【Python】家庭用电数据分析Prophet预测

已于 2024-08-24 15:43:14 修改
阅读量1.5k 收藏 27
点赞数 14
分类专栏： 数据分析 python 文章标签： Python Prophet 数据分析 数据挖掘
于 2024-08-24 15:15:07 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_73404807/article/details/141473190
版权

数据集：Household Electricity Consumption | Kaggle

目录

数据集简介

探索性分析

Prophet预测

Prophet模型

Prophet理念

Prophet优点

数据集简介

240000-household-electricity-consumption-records数据集包含了一个家庭6个月的用电数据，收集于2007年1月至2007年6月。这些数据包括全球有功功率、全球无功功率、电压、全球强度、分项计量1（厨房）、分项计量2（洗衣房）和分项计量3（电热水器和空调）等信息。该数据集共有260,640个测量值。

列名说明
Date日期
Time时间
Globalactivepower该家庭所消耗的总有功功率（千瓦）
Globalreactivepower该家庭消耗的总无功功率（千瓦）
Voltage向家庭输送电力的电压（伏特）
Global_intensity输送到家庭的平均电流强度（安培）
Submetering1厨房消耗的有功功率（千瓦）
Submetering2洗衣房所消耗的有功功率（千瓦）
Submetering3电热水器和空调所消耗的有功功率（千瓦）

探索性分析

导入数据集并读取头部 

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
data_path = "./household_power_consumption.csv"
df = pd.read_csv(data_path,index_col='index')
df.head()

面向特定客户时可将列名替换为中文

# # 将列名替换为中文
# df.rename(columns={
#     'Date': '日期',
#     'Time': '时间',
#     'Global_active_power': '有功功率',
#     'Global_reactive_power': '无功功率',
#     'Voltage': '电压',
#     'Global_intensity': '电流',
#     'Sub_metering_1': '厨房的有功功率',
#     'Sub_metering_2': '洗衣房的有功功率',
#     'Sub_metering_3': '电热水器和空调的有功功率',
#     },inplace=1)
# # 再次预览前5行数据
# df.head()

对DataFrame 中的数值列进行统计

df.describe()

 查看DataFrame中各列的数据类型

df.dtypes

转换数据格式

from tqdm.auto import tqdm
from ipywidgets import HBox, FloatProgress, HTML
# 将'Date'列转换为日期时间格式
df['Date']=pd.DatetimeIndex(df['Date'])
# 定义需要转换为数字的列
make_em_num = ['Global_active_power', 'Global_reactive_power', 'Voltage', 'Global_intensity', 'Sub_metering_1', 'Sub_metering_2', 'Sub_metering_3']
# 定义一个函数，将字符串转换为浮点数，如果转换失败则返回0
def floating(string):
    try:
        return float(string)
    except:
        return float(0)
# 遍历需要转换为数字的列
for column in tqdm(make_em_num):
    # 将列中的每个元素应用floating函数，转换为浮点数
    df[column] = df[column].apply(lambda item: floating(item))
# 创建一个水平布局，包含一个浮点进度条和一个HTML元素
HBox(children=(FloatProgress(value=0.0, max=7.0), HTML(value='')))

 查看转换效果，转换后的数据类型

df.dtypes

 查看转换效果，转换后的数据头部

df.head()

绘制相关系数热力图。使用Seaborn库中的heatmap函数来绘制一个热力图,展示数据框df中各列之间的相关性

  • df.drop表示删除名为index、Date和Time的列。axis=1表示按列删除。
  • annot=True，使得热力图上显示相关系数的具体数值。
import seaborn as sns
sns.heatmap(df.drop(['Date','Time'], axis=1).corr(), annot=True)

 

Prophet预测

https://github.com/facebook/prophet

Prophet是一种基于可加性模型预测时间序列数据的程序，其中非线性趋势可以按年度、每周和每日的季节性，以及假日效应进行拟合。它最适合于具有强烈季节效应的时间序列和有几个季节的历史数据。Prophet对于缺失的数据和趋势的变化是稳健的，并且通常能够很好地处理异常值。

获取DataFrame的形状 

from prophet import Prophet
df.shape

通过 Prophet 对有功功率和电压进行预测

# 从数据框中随机抽取10000行
df=df.sample(n=10000)
# 定义一个函数，用于使用Prophet模型进行预测
def prophet_forecaster(data, x, y, period=100):
    # 创建一个新的数据框，包含日期和目标变量
    new_df = pd.DataFrame(columns=['ds', 'y'])
    new_df['ds']= data[x]
    new_df['y'] = data[y]
    # 创建一个Prophet模型
    model = Prophet()
    # 使用新的数据框进行模型训练
    model.fit(new_df)
    # 创建未来日期的数据框
    future_dates = model.make_future_dataframe(periods=period)
    # 使用模型进行预测
    forecast = model.predict(future_dates)
    # 绘制预测结果
    model.plot(forecast)
    # 设置图表标题
    plt.title(f"Forecasting on the next {period} days for {y}")
# 使用Prophet模型对Global_active_power进行预测
prophet_forecaster(df, x='Date', y='Global_active_power', period=180)
# 使用Prophet模型对Global_reactive_power进行预测
prophet_forecaster(df, x='Date', y='Global_reactive_power', period=180)
# 使用Prophet模型对Voltage进行预测
prophet_forecaster(df, x='Date', y='Voltage', period=180)
# 使用Prophet模型对Global_intensity进行预测
prophet_forecaster(df, x='Date', y='Global_intensity', period=180)

