电力负荷预测案例之背景介绍

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt

# 1. 模拟电力负荷数据
print("=== 1. 模拟电力负荷数据 ===")
np.random.seed(42)

# 生成30天数据
dates = pd.date_range('2024-01-01', periods=30*24, freq='h')
power_load = []

for date in dates:
    hour = date.hour
    dayofweek = date.dayofweek
    month = date.month
    
    # 基础负荷
    if 0 <= hour < 6:
        base_load = 500
    elif 6 <= hour < 9:
        base_load = 800
    elif 9 <= hour < 17:
        base_load = 1000
    elif 17 <= hour < 21:
        base_load = 1200
    else:
        base_load = 700
    
    # 周末调整
    if dayofweek >= 5:
        base_load *= 0.8
    
    # 季节调整
    if month in [12, 1, 2]:
        base_load *= 1.2
    elif month in [6, 7, 8]:
        base_load *= 1.1
    
    load = base_load + np.random.normal(0, 50)
    power_load.append(max(100, load))

data = pd.DataFrame({
    'time': dates,
    'power_load': power_load
})

print(f"数据形状: {data.shape}")
print(f"时间范围: {data['time'].min()} ~ {data['time'].max()}")
print(f"负荷范围: {data['power_load'].min():.2f} ~ {data['power_load'].max():.2f}")

# 2. 可视化电力负荷
print("\n=== 2. 可视化电力负荷 ===")
plt.figure(figsize=(14, 6))
plt.plot(data['time'], data['power_load'], 'b-', linewidth=0.5)
plt.xlabel('时间')
plt.ylabel('电力负荷')
plt.title('30天电力负荷数据')
plt.grid(True, alpha=0.3)
plt.xticks(rotation=45)
plt.tight_layout()
plt.savefig('power_load_30days.png', dpi=100)
print("30天数据图已保存")

# 3. 日内负荷模式
print("\n=== 3. 日内负荷模式 ===")

def analyze_daily_pattern(data):
    """分析日内负荷模式"""
    data = data.copy()
    data['hour'] = data['time'].dt.hour
    
    hourly_avg = data.groupby('hour')['power_load'].agg(['mean', 'std', 'min', 'max'])
    
    print("各小时平均负荷:")
    for hour in range(24):
        avg = hourly_avg.loc[hour, 'mean']
        print(f"  {hour:2d}时: {avg:.2f}")
    
    # 可视化
    plt.figure(figsize=(12, 6))
    plt.plot(hourly_avg.index, hourly_avg['mean'], 'b-o', linewidth=2, markersize=8)
    plt.fill_between(hourly_avg.index, 
                     hourly_avg['mean'] - hourly_avg['std'],
                     hourly_avg['mean'] + hourly_avg['std'],
                     alpha=0.3, color='blue')
    plt.xlabel('小时')
    plt.ylabel('电力负荷')
    plt.title('日内负荷模式')
    plt.grid(True, alpha=0.3)
    plt.xticks(range(24))
    plt.savefig('daily_pattern.png', dpi=100)
    print("日内模式图已保存")
    
    return hourly_avg

hourly_avg = analyze_daily_pattern(data)

# 4. 周内负荷模式
print("\n=== 4. 周内负荷模式 ===")

def analyze_weekly_pattern(data):
    """分析周内负荷模式"""
    data = data.copy()
    data['dayofweek'] = data['time'].dt.dayofweek
    
    weekly_avg = data.groupby('dayofweek')['power_load'].mean()
    
    days = ['周一', '周二', '周三', '周四', '周五', '周六', '周日']
    
    print("各天平均负荷:")
    for i, day in enumerate(days):
        avg = weekly_avg.iloc[i]
        print(f"  {day}: {avg:.2f}")
    
    # 可视化
    plt.figure(figsize=(10, 6))
    plt.bar(days, weekly_avg.values, color='skyblue')
    plt.xlabel('星期')
    plt.ylabel('平均电力负荷')
    plt.title('周内负荷模式')
    plt.grid(True, alpha=0.3, axis='y')
    plt.savefig('weekly_pattern.png', dpi=100)
    print("周内模式图已保存")
    
    return weekly_avg

weekly_avg = analyze_weekly_pattern(data)

