2024华数杯B题-光伏发电

2024华数杯B题-光伏发电（思路+代码，持续更新）

问题重述

中国电力的构成包括传统能源发电（如煤炭、石油和天然气）、可 再生能源发电（如水电、风能、太阳能和核能）以及其他形式的电 力。这些发电模式在满足中国巨大的电力需求方面发挥着至关重要 的作用。最新数据显示，中国总发电量超过2。万亿千瓦时，总体位， 居世界第一。电能行业与经济状况、居民消费水平、城市化率和市， 场化程度等因素密切相关。 电能是经济发展和社会进步的基础,在工农业生产、商业服务和家庭 生活中发挥着关键作用。随着中国经济的增长和人民生活水平的不断 提高，对电能的需求增加。然而，为了实现中国政府的碳达峰和碳中 和目标，中国需要改变电力结构。在满足电能需求的前提下，需要逐 步减少对传统能源发电的依赖，提高可再生能源发电的比例。这需要 加主可再生能源的开发和利用，提高能源效率，促进清洁能源技术的 创新和应用。

光伏发电是一种重要的可再生能源。太阳能转化为电能可以减少对 传统能源的依赖，具有显著的环保和可持续发展优势。从全球来看 ,光伏发电发展迅速。目前，许多国家正在将光伏发电作为推动清 洁能源过渡的重要手段。这些国家在政策支持、技术创新、市场开 发等方面加大了对光伏发电的投资和支持力度，光伏发电能力不断［ 提升。在中国，光伏发电也取得了显著进展。中国拥有世界上最大 的光伏市场和光伏电站。中国有大量的非耕地资源，例如 沙漠和盐碱地，可以用来建设光伏电站。

然而，光伏发电仍存在一些不足。首先，光伏发电效率仍有提升空间 ,不同地区、不同季节、不同白天时段的发电能力也不尽相同。其次 ,光伏发电的发展也面临一些技术挑战，如光伏组件的成本、稳定性 和可靠性需要进一步提高。此外，还需要考虑光伏发电的可持续性， 包括光伏电池的回收和再利用等环境问题，以及组件维护问题。而且 ,推动光伏发电发展，需要将其纳入国民经济总体战略，实现循序渐 进的发展。这包括加强政策支持，提供投融资机制，加强技术研发和 创新，建立健全市场机制和管理制度。同时，还需要加强光伏发电与 电网的协调，提高发电的可预测性和可调度性，确保光伏发电稳定供 应。 光伏电池的转换效率因技术和材料的不同而不同。光伏电池的转换效 率是指太阳能转换为电能的能力，通常用百分比表示。目前，最先进 的商用光伏电池可以实现25%以上的转换效率。此外，光伏发电还面 临着其他清洁能源的竞争，如潮汐发电和风力发电。国内电力需求、 电力生产效率、出口市场以及光伏产品的技术进步等因素可能会对中 国光伏发电行业产生影响。

问题一、2024华数杯国际赛B题问题1：中国的电力供应与多种因素相互影响。请研究它们之间的关系，并 预测2024年至2060年中国电力供应的发展趋势。

1、选取合适的指标使用相关性分析建立多指标与电力供应的关系

2、利用时间序列分析和 预测模型 （如ARIMA模型、神经网络）来预测未来电力供应和需求。

基于统计分析的方法来进行预测。这种方法通常使用时间序列分析技术，如ARIMA模型（自回归移动平均模型）或GARCH模型（广义自回归条件异方差模型），来分析历史数据的模式和趋势，并进行未来需求的预测。

在选择合适的电力需求增长模型时，需要考虑以下因素：

• 数据可用性和质量：模型的准确性和可靠性取决于可用的历史数据和数据质量。
• 预测时间范围：不同的模型对未来预测的时间范围有不同的适用性。
• 预测精度要求：根据预测的应用场景和要求，选择适当的模型来满足精度要求。
• 模型复杂度和计算复杂度：不同的模型具有不同的复杂度和计算成本，需要根据具体情况进行权衡和选择。

相关性分析

file_path = '年度数据.xls'
# 重新载入数据，进行初步的数据查看
data = pd.read_excel(file_path)
print(data.head())


# 跳过不必要的行并直接设置表头
data_cleaned_direct = pd.read_excel(file_path, header=2).T
new_header = data_cleaned_direct.iloc[0]  # 获取第一行作为表头
data_cleaned_direct = data_cleaned_direct[1:]  # 去除表头行的数据
data_cleaned_direct.columns = new_header  # 将表头行设置为数据框的表头

# 显示清洗后的数据
print(data_cleaned_direct.head())


print(data_cleaned_direct.columns.tolist())

relevant_columns_updated = ['居民人均可支配收入(元)', '就业人员(万人)', '水电生产电力量(亿千瓦小时)', '火电生产电力量(亿千瓦小时)',
                            '风电生产电力量(亿千瓦小时)', '核电生产电力量(亿千瓦小时)', '电力可供量(亿千瓦小时)']
selected_data_updated = data_cleaned_direct[relevant_columns_updated]


selected_data_updated = selected_data_updated.apply(pd.to_numeric, errors='coerce')


print(selected_data_updated.head())


import seaborn as sns
import matplotlib.pyplot as plt
# 相关性分析

correlation_matrix = selected_data_updated.corr()

