Python在电力数据分析中的应用 pdf下载

本书从实践出发，结合智能电网中的大数据，以工程实例为主线组织图书的编写。先介绍机器学习的基本知识（常用模型和评价）和python工具软件的实操步骤。然后针对智能电网中的真实案例阐述如何使用python软件利用机器学习模型实现电网中关键数据的处理和预测，用以指导管理部门的决策等。本书可作为高等院校电气工程、计算机、自动化及相关专业的本科生或研究生的阅读书籍，尤其是对于对人工智能在智能电网中应用感兴趣的初学者具有很强的指导作用。也可供对机器学习感兴趣的研究人员和工程技术人员阅读参考。

随着人工智能的发展，大数据分析逐渐应用于电力系统，由许多复杂的问题亟待解决。本书以Python作为分析和预测的工具，将通过从不同平台采集到的电力数据进行筛选处理，再使用不同的算法进行训练和预测，最Z终得到预测结果。具体案例包括电动汽车负荷预测、风电功率概论密度的预测、光伏发电出力预测以及餐厨垃圾发电系统中沼气产量的预测。对有志于研究电力系统人工智能应用的初学者来说，这些实例提供了更简单的入门途径。

彭曙蓉，长沙理工大学电气工程学院副教授。

前言

第1章 Python简介
1．1 环境安装和编译环境介绍
1．2 使用Jupyter Notebook
1．3 拓展库的安装
1．4 常用的Python库
本章参考文献

第2章 电力数据预测理论和方法
2．1 智能电网中的数据分析
2．2 数据预处理
2．3 机器学习
本章参考文献

第3章 电动汽车负荷预测
3．1 概述
3．2 基于空洞因果卷积分位数回归模型的电动汽车负荷预测
3．3 基于深度学习的电动汽车负荷时空动态负荷预测
本章参考文献

第4章 风电功率概率密度的预测
4．1 风电功率预测概况
4．2 风电功率发电特征分析
4．3 模型构建
4．4 基于Python的算例仿真
本章参考文献

第5章 光伏发电预测
5．1 光伏发电预测概况
5．2 光伏发电预测方法与过程
5．3 模型评价
5．4 基于Python的光伏发电预测算例仿真
本章参考文献

第6章 生物质发电系统中的沼气产量预测
6．1 研究背景与意义
6．2 数据处理
6．3 机器学习算法
6．4 基于Python的算例分析
本章参考文献

　　电力数据预测是大数据预测在电力领域的应用，近年来发展迅速，具有广阔的发展空间和巨大的发展潜力。
　　随着智能电网的提出与大数据处理技术的不断发展，国内也逐渐开始探索大数据机器学习在智能电网中的应用。大数据处理技术在电力系统中的广泛应用会促进新的商业模式的出现，可用于设备资产管理、运行规划、系统安全分析以及发电与电动汽车等领域。
　　大数据在智能电网中的应用一般都包含以下几个部分：在电网运行方面，通过分析历史数据，对电力系统运行状态与趋势进行分析和预测，做出有针对性的调整，提高电力系统的稳定性，优化电网的日常运行并进行监督与管理，提高电网的自动化管理水平；在新能源发电预测方面，减小预测误差，提高电网调度的水平，提升发电效率；在设备运行维护方面，对设备故障进行预测，通过挖掘与故障强关联的因素，计算其影响权值，并根据专家诊断结果进行调整，这种预测可以提前预测设备可能发生的故障，提醒运行维护人员及时进行干预。由此可以看到，大数据可以应用于电力系统发电、输电、配电以及分布式发电和储能的各个环节。
　　全书共分6章。第1章对Python进行了简单介绍，包括Python的运行环境、安装步骤、JupyterNotebook及其基本使用方法。Python是一门简单易学且功能强大的编程语言，它既有通用编程语言的强大功能，也有特定领域脚本语言（如MATLAB或R）的易用性。第2章对电力数据预测理论和方法进行了介绍，包括机器学习的发展史、电力数据预测的基本步骤，以及Python语言中的机器学习，包括一些神经网络模型和基本算法。第3章为电动汽车充电桩负荷的预测，从电动汽车充电负荷的特性出发，对相关原理和运用的神经网络及算法展开了介绍，其重点是空洞因果积分位数回归模型在电动汽车负荷概率密度方面的应用。第4章为风电功率概率密度预测的相关内容，从背景和意义出发，介绍了风电在新能源发电领域的发展现状；在构建风电功率模型的基础上，利用LSTM回归、线性分位数回归模型以及LSTM分位数回归模型进行了核密度估计。第5章为光伏发电的预测，以光伏发电与天气因素的关系作为特征指标，通过对数据的处理对光伏发电进行预测。第6章针对近年来新能源发电在电网中所占比例的增加，介绍了生物质能发电系统中沼气产量的预测。该预测主要采用了特征工程进行预测，以及其在机器学习中的模型。本书在讨论预测方法和步骤的基础上，给出了对算法和模型的优化，并对模型和预测结果进行了数据评估和对比分析，并且都附上了算例的仿真程序，以供读者学习和参考。