1. 背景介绍

TDTSFM（Time Domain Transformer）是一种用于时序数据预测的算法，本次测试主要评估该算法在电力数据预测中的性能表现。测试使用了不同的历史数据时长、预测行数和数据密度来验证算法的预测准确性和稳定性。

2. 测试环境

• 测试指标：总有功电能(kWh)、总有功功率(kW)、A相电压(V)、A相电流(A)
• 测试参数：
  • 历史数据天数：3天、7天、15天、30天
  • 预测行数：5行、10行
  • 数据密度：原始数据(raw)
• 评估指标：MAE（平均绝对误差）、RMSE（均方根误差）、MAPE（平均绝对百分比误差）

3. 测试方法

本次测试采用历史数据预测未来数据点的方法，并与实际值进行对比，通过计算MAE、RMSE和MAPE等指标来评估预测的准确性。测试流程如下：

1. 读取不同时间跨度的历史数据（3天、7天、15天、30天）
2. 使用TDTSFM算法生成预测结果（预测未来5行或10行数据）
3. 将预测结果与实际值进行对比
4. 计算评估指标并生成测试报告

对于累计型指标（如总有功电能），额外计算了累计值和增量值的误差指标。

4. 测试结果分析

4.1 总有功电能(kWh)预测结果

总有功电能是累计型指标，测试分析了不同历史天数和预测行数条件下的预测性能。

4.1.1 累计值误差分析

分析结果显示：

• 历史数据影响：使用7天历史数据进行预测时累计值误差最小，MAE仅为487.32，MAPE为0.0261%
• 预测行数影响：在3天和7天历史数据条件下，预测10行数据的累计值MAPE均低于预测5行的结果
• 长期预测表现：当历史数据增加到30天时，误差显著增大，MAE达到12654.10，表明该算法更适合短期预测

4.1.2 增量值误差分析

增量值误差分析显示：

• 对于增量预测，历史数据为3天且预测10行的组合表现最好，MAE为135.74，MAPE为298.21%
• 所有参数组合的增量值MAPE均较高（>200%），说明算法在预测短期变化量方面存在一定局限性
• 增量预测误差随历史数据天数增加而增大，30天历史数据的MAPE高达2192.20%

4.2 不同指标预测性能对比

不同指标预测性能比较：

• A相电压预测表现最好，MAPE仅为0.82%
• 总有功功率预测误差适中，MAPE为1.65%
• A相电流预测相对误差较大，MAPE达到4.93%
• 总有功电能累计值MAPE较低(0.14%)，但这是由于基数大的原因，其MAE值实际最高

4.3 预测时长与误差关系分析

历史数据天数对预测性能的影响：

• 总有功电能：历史数据为7天时预测效果最好
• 总有功功率：随历史数据增加，预测误差明显增大
• A相电压：受历史数据影响较小，误差增长缓慢
• A相电流：历史数据为7天时误差最小，为3天或30天时误差明显增大

4.4 执行性能分析

执行性能分析：

• 算法执行时间主要受历史数据量影响，历史天数越多，执行时间越长
• 3天历史数据的执行时间在280-300ms之间
• 7天历史数据的执行时间在290-305ms之间
• 15天历史数据的执行时间约为376ms
• 30天历史数据的执行时间达到410ms
• 预测行数对执行时间影响不显著

5. 结论与建议

5.1 主要结论

1. 最佳历史数据长度：对大多数指标而言，使用7天历史数据预测效果最好，平衡了数据量和预测准确性
2. 预测指标差异：A相电压预测效果最好，其次是总有功功率，A相电流预测相对较差
3. 累计值与增量值预测：算法在累计值预测方面表现良好，但增量值预测误差较大
4. 预测行数影响：在大多数情况下，预测10行数据比预测5行数据误差相对较小
5. 算法执行效率：执行时间随历史数据量增加而增长，但总体保持在较低水平（<500ms）

5.2 应用建议

1. 短期预测：TDTSFM算法更适合短期预测，建议预测周期不超过10个时间点
2. 历史数据选择：建议使用7天历史数据进行预测，可获得较好的平衡
3. 指标选择：该算法在电压预测方面表现优异，可优先应用于电压预测场景
4. 增量预测优化：针对增量预测误差较大的问题，建议开发专门的增量预测算法或优化当前算法
5. 参数组合推荐：
   • 总有功电能：7天历史数据+10行预测
   • 总有功功率：3天历史数据+5行预测
   • A相电压：3天历史数据+10行预测
   • A相电流：7天历史数据+5行预测

附录：详细测试数据

指标名称	历史天数	预测行数	数据密度	MAE	RMSE	MAPE(%)	执行时间(ms)
总有功电能	3	5	raw	2602.16	2629.22	0.1395	299.42
总有功电能	3	10	raw	852.34	930.90	0.0457	279.63
总有功电能	7	5	raw	487.32	590.06	0.0261	304.30
总有功电能	7	10	raw	569.57	704.54	0.0305	290.63
总有功电能	15	5	raw	2365.44	2463.08	0.1268	376.34
总有功电能	30	5	raw	12654.10	12722.31	0.6784	410.50
总有功功率	3	5	raw	3.03	3.76	1.65	250.75
总有功功率	3	10	raw	4.24	5.38	2.31	244.98
总有功功率	7	5	raw	11.75	11.83	6.43	269.67
总有功功率	7	10	raw	8.53	8.71	4.66	259.75
总有功功率	30	5	raw	19.94	20.00	10.90	385.23
总有功功率	30	10	raw	18.06	18.16	9.87	331.47
A相电压	3	5	raw	1.89	1.92	0.82	253.17
A相电压	3	10	raw	1.58	1.66	0.69	253.60
A相电压	7	5	raw	2.13	2.17	0.92	288.61
A相电压	7	10	raw	2.05	2.09	0.89	279.21
A相电压	30	5	raw	2.96	2.99	1.28	408.82
A相电压	30	10	raw	2.72	2.74	1.18	399.17
A相电流	3	5	raw	15.25	19.64	4.93	264.83
A相电流	3	10	raw	6.79	9.01	2.19	262.66
A相电流	7	5	raw	3.46	4.01	1.12	270.55
A相电流	7	10	raw	3.97	4.41	1.28	272.28
A相电流	30	5	raw	36.80	37.02	11.89	360.30
A相电流	30	10	raw	29.91	30.22	9.66	380.45