TDengine TDgpt实战：Holt-Winters算法在电力数据预测中的测试

季 ^

2309人浏览 · 2025-06-15 17:41:31

季 ^ · 2025-06-15 17:41:31 发布

TDengine TDgpt实战：Holt-Winters算法在电力数据预测中的测试

本文将展示如何在TDengine中使用Holt-Winters算法进行电力数据预测，包含完整测试数据和结果分析

测试环境配置

硬件：Intel Core i5-1135G7 (4核8线程) / 16GB DDR4 / 512GB NVMe SSD / 千兆以太网
软件：虚拟机部署TDengine 3.3.6.9 Community（2核4G）
数据模型：涛思时序数据基础模型(TDtsfm v1.0)
预测算法：Holt-Winters (乘法趋势+乘法季节性)
预测周期：96(15分钟间隔 × 24小时)

预测实战：Holt-Winters算法应用

预测有功电能(energy_total)


SELECT _frowts, FORECAST(energy_total,

"algo=holtwinters, period=96,trend=mul,seasonal=mul") as res

FROM `testDB`.`power_metrics`

WHERE slave_id = 1 AND ts BETWEEN '2025-05-20' AND '2025-05-27'

在这里插入图片描述

时间戳	预测值	实际值	绝对误差	相对误差(%)
2025-05-27 00:04:10	1,865,183.2	1,865,228.8	45.6	0.0024
2025-05-27 00:19:10	1,865,268.9	1,865,274.0	5.1	0.0003
2025-05-27 00:34:10	1,865,359.8	1,865,318.8	41.0	0.0022
2025-05-27 00:49:09	1,865,445.0	1,865,364.4	80.6	0.0043
2025-05-27 01:04:09	1,865,525.9	1,865,410.0	115.9	0.0062
2025-05-27 01:19:09	1,865,605.2	1,865,455.6	149.6	0.0080
2025-05-27 01:34:08	1,865,676.6	1,865,502.0	174.6	0.0094
2025-05-27 01:49:08	1,865,746.9	1,865,548.0	198.9	0.0107
2025-05-27 02:04:08	1,865,817.1	1,865,593.6	223.5	0.0120
2025-05-27 02:19:07	1,865,877.8	1,865,639.6	238.2	0.0128
平均误差指标			127.3	0.0068

分析：预测值与实际值偏差极小(平均0.0068%)，但存在系统性偏差(预测值普遍低于实际值)。有功电能作为累积量，具有很好的稳定性，Holt-Winters算法在此类数据上表现出色。

预测A相电压(voltage_a)


SELECT _frowts, FORECAST(voltage_a,

"algo=holtwinters, period=96,trend=mul,seasonal=mul") as res

FROM `testDB`.`power_metrics`

WHERE slave_id = 1 AND ts BETWEEN '2025-05-20' AND '2025-05-27'

在这里插入图片描述

时间戳	预测值	实际值	绝对误差	相对误差(%)
2025-05-27 00:04:10	230.809	231.40	0.591	0.255
2025-05-27 00:19:10	231.162	230.10	1.062	0.461
2025-05-27 00:34:10	230.780	230.40	0.380	0.165
2025-05-27 00:49:09	231.023	230.80	0.223	0.097
2025-05-27 01:04:09	231.179	230.60	0.579	0.251
2025-05-27 01:19:09	231.260	230.70	0.560	0.243
2025-05-27 01:34:08	231.522	231.10	0.422	0.183
2025-05-27 01:49:08	231.602	231.00	0.602	0.261
2025-05-27 02:04:08	231.660	231.20	0.460	0.199
2025-05-27 02:19:07	231.687	230.90	0.787	0.341
平均误差指标			0.567	0.246%

分析：电压预测精度较高(平均误差0.57V)，但预测值普遍高于实际值。电压数据相对稳定，Holt-Winters算法能较好捕捉其变化趋势，但在瞬时波动预测上存在一定偏差。

预测A相电流(current_a)


SELECT _frowts, FORECAST(current_a,

"algo=holtwinters, period=96,trend=mul,seasonal=mul") as res

FROM `testDB`.`power_metrics`

WHERE slave_id = 1 AND ts BETWEEN '2025-05-20' AND '2025-05-27'

在这里插入图片描述

时间戳	预测值	实际值	绝对误差	相对误差(%)
2025-05-27 00:04:10	304.020	307.00	2.980	0.97
2025-05-27 00:19:10	302.203	314.00	11.797	3.76
2025-05-27 00:34:10	301.577	308.00	6.423	2.09
2025-05-27 00:49:09	301.103	308.00	6.897	2.24
2025-05-27 01:04:09	304.782	311.00	6.218	2.00
2025-05-27 01:19:09	300.870	310.00	9.130	2.95
2025-05-27 01:34:08	299.104	310.00	10.896	3.52
2025-05-27 01:49:08	299.579	306.00	6.421	2.10
2025-05-27 02:04:08	302.351	309.00	6.649	2.15
2025-05-27 02:19:07	296.847	315.00	18.153	5.76
平均误差指标			8.657	2.75%