translated_columns = {
    '居民人均可支配收入(元)': 'Per Capita Disposable Income',
    '就业人员(万人)': 'Employment Numbers',
    '水电生产电力量(亿千瓦小时)': 'Hydropower Production',
    '火电生产电力量(亿千瓦小时)': 'Thermal Power Production',
    '风电生产电力量(亿千瓦小时)': 'Wind Power Production',
    '核电生产电力量(亿千瓦小时)': 'Nuclear Power Production',
    '电力可供量(亿千瓦小时)': 'Electricity Supply'
}
selected_data_translated = selected_data_updated.rename(columns=translated_columns)


correlation_matrix_translated = selected_data_translated.corr()

plt.figure(figsize=(20, 15))
ax = sns.heatmap(correlation_matrix_translated, annot=True, cmap='YlOrRd', fmt='.2f')
ax.set_xticklabels(labels=ax.get_xticklabels(), rotation=30, ha="right")
plt.title('Correlation Matrix of Selected Variables (English)')

# 保存图片
plt.savefig('heatmap.png')

plt.show()

使用ARIMA模型进行预测

# 使用ARIMA模型进行预测

#%%

from statsmodels.tsa.arima.model import ARIMA
# 重新定义y_to_forecast变量
y_to_forecast = selected_data_filled['Electricity Supply']

# 再次进行ADF检验，检查时间序列的平稳性
adfuller_test = sm.tsa.adfuller(y_to_forecast)
adf_statistic, p_value = adfuller_test[0], adfuller_test[1]
p=2
q=3
# 确定差分次数d
d = 0 if p_value < 0.05 else 1

# 显示ADF检验结果
print(f"adf_statistic, p_value, d = {adf_statistic}, {d}, {d}", )
# 创建并拟合ARIMA模型
arima_model = ARIMA(y_to_forecast, order=(p, d, q))
arima_result_long_term = arima_model.fit()

# 进行预测并绘制曲线
forecast_steps = 10  # 设置预测步数为10
forecast_long_term = arima_result_long_term.get_forecast(steps=forecast_steps)
forecast_long_term_values = forecast_long_term.predicted_mean


#%%

# 降低滞后数以适应样本大小
lags = min(20, len(y_to_forecast.diff(d).dropna()) // 2 - 1)

# 重新绘制自相关图和偏自相关图
fig, ax = plt.subplots(1, 2, figsize=(16, 4))
sm.graphics.tsa.plot_acf(y_to_forecast.diff(d).dropna(), lags=lags, ax=ax[0])
sm.graphics.tsa.plot_pacf(y_to_forecast.diff(d).dropna(), lags=lags, ax=ax[1])
# 保存图片
plt.savefig('自相关图.png')
plt.show()

问题2：建设光伏电站时需要考虑很多因素。这需要考虑成本和收益，以及地理和光照条件。请选择一个地区并 讨论在那里建立光伏发电厂的可行性。

考虑到地形、气候、日照条件和土地使用限制。
利用 成本效益分析 （CBA）和 投资回报率 （ROI）计算来评估经济可行性。

• 日照条件：青海省是中国的光伏发电重要区域之一，该地区具有丰富的日照资源。高原地区的空气透明度较高，阳光辐射强度较大，有助于提高光伏发电的效率。
• 地理条件：青海省地势较高，拥有大量的适宜建设光伏电站的平坦地区，尤其是在某些沙漠和盐碱地带，这些非耕地资源可用于建设光伏电站，避免了土地争夺和环境破坏的问题。
• 气候条件： 青海省气候寒冷，但阳光充足。光伏电站在寒冷气候中的性能也可以通过合适的技术和设计进行优化，例如使用耐寒型太阳能电池板。
• 政府政策支持：中国政府一直在支持可再生能源的发展，包括对光伏发电的政策支持。青海省可能受益于国家和地方政府的鼓励政策，如补贴、税收优惠等。
• 土地可用性：由于青海省拥有大量的非耕地资源，建设光伏电站不仅能够有效利用这些土地，还可以减少对农业用地的竞争。
• 成本和收益：青海省光照条件良好，可以提高光伏发电的效益。成本方面，随着光伏技术的进步和规模化生产，光伏电站的建设和运维成本逐渐下降。

问题3： 如果要在中国建设多个光伏电站，结合中国的地理资源和投资能力、成本和收益等因素，中国光伏发电的最大潜力是什么。换句话说，最大光伏发电量是多少？

问题4：为了实现中国政府到2060年实现碳达峰和碳中和的战略目标，用 清洁能源取代燃煤发电是一个美妙的想法。这个想法能实现吗？请 研究中国光伏发电可持续发展战略规划，回答这个备受期待的问题

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

# 生成模拟数据
np.random.seed(3)
num_samples = 1000
power_demand = np.random.rand(num_samples) * 100
renewable_energy_ratio = np.random.rand(num_samples) * 0.5
photovoltaic_generation = np.random.rand(num_samples) * 30
error = np.random.randn(num_samples) * 10

# 生成电力供应的模拟数据
power_supply = power_demand * (1 - renewable_energy_ratio) + photovoltaic_generation + error

# 构建DataFrame
data = pd.DataFrame({
    '电力需求': power_demand,
    '可再生能源比例': renewable_energy_ratio,
    '光伏发电量': photovoltaic_generation,
    '电力供应': power_supply
})

# 使用线性回归模型
model = LinearRegression()
X = data[['电力需求', '可再生能源比例', '光伏发电量']]
y = data['电力供应']
model.fit(X, y)

# 输出模型参数
print('相关系数:', model.coef_)
print('截距:', model.intercept_)