【数据挖掘torch】 基于LSTM电力系统负荷预测分析（Python代码实现）

最新推荐文章于 2024-05-27 12:05:23 发布
最新推荐文章于 2024-05-27 12:05:23 发布
阅读量227 收藏 2
点赞数
文章标签： 数据挖掘 lstm python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_66436111/article/details/131776250
版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 地区负荷的中短期预测分析

1.2 行业负荷的中期预测分析

📚2 运行结果

🎉3 参考文献

🌈4 Python代码实现

💥1 概述

电力系统负荷（电力需求量，即有功功率）预测是指充分考虑历史的系统负荷、经济 状况、气象条件和社会事件等因素的影响，对未来一段时间的系统负荷做出预测。负荷预测是电力系统规划与调度的一项重要内容。短期（两周以内）预测是电网内部机组启停、调度和运营计划制定的基础；中期（未来数月）预测可为保障企业生产和社会生活用电，合理安排电网的运营与检修决策提供支持；长期（未来数年）预测可为电网改造、扩建等计划的制定提供参考，以提高电力系统的经济效益和社会效益。复杂多变的气象条件和社会事件等不确定因素都会对电力系统负荷造成一定的影响，使得传统负荷预测模型的应用存在一定的局限性。同时，随着电力系统负荷结构的多元化，也使得模型应用的效果有所降低，因此电力系统负荷预测问题亟待进一步研究。

1.1 地区负荷的中短期预测分析

根据附件中提供的某地区电网间隔 15 分钟的负荷数据，建立中短期负荷预测模型：

（1）给出该地区电网未来 10 天间隔 15 分钟的负荷预测结果，并分析其预测精度；

（2）给出该地区电网未来 3 个月日负荷的最大值和最小值预测结果，以及相应达到负荷最大值和最小值的时间，并分析其预测精度。

1.2 行业负荷的中期预测分析

对不同行业的用电负荷进行中期预测分析，能够为电网运营与调度决策提供重要依据。特别是在新冠疫情、国家“双碳”目标等背景下，通过对大工业、非普工业、普通工业和商业等行业的用电负荷进行预测，有助于掌握各行业的生产和经营状况、复工复产和后续发展走势，进而指导和辅助行业的发展决策。请根据附件中提供的各行业每天用电负荷相关数据，建立数学模型研究下面问题：

（1）挖掘分析各行业用电负荷突变的时间、量级和可能的原因。

（2）给出该地区各行业未来 3 个月日负荷最大值和最小值的预测结果，并对其预测精度做出分析。

（3）根据各行业的实际情况，研究国家“双碳”目标对各行业未来用电负荷可能产生

的影响，并对相关行业提出有针对性的建议。

📚2 运行结果

 

 

部分代码：

model = model.eval() # 转换成测试模式
# data_X = data_X.reshape(-1, 1, 2)
# data_X = torch.from_numpy(data_X)
var_test_x = Variable(test_x). cpu()
pred_test_y = model(var_test_x) # 测试集的预测结果
# 改变输出的格式
# pred_test = pred_test.view(-1).data.numpy()
pred_test_Y = pred_test_y.view(-1).data.cpu().numpy().reshape(-1,480,1)

# 取最后一段5天预测的结果和实际对比，画出测试集中实际结果和预测的结果
pred_last_test_Y=pred_test_Y[-1]
last_test_Y=test_Y[-1]

plt.plot(pred_last_test_Y, 'r', label='prediction')
plt.plot(last_test_Y, 'b', label='real')
plt.legend(loc='best')
plt.show()

# 分析一下误差
# 均方误差
MSE = np.linalg.norm(last_test_Y-pred_last_test_Y, ord=2)**2/len(last_test_Y)
# 平均绝对误差
MAE = np.linalg.norm(last_test_Y-pred_last_test_Y, ord=1)/len(last_test_Y)
# 平均绝对百分比误差
MAPE = np.mean(np.abs((last_test_Y-pred_last_test_Y) / last_test_Y)) * 100
# 模型的准确率

🎉3 参考文献

部分理论来源于网络，如有侵权请联系删除。

[1]杨扬,李炜.基于LSTM的油田电力负荷预测研究[J].电子设计工程,2023,31(12):109-114.DOI:10.14022/j.issn1674-6236.2023.12.023.

[2]吴岳鹏.基于LSTM模型的电力负荷预测[J].自动化应用,2023,64(10):76-78.

[3]何宏宇,龚泽玮,李诗颖等.基于AM-LSTM模型的电力系统短期负荷预测[J].自动化与仪器仪表,2023(02):61-65.DOI:10.14016/j.cnki.1001-9227.2023.02.061.

