关于数据挖掘:Python电力负荷ARIMALSTM神经网络时间序列预测分析

电力系统源源不断向各用户提供继续稳固的电能，本文通过对数据的提取，帮忙客户别离对不同客户端日，月，年的用电负荷状况进行剖析，并通过模型对单户负荷状况进行预测。

本课题的数据分析对象是电力在 2011-2014 年的 370 个客户端的耗电数据，依据预测负荷能够安顿发电厂发电机组的启停，升高储备容量的节约，节约老本。

负荷预测是用历史负荷建设模型来预测将来负荷的办法，因而历史数据收集的数量、品质间接决定了负荷预测的准确性。所以在负荷预测前，须要收集大量的历史负荷数据、天气数据等。这些数据因为一些因素可能会造成数据的缺失，须要利用一些办法去填补缺失值，进步负荷预测的精确度。

本我的项目采纳均值填补法，找到所有有缺失值的列，用各列的均值填充缺失值。

通过曲线类图像，以特定工夫周期所统计的负荷值为纵坐标来画出负荷/工夫的关系曲线，出现负荷的大小及发展趋势。例如年、月、季、天等指标。

对样本集拆分成训练集和测试集

values = reframed.values

n_train_time = 365*24*3

train = values[:n_train_time, :]

test = values[n_train_time:, :]

思考到最终模型会预测未来的某时间段的数据，为了更实在的测试模型成果，以工夫来切分训练集和测试集。具体做法如下：假如咱们有 2011-2014 的客户端耗电数据。以 2011 ~ 2013 的数据作为训练，以 2013 ~ 2014 的数据作为测试。

LSTM 模型， 工夫序列预测剖析 就是利用过来一段时间内某事件工夫的特色来预测将来一段时间内该事件的特色，将问题转化为监督学习问题。将特色进行规范化、归一化，进而搭建网络模型、训练网络。

ARIMA ，个别利用在股票和电商销量畛域

该模型用于应用察看值和滞后察看值的挪动均匀模型残差间的依赖关系，我采纳了拟合 ARIMA（5，1，0)模型，将自回归的滞后值设为 5，应用 1 的差分阶数使工夫序列安稳，应用 0 的挪动均匀模型。

在此案例中，使用 2 种办法预测电力负荷，其可视化图形如下：

能够看出，预测值的趋势曾经根本与实在趋势保持一致，然而在预测期较长的区间段，其预测值之间的差异较大。

在此对 Eileen 对本文所作的奉献示意诚挚感激，她专一数据处理、数据分析、数据预测畛域。善于 Python、数据分析。

最受欢迎的见解

1.R 语言实现 CNN（卷积神经网络）模型进行回归

2.r 语言实现拟合神经网络预测和后果可视化

3.python 用遗传算法 - 神经网络 - 含糊逻辑控制算法对乐透剖析

4.R 语言联合新冠疫情 COVID-19 股票价格预测：ARIMA，KNN 和神经网络工夫序列剖析

5.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性

6.Matlab 用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

7. 用于 NLP 的 seq2seq 模型实例用 Keras 实现神经机器翻译

8. R 语言用 FNN-LSTM 假近邻长短期记忆人工神经网络模型进行工夫序列深度学习预测

9.Python 用 RNN 循环神经网络：LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID-19 新冠疫情新增人数工夫序列预测

全文链接：http://tecdat.cn/?p=32059