用机器学习实现《GB/T 13234 用能单位节能量计算方法》

本文链接：https://blog.csdn.net/cndrip/article/details/124136964

用机器学习实现《GB/T 13234 用能单位节能量计算方法》

前言

2018 颁布了《GB/T 12345 用能单位节能量计算方法》，方中提到需要使用线性回归方法，来计算节能量。

规定：节能量energy savings
满足同等需要或达到相同目的的条件下，能源消耗/能源消费减少的数量。

因此，这个相同条件下，需要回归的方法来进行。
本文，原理方面不作介绍。着重讲解实现过程。

国际中提到归一法有三种方式，后推校准法，前推校准法和参考条件校准法，本文是以附录部分完整的实现整个过程，并记录成.ipynb文件。

同时用Excel方法按上述过程，一模一样的实现一次。两者结果完全一致。

机器学习部分

加载包

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.linear_model import LinearRegression
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus'] = False
%matplotlib inline

导入数据

# 一定要写encoding="gbk",否则乱码
data_2015=pd.read_csv("2015.csv",encoding="gbk",index_col="月份")
data_2016=pd.read_csv("2016.csv",encoding="gbk",index_col="月份")

查看数据

data_2015
data_2015.sum(0)

折百碱产量 117738.2
总能耗 42468.0
dtype: float64

这一步是为了保证数据正确

data_2016
data_2016.sum(0)

折百碱产量 205898.2
总能耗 65960.6
dtype: float64

可视化数据

进一步查看数据是否存在异常

data_2015.plot.scatter("折百碱产量","总能耗");

output1

data_2016.plot.scatter("折百碱产量","总能耗");

output2

分离数据

X_2015=data_2015['折百碱产量'].values.reshape(-1,1)
Y_2015=data_2015['总能耗']

X_2016=data_2016['折百碱产量'].values.reshape(-1,1)
Y_2016=data_2016['总能耗']

建模

model=LinearRegression()
model=model.fit(X_2015,Y_2015)

查看线性相关属性

截距

model.intercept_

67.955899928463168

系数

model.coef_

array([ 0.35377243])

画回归曲线

Yh_2015=model.predict(X_2015)
plt.figure(figsize=(8, 6))
plt.scatter(X_2015, Y_2015, c ='black')
plt.plot(X_2015, Yh_2015,c ='blue', linewidth=2)
plt.xlabel("折百碱产量/t")
plt.ylabel("月度总能耗/tce")
plt.show()

回归曲线

最后的方程

此处按国际要求保留2位小数

#方程为
print("Y=%.2fX+%.2f"%(model.coef_[0],model.intercept_))

Y=0.35X+67.96

根据上述方程计算预测结果

# 如果直接用模型计算结果差异很大，是因为两位小数带来的精度问题
# Yh_2016=model.predict(X_2016)
# Yh_2016
# 如果与国标数据一致必须，用二位小数的值来计算
Yhx=0.35*X_2016+67.96
Yhx

array([[ 6212.21 ],
[ 6248.435],
[ 6727.655],
[ 6136.75 ],
[ 6599.065],
[ 6241.855],
[ 6505.44 ],
[ 5971.76 ],
[ 5084.79 ],
[ 5426.495],
[ 6656.99 ],
[ 5068.445]])