# 5. 不同发电方式对比
print("\n=== 5. 不同发电方式对比 ===")

def compare_power_sources():
    """对比不同发电方式"""
    print("""
不同发电方式对比:

1. 火电（传统）
   - 可控性: 高（加燃料即可）
   - 稳定性: 高
   - 环保: 差（碳排放）
   - 角色: 调和作用

2. 风电（新能源）
   - 可控性: 低（受风力影响）
   - 稳定性: 低
   - 环保: 好
   - 问题: 风大不转，风小转不动

3. 光电（新能源）
   - 可控性: 低（受天气影响）
   - 稳定性: 低
   - 环保: 好
   - 问题: 阴天影响

4. 核电
   - 可控性: 高
   - 稳定性: 高
   - 环保: 较好
   - 安全: 需要严格管控

5. 水电
   - 可控性: 中等（受水流影响）
   - 稳定性: 中等
   - 环保: 好
""")

compare_power_sources()

# 6. 负荷预测价值
print("\n=== 6. 负荷预测价值 ===")

def prediction_value():
    """负荷预测价值"""
    print("""
电力负荷预测价值:

1. 资源节约
   - 精确预测用电量
   - 避免发电过剩浪费
   - 优化储能和损耗

2. 电力平衡
   - 实现电力供需平衡
   - 有效整合可再生资源
   - 确保电网稳定性

3. 经济效益
   - 降低碳排放
   - 用更少资源干更多事
   - 精准预测带来巨大收益

4. 社会价值
   - 保证电力稳定供应
   - 支持数字化智能化平台
   - 推动经济发展
""")

prediction_value()

# 7. 阶梯电价分析
print("\n=== 7. 阶梯电价分析 ===")

def analyze_tiered_pricing(data):
    """分析阶梯电价"""
    data = data.copy()
    data['hour'] = data['time'].dt.hour
    
    # 定义电价时段
    def get_price_tier(hour):
        if 0 <= hour < 6:  # 低谷
            return '低谷'
        elif 6 <= hour < 9 or 17 <= hour < 21:  # 高峰
            return '高峰'
        else:  # 平段
            return '平段'
    
    data['price_tier'] = data['hour'].apply(get_price_tier)
    
    tier_avg = data.groupby('price_tier')['power_load'].agg(['mean', 'count'])
    
    print("各电价时段负荷:")
    for tier in ['低谷', '平段', '高峰']:
        avg = tier_avg.loc[tier, 'mean']
        count = tier_avg.loc[tier, 'count']
        print(f"  {tier}: 平均负荷={avg:.2f}, 数据点={count}")
    
    # 可视化
    plt.figure(figsize=(10, 6))
    tier_avg['mean'].plot(kind='bar', color=['green', 'orange', 'red'])
    plt.xlabel('电价时段')
    plt.ylabel('平均电力负荷')
    plt.title('阶梯电价时段负荷')
    plt.grid(True, alpha=0.3, axis='y')
    plt.savefig('tiered_pricing.png', dpi=100)
    print("阶梯电价图已保存")

analyze_tiered_pricing(data)

# 8. 完整背景介绍
def background_introduction():
    """完整背景介绍"""
    print("=" * 50)
    print("电力负荷预测案例 - 背景介绍")
    print("=" * 50)
    
    print("\n1. 重要性")
    print("   电力工业是国民经济发展中重要基础性能源产业")
    print("   保证国民经济和社会持续稳定健康发展")
    
    print("\n2. 任务复杂性")
    print("   电能多种多样")
    print("   新能源波动性和不确定性")
    
    print("\n3. 电力系统转型")
    print("   传统: 火电为主力")
    print("   现代: 新能源为主，火电调和")
    
    print("\n4. 预测需求")
    print("   准确预测负荷需求")
    print("   实现电力供需平衡")
    print("   有效整合可再生资源")
    print("   降低碳排放")
    
    print("\n5. 社会价值")
    print("   资源节约")
    print("   经济效益")
    print("   保证电力稳定供应")
    
    print("\n" + "=" * 50)
    print("背景介绍完成!")
    print("=" * 50)

background_introduction()