💥💥💥💞💞💞欢迎来到本博客❤️❤️❤️💥💥💥
🎉作者研究：🏅🏅🏅本科计算机专业，研究生电气学硕。主要研究方向是电力系统和智能算法、机器学习和深度学习。目前熟悉python网页爬虫、机器学习、群智能算法、深度学习的相关内容。希望将计算机和电网有效结合！⭐️⭐️⭐️
🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者，博主专门做了一个专栏目录，整个专栏只放了一篇文章，足见我对其重视程度：博主专栏目录。做到极度细致，方便大家进行学习！亲民！！！还有我开了一个专栏给女朋友的，很浪漫的喔，代码学累的时候去瞧一瞧，看一看：女朋友的浪漫邂逅。有问题可以私密博主，博主看到会在第一时间回复。
📝目前更新：🌟🌟🌟电力系统相关知识，期刊论文，算法，机器学习和人工智能学习。
🚀支持：🎁🎁🎁如果觉得博主的文章还不错或者您用得到的话，可以关注一下博主，如果三连收藏支持就更好啦！这就是给予我最大的支持！
🎉🎉欢迎您的到来🎉🎉
⛅⛅⛅ 📃个人主页：科研室🌈🌈🌈
📚📚📚📋所有代码目录：电气工程科研社👨💻👨💻👨💻
📋📋📋本文目录如下：⛳️⛳️⛳️
目录
1 概述
2 结果展现
3 Python代码实现
4 写在最后
1 概述
电能负荷预测按细粒度划分可分为粗度预测和细度预测。其中粗度预测则是将整个时间段的电能负荷数据进行训练，进而进行预测。而细度预测这是要考虑电能负荷季节，时间周期影响因子。
在进行城市居民电能负荷粗度预测时需要考虑比较如下三种情况的准确率：
- 利用上一时刻的电能负荷（power），温度（温度），湿度（湿度），风速（speed）预测此刻的电能负荷
- 利用上一时刻的电能负荷（power）和此刻的温度（温度），湿度（湿度），风速（speed）预测此刻的电能负荷
- 利用上一若干时刻的电能负荷（power），温度（温度），湿度（湿度），风速（speed）预测此刻的电能负荷
在进行城市居民电能负荷细度预测时，除了要考虑如上问题时，还需要考虑季节，时间周期等影响因子： - 电力负荷往往具有周期性，夏季，冬季，过渡季（春季和秋季）用户用电量往往差距很大，因此在预测是可以考虑分开预测
- 在各个季节进行预测是，我们还可以按天，周，月进行划分，
2 结果展现
3 Python代码实现
本文仅展现部分代码，全部代码见：🍞正在为您运送作品详情
# invert scaling for forecast
inv_yhat = concatenate((yhat, test_X[:, 1:]), axis=1)
inv_yhat = scaler.inverse_transform(inv_yhat)
inv_yhat = inv_yhat[:, 0]
# invert scaling for actual
test_y = test_y.reshape((len(test_y), 1))
inv_y = concatenate((test_y, test_X[:, 1:]), axis=1)
inv_y = scaler.inverse_transform(inv_y)
inv_y = inv_y[:, 0]
# calculate RMSE
rmse = sqrt(mean_squared_error(inv_y, inv_yhat))
print('Test RMSE: %.3f' % rmse)
# calculate MAPE
mape = mean_absolute_percentage_error(inv_y, inv_yhat)
print('Test mape: %.3f' % mape)
4 写在最后
部分理论引用网络文献，若有侵权请联系博主删除。
