能源大数据分析理论与实践12.电力大数据分析.pptxVIP

电力大数据分析12E-PowerBigDataAnalysis

12.1基于LSTM方法的家庭用电量预测案例数据集来自UCI机器学习数据集，该数据集包含了2006年12月16日至2010年11月26日期间收集的1000个测量值，部分数据集如图所示。数据集中的特征信息如下。（1）Date：日期，格式为dd/mm/yyyy。（2）Time：时间，格式为hh:mm:ss。（3）Global_active_power：全球每分钟消耗的家用平均有功功率（千瓦）。（4）Global_reactive_power：全球每分钟消耗的家用平均无功功率（千瓦）。（5）Voltage：每分钟平均电压（伏特）。（6）Global_intensity：全球每分钟的家用平均电流强度（安培）。

12.1基于LSTM方法的家庭用电量预测（7）Sub_metering_1：1号能量子计量（以瓦时为单位的有功能量），主要是指厨房中的洗碗机、烤箱和微波炉消耗的电量。（8）Sub_metering_2：2号能量子计量（以瓦时为单位的有功能量），主要是指洗衣房中洗衣机、烘干机等消耗的电量。（9）Sub_metering_3：3号能量子计量（以瓦时为单位的有功能量），主要是指电热水器和空调消耗的电量。

12.1基于LSTM方法的家庭用电量预测1）数据的导入与预处理数据集包含一些缺失值（约占行数的1.25%），数据集中存在所有日历时间戳，但对于某些时间戳，缺少测量值，因此需要对数据进行预处理。在进行数据预处理之前，导入所需的数据，该数据集包含2075259行和7列的数据。首先对缺失数据进行检查，查看各列缺失数据的情况并用均值进行填充，以保证数据的统计特性，并提高分析的准确性。代码如下。defETL_data():df=pd.read_csv(household_power_consumption.txt,sep=;,parse_dates={dt:[Date,Time]},low_memory=False,na_values=[nan,?],index_col=dt,dayfirst=True)print(df.shape)print(df.isnull().sum())df=df.fillna(df.mean())print(df.isnull().sum())print(df.corr())returndf

12.1基于LSTM方法的家庭用电量预测2）数据可视化为了进一步理解和分析数据，可以对现有的数据集进行可视化操作，分别绘制各列数据每月、每日、每小时的均值，代码如下。defdata_plot(df):i=1cols=[0,1,3,4,5,6]plt.figure(figsize=(20,10))forcolincols:plt.subplot(len(cols),1,i)plt.plot(df.resample(M).mean().values[:,col])plt.title(df.columns[col]+dataresampleovermonthformean,y=0.75,loc=left)i+=1plt.show()i=1

12.1基于LSTM方法的家庭用电量预测cols=[0,1,3,4,5,6]plt.figure(figsize=(20,10))forcolincols:plt.subplot(len(cols),1,i)plt.plot(df.resample(D).mean().values[:,col])plt.title(df.columns[col]+dataresampleoverdayformean,y=0.75,loc=center)i+=1plt.show()i=1cols=[0,1,3,4,5,6]plt.figure(figsize=(20,10))forcolincols:plt.subplot(len(cols),1,i)plt.plot(df.resample(H).mean().values[:,col])plt.