python用支持向量机回归(SVR)模型分析用电量预测电力消费

gray = '#737373'

red = '#ff3700'

我在这个模型中使用的数据是通过公寓中安装的智能电表中获得的。

USAGE "字段给出了该小时内的用电度数。

elec.head(3)

Out[5]:

天气数据提取。

weather.head()

合并电力和天气

首先，我们需要将电力数据和天气数据合并到一个数据框中，并去除无关的信息。

# 合并成一个Pandas数据框架

pd.merge(weather, elec,True, True)

# 从数据框架中删除不必要的字段

del elec['tempm'], elec['cost']

# 将风速转换为单位

elec['wspdm'] * 0.62

elec.head()

fig = plt.figure(figsize=[14,8])

elecweather['USAGE'].plot

我想将典型的工作日与周末、假日和在家工作的日子区分开来。所以现在所有的正常工作日都是0，所有的假期、周末和在家工作的日子都是1。

点击标题查阅往期内容

【视频】R语言广义相加模型（GAM）在电力负荷预测中的应用

左右滑动查看更多

01

02

03

04

## 将周末和节假日设置为1，否则为0

elecwea['Day'] = np.zeros

# 周末

elecwea['Atypical_Day'][（elecwea.index.dawe==5）|（elecwea.index.dawe==6）] = 1

# 假期，在家工作日

假期 = ['2014-01-01','2014-01-20']

workhome = ['2014-01-21','2014-02-13','2014-03-03','2014-04-04']

for i in range(len(holiday)):

elecwea['Day'][elecwea.index.date==np.datetime64(holidays[i])] = 1

for i in range(len(workhome)):

elecwea['Day'][elecwea.index.date==np.datetime64(workhome[i]) ] = 1

elecwea.head(3)

在这种情况下，一天中的每个小时是一个分类变量，而不是连续变量。做分析时，需要对一天中的每一个小时进行 "是 "或 "否 "的对应。

# 为一天中的每个小时创建新的列，如果index.hour是该列对应的小时，则分配1，否则分配0

for i in range(0,24):

elecweat[i] = np.zeros(len(elecweat['USAGE'))

elecweat[i][elecweat.index.hour==i] = 1

# 例子 3am

elecweat[3][:6]

由于这是一个时间序列，如果我们想预测下一小时的能耗，训练数据中任何给定的X向量/Y目标对都应该提供当前小时的用电量（Y值，或目标）与前一小时（或过去多少小时）的天气数据和用量（X向量）。

# 在每个X向量中加入历史用量

# 设置预测的提前小时数

hours = 1

# 设置历史使用小时数

hourswin = 12

for k in range(hours,hours+hourswin):

elec_weat['USAGE-%i'% k] = np.zero(len(elec_weat['USAGE'])

for i in range(hours+hourswi,len(elecweat['USAGE'])）。)

for j in range(hours,hours+hourswin):

elec_weat['USAGE-%i'% j][i] = elec_weat['USAGE]i-j] 。

elec_weat.head(3)

由于这是时间序列数据，定义训练期和测试期更有意义，而不是随机的零星数据点。如果它不是一个时间序列，我们可以选择一个随机的样本来分离出一个测试集。

# 定义训练和测试期

train_start = '18-jan-2014'（训练开始）。

train_end = '24-march-2014'.

test_start = '25-march-2014'（测试开始）。

test_end = '31-march-2014'。

# 分成训练集和测试集（仍在Pandas数据帧中）。

xtrain = elec_and_weather[train_start:train_end]。

del xtrain['US']

del xtrain['time_end']

ytrain = elec_and_weather['US'][train_start:train_end] 。

将训练集输出成csv，看得更清楚。

X_train_df.to_csv('training_set.csv')

scikit-learn包接收的是Numpy数组，而不是Pandas DataFrames，所以我们需要进行转换。

# 用于sklearn的Numpy数组

X_train = np.array(X_train_df)

所有的变量都需要进行标准化。该算法不知道每个变量的尺度是什么。换句话说，温度一栏中的73的值看起来会比前一小时的千瓦时使用量中的0.3占优势，因为实际值是如此不同。sklearn的预处理模块中的StandardScaler()将每个变量的平均值去除，并将其标准化为单位方差。当模型在按比例的数据上进行训练时，模型就会决定哪些变量更有影响力，而不是由任意的比例/数量级来预先决定这种影响力。

将模型拟合训练数据!

