隨著人工智能的發(fā)展,大數(shù)據(jù)分析逐漸應(yīng)用于電力系統(tǒng),由許多復(fù)雜的問題亟待解決。本書以Python作為分析和預(yù)測(cè)的工具,將通過從不同平臺(tái)采集到的電力數(shù)據(jù)進(jìn)行篩選處理,再使用不同的算法進(jìn)行訓(xùn)練和預(yù)測(cè),最Z終得到預(yù)測(cè)結(jié)果。具體案例包括電動(dòng)汽車負(fù)荷預(yù)測(cè)、風(fēng)電功率概論密度的預(yù)測(cè)、光伏發(fā)電出力預(yù)測(cè)以及餐廚垃圾發(fā)電系統(tǒng)中沼氣產(chǎn)量的預(yù)測(cè)。對(duì)有志于研究電力系統(tǒng)人工智能應(yīng)用的初學(xué)者來說,這些實(shí)例提供了更簡(jiǎn)單的入門途徑。
電力數(shù)據(jù)預(yù)測(cè)是大數(shù)據(jù)預(yù)測(cè)在電力領(lǐng)域的應(yīng)用,近年來發(fā)展迅速,具有廣闊的發(fā)展空間和巨大的發(fā)展?jié)摿。隨著智能電網(wǎng)的提出與大數(shù)據(jù)處理技術(shù)的不斷發(fā)展,國內(nèi)也逐漸開始探索大數(shù)據(jù)機(jī)器學(xué)習(xí)在智能電網(wǎng)中的應(yīng)用。大數(shù)據(jù)處理技術(shù)在電力系統(tǒng)中的廣泛應(yīng)用會(huì)促進(jìn)新的商業(yè)模式的出現(xiàn),可用于設(shè)備資產(chǎn)管理、運(yùn)行規(guī)劃、系統(tǒng)安全分析以及發(fā)電與電動(dòng)汽車等領(lǐng)域。大數(shù)據(jù)在智能電網(wǎng)中的應(yīng)用一般都包含以下幾個(gè)部分:在電網(wǎng)運(yùn)行方面,通過分析歷史數(shù)據(jù),對(duì)電力系統(tǒng)運(yùn)行狀態(tài)與趨勢(shì)進(jìn)行分析和預(yù)測(cè),做出有針對(duì)性的調(diào)整,提高電力系統(tǒng)的穩(wěn)定性,優(yōu)化電網(wǎng)的日常運(yùn)行并進(jìn)行監(jiān)督與管理,提高電網(wǎng)的自動(dòng)化管理水平;在新能源發(fā)電預(yù)測(cè)方面,減小預(yù)測(cè)誤差,提高電網(wǎng)調(diào)度的水平,提升發(fā)電效率;在設(shè)備運(yùn)行維護(hù)方面,對(duì)設(shè)備故障進(jìn)行預(yù)測(cè),通過挖掘與故障強(qiáng)關(guān)聯(lián)的因素,計(jì)算其影響權(quán)值,并根據(jù)專家診斷結(jié)果進(jìn)行調(diào)整,這種預(yù)測(cè)可以提前預(yù)測(cè)設(shè)備可能發(fā)生的故障,提醒運(yùn)行維護(hù)人員及時(shí)進(jìn)行干預(yù)。由此可以看到,大數(shù)據(jù)可以應(yīng)用于電力系統(tǒng)發(fā)電、輸電、配電以及分布式發(fā)電和儲(chǔ)能的各個(gè)環(huán)節(jié)。全書共分6章。第1章對(duì) Python進(jìn)行了簡(jiǎn)單介紹,包括 Python的運(yùn)行環(huán)境、安裝步驟、JupyterNotebook及其基本使用方法。Python是一門簡(jiǎn)單易學(xué)且功能強(qiáng)大的編程語言,它既有通用編程語言的強(qiáng)大功能,也有特定領(lǐng)域腳本語言 (如 MATLAB或 R)的易用性。