Skip to content
This repository was archived by the owner on May 28, 2026. It is now read-only.

README.md

Latest commit

 

History

History
126 lines (103 loc) · 4.06 KB

README.md

File metadata and controls

126 lines (103 loc) · 4.06 KB
Raw

南方电网电力负荷预测项目

项目说明：

  • 基于历史的电力负荷数据，训练XGBOOST模型，实现多变量单步的电力负荷预测
  • 本项目旨在开发一个高精度的电力负荷预测模型，为南方电网提供未来短期（如24-168小时）的电力负荷预测能力。
  • 通过分析历史负荷数据、气象数据、日期类型等多维度信息，构建机器学习/深度学习模型，实现对电网负荷的准确预测，为电网调度、能源分配和运营决策提供数据支持。

项目背景

电力负荷预测是电网运营中的关键环节，准确的预测可以帮助：

  • 优化发电计划，降低运营成本
  • 提高电网稳定性和供电可靠性
  • 支持可再生能源并网决策
  • 预防电力短缺或过剩情况

数据来源

本项目使用以下数据：

  • 历史负荷数据：南方电网提供的2015-2020年小时级负荷数据
  • 气象数据：温度、湿度、风速、天气状况等
  • 日期信息：节假日、工作日/周末标志
  • 经济指标：GDP、工业指数等（可选）

项目结构

southern-grid-load-forecasting/ ├── data/ # 数据目录 │ ├── raw/ # 原始数据 │ ├── processed/ # 处理后的数据 │ └── external/ # 外部数据（如气象数据） ├── models/ # 训练好的模型 ├── notebooks/ # Jupyter笔记本探索性分析 ├── src/ # 源代码 │ ├── data_preprocessing.py │ ├── feature_engineering.py │ ├── model_training.py │ ├── prediction.py │ └── evaluation.py ├── config/ # 配置文件 ├── results/ # 预测结果和可视化 ├── requirements.txt # Python依赖 └── README.md

技术栈

  • 编程语言: Python 3.8+
  • 数据处理: Pandas, NumPy
  • 机器学习: Scikit-learn, XGBoost, LightGBM
  • 深度学习: TensorFlow, Keras, PyTorch (可选)
  • 可视化: Matplotlib, Seaborn, Plotly
  • 工作流管理: Prefect/Airflow (可选)

安装与配置

1、克隆项目仓库： git clone https://github.com/your-organization/southern-grid-load-forecasting.git cd southern-grid-load-forecasting 2、创建虚拟环境并安装依赖： python -m venv venv source venv/bin/activate # Linux/Mac

或

venv\Scripts\activate # Windows pip install -r requirements.txt 3、配置数据路径和模型参数： 修改config/config.yaml中的路径设置 根据需要调整模型超参数

使用方法

数据预处理

python src/data_preprocessing.py --input_path data/raw --output_path data/processed

特征工程

python src/feature_engineering.py --input_path data/processed --output_path data/features

模型训练

python src/model_training.py --model_type xgboost --output_path models/

生成预测

python src/prediction.py --model_path models/xgboost_model.pkl --output_path results/

评估模型

python src/evaluation.py --predictions_path results/predictions.csv

模型性能

当前最佳模型表现（在测试集上）：

  • MAE（平均绝对误差）：±2.3%
  • RMSE（均方根误差）：±3.1%
  • MAPE（平均绝对百分比误差）：±2.8%

项目进度

  • 数据收集与清洗
  • 探索性数据分析
  • 特征工程
  • 基线模型建立
  • 高级模型开发（LSTM, XGBoost）
  • 模型评估与优化
  • 系统集成与部署
  • 实时预测管道搭建

贡献指南

1、Fork 本仓库 2、创建特性分支 (git checkout -b feature/AmazingFeature) 3、提交更改 (git commit -m 'Add some AmazingFeature') 4、推送到分支 (git push origin feature/AmazingFeature) 5、开启Pull Request

许可证

本项目基于MIT许可证 - 查看LICENSE文件了解详情

致谢

  • 感谢南方电网提供数据支持
  • 感谢所有为本项目做出贡献的开发者和研究人员

文件说明

  • data：数据
  • log：日志
  • model：保存的模型文件
  • src：项目的主要业务逻辑，包括机器学习建模相关的代码
  • utils：项目中自定义的工具包

更新日志

[1.0.0] - 2025-09-10

  • 初始版本发布
  • 实现基础特征工程管道
  • 建立XGBoost和LSTM基线模型
  • 完成初步模型评估