因果关系，考察多变量的因果关系，可能揭示出单变量分析无法发现的交互效应。
|
||
2. **进行时间序列分解分析**，将PR值分解为趋势、季节性和随机成分，识别不同时间成分对PR值的影响，这可以帮助进一步理解PR值的波动和趋势。
|
||
3. **考虑添加更多环境和运营因素**，如风速、湿度、设备维护情况等来完善因果分析模型，寻找更多潜在的影响因素。这些额外的变量可能提供更全面的见解，提高因果分析的准确性和可靠性。 |