前言
参加夏令营,其中用 ABM 模拟
捕食者-被捕食者(Predator-Prey)模型
的神奇构造着实吸引到我。
本篇记录了 ABM 基础概念,
以及挑战赛“市场博弈和价格预测”的赛题分析。
1 学习ABM基础概念
代理(Agent):
- 系统中的基本个体,每个代理都有自己的属性和行为规则。
环境(Environment):
- 代理活动的空间或网络,可能影响代理的行为。
交互规则(Interaction Rules):
- 代理之间、代理与环境之间的相互作用规则。
时间步(Time Steps):
- 系统按离散的时间步推进,模拟出系统的动态变化过程
在ABM中实现模拟结果,只需要三个规则
- 每个智能体有初始的能量,
移动会消耗能量,进食会增加能量 - 当能量过低,智能体死亡;
当能量足够高,智能体会繁育 - 如果移动后遇到食物,则吃下它
(对于羊来说是青草,捕食者来说是羊)
2 分析、理解赛题
“市场博弈和价格预测”
赛事链接:http://competition.sais.com.cn/competitionDetail/532232/format
电力市场的市场出清价格,市场需求等信息
- Day/Time:交易时间,中国电力现货市场15分钟结算一次,一天共96个交易点
- demand:区域内电力总负荷(总需求),单位为MW
- clearing price (CNY/MWh):市场出清电价,单位为元/MW·h
- unit ID:每个机组唯一的ID
- Capacity(MW):机组的额定容量(额定功率),越高机组的发电能力越强
- utilization hour (h) :电厂的年平均运行小时数,
需要注意多个机组可能共同属于一个电厂,有相同的值 - coal consumption (g coal/KWh):每发一度电需要耗费多少煤炭,为成本参数
- power consumption rate:电厂单位时间内耗电量与发电量的百分比,
例如单位时间耗电量为500度电,发电量为10000度电,利用率就是500/10000=5%。
3 代码 baseline
在jupyter notebook运行
或者使用**魔搭ModelScope**的云上CPU环境
导库
!pip install numpy pandas scikit-learn matplotlib seaborn
import numpy as np
import pandas as pd
from pathlib import Path
from sklearn.linear_model import LinearRegression
转换数据格式
- 合并市场数据的日期和时间,
便于利用pandas高效的时间序列处理能力
(例如我们能直接用大小于号取一段时间序列) - 处理市场数据以符合最终的提交格式,保存到本地便于后续直接使用
- 设置市场数据的列顺序,并去除合并前的时间列
base_path = Path("data") # 确保数据都放在同级的data目录下
# 读取市场数据
electricity_price = pd.read_csv(base_path / "electricity price.csv")
# 读取市场主体(各发电机组)数据
unit = pd.read_csv(base_path / "unit.csv")
"""
准备示例提交数据sample_submit
1. electricity_price["clearing price (CNY/MWh)"].isna()找到出清价格为缺失值的行,即要预测的目标
2. 去除demand列,符合最后的提交格式
"""
sample_submit = electricity_price[electricity_price["clearing price (CNY/MWh)"].isna()].drop(columns="demand")
sample_submit.to_csv(base_path / "sample_submit.csv", index=False)
# 将day和time列合并成timestamp列,便于提取时间戳特征
electricity_price["timestamp"] = pd.to_datetime(
electricity_price["day"] + " " + electricity_price["time"].str.replace("24:00:00", "00:00"))
# 处理24:00:00的情况,即表示第二天的00:00:00
mask = electricity_price['timestamp'].dt.time == pd.Timestamp('00:00:00').time()
# 需要将这些行的日期部分加一天
electricity_price.loc[mask, 'timestamp'] += pd.Timedelta(days=1)
# 设置列的顺序,同时去除day和time列
electricity_price = electricity_price[["timestamp", "demand", "clearing price (CNY/MWh)"]]
electricity_price.head() # 显示前5行数据
unit.head()
使用ABM估计市场出清价格
sorted_unit = unit.sort_values("coal consumption (g coal/KWh)") # 按照一度电的耗煤量(近似为边际成本)降序排序
sorted_unit.head()
# 预先计算 sorted_unit 的累积和
sorted_unit['cumulative_capacity'] = sorted_unit['Capacity(MW)'].cumsum()
prices = []
# 找到最后一个满足总需求的机组报价
for demand in electricity_price["demand"]:
price = sorted_unit[sorted_unit['cumulative_capacity'] >= demand]["coal consumption (g coal/KWh)"].iloc[0]
prices.append(price)
print(len(prices))
prices[:5]
转换耗煤量为机组报价
model = LinearRegression()
# 55392为训练集的长度
train_length = 55392
prices = np.array(prices).reshape(-1, 1)
X = prices[:train_length]
y = electricity_price["clearing price (CNY/MWh)"].iloc[:train_length].values.reshape(-1, 1)
model.fit(X, y)
model.coef_, model.intercept_
y_pred = model.predict(prices[train_length:])
y_pred = y_pred.flatten() # 2维矩阵转为1维
y_pred[:5]
保存结果
sample_submit["clearing price (CNY/MWh)"] = y_pred
sample_submit.head()
sample_submit.to_csv("submit.csv", index=False)
Read more
- Datawhale AI 夏令营 第三期 数学建模(市场博弈和价格预测)
https://linklearner.com/activity/12/2/2