python多因素电力预测——基于LSTM神经网络

一个很简易的多因素预测电力模型，所用数据量很少，所以效果不是很好，如果数据量大，可能最后的模型精度和效果会不错，看看就行了，写的很乱（数据来源于泰迪杯最先公布的数据）。

# -*- coding: utf-8 -*-
# @Time : 2022/3/26 15:13
# @Author : 中意灬
# @FileName: 多变量.py
# @Software: PyCharm
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import MinMaxScaler
from sklearn.metrics import r2_score
import tensorflow as tf
from tensorflow.python.keras import Sequential, layers, utils, losses
from tensorflow.python.keras.callbacks import ModelCheckpoint, TensorBoard
import warnings
def create_dataset(X, y, seq_len):
    features = []
    targets = []

    for i in range(0, len(X) - seq_len, 1):
        data = X.iloc[i:i + seq_len]  # 序列数据
        label = y.iloc[i + seq_len]  # 标签数据
        # 保存到features和labels
        features.append(data)
        targets.append(label)

    # 返回
    return np.array(features), np.array(targets)
# 3 构造批数据
def create_batch_dataset(X, y, train=True, buffer_size=1000, batch_size=128):
    batch_data = tf.data.Dataset.from_tensor_slices((tf.constant(X), tf.constant(y))) # 数据封装，tensor类型
    if train: # 训练集
        return batch_data.cache().shuffle(buffer_size).batch(batch_size)
    else: # 测试集
        return batch_data.batch(batch_size)

if __name__ == '__main__':
#绘制相关系数矩阵图
    plt.rcParams['font.sans-serif'] = ['SimHei']  # 显示中文标签
    plt.rcParams['axes.unicode_minus'] = False

    df = pd.read_csv("C:/Users/97859/Documents/WPS Cloud Files/319911131/附件3-气象数据1.csv", encoding="GBK")

    df.drop(columns='日期', axis=1, inplace=True)  # 删除时间那一列
    corrmat = df.astype(float).corr()  # 计算相关系数
    top_corr_features = corrmat.index
    plt.figure()
    g = sns.heatmap(df[top_corr_features].astype(float).corr(), annot=True, cmap="RdYlGn")  # 绘图
    plt.xticks(rotation=15)
    plt.show()
    plt.rcParams['font.sans-serif'] = ['SimHei']
    warnings.filterwarnings('ignore')
    data=pd.read_csv('附件3-气象数据1.csv',encoding='GBK',parse_dates=['日期'], index_col=['日期'])
    print(data[data.isnull()==True].sum())#看看有无缺失值
    '''归一化处理'''
    scaler=MinMaxScaler()
    data['最大值'] = scaler.fit_transform(data['最大值'].values.reshape(-1,1))
    data['最小值']=scaler.fit_transform(data['最小值'].values.reshape(-1,1))
    plt.figure()
    plt.plot(data[['最大值','最小值']])
    plt.show()
    '''特征工程'''
    X = data.drop(columns=['最大值','最小值'], axis=1)
    y =data[['最大值','最小值']]
    X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, shuffle=False, random_state=666)#shuffle=false表示不打乱顺序,random_state=666表示输出的值不改变
    # ① 构造训练特征数据集
    train_dataset, train_labels = create_dataset(X_train, y_train, seq_len=2)
    # print(train_dataset)
    # ② 构造测试特征数据集
    test_dataset, test_labels = create_dataset(X_test, y_test, seq_len=2)
    # print(test_dataset)
    # 训练批数据,未来训练快一点
    train_batch_dataset = create_batch_dataset(train_dataset, train_labels)
    # 测试批数据
    test_batch_dataset = create_batch_dataset(test_dataset, test_labels, train=False)
    # 模型搭建--版本1
    model = Sequential([
        layers.LSTM(units=256, input_shape=(2,6), return_sequences=True),
        layers.Dropout(0.4),
        layers.LSTM(units=256, return_sequences=True),
        layers.Dropout(0.3),
        layers.LSTM(units=128, return_sequences=True),
        layers.LSTM(units=32),
        layers.Dense(2)
    ])
    # 模型编译
    model.compile(optimizer='adam',loss='mse')
    # 保存模型权重文件和训练日志,保持最优的那个模型
    checkpoint_file = "best_model.hdf5"
    checkpoint_callback = ModelCheckpoint(filepath=checkpoint_file,
                                          monitor='loss',
                                          mode='min',
                                          save_best_only=True,
                                          save_weights_only=True)
    # 模型训练
    history = model.fit(train_batch_dataset,
                        epochs=100,
                        validation_data=test_batch_dataset,
                        callbacks=[checkpoint_callback])

    plt.figure()
    plt.plot(history.history['loss'], label='train loss')
    plt.plot(history.history['val_loss'], label='val loss')
    plt.legend(loc='best')
    plt.show()
    '''模型预测'''
    test_preds = model.predict(test_dataset, verbose=1)
    plt.figure()
    plt.plot(y_test, label='True')
    plt.plot(test_preds, label='pred')
    plt.show()
    # 计算r2值，数据太少可能计算不出来
    score = r2_score(test_labels, test_preds)
    print("r^2 值为： ", score)
    y_true = y_test[:100]  # 真实值
    y_pred = test_preds[:100]  # 预测值

    fig, axes = plt.subplots(2, 1)
    axes[0].plot(y_true, marker='o', color='red')
    axes[1].plot(y_pred, marker='*', color='blue')
    plt.show()
#数据太少，可能计算不出来
# relative_error = 0
# '''模型精确度计算'''
# for i in range(len(y_pred)):
#     relative_error += (abs(y_pred[i] - y_true[i]) / y_true[i]) ** 2
# acc = 1 - np.sqrt(relative_error / len(y_pred))
# print(f'模型的测试准确率为：', acc)

运行结果：

相关性系数矩阵分析（数据是类型变量）

 归一化后每天的最大最小值图像

 缺失值的查看

多因素损失值变化

 训练集中的预测值与实际值可视化

 

 计算的r^2和模型精度由于数据量太少，未能计算出来