一、问题背景

短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。

已知地区1、地区2从2009年1月1日至2015年1月10日的电力负荷数据（每15min一个采样点，每日96点，量纲为MW）以及2012年1月1日至2015年1月17日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量），详见数据集（电力系统短期负荷预测数据集-深度学习文档类资源-CSDN下载）。

二、数据集介绍

2.1 提取Area1用电负荷

# -*- coding: utf-8 -*-
"""
Created on Tue Jun 29 13:53:43 2021
@author: zhuchunqiang
"""import pandas as pd
import matplotlib.pyplot as pltdata = pd.read_excel('\\area1_load.xlsx')
df  = pd.DataFrame(data)df2014 = df[df['YMD']>=20140101]
df2014_A1 = df2014[df2014['YMD']<=20141231]
df2014_A1.to_csv('\\df2014_A1.csv',index=False)
df2014_A1 = pd.DataFrame(pd.read_csv('\\df2014_A1.csv'))
df2014_A1 = df2014_A1.set_index('YMD')
df2014_A1['mean']=df2014_A1.mean(axis=1)
df2014_A1['min'] = df2014_A1.min(axis=1)
df2014_A1['max'] = df2014_A1.max(axis=1)
df2014_A1['峰谷差'] = df2014_A1['max']-df2014_A1['min']
df2014_A1['负荷率'] = df2014_A1['mean']/df2014_A1['max']
df2014_A1_All = df2014_A1
df2014_A1_All.to_csv('\\df2014_A1_All.csv')
df2014_A1.head()

2.2 读入2014年Area1指定列负荷数据

import pandas as pd
df2014 = pd.read_csv("\\df2014_A1_All.csv")
#获取指定列值>>x = df2014.iloc[:,:5]#获取前五列值YMD        T0000        T0015        T0030    T0045
0 20140101 4454.578720 4347.689248 4234.124224 4145.332192
1 20140102 3058.079200 3002.469280 2923.398880 2834.803264
2 20140103 5167.669408 5031.438400 4955.894656 4898.783104
... ... ... ... ... ...
363 20141230 5389.319680 5276.143744 5173.621984 5124.495136
364 20141231 5165.776096 5059.385344 4948.549888 4901.259040365 rows × 5 columns

2.3 探查Area1用电负荷数据分布

df2014_A1[['max','min','峰谷差','负荷率']].describe()max          min          峰谷差         负荷率
count    365.000000   365.000000   365.000000  365.000000
mean    9222.651566  5140.926790  4081.724776    0.789592
std     2074.834339  1231.064487  1122.151813    0.026565
min     2242.059328  1351.870624   730.331904    0.717046
25%     8400.347488  4505.642464  3788.625504    0.775751
50%     9155.295616  5055.459520  4262.997216    0.785790
75%    11019.115936  6136.384384  4852.698816    0.799135
max    12296.850592  7516.443424  7018.119840    0.890535

备注：地区Area2数据提取方法同上2.1-2.3。

2.4 两地2014年负荷数据可视化

2.4.1 全年负荷率可视化

test_A1   = df2014_A1['负荷率']
#test_A2   = df2014_A2['负荷率']plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
#plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area1 Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 1 地区一2014年日负荷曲线图

图 2 地区二2014年日负荷曲线图

2.4.2 日最大负荷可视化

test_A1   = df2014_A1['max']
test_A2   = df2014_A2['max']plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:MAX', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 3 两地2014年最大负荷持续曲线图

2.4.3 日最低负荷可视化

test_A1   = df2014_A1['负荷率']
test_A2   = df2014_A2['负荷率']plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:MIN', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 4 两地2014年最低负荷持续曲线图

2.4.4 日平均负荷可视化

test_A1   = df2014_A1['mean']
test_A2   = df2014_A2['mean']plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:mean', fontsize=14)
plt.title('predict-----blue,real-----green', fontsize=10)
plt.show()

图 5 两地2014年平均负荷持续曲线图

[负荷预测]基于人工神经网络的短期电力负荷预测（1）相关推荐

[负荷预测]基于线性回归模型的中长期电力负荷预测
目录一.中长期电力负荷预测二.国家电网电力数据集三. Matlab编程实现 3.1 程序代码 3.2 多元线性回归模型 3.3 对2020年数据预测一.中长期电力负荷预测电力负荷预测是电力 ...
基于改进粒子群IPSO与LSTM的短期电力负荷预测
短期电力负荷预测是电力系统安全调度.经济运行的重要依据 , 随着电力系统的市场化 , 负荷预测的精度直接影响到电力系统运行的可靠性.经济性和供电质量.LSTM 为短期电力负荷预测提供了一个新的研究方向 ...
基于注意力机制的 CNN-BiGRU 短期电力负荷预测方法
提出了一种基于 Attention 机制的CNN-BiGRU(卷积神经网络+双向GRU+注意力机制)短期电力负荷预测方法,该方法将历史负荷数据作为输入,搭建由一维卷积层和池化层等组成的 CNN 架构 ...
【电力预测】基于matlab GUI灰色模型电力负荷预测【含Matlab源码 769期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源: [电力负荷预测]基于matlab GUI灰色模型电力负荷预测[含Matlab源码 769期] 获取代码方式2: 通过订阅紫极神光博客付费专 ...
基于小波Elman神经网络的短期风电功率预测
风力发电在全球范围内快速发展,装机容量逐年增加,截止2013 年底,中国风电新增装机容量约 16.1GW,较 2012 年的 12.96GW 大幅提高了 24%,中国风电累计装机已超过 90GW. 风 ...
【Matlab电力负荷预测】粒子群优化支持向量机短期电力负荷预测【含GUI源码 751期】
一.代码运行视频(哔哩哔哩) [Matlab电力负荷预测]粒子群优化支持向量机短期电力负荷预测[含GUI源码 751期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 ...
干旱预测方法总结及基于人工神经网络的干旱预测案例分析（MATLAB全代码）
本案例采用SPEI干旱指数,构建ANN和BP神经网络预测模型,并开展1~3个月预见期的干旱预测,对比分析干旱预测模型的适用性,为流域干旱预警和管理提供技术依据. 干旱预测 1 干旱预测方法 1.1 统 ...
MATLAB基于BP神经网络的光伏发电太阳辐照度预测（源码链接在文末）
光伏发电功率主要受太阳辐照度影响,所以准确预测太阳辐照度对光伏功率预测十分重要.程序采用小波分解先对辐照度数据进行分解,然后再用bp神经网络对分解的辐照度数据分别预测,再组合作为最后的预测结果. 人工 ...
径向基函数神经网络_基于RBF神经网络的网络安全态势感知预测研究
点击上方"网络空间安全学术期刊"关注我们基于RBF神经网络的网络安全态势感知预测研究钱建, 李思宇摘要针对网络安全态势的感知问题,结合巨龙山和者磨山风电场的运行情况,文章 ...

[负荷预测]基于人工神经网络的短期电力负荷预测（1）