I’m using the Simulation Object in MetrixND to weather normalize historic sales. When configured, the object allows me to simulate the model replacing the X variables with a scenario. In weather normalization, the simulated X variables are the normal weather heating and cooling variables. My simulation is shown below.
When I select the “eyeglasses” and view the results, I notice a peculiar situation. I’m missing results from 2010 through 2012. I can see the missing values in the “Actual vs. Predicted” graph as shown below.
Why am I missing results from 2010 through 2012? Looking closely, I see my model is estimated from 2013 through 2015. The Simulation Object develops the simulated values using the Model Predicted values, so the Model cannot calculate a simulated value because it does not have Predicted values prior to 2013.
A simple, but incorrect, solution to the problem is to change the model estimation period to include 2010 through 2012 data. The problem with this solution is that the weather coefficients will change when these data are added. I chose to estimate the model from 2013 forward because I did not want 2010 through 2012 data to influence the weather normalization process.
The correct solution is to change the model estimation period to include the 2010 through 2012 data AND mark these data as “bad.”
To mark the data as “bad,”I create a binary variable named “Remove” with the equation “Year <= 2013” as shown below.
This variable returns a value of “1” for all dates prior to 2013 and a value of “0” for all dates beginning in 2013. Then, I insert this variable, “Remove” into the bad box in the regression form as shown below.
By marking 2010 to 2012 as bad, the model coefficients are not influenced by these data. However, the model will still calculate a predicted value which is used in the Simulation Object. The simulation object calculates the results beginning in 2010 which are seen in the “Actual vs. Predicted” graph.
With the full simulation results, I finish normalizing my historic sales.
Mark Quan est consultant principal en prévisions au sein de la division des prévisions d'Itron. Depuis qu'il a rejoint Itron en 1997, M. Quan s'est spécialisé dans les solutions de prévision énergétique à court et à long terme, ainsi que dans les projets de recherche sur la charge. Quan a développé et mis en œuvre plusieurs systèmes de prévision automatisés pour prédire la demande système du lendemain, les profils de charge et la consommation au détail pour des entreprises aux États-Unis et au Canada. Les solutions de prévision à court terme comprennent des systèmes pour le « Midwest Independent System Operator » (MISO) et le « California Independent System Operator » (CAISO). Les solutions de prévision à long terme comprennent le développement et le soutien des prévisions à long terme (ventes et clients) pour des clients tels que « Dairyland Power » et « Omaha Public Power District ». Ces prévisions comprennent des informations sur l'utilisation finale et les impacts de la gestion de la demande dans un cadre économétrique. Enfin, Quan a participé à la mise en œuvre de systèmes de recherche de charge, notamment chez Snohomish PUD. Avant de rejoindre Itron, Quan a travaillé dans les secteurs du gaz, de l'électricité et de l'entreprise chez Pacific Gas and Electric Company (PG&E), où il a participé à la restructuration du secteur, à la planification de l'électricité et à la planification du gaz naturel. M. Quan est titulaire d'un master en recherche opérationnelle de l'université de Stanford et d'une licence en mathématiques appliquées de l'université de Californie à Los Angeles.