未来半年有功功率预测结果：

未来半年无功功率预测结果 

未来半年电压预测结果：

未来半年电流预测结果

Prophet模型

  • g(t) 表示趋势函数，能够拟合非周期性变化；

  • s(s)表示周期性变化，例如每周，每年，每季节等；

  • h(t)表示假期变化，节假日通常为一天或多天；

  • ϵt为噪声项，表示随机无法预测的波动，通常假设ϵt是高斯的。

Prophet理念

  • 趋势中有两个增长函数，分别是分段线性函数（linear）和非线性逻辑回归函数（logistic）。通过从数据中选择变化点，Prophet自动探测趋势变化；

  • 使用傅里叶级数建模每年的季节分量；

  • 使用虚变量代表过去，将来的相同节假日，属于节假日就为1，不属于就是0;

  • 用户提供的重要节假日列表

  • Modeling：建立时间序列模型。分析师根据预测问题的背景选择一个合适的模型。

  • Forecast Evaluation：模型评估。根据模型对历史数据进行仿真，在模型的参数不确定的情况下，我们可以进行多种尝试，并根 据对应的仿真效果评估哪种模型更适合。

  • Surface Problems：呈现问题。如果尝试了多种参数后，模型的整体表现依然不理想，这个时候可以将误差较大的潜在原因呈现给分析师。

  • Visually Inspect Forecasts：以可视化的方式反馈整个预测结果。当问题反馈给分析师后，分析师考虑是否进一步调整和构建模型。

Prophet优点

  • 准确，快速，高效率地拟合，可以针对所需关键数据进行交互式探索
  • 集成全自动流程，无需人工操作就能对混乱的数据做出合理的预测
  • 可调整的预测，预测模型的参数非常容易解释，可用业务知识改进或调整预测
  • 对缺失值和变化剧烈的时间序列和离散值有很好的鲁棒性，不需要填补缺失值；
完整的 Python 数据分析案例：电力消耗预测分析
daqsdfas的博客
02-20 301
电力公司需要准确预测电力消耗，以便合理安排发电计划、优化电网调度、降低运营成本。本案例通过分析历史电力消耗数据以及相关的气象因素（如温度、湿度等），构建预测模型来预测未来的电力消耗。
【数据挖掘】家庭用电预测——数据清洗与数据分析
qq_39172059的博客
03-11 4428
以上数据都是间隔一分钟测得的，有功功率单位为 KW，有功电能的单位为瓦时，通过有功率乘以时间（1分钟=1/60小时）乘以1000计算得到总的有功电能消耗，单位为瓦时，减去三个sub之和，得到了家庭中其他电路的电能消耗。可以看到，在北半球法国巴黎较暖的月份，有功功率比较大的点少，而在较冷的月份，有功功率比较大的点多。parse_dates：{'datetime':[0,1]}将原数据中的第1、2列作为新的列名为 ‘datatime’ 的列，即将原来的日期列、时间列合并为日期时间一列；
电气数据-家庭用电预测.csv
10-07
10万条数据。家庭用电数据。有功、无功、电压、电流等数据。用于电力居民负荷预测
数据分析-80-针对家庭用电数据进行时序分析（包含代码和数据）
最新发布
01-22
## 一、项目背景 本项目所用数据集包含了一个家庭6个月的用电数据，收集于2007年1月至2007年6月。这些数据包括有功功率、无功功率、电压、电流强度、分项计量1（厨房）、分项计量2（洗衣房）和分项计量3（电热水器和空调）等信息。 ## 二、数据说明 该数据集共收集了一个月内的`260640条`数据，共`9个`字段。
基于大数据挖掘的电量预测（四份报告+源代码+数据集）
06-14
用电量预测是国民经济运行的重要内容，根据历史数据，如国内生产总值、工业增加值、居民消费价格指数等，预测一段时间以内的用电量数据。 要求： （1）从公开渠道收集数据。目前已有一部分数据，但量还太小，需要进一步收集整理。 （2）对数据进行分析，利用XGBoosting 做特征提取，选择与用电量相关的指标。 （3）选择合适的模型进行预测，并对结果进行对比分析。
家庭用电预测-数据集
03-26
家庭用电预测
用户用电量数据data.rar
04-13
python数据分析与应用大作业，对用户用电量数据进行数据处理，对应文章《作业3（大作业）...》练习题数据
居民用电信息数据集
gitblog_09730的博客
10-28 1127
居民用电信息数据集 【下载地址】居民用电信息数据集 居民用电信息数据集 项目地址: https://gitcode.com/open-source-toolkit/78524 ...
居民用电数据集_华北电力大学任文龙、许刚等：如何运用人工智能技术计算出每个家用电器的用电量？...
weixin_39782355的博客
12-10 1965
戳题目，看全文！基于深度序列翻译模型的非侵入式负荷分解方法/任文龙，许刚《电网技术》2020年第1期：27-34.微文内容为了得到每一个家用电器的用电量实际上有两种方式：第一种方法是在每个家用电器的接口处安装计量设备，这种方法叫做侵入式监测，其优点是计量的电器用电量较为准确，但需要进入居民家庭内部安装，且监测设备成本较高，在很大程度上制约了侵入式监测技术发展；与之相比，由Hurt教授在2...
