全文鏈接：http://tecdat.cn/?p=32059

原文出處：拓端數(shù)據(jù)部落公眾號

分析師：Eileen

電力系統(tǒng)源源不斷向各用戶提供持續(xù)穩(wěn)定的電能，本文通過對數(shù)據(jù)的提取，幫助客戶分別對不同客戶端日，月，年的用電負(fù)荷情況進(jìn)行分析，并通過模型對單戶負(fù)荷情況進(jìn)行預(yù)測。

解決方案

任務(wù)/目標(biāo)

本課題的數(shù)據(jù)分析對象是電力在2011-2014年的370個客戶端的耗電數(shù)據(jù)，根據(jù)預(yù)測負(fù)荷可以安排發(fā)電廠發(fā)電機(jī)組的啟停，降低儲備容量的浪費(fèi)，節(jié)約成本。

?

數(shù)據(jù)源準(zhǔn)備

負(fù)荷預(yù)測是用歷史負(fù)荷建立模型來預(yù)測未來負(fù)荷的方法，因此歷史數(shù)據(jù)收集的數(shù)量、質(zhì)量直接決定了負(fù)荷預(yù)測的準(zhǔn)確性。所以在負(fù)荷預(yù)測前，需要收集大量的歷史負(fù)荷數(shù)據(jù)、天氣數(shù)據(jù)等。這些數(shù)據(jù)由于一些因素可能會造成數(shù)據(jù)的缺失，需要利用一些方法去填補(bǔ)缺失值，提高負(fù)荷預(yù)測的精確度。

本項(xiàng)目采用均值填補(bǔ)法，找到所有有缺失值的列，用各列的均值填充缺失值。 ?

數(shù)據(jù)分析

通過曲線類圖像，以特定時間周期所統(tǒng)計(jì)的負(fù)荷值為縱坐標(biāo)來畫出負(fù)荷／時間的關(guān)系曲線，呈現(xiàn)負(fù)荷的大小及發(fā)展趨勢。例如年、月、季、天等指標(biāo)。

?

劃分訓(xùn)練集和測試集

對樣本集拆分成訓(xùn)練集和測試集

values = reframed.valuesn_train_time = 365*24*3train = values[:n_train_time, :]test = values[n_train_time:, :]

考慮到最終模型會預(yù)測將來的某時間段的數(shù)據(jù)，為了更真實(shí)的測試模型效果，以時間來切分訓(xùn)練集和測試集。具體做法如下：假設(shè)我們有2011-2014的客戶端耗電數(shù)據(jù)。以2011 ~ 2013的數(shù)據(jù)作為訓(xùn)練，以2013 ~ 2014的數(shù)據(jù)作為測試。

建模

LSTM?模型，?時間序列預(yù)測分析就是利用過去一段時間內(nèi)某事件時間的特征來預(yù)測未來一段時間內(nèi)該事件的特征，將問題轉(zhuǎn)化為監(jiān)督學(xué)習(xí)問題。將特征進(jìn)行規(guī)范化、歸一化，進(jìn)而搭建網(wǎng)絡(luò)模型、訓(xùn)練網(wǎng)絡(luò)。

ARIMA?，?一般應(yīng)用在股票和電商銷量領(lǐng)域

該模型用于使用觀察值和滯后觀察值的移動平均模型殘差間的依賴關(guān)系，我采用了擬合ARIMA（5，1，0)模型，將自回歸的滯后值設(shè)為5，使用1的差分階數(shù)使時間序列平穩(wěn)，使用0的移動平均模型。

在此案例中，運(yùn)用2種方法預(yù)測電力負(fù)荷，其可視化圖形如下：

ARIMA模型

LSTM模型

可以看出，預(yù)測值的趨勢已經(jīng)基本與真實(shí)趨勢保持一致，但是在預(yù)測期較長的區(qū)間段，其預(yù)測值之間的差別較大。

關(guān)于分析師

在此對Eileen對本文所作的貢獻(xiàn)表示誠摯感謝，她專注數(shù)據(jù)處理、數(shù)據(jù)分析、數(shù)據(jù)預(yù)測領(lǐng)域。擅長Python、數(shù)據(jù)分析。

?最受歡迎的見解

1.R語言實(shí)現(xiàn)CNN（卷積神經(jīng)網(wǎng)絡(luò)）模型進(jìn)行回歸

2.r語言實(shí)現(xiàn)擬合神經(jīng)網(wǎng)絡(luò)預(yù)測和結(jié)果可視化

3.python用遺傳算法-神經(jīng)網(wǎng)絡(luò)-模糊邏輯控制算法對樂透分析

4.R語言結(jié)合新冠疫情COVID-19股票價格預(yù)測：ARIMA，KNN和神經(jīng)網(wǎng)絡(luò)時間序列分析

5.Python TensorFlow循環(huán)神經(jīng)網(wǎng)絡(luò)RNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測股票市場價格時間序列和MSE評估準(zhǔn)確性

6.Matlab用深度學(xué)習(xí)長短期記憶（LSTM）神經(jīng)網(wǎng)絡(luò)對文本數(shù)據(jù)進(jìn)行分類

7.用于NLP的seq2seq模型實(shí)例用Keras實(shí)現(xiàn)神經(jīng)機(jī)器翻譯

8.R語言用FNN-LSTM假近鄰長短期記憶人工神經(jīng)網(wǎng)絡(luò)模型進(jìn)行時間序列深度學(xué)習(xí)預(yù)測

9.Python用RNN循環(huán)神經(jīng)網(wǎng)絡(luò)：LSTM長期記憶、GRU門循環(huán)單元、回歸和ARIMA對COVID-19新冠疫情新增人數(shù)時間序列預(yù)測