🌈4 Python代码实现

wlz249
关注
  • 0
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
【PSO-LSTM】基于PSO优化LSTM网络的电力负荷预测（Python代码实现）
weixin_46039719的博客
05-02 620
随着社会的高速发展，精准的短期电力负荷预测越来越重要。短期电力负荷的准确预测不仅对电网规划和电力系统安全经济运行有不可替代的作用，而且对减少发电成本、提高用电质量和市场规划等方面也有重要作用。短期电力负荷预测是指对未来几小时或几天的负荷进行预测。电力负荷的变化规律因受到气象、节假日等多种因素的影响，导致负荷的随机性和波动性较大，并且需要输入的模型参数较多，使用传统的预测方法难以胜任。1.1 LSTM神经网络算法LSTM 作为 RNN 的一种特殊形式，为了解决RNN 梯度爆炸的问题[11]
Python电力负荷：ARIMA、LSTM神经网络时间序列预测分析
拓端研究室TRL
04-04 694
全文链接：http://tecdat.cn/?p=32059分析师：Eileen电力系统源源不断向各用户提供持续稳定的电能，本文通过对数据的提取，帮助客户分别对不同客户端日，月，年的用电负荷情况进行分析，并通过模型对单户负荷情况进行预测（点击文末“阅读原文”获取完整数据）。相关视频解决方案任务/目标本课题的数据分析对象是电力在2011-2014年的370个客户端的耗电数据，根据预测负荷可以安排发电...
基于深度学习Python LSTM的多特征电力负荷预测
最新发布
2301_79809972的博客
05-27 976
一、项目背景与意义电力负荷预测是电力系统规划和运行的关键环节，对于电网调度、电力供给、电力资源配置等具有重要意义。随着能源管理和优化的需求日益增长，准确预测电力负荷成为了一个迫切的需求。近年来，深度学习技术的快速发展为电力负荷预测提供了新的解决方案。本项目旨在利用Python编程语言和长短期记忆网络（LSTM）深度学习模型，通过整合多种特征对电力负荷进行精准预测。二、项目目标。
基于LSTM神经网络的电力负荷预测（Python代码实现）
weixin_46039719的博客
01-07 1491
LSTM网络的单结构如图1所示。前馈神经网络的输出只依赖当前输入，但是在文本、视频、语音等时序数据中，时序数据长度并不固定，前馈神经网络的输入输出维数不能任意更改，因此难以适应这类型时序数据的处理。短期电力负荷预测的输入与输出均为时间序列，其本质仍是基于先前元素的序列预测问题，为此需要采用与前馈神经网络不同的方法，进行短期电力负荷预测。LSTM网络通过门控结构，有效避免了时间增加所导致的梯度消失的问题，且由于采用了三个输入值与两个输入值的当前时刻记忆单元，因此模型也具有更好的泛化能力。
基于LSTM、BP神经网络实现电力系统负荷预测（Python代码实现）
m0_64583023的博客
12-31 1147
前馈神经网络的输出只依赖当前输入，但是在文本、视频、语音等时序数据中，时序数据长度并不固定，前馈神经网络的输入输出维数不能任意更改，因此难以适应这类型时序数据的处理。短期电力负荷预测的输入与输出均为时间序列，其本质仍是基于先前元素的序列预测问题，为此需要采用与前馈神经网络不同的方法，进行短期电力负荷预测。循环神经网络具有记忆功能，可提升网络性能。与前馈神经网络相比，循环神经网络具备可同时接受自身信息与其他神经元信息的神经元，更贴合生物神经网络结构，在文本等序列数据分析中有广泛应用。
Python深度数据挖掘之电力系统负荷预测
weixin_43178406的博客
10-27 7786
本案例将根据已收集到的电力数据，深度挖掘各电力设备的电流、电压和功率等情况，分析各电力设备的实际用电量，进而为电力公司制定电能能源策略提供一定的参考依据。更多详细内容请参考《Python数据挖掘：入门进阶与实用案例分析》一书。
（python源码）（基于torch框架）基于LSTM的时间序列预测算法实现
05-15
基于LSTM（Long Short-Term Memory）的时间序列预测算法是一种在深度学习中广泛应用的算法，特别适用于处理和预测具有长期依赖性的时间序列数据。LSTM是一种特殊的循环神经网络（RNN），通过引入门控机制来解决传统...
基于torch实现cnn+lstm+attention 模型时间序列预测 代码模板 通用
04-17
基于torch实现cnn+lstm+attention 模型时间序列预测代码模板 通用
Python基于深度学习torch框架实现的小时天气预测项目源码+数据集
04-12
基于CNN_A_LSTM的小时天气预测 文件 用途 code目录 代码 Houston.csv 数据集 util.py 工具类 基于深度学习的小时天气预测(温度单步预测) 基于torch框架完成 模型 参数 RNN 神经元个数=32 步长=24 LSTM 神经...
基于pytorch从头实现了单向，多层，双向LSTM，给出了完整使用代码,并与torch自带的LSTM进行了对比实验
02-24
标题和描述中提到的内容是关于使用Python的PyTorch库实现长短时记忆网络（LSTM）的教程。PyTorch是一种广泛使用的深度学习框架，以其灵活性和易用性著称。LSTM是递归神经网络（RNN）的一种变体，特别适合处理序列...
一道电力负荷预测竞赛题+程序代码.rar
01-29
在网上找的一道电力负荷预测竞赛题和一些该竞赛题的程序代码。
人工智能-项目实践-电力负荷-基于LSTM的电力负荷预测
05-04
人工智能-项目实践-电力负荷-基于LSTM的电力负荷预测 基于LSTM的电力负荷预测 预测的MAPE为2.3%，
Python实现基于LSTM+Django的空气质量监测及预测系统源码（毕业设计）.zip
04-16
可以使用Python中的深度学习框架，如TensorFlow或PyTorch，来实现LSTM模型的训练和预测。 Django框架搭建：使用Django框架搭建一个Web应用程序，用于展示空气质量监测和预测的结果。可以使用Django的模型-视图-控制...
时序预测 | Python实现LSTM长短期记忆网络时间序列预测(电力负荷预测)
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