机器学习（预测模型）：家庭用电数据的集合
12-13
"Electricity Demands" 数据集是一个包含家庭用电数据的集合，具体来源于2007年1月至2007年6月的六个月期间。这个数据集详细记录了一个家庭在这段时间内的电力消耗情况，包括全球有功功率、全球无功功率、电压、全球强度以及分项计量（如厨房、洗衣房和电热水器及空调的消耗）。具体来说，数据集包含了260,640个测量值，为研究家庭用电模式提供了丰富的信息。 这个数据集可以用于多种机器学习目的，例如预测性建模或时间序列分析。研究人员可以利用这些数据来预测未来的家庭用电量，分析不同电气设备对耗电量的影响，研究电力消耗如何随时间和地点变化，或者构建预测模型来预测未来的电力消耗。这些信息对于能源管理、电网规划和节能减排等方面都具有重要意义。 该数据集的列名及其说明如下： Date：日期 Time：时间 Global_active_power：家庭消耗的总有功功率（千瓦） Global_reactive_power：家庭消耗的总无功功率（千瓦） Voltage：向家庭输送电力的电压（伏特） Global_intensity：输送到家庭的平均电流强度（安培） 等……
第十届泰迪杯数据挖掘B题：电力系统负荷预测分析--解题思路与部分代码02
qq_43800919的博客
04-06 9275
文章目录笔者背景赛题描述第一问： 给出该地区电网未来10天间隔15分钟的负荷预测结果，并分析其预测精度1.时序数据结构化预处理2.lightGBM模型拟合3.lightGBM模型拟合优度判断明天见！ 笔者背景 第九届泰迪杯上市公司财务造假全国一等奖，曾入围特等选拔7进3，并进行答辩。由于实习的原因不参加本次比赛，在此记录一下自己的一些想法与思考，希望可以为大家提供一些思路。此外，就多次参加比赛的经历中，笔者认为在模型构建以及论文撰写中，大家可以把某一个点作为论文的亮点，围绕这个点来展开，并对比这一个处理方
居民用电信息数据集，有功、无功、电压、电流
04-18
10万条数据。家庭用电数据。有功、无功、电压、电流等数据。用于电力居民负荷预测
用电量数据集资料.zip
06-06
详细介绍：https://blog.csdn.net/m0_65541699/article/details/125144533
家庭能耗数据
04-28
包含多个家庭的用个数据，数据包含多种电器，适合做数据挖掘的人使用
电力系统数据库
12-27
电力系统数据库
家庭内部电力消耗的测量：此分配使用来自UC Irvine机器学习存储库的数据，该存储库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]描述：测量一个家庭中一个家庭的电力消耗-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下说明来自UCI网站：日期：格式为ddmmyyyy的日期时间：格式为hh ss的时间Global_active_power：家庭全球分钟平均有功功率（以千瓦为单位）Global_re
02-15
家用电耗的测量 该分配使用来自UC Irvine机器学习存储库的数据，该库是机器学习数据集的流行存储库。 特别是，我们将使用我在课程网站上提供的“个人家庭用电量数据集”：数据集：电力消耗[20Mb]描述：测量一个家庭中一个家庭的电力消耗-在近4年内的分钟采样率。 提供不同的电量和一些子计量值。 数据集中9个变量的以下描述来自UCI网站：日期：日期格式为dd / mm / yyyy时间：时间格式为hh：mm：ss Global_active_power：家庭全球分钟平均有功功率（千瓦） ）Global_reactive_power：家庭全球分钟平均无功功率（以千瓦为单位）电压：分钟平均电压（以伏特为单位）Global_intensity：家庭全球分钟平均无功电流（以安培为单位）Sub_metering_1：1号电能子计量表（以瓦特为单位）小时的有功电能）。 它对应于厨房，主要包含洗碗机，烤箱
第十届泰迪杯数据挖掘B题：电力系统负荷预测分析--解题思路与部分代码03
qq_43800919的博客
04-11 4724
文章目录笔者背景赛题描述第一问： 给出该地区电网未来10天间隔15分钟的负荷预测结果，并分析其预测精度1.网格搜索2. Hyperbot以上！ 笔者背景 第九届泰迪杯上市公司财务造假全国一等奖，曾入围特等选拔7进3，并进行答辩。由于实习的原因不参加本次比赛，在此记录一下自己的一些想法与思考，希望可以为大家提供一些思路。此外，就多次参加比赛的经历中，笔者认为在模型构建以及论文撰写中，大家可以把某一个点作为论文的亮点，围绕这个点来展开，并对比这一个处理方法相较于其他的方法有多大的提升。通过图表的方式将多个模型
第十届泰迪杯数据挖掘B题：电力系统负荷预测分析--解题思路与部分代码01
qq_43800919的博客
