📄Работа №127957
Тема: Прогнозирование электропотребления по историческим данным
Тип работы
Магистерская диссертация
Предмет
планирование и прогнозирование
Объем:
39 листов
Год:
2021
Просмотров:
104
5600
руб.
🛒 Купить работу
Не подходит эта работа?
Закажите новую по вашим требованиям
Узнать цену на написание
Закажите новую по вашим требованиям
Представленный материал является образцом учебного исследования, примером структуры и содержания учебного исследования по заявленной теме. Размещён исключительно в информационных и ознакомительных целях.
Workspay.ru оказывает информационные услуги по сбору, обработке и структурированию материалов в соответствии с требованиями заказчика.
Размещение материала не означает публикацию произведения впервые и не предполагает передачу исключительных авторских прав третьим лицам.
Материал не предназначен для дословной сдачи в образовательные организации и требует самостоятельной переработки с соблюдением законодательства Российской Федерации об авторском праве и принципов академической добросовестности.
Авторские права на исходные материалы принадлежат их законным правообладателям. В случае возникновения вопросов, связанных с размещённым материалом, просим направить обращение через форму обратной связи.
Настоящий учебно-методический информационный материал размещён в ознакомительных и исследовательских целях и представляет собой пример учебного исследования. Не является готовым научным трудом и требует самостоятельной переработки.
📋 Содержание
Введение 3
Постановка задачи 4
Обзор литературы 5
Глава 1. Обзор методов прогнозирования 8
1.1. Множественная линейная регрессия 8
1.2. Регрессия опорных векторов 9
1.3. Случайный лес 12
1.4. Нейронные сети 13
Глава 2. Подготовка данных 15
2.1. Исторические данные 16
2.2. Календарные данные 16
2.3. Метеоданные 21
2.4. Удаление недель с выбросами 23
2.5. Кросс-валидация 23
Глава 3. Результаты 25
3.1. Разработка моделей 25
3.2. Анализ результатов прогнозирования 26
3.3. Визуализация прогноза 30
Выводы 33
Заключение 34
Список литературы 35
Приложение 39
Постановка задачи 4
Обзор литературы 5
Глава 1. Обзор методов прогнозирования 8
1.1. Множественная линейная регрессия 8
1.2. Регрессия опорных векторов 9
1.3. Случайный лес 12
1.4. Нейронные сети 13
Глава 2. Подготовка данных 15
2.1. Исторические данные 16
2.2. Календарные данные 16
2.3. Метеоданные 21
2.4. Удаление недель с выбросами 23
2.5. Кросс-валидация 23
Глава 3. Результаты 25
3.1. Разработка моделей 25
3.2. Анализ результатов прогнозирования 26
3.3. Визуализация прогноза 30
Выводы 33
Заключение 34
Список литературы 35
Приложение 39
📖 Введение
На современном рынке электроэнергии между ее производителями и потребителями используются контракты. Эти контракты могут быть как долгосрочными, на несколько месяцев, и даже лет, так и краткосрочными с горизонтом в одни сутки. Отклонение фактического потребления электроэнергии от спрогнозированного объема влечет необходимость для предприятия продажи излишнего или закупки недостающего объема электроэнергии по заведомо невыгодным ценам. Поэтому задача планирования и прогнозирования энергопотребления является достаточно значимой в электроэнергетике, и повышение точности этого прогнозирования может существенно снизить затраты на покупку электроэнергии предприятием.
С развитием вычислительных технологий данная задача все чаще переходит от экспертных систем к системам автоматизированным, а новые методы и алгоритмы машинного обучения и статистические модели позволяют повышать точность этого прогноза, учитывать множество разных факторов и находить сложные нелинейные зависимости в данных.
Таким образом, имеющей большое практическое применение и актуальной научно-технической задачей является разработка методик прогнозирования потребления электрической энергии на основе исторических и других имеющихся данных.
С развитием вычислительных технологий данная задача все чаще переходит от экспертных систем к системам автоматизированным, а новые методы и алгоритмы машинного обучения и статистические модели позволяют повышать точность этого прогноза, учитывать множество разных факторов и находить сложные нелинейные зависимости в данных.
Таким образом, имеющей большое практическое применение и актуальной научно-технической задачей является разработка методик прогнозирования потребления электрической энергии на основе исторических и других имеющихся данных.
✅ Заключение
В данной работе был проведен обзор и анализ методов, применяемых для краткосрочного прогнозирования потребления электроэнергии. Также, были реализованы модели на основе множественной линейной регрессии, регрессии опорных векторов, случайного леса и радиальных базисных нейронных сетей. Построенные модели были протестированы на основе имеющихся реальных данных почасового потребления электроэнергии предприятием. Был проведен анализ, визуализация и сравнение полученных результатов.
Для реализации программной части был использован язык программирования Python 3.6 и библиотеки NumPy для работы с массивами и математическими функциями, Pandas для представления и обработки данных в виде таблиц, Scikit Learn для реализации алгоритмов машинного обучения, Keras для реализации нейронных сетей и Matplotlib для визуализации данных.
Для улучшения полученного результата можно рассмотреть добавление дополнительных данных, таких как график работы предприятия и данные о внутренних процессах. Также можно рассмотреть комбинированные методы и разбиение данной задачи на несколько подзадач и построение отдельных моделей для каждой из этих подзадач, например, строить отдельный прогноз для базового электропотребления предприятия и электропотребления оборудования.
Для реализации программной части был использован язык программирования Python 3.6 и библиотеки NumPy для работы с массивами и математическими функциями, Pandas для представления и обработки данных в виде таблиц, Scikit Learn для реализации алгоритмов машинного обучения, Keras для реализации нейронных сетей и Matplotlib для визуализации данных.
Для улучшения полученного результата можно рассмотреть добавление дополнительных данных, таких как график работы предприятия и данные о внутренних процессах. Также можно рассмотреть комбинированные методы и разбиение данной задачи на несколько подзадач и построение отдельных моделей для каждой из этих подзадач, например, строить отдельный прогноз для базового электропотребления предприятия и электропотребления оборудования.
ИЛИ
Поиск аналога
📕 Список литературы
🖼 Скриншоты
🛒 Оформить заказ
⚡ Работу высылаем в течении 5 минут после оплаты.