08-12 1418
时序预测 | Python实现LSTM长短期记忆网络时间序列预测(电力负荷预测)
生成基于栅格地图BiLSTM算法的路径规划的python代码
05-12
以下是一个简单的基于栅格地图BiLSTM算法的路径规划Python代码，供您参考： ```python import numpy as np import torch import torch.nn as nn import torch.optim as optim # 定义BiLSTM模型 class BiLSTM(nn.Module): def __init__(self, input_size, hidden_size, output_size): super(BiLSTM, self).__init__() self.hidden_size = hidden_size self.lstm = nn.LSTM(input_size, hidden_size, bidirectional=True) self.out = nn.Linear(hidden_size * 2, output_size) def forward(self, input): output, (hidden, cell) = self.lstm(input) output = self.out(output.view(len(input), -1)) return output # 定义路径规划类 class PathPlanner(): def __init__(self, input_size, hidden_size, output_size, lr): self.bilstm = BiLSTM(input_size, hidden_size, output_size) self.optimizer = optim.Adam(self.bilstm.parameters(), lr=lr) self.criterion = nn.CrossEntropyLoss() def train(self, input, target): self.bilstm.zero_grad() output = self.bilstm(input) loss = self.criterion(output, target) loss.backward() self.optimizer.step() return loss.item() def predict(self, input): output = self.bilstm(input) return torch.argmax(output, dim=1) # 定义数据准备函数 def prepare_data(data): input = torch.from_numpy(data[:, :-1]).float() target = torch.from_numpy(data[:, -1]).long() return input, target # 定义训练函数 def train(planner, data, epochs, batch_size): for epoch in range(epochs): loss_sum = 0 for i in range(0, len(data), batch_size): input, target = prepare_data(data[i:i+batch_size]) loss = planner.train(input, target) loss_sum += loss print("Epoch {}: Loss = {:.5f}".format(epoch+1, loss_sum)) # 测试代码 if __name__ == '__main__': # 假设有一个20*20的栅格地图，其中1表示障碍物，0表示通路 grid_map = np.zeros((20, 20)) grid_map[5:15, 5:15] = 1 # 假设起点为(1, 1)，终点为(18, 18) start, end = (1, 1), (18, 18) # 生成训练数据 data = [] for i in range(20): for j in range(20): if grid_map[i][j] == 0: input_data = np.zeros((20, 20)) input_data[start[0]][start[1]] = 1 input_data[end[0]][end[1]] = 2 input_data[i][j] = 3 target_data = np.array([i*20+j]) data.append(np.concatenate((input_data.flatten(), target_data))) data = np.array(data) # 定义路径规划器 planner = PathPlanner(input_size=400, hidden_size=64, output_size=400, lr=0.001) # 训练路径规划器 train(planner, data, epochs=100, batch_size=32) # 测试路径规划器 input_data = np.zeros((20, 20)) input_data[start[0]][start[1]] = 1 input_data[end[0]][end[1]] = 2 input_data[5][5] = 3 input_data = torch.from_numpy(input_data.flatten()).float() output_data = planner.predict(input_data) print("Predicted path: {}".format((output_data//20, output_data%20))) ``` 该代码实现了一个简单的栅格地图路径规划器，使用BiLSTM模型进行训练和预测。在训练过程中，将每个栅格作为一个输入，将栅格的行列值作为输出，使用交叉熵损失函数进行优化。在测试过程中，将起点、终点和一个障碍物的位置作为输入，输出预测的路径。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值