04-07 4782
文章目录笔者背景赛题描述第一问： 给出该地区电网未来10天间隔15分钟的负荷预测结果，并分析其预测精度1.数据预处理2.模型构建明天见！ 笔者背景 第九届泰迪杯上市公司财务造假全国一等奖，曾入围特等选拔7进3，并进行答辩。由于实习的原因不参加本次比赛，在此记录一下自己的一些想法与思考，希望可以为大家提供一些思路。此外，就多次参加比赛的经历中，笔者认为在模型构建以及论文撰写中，大家可以把某一个点作为论文的亮点，围绕这个点来展开，并对比这一个处理方法相较于其他的方法有多大的提升。通过图表的方式将多个模型结果进
tspiral: 基于scikit-learn的时间序列预测Python包
2401_87458718的博客
09-23 999
tspiral是一个专为时间序列预测设计的Python包,它巧妙地将scikit-learn的强大估计器与时间序列分析的特殊需求相结合。这个创新工具由Marco Cerliani开发,目前在GitHub上已获得超过150颗星星的青睐,足见其在数据科学社区中的受欢迎程度。tspiral为时间序列预测带来了新的可能性。它结合了scikit-learn的强大功能和专门为时间序列设计的特性,为数据科学家和分析师提供了一个强大而灵活的工具。无论是初学者还是专家,tspiral都能满足多样化的时间序列预测需求。
可以用某地区用电量数据演示吗
05-29
好的，让我来为您演示某地区用电量数据的分析。 首先，我们需要有一些用电量的数据。假设我们有某地区在过去一年中每天的用电量数据，我们可以将其导入到一个数据分析工具中（例如Excel或Python的Pandas库），然后进行分析。 首先，我们可以计算出该地区整个年度的平均电量。假设该地区每天的用电量数据存储在一个名为“electricity.csv”的文件中，我们可以使用Python的Pandas库来进行计算，代码如下： ``` python import pandas as pd # 导入数据 data = pd.read_csv('electricity.csv') # 计算平均电量 average = data['electricity'].mean() # 输出结果 print('该地区整个年度的平均电量为：', average) ``` 接下来，我们可以画出该地区每个月的用电量情况，以便我们了解该地区用电量的季节性变化。我们可以使用Python中的Matplotlib库来进行绘图，代码如下： ``` python import pandas as pd import matplotlib.pyplot as plt # 导入数据 data = pd.read_csv('electricity.csv') # 将日期列转换为日期时间格式 data['date'] = pd.to_datetime(data['date']) # 按月份分组并计算总用电量 monthly_data = data.groupby(data['date'].dt.month)['electricity'].sum() # 绘制柱状图 plt.bar(monthly_data.index, monthly_data.values) plt.xlabel('Month') plt.ylabel('Electricity Consumption') plt.show() ``` 最后，我们可以对该地区每天用电量的变化进行预测。我们可以使用Python中的Prophet库，它是由Facebook开发的一种时间序列预测工具。代码如下： ``` python import pandas as pd from fbprophet import Prophet # 导入数据 data = pd.read_csv('electricity.csv') # 将日期列转换为日期时间格式 data['date'] = pd.to_datetime(data['date']) # 重命名数据列 data = data.rename(columns={'date': 'ds', 'electricity': 'y'}) # 创建Prophet模型 model = Prophet() # 拟合模型 model.fit(data) # 创建未来日期的数据框 future = model.make_future_dataframe(periods=365) # 进行预测 forecast = model.predict(future) # 绘制预测结果 model.plot(forecast) plt.xlabel('Date') plt.ylabel('Electricity Consumption') plt.show() ``` 以上就是对某地区用电量数据的分析和预测的一个简单演示。希望对您有所帮助！
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

F_D_Z

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值