第2章介紹了對(duì)電力數(shù)據(jù)預(yù)測(cè)理論和方法進(jìn)行了介紹,包括機(jī)器學(xué)習(xí)的發(fā)展史、電力數(shù)據(jù)預(yù)測(cè)的基本步驟,以及Python語言中的機(jī)器學(xué)習(xí),包括一些神經(jīng)網(wǎng)絡(luò)模型和基本算法。第3章為電動(dòng)汽車充電樁負(fù)荷的預(yù)測(cè),從電動(dòng)汽車充電負(fù)荷的特性出發(fā),對(duì)相關(guān)原理和運(yùn)用的神經(jīng)網(wǎng)絡(luò)及算法展開了介紹,其重點(diǎn)是空洞因果積分位數(shù)回歸模型在電動(dòng)汽車負(fù)荷概率密度方面的應(yīng)用。第4章為風(fēng)電功率概率密度預(yù)測(cè)的相關(guān)內(nèi)容,從背景和意義出發(fā),介紹了風(fēng)電在新能源發(fā)電領(lǐng)域的發(fā)展現(xiàn)狀;在構(gòu)建風(fēng)電功率模型的基礎(chǔ)上,利用 LSTM 回歸、線性分位數(shù)回歸模型以及 LSTM分位數(shù)回歸模型進(jìn)行了核密度估計(jì)。第5章為光伏發(fā)電的預(yù)測(cè),以光伏發(fā)電與天氣因素的關(guān)系作為特征指標(biāo),通過對(duì)數(shù)據(jù)的處理對(duì)光伏發(fā)電進(jìn)行預(yù)測(cè)。第6章針對(duì)近年來新能源發(fā)電在電網(wǎng)中所占比例的增加,介紹了生物質(zhì)能發(fā)電系統(tǒng)中沼氣產(chǎn)量的預(yù)測(cè)。該預(yù)測(cè)主要采用了特征工程進(jìn)行預(yù)測(cè),以及其在機(jī)器學(xué)習(xí)中的模型。本書在討論預(yù)測(cè)方法和步驟的基礎(chǔ)上,給出了對(duì)算法和模型的優(yōu)化,并對(duì)模型和預(yù)測(cè)結(jié)果進(jìn)行了數(shù)據(jù)評(píng)估和對(duì)比分析,并且都附上了算例的仿真程序,以供讀者學(xué)習(xí)和參考。
前言
第1章 Python簡(jiǎn)介
1.1 環(huán)境安裝和編譯環(huán)境介紹
1.2 使用JupyterNotebook
1.3 拓展庫的安裝
1.4 常用的Python庫
本章參考文獻(xiàn)
第2章 電力數(shù)據(jù)預(yù)測(cè)理論和方法
2.1 智能電網(wǎng)中的數(shù)據(jù)分析
2.2 數(shù)據(jù)預(yù)處理
2.3 機(jī)器學(xué)習(xí)
本章參考文獻(xiàn)
第3章 電動(dòng)汽車負(fù)荷預(yù)測(cè)
3.1 概述
3.2 基于空洞因果卷積分位數(shù)回歸模型的電動(dòng)汽車負(fù)荷預(yù)測(cè)
3.3 基于深度學(xué)習(xí)的電動(dòng)汽車負(fù)荷時(shí)空動(dòng)態(tài)負(fù)荷預(yù)測(cè)
本章參考文獻(xiàn)
第4章 風(fēng)電功率概率密度的預(yù)測(cè)
4.1 風(fēng)電功率預(yù)測(cè)概況
4.2 風(fēng)電功率發(fā)電特征分析
4.3 模型構(gòu)建
4.4 基于Python的算例仿真
本章參考文獻(xiàn)
第5章 光伏發(fā)電預(yù)測(cè)
5.1 光伏發(fā)電預(yù)測(cè)概況
5.2 光伏發(fā)電預(yù)測(cè)方法與過程
5.3 模型評(píng)價(jià)
5.4 基于Python的光伏發(fā)電預(yù)測(cè)算例仿真
本章參考文獻(xiàn)
第6章 生物質(zhì)發(fā)電系統(tǒng)中的沼氣產(chǎn)量預(yù)測(cè)
6.1 研究背景與意義
6.2 數(shù)據(jù)處理
6.3 機(jī)器學(xué)習(xí)算法
6.4 基于Python的算例分析
本章參考文獻(xiàn)