SVR_model = svm.SVR(kernel='rbf',C=100,gamma=.001).fit(X_train_scaled,y_train)

print 'Testing R^2 =', round(SVR_model.score(X_test_scaled,y_test),3)

计算下一小时的预测（预测！）我们预留了一个测试数据集，所以我们将使用所有的输入变量（适当的缩放）来预测 "Y "目标值（下一小时的使用率）。

# 使用SVR模型来计算预测的下一小时使用量

SVRpredict(X_test_scaled)

# 把它放在Pandas数据框架中，以便于使用

DataFrame(predict_y)

绘制测试期间的实际和预测电力需求的时间序列。

# 绘制预测值和实际值

plt.plot(index,y_test_df,color='k')

plt.plot(predictindex,predict_y)

重新取样的结果为每日千瓦时

### 绘制测试期间的每日总千瓦时图

y_test_barplot

ax.set_ylabel('每日总用电量（千瓦时）')

# Pandas/Matplotlib的条形图将x轴转换为浮点，所以需要找回数据时间

ax.set_xticklabels([dt.strftime('%b %d') for dt in

以下是一些精度测量。

len(y_test_df)

这实际上是模型的标准误差，其单位与预测变量（或这里的千瓦时）的单位相同。

calcRMSE(predict_y, y_test_df)

用这种方法，计算每个预测值和实际值之间的绝对百分比误差，并取其平均值；计量单位是百分比。如果不取绝对值，而模型中又没有什么偏差，你最终会得到接近零的结果，这个方法就没有价值了。

errorsMAPE(predict_y, y_test_df)

平均偏差误差显示了模型的高估或低估情况。初始SVM模型的平均偏差误差为-0.02，这表明该模型没有系统地高估或低估每小时的千瓦时消耗。

calcMBE(predict_y, y_test_df)

这与RMSE类似，只是它被归一化为平均值。它表明相对于平均值有多大的变化。

这与RMSE类似，只是它被归一化为平均值。它表明相对于平均值有多大的变化。

plot45 = plt.plot([0,2],[0,2],'k')

点击文末 “阅读原文”

获取全文完整资料。

本文选自《python用支持向量机回归(SVR)模型分析用电量预测电力消费》。

点击标题查阅往期内容

R语言进行支持向量机回归SVR和网格搜索超参数优化

逻辑回归、随机森林、SVM支持向量机预测心脏病风险数据和模型诊断可视化

R语言梯度提升机 GBM、支持向量机SVM、正则判别分析RDA模型训练、参数调优化和性能比较可视化分析声纳数据

R语言量化交易RSI策略：使用支持向量机SVM

基于随机森林、svm、CNN机器学习的风控欺诈识别模型

Matlab建立SVM，KNN和朴素贝叶斯模型分类绘制ROC曲线

基于ARIMA、SVM、随机森林销售的时间序列预测

基于数据挖掘SVM模型的pre-incident事故预防预测

R语言用rle，svm和rpart决策树进行时间序列预测Python中基于网格搜索算法优化的深度学习模型分析糖尿病数据

随机森林优化贝叶斯预测分析汽车燃油经济性

Python基于粒子群优化的投资组合优化研究

matlab使用贝叶斯优化的深度学习：卷积神经网络CNN

R语言深度学习：用keras神经网络回归模型预测时间序列数据

Matlab用深度学习长短期记忆（LSTM）神经网络对文本数据进行分类

R语言KERAS深度学习CNN卷积神经网络分类识别手写数字图像数据（MNIST）

MATLAB中用BP神经网络预测人体脂肪百分比数据

Python中用PyTorch机器学习神经网络分类预测银行客户流失模型

R语言实现CNN（卷积神经网络）模型进行回归数据分析

SAS使用鸢尾花(iris)数据集训练人工神经网络(ANN)模型

【视频】R语言实现CNN（卷积神经网络）模型进行回归数据分析

Python使用神经网络进行简单文本分类

R语言用神经网络改进Nelson-Siegel模型拟合收益率曲线分析

R语言基于递归神经网络RNN的温度时间序列预测

R语言神经网络模型预测车辆数量时间序列

R语言中的BP神经网络模型分析学生成绩

matlab使用长短期记忆（LSTM）神经网络对序列数据进行分类

R语言实现拟合神经网络预测和结果可视化

用R语言实现神经网络预测股票实例

使用PYTHON中KERAS的LSTM递归神经网络进行时间序列预测

python用于NLP的seq2seq模型实例:用Keras实现神经网络机器翻译

用于NLP的Python：使用Keras的多标签文本LSTM神经网络分类返回搜狐，查看更多