基于人工智能算法的多元负荷预测

Posted zhuo木鸟

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了基于人工智能算法的多元负荷预测相关的知识,希望对你有一定的参考价值。

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 × 6 1827 \\times 6 1827×6 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

在这里插入图片描述在这里插入图片描述

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):
在这里插入图片描述

LSTMs 模型:

在这里插入图片描述

模型比较:

在这里插入图片描述

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

以上是关于基于人工智能算法的多元负荷预测的主要内容,如果未能解决你的问题,请参考以下文章

基于遗传算法优化SVM参数的热负荷预测,GA-SVM回归分析

电力负荷预测基于matlab灰狼算法优化LSTM短期电力负荷预测含Matlab源码 1230期

电力负荷预测基于matlab模拟退火算法结合狮群算法优化Elman神经网络电力负荷预测含Matlab源码 1454期

电力负荷预测基于matlab遗传算法优化BP神经网络电力负荷预测含Matlab源码 1524期

第十届“泰迪杯”数据挖掘挑战赛B题:电力系统负荷预测分析 ARIMAAutoARIMALSTMProphet多元Prophet 实现

电力负荷预测基于matlab粒子群算法优化支持向量机预测电力负荷含Matlab源码 1225期