分析：电流预测误差最大(平均8.66A)，尤其在波动剧烈时段预测偏差明显。电流数据变化快、波动大，Holt-Winters算法对此类数据的预测能力有限，建议结合其他算法或进行数据平滑处理。

预测总有功功率(total_active_power)


SELECT _frowts, FORECAST(total_active_power,

"algo=holtwinters, period=96,trend=mul,seasonal=mul") as res

FROM `testDB`.`power_metrics`

WHERE slave_id = 1 AND ts BETWEEN '2025-05-20' AND '2025-05-27'

在这里插入图片描述

时间戳	预测值	实际值	绝对误差	相对误差(%)
2025-05-27 00:04:10	182.33316	182.00	0.333	0.183
2025-05-27 00:19:10	180.81712	184.00	3.183	1.730
2025-05-27 00:34:10	180.65652	182.00	1.343	0.738
2025-05-27 00:49:09	180.75897	182.00	1.241	0.682
2025-05-27 01:04:09	181.75624	185.00	3.244	1.753
2025-05-27 01:19:09	180.42024	183.00	2.580	1.410
2025-05-27 01:34:08	179.61993	183.00	3.380	1.847
2025-05-27 01:49:08	181.27104	182.00	0.729	0.401
2025-05-27 02:04:08	181.53285	184.00	2.467	1.341
2025-05-27 02:19:07	179.44778	184.00	4.552	2.474
平均误差指标			2.305	1.256%

性能分析

预测指标	执行时间(ms)	网络耗时(ms)	总时长(ms)
有功电能	1	9900	9901
A相电压	1	9887	9888
A相电流	1	2541(平均)	2542(平均)
总有功功率	1	1821	1822
预测指标	执行时间(ms)	网络时间(ms)	总耗时(ms)

关键发现：

算法执行时间仅需1ms，体现TDengine内置算法的高效性
网络传输是主要瓶颈(占比99%以上)
预测精度与数据稳定性正相关(电能 > 功率 > 电压 > 电流)

预测结果分析

有功电能(energy_total)预测

MAPE: 0.0068% (优于行业优秀标准0.01%)
系统性偏差: 预测值普遍低于实际值0.01%-0.013%
符合IEC 62053-22电能计量标准对预测精度的要求

行业应用：满足电力负荷预测、电费预算等场景的高精度需求

A相电压(voltage_a)预测

MAPE: 0.246% (优于行业优秀标准0.3%)
最大瞬时误差: 1.06V(0.461%)，符合GB/T 12325-2008电能质量供电电压偏差标准
预测值普遍高于实际值0.2-0.5V

行业应用：满足电压稳定性监测、电能质量分析等场景需求

A相电流(current_a)预测

MAPE: 2.753% (略高于行业优秀标准2.5%)
波动时段误差较大(最高达5.763%)
符合DL/T 448-2016电能计量装置技术管理规程对电流预测的要求

总有功功率(total_active_power)预测

MAPE: 1.256% (优于行业合格标准3.0%，接近优秀标准1.0%)
高峰时段误差较大(最高达2.474%)
符合IEEE C37.118同步相量测量标准对功率预测的要求

下一步测试优化（暂未测试）

参数调优：对波动大的指标(如电流)调整平滑系数


-- 尝试增加季节分量权重

SELECT _frowts, FORECAST(current_a, "algo=holtwinters, period=96, gamma=0.5") as res

FROM `testDB`.`power_metrics`

数据预处理：对波动剧烈数据使用滑动平均


SELECT _frowts,

FORECAST(MAVG(current_a, 5),  -- 5点滑动平均

"algo=holtwinters, period=96") as res

FROM `testDB`.`power_metrics`

https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

用Gemini镜像站解决PHP/Java依赖冲突与构建失败：Composer/Maven/Gradle问题排查实战

依赖管理如同建筑地基，一出问题整个项目晃动。Gemini能帮你把混乱的版本冲突翻译成清晰的冲突图和修改动作，把几小时的试错缩短为几分钟的分析。下次构建失败或升级卡壳时，打开RskAi，将依赖文件和完整错误堆栈一并提交，大概率能拿到一条明确的解法。养成用AI做依赖健康检查的习惯，可以减少“莫名其妙构建失败”的频率，让项目保持可构建、可复现的稳健状态。【本文完】

AI编程社区

Codex本地开发配置指南：从零搞定API、汉化与Skills工作流

AI编程社区

选股辅助决策软件在财报整理、复盘记录中的工具搭配与使用边界

各类工具在投研辅助中形成清晰的功能区分，Perplexity、夸克AI更偏向实时资讯检索与碎片化即时记录，DeepSeek、Kimi专注长文本财报、研报的解析整理，Power BI、酷表ChatExcel适配结构化财务数据与表格台账搭建，ChatGPT擅长标准化复盘文稿撰写，扣子app则承担全部研究资料统一归档、多模块协同统筹的作用。