一、问题背景
短期负荷预测是电力系统运行与分析的基础，对机组组合、经济调度、安全校核等具有重要意义。提高负荷预测精度，是保障电力系统优化决策科学性的重要手段。现代电力系统中，构成电力负荷的用电器种类繁多，空调等受气象条件影响的负荷占比持续增高，气象因素（温度、湿度、降雨量等）对电力系统负荷的影响愈显突出。考虑气象因素成为调度中心进一步改进负荷预测精度的主要手段之一。

已知地区1、地区2从2009年1月1日至2015年1月10日的电力负荷数据（每15min一个采样点，每日96点，量纲为MW）以及2012年1月1日至2015年1月17日的气象因素数据（日最高温度、日最低温度、日平均温度、日相对湿度以及日降雨量），详见数据集（链接：https://pan.baidu.com/s/1kMDxceE0O_UteunmW_8ESA 提取码：TTXS ）。

二、数据集介绍

2.1 提取Area1用电负荷

# -*- coding: utf-8 -*-
"""
Created on Tue Jun 29 13:53:43 2021
@author: zhuchunqiang
"""

import pandas as pd
import matplotlib.pyplot as plt

data = pd.read_excel('\area1_load.xlsx')
df  = pd.Dataframe(data)

df2014 = df[df['YMD']>=20140101]
df2014_A1 = df2014[df2014['YMD']<=20141231]
df2014_A1.to_csv('\df2014_A1.csv',index=False)
df2014_A1 = pd.Dataframe(pd.read_csv('\df2014_A1.csv'))
df2014_A1 = df2014_A1.set_index('YMD')
df2014_A1['mean']=df2014_A1.mean(axis=1)
df2014_A1['min'] = df2014_A1.min(axis=1)
df2014_A1['max'] = df2014_A1.max(axis=1)
df2014_A1['峰谷差'] = df2014_A1['max']-df2014_A1['min']
df2014_A1['负荷率'] = df2014_A1['mean']/df2014_A1['max']
df2014_A1_All = df2014_A1
df2014_A1_All.to_csv('\df2014_A1_All.csv')
df2014_A1.head()

2.2 读入2014年Area1指定列负荷数据

import pandas as pd
df2014 = pd.read_csv("\df2014_A1_All.csv")
#获取指定列值

>>x = df2014.iloc[:,:5]#获取前五列值

  YMD        T0000        T0015        T0030    T0045
0 20140101 4454.578720 4347.689248 4234.124224 4145.332192
1 20140102 3058.079200 3002.469280 2923.398880 2834.803264
2 20140103 5167.669408 5031.438400 4955.894656 4898.783104
... ... ... ... ... ...
363 20141230 5389.319680 5276.143744 5173.621984 5124.495136
364 20141231 5165.776096 5059.385344 4948.549888 4901.259040

365 rows × 5 columns

2.3 探查Area1用电负荷数据分布

df2014_A1[['max','min','峰谷差','负荷率']].describe()

            max          min          峰谷差         负荷率
count    365.000000   365.000000   365.000000  365.000000
mean    9222.651566  5140.926790  4081.724776    0.789592
std     2074.834339  1231.064487  1122.151813    0.026565
min     2242.059328  1351.870624   730.331904    0.717046
25%     8400.347488  4505.642464  3788.625504    0.775751
50%     9155.295616  5055.459520  4262.997216    0.785790
75%    11019.115936  6136.384384  4852.698816    0.799135
max    12296.850592  7516.443424  7018.119840    0.890535

备注：地区Area2数据提取方法同上2.1-2.3。

2.4 两地2014年负荷数据可视化

2.4.1 全年负荷率可视化

test_A1   = df2014_A1['负荷率']
#test_A2   = df2014_A2['负荷率']

plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
#plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area1 Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 1 地区一2014年日负荷曲线图

图 2 地区二2014年日负荷曲线图

2.4.2 日最大负荷可视化

test_A1   = df2014_A1['max']
test_A2   = df2014_A2['max']

plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:MAX', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 3 两地2014年最大负荷持续曲线图

2.4.3 日最低负荷可视化

test_A1   = df2014_A1['负荷率']
test_A2   = df2014_A2['负荷率']

plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:MIN', fontsize=14)
plt.title('predict-----blue,real-----red', fontsize=10)
plt.show()

图 4 两地2014年最低负荷持续曲线图

2.4.4 日平均负荷可视化

test_A1   = df2014_A1['mean']
test_A2   = df2014_A2['mean']

plt.figure()
plt.plot(list(range(len(test_A1))), test_A1, color='r')
plt.plot(list(range(len(test_A2))), test_A2, color='g')
plt.xlabel('Area Date:201401-201412', fontsize=14)
plt.ylabel('Daily Load:mean', fontsize=14)
plt.title('predict-----blue,real-----green', fontsize=10)
plt.show()

图 5 两地2014年平均负荷持续曲线图

[负荷预测]基于人工神经网络的短期电力负荷预测（1）

二、数据集介绍

2.4 两地2014年负荷数据可视化

Python相关栏目本月热门文章