电力系统机组组合预测模型（Transformer版本）

项目概述

本项目实现了基于Transformer架构的电力系统机组组合预测模型，用于预测24节点电力系统中各机组的启停状态。该模型通过学习历史负荷需求与机组组合之间的关系，实现对未来机组启停状态的准确预测，为电力系统调度提供决策支持。

主要功能

• 使用Transformer架构进行时序特征提取和模式识别
• 支持24节点电力系统的机组组合预测
• 完整的数据加载、预处理、模型训练、评估和结果保存流程
• 训练损失可视化和模型性能评估
• 支持模型保存和加载功能

项目结构

Load/
├── LogRegressionDetailed_24Bus_24Period00.py  # 主要程序文件（Transformer版本）
├── demand24BusWBCorr24Prd.txt                  # 负荷需求数据（输入）
├── commitment24BusWBCorr24Prd.txt              # 机组组合数据（输出）
├── commitment24Bus24PrdTestSample_Transformer.csv  # 预测的机组组合结果
├── probabilities24Bus24PrdTestSample_Transformer.csv  # 预测的概率值
├── power_system_transformer_model.pth          # 训练好的模型权重
├── training_loss_cpu_64.png                    # 训练损失曲线
└── README.md                                   # 项目说明文档

技术实现

模型架构

模型基于Transformer架构实现，主要包含以下组件：

• 输入嵌入层：将输入特征映射到高维空间
• 位置编码：为输入添加时序信息
• Transformer编码器：包含多头自注意力机制和前馈神经网络
• 输出层：将特征映射到机组启停状态概率

数据处理

• 输入数据：负荷需求数据，范围归一化到[0,1]
• 输出数据：机组启停状态（二进制值：0/1）
• 数据划分：80%训练集，20%测试集
• 批量训练：支持mini-batch训练，提高训练效率

训练配置

• 损失函数：二分类交叉熵损失（BCELoss）
• 优化器：Adam优化器
• 评估指标：准确率（Accuracy）
• 训练设备：支持CPU（当前配置）和GPU

使用方法

环境要求

• Python 3.x
• PyTorch
• NumPy
• Pandas
• Matplotlib

运行模型

1. 确保所有数据文件在同一目录下
2. 运行主程序文件：

python LogRegressionDetailed_24Bus_24Period00.py

3. 程序将自动执行以下步骤：
   • 加载和预处理数据
   • 初始化并训练模型
   • 评估模型性能
   • 保存预测结果和模型权重

结果说明

• commitment24Bus24PrdTestSample_Transformer.csv：预测的机组启停状态（二进制）
• probabilities24Bus24PrdTestSample_Transformer.csv：预测的概率值
• power_system_transformer_model.pth：训练好的模型权重
• training_loss_cpu_64.png：训练损失曲线

模型评估

模型使用准确率作为评估指标，训练完成后会输出：

• 训练集准确率
• 测试集准确率
• 总训练时间

注意事项

• 当前模型配置为CPU训练，如需使用GPU训练，请修改代码中的设备设置
• 模型参数（如嵌入维度、注意力头数、编码器层数等）可根据实际需求调整
• 数据文件较大，请确保有足够的内存空间

参考资料

• 基于原始工作修改：Arun Ramesh, 休斯顿大学
• Transformer架构参考：《Attention Is All You Need》论文

---

注：本项目为电力系统机组组合预测的Transformer实现版本，用于学术研究和实验目的。