基于人工智能算法的多元负荷预测

Posted 2021-06-30 zhuo木鸟

文章目录

• 课题描述
• • ASU 综合能源系统的 多元负荷预测
  • 解决思路
• 预告
• • 数据一览
  • LSTMs 模型：
  • 模型比较：
• 详细文档与提问

本人专挑数据挖掘、机器学习和 NLP 类型的题目做，有兴趣也可以逛逛我的数据挖掘竞赛专栏。

如果本篇博文对您有所帮助，请不要吝啬您的点赞 😊

数据来源：https://cm.asu.edu/

课题描述

本文主要介绍如何使用机器学习算法，主要列举了包括：一元线性回归、支持向量机、决策树、k 近邻算法、AdaBoost、随机森林 等多个机器学习算法；同时，也介绍了使用深度学习算法 LSTMs 模型，来解决多元时序负荷数据的预测模型。

当然，主要将理论就有些扫兴了，因此本文结合了一个课题来进行介绍，课题的主要细节如下：

能源负荷与价格、政策、天气等多种影响因素相关，难以建立精确的数学模型，阻碍了传统的负荷预测方法获得令人满意的结果。人工智能方法在分析过程中无须建立对象的精确模型，能较好地拟合负荷与其影响因素之间的非线性关系，本课题采用机器学习算法进行能源负荷预测（包括电负荷、热负荷、天然气负荷）

ASU 综合能源系统的 多元负荷预测

本文将从 ASU（亚利桑那州大学）的综合能源系统的时序多元负荷数据，建立一个能够根据历史数据，预测当前负荷数据的模型。

数据是 2016-2020 年，采样频率为 1 天，5 年内共 1827 条数据。多元负荷包括：'电力/KW', '可再生能源/WK', '制冷/(Tons/h)', '制热/(mmBTU/h)', '气体管道/(Tons/h)'。

本文要解决的，就是根据这 $1827\times 6$ 个数据（包括时间），来建立一个根据历史数据，预测当前负荷情况。

解决思路

1. 首先，使用滑动窗口法，将时序数据处理成可供机器学习处理的形式；
2. 使用多个机器学习模型，包括 一元线性回归、支持向量机、决策树、k 近邻算法、AdaBoost、随机森林，根据数据（滑动窗口处理后），从而分别建立多个时序负荷预测模型，并比较这几个机器学习模型的预测的性能；
3. 使用 多层感知器、LSTMs，根据数据（滑动窗口处理后），从而建立 2 个基于深度学习算法的多元时序负荷预测模型，并比较，机器学习、多层感知器、LSTMs 模型的性能。

预告

数据一览

使用 size = 6 的滑动窗口处理后，数据变成（太多了，表格放不下，就展示电力负荷数据吧）：

LSTMs 模型：

模型比较：

详细文档与提问

若需要代码，请点赞，关注、私信、注明ASU案例

若不关注便要代码，说明没有认真读博客，往后对人对己，相信都是麻烦，时间就是生命，故此类人士我会直接拉黑，希望理解。

如果有其他问题，请到评论区留言，私信提问，概不回答。也在此鼓励大家独立思考。

本人不会回访，不互关，不互吹，以及谢绝诸如此类事