# predict-electric-load

**Repository Path**: muyun12/predict-electric-load

## Basic Information

- **Project Name**: predict-electric-load
- **Description**: 电力负载预测练习项目
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-08-05
- **Last Updated**: 2025-08-05

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 电力负荷预测系统

这个项目实现了一个基于XGBoost的电力负荷预测系统，能够根据历史数据预测未来的电力负荷。

## 项目特点

- 使用XGBoost机器学习算法进行负荷预测
- 提取多种时间特征（年、月、日、小时、星期等）
- 创建滞后特征和滚动统计特征
- 可视化预测结果和特征重要性
- 包含示例数据生成器

## 算法原理

1. **特征工程**：
   - 时间特征：从日期时间中提取年、月、日、小时、星期等特征
   - 滞后特征：使用过去1小时、2小时、3小时、24小时、168小时（一周）的负荷数据
   - 滚动特征：计算负荷在不同时间窗口内的均值和标准差

2. **模型训练**：
   - 使用XGBoost回归器进行训练
   - 采用早停策略防止过拟合
   - 使用测试集评估模型性能

3. **预测过程**：
   - 基于训练好的模型预测未来时刻的负荷
   - 递归预测：使用之前预测的结果作为输入进行下一步预测

## 安装依赖

```bash
pip install pandas numpy xgboost scikit-learn matplotlib
```

## 使用方法

直接运行主程序：

```bash
python electric_load_forecast.py
```

这将执行以下操作：
1. 生成示例电力负荷数据
2. 训练XGBoost模型
3. 在测试集上评估模型性能
4. 显示预测结果与实际值的对比图
5. 显示特征重要性
6. 预测未来24小时的电力负荷

## 代码结构

- `ElectricLoadForecaster`：核心预测器类
  - `create_time_features()`：创建时间特征
  - `create_lag_features()`：创建滞后特征
  - `create_rolling_features()`：创建滚动统计特征
  - `prepare_features()`：准备所有特征
  - `train()`：训练模型
  - `predict()`：预测未来负荷
  - `plot_feature_importance()`：绘制特征重要性
- `generate_sample_data()`：生成示例数据

## 示例结果

程序运行后会显示：
1. 模型评估指标（MSE、MAE、RMSE）
2. 预测值与实际值的对比图
3. 特征重要性图表
4. 未来24小时负荷预测结果

## 自定义使用

要使用您自己的数据进行预测，可以按照以下步骤操作：

```python
import pandas as pd
from electric_load_forecast import ElectricLoadForecaster

# 加载您的数据
# 数据应包含'datetime'和'load'两列
# data = pd.read_csv('your_data.csv')

# 创建预测器实例
forecaster = ElectricLoadForecaster()

# 训练模型
results = forecaster.train(data)

# 预测未来24小时负荷
future_predictions = forecaster.predict(data, steps=24)
```