友情链接:
合作联系
|
ASPEN培训课程
电力系统调度人员、能源数据分析师、AI算法工程师、售电公司负荷预测专员、智能电网研究人员。
理解电力负荷预测的基本概念（超短期、短期、中期、长期）与应用场景。
掌握传统统计方法与AI方法（时间序列、机器学习、深度学习）在负荷预测中的应用。
能够独立完成基于历史数据的负荷预测模型开发、训练与部署。
电力负荷预测概述：负荷预测的定义与重要性（保障供需平衡、优化机组组合、电力市场交易）；负荷预测的分类（超短期、短期、中期、长期）；影响负荷的因素（气象、节假日、经济、用户行为）。
负荷数据预处理：历史负荷数据的采集（SCADA系统、智能电表）；数据清洗（缺失值处理、异常值检测与修正）；数据归一化/标准化；特征工程（时间特征、气象特征、滞后特征）。
传统预测方法回顾：时间序列方法（ARIMA、SARIMA、指数平滑）；回归分析方法（线性回归、岭回归）；传统方法的优缺点与适用场景；与传统AI方法的对比。
机器学习预测模型：支持向量回归（SVR）；随机森林与梯度提升树（XGBoost、LightGBM、CatBoost）；模型特征重要性分析；超参数调优（网格搜索、贝叶斯优化）。
深度学习预测模型基础：人工神经网络（ANN）的基本原理；循环神经网络（RNN）与长短期记忆网络（LSTM）；LSTM在时间序列预测中的优势；门控循环单元（GRU）。
高级深度学习模型：序列到序列（Seq2Seq）模型；注意力机制（Attention）；Transformer模型在时间序列预测中的应用；时间卷积网络（TCN）；模型对比与选择。
多变量负荷预测：考虑气象因素的负荷预测（温度、湿度、风速、光照）；考虑节假日与经济活动的负荷预测；多变量输入的特征融合；多变量模型的评估。
概率性负荷预测：确定性预测与概率性预测的区别；分位数回归；贝叶斯深度学习；区间预测与分位数预测；预测不确定性评估。
模型评估与验证：评估指标（MAE、MAPE、RMSE、R²、PICP、PINAW）；交叉验证方法（时间序列交叉验证）；模型的稳定性测试；预测误差分析。
预测结果的修正：人工经验修正；气象预报误差的补偿；突发事件的影响修正；实时滚动预测的更新策略。
模型部署与应用：模型的序列化与保存；API服务的封装；实时预测系统的架构；预测结果的可视化（负荷曲线、误差分布）；与调度系统的集成。
综合实战项目：基于真实负荷数据（如某地区年度负荷数据）的短期负荷预测模型开发，包含数据预处理、特征工程、LSTM/XGBoost模型构建、超参数优化、模型评估与可视化。
