做qq代刷网站,开发app软件需要多少费用,福清市建设局网站多少,外贸软件定制#x1f4a5;#x1f4a5;#x1f49e;#x1f49e;欢迎来到本博客❤️❤️#x1f4a5;#x1f4a5; #x1f3c6;博主优势#xff1a;#x1f31e;#x1f31e;#x1f31e;博客内容尽量做到思维缜密#xff0c;逻辑清晰#xff0c;为了方便读者。 ⛳️座右铭欢迎来到本博客❤️❤️ 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_Ypred_test_Y[-1]
last_test_Ytest_Y[-1]plt.plot(pred_last_test_Y, r, labelprediction)
plt.plot(last_test_Y, b, labelreal)
plt.legend(locbest)
plt.show()# 分析一下误差
# 均方误差
MSE np.linalg.norm(last_test_Y-pred_last_test_Y, ord2)**2/len(last_test_Y)
# 平均绝对误差
MAE np.linalg.norm(last_test_Y-pred_last_test_Y, ord1)/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
