## 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。 本项目通过分析家庭用电数据，运用时序分析的方法，旨在深入理解和预测家庭电力消费模式。项目所用数据集涵盖了2007年1月至2007年6月期间一个家庭的电力消耗情况，为研究者提供了长达六个月的详细电力使用记录。这一时间跨度覆盖了不同季节，为季节性电力消费模式的分析提供了丰富信息。数据集包含了有功功率、无功功率、电压、电流强度等多个维度的信息，这些数据对于分析家庭电力使用的特点和模式至关重要。 项目从一个家庭的电力消费出发，但其成果对于更大范围的家庭乃至整个社区的电力需求预测同样具有参考价值。通过对有功功率和无功功率的分析，可以了解家庭在电力系统中所消耗的真实能量和视在能量。电压和电流强度的记录有助于分析家庭电网的稳定性和安全性问题。而分项计量数据，包括厨房、洗衣房以及电热水器和空调的用电情况，使得对家庭内部不同电力消费部分的分析成为可能，这对于优化家庭用电效率和制定节能策略具有实际意义。 在分析方法上，项目采用了时序分析技术。时序分析是指对按照时间顺序排列的数据进行统计分析的方法，这类方法在处理时间序列数据时特别有效。通过时序分析，研究人员可以识别数据中的趋势、季节性模式、周期性规律等，这些对于预测未来的电力需求、调整电力供应策略具有重要意义。 本项目的分析过程可能涉及到了多种数据分析技术。首先是数据预处理，包括数据清洗、数据归一化等，以确保分析的准确性。接下来可能是时间序列的平稳性检验，非平稳时间序列通常需要通过差分等方法转换为平稳序列。在此基础上，应用各种时序模型，如ARIMA模型、季节性分解的时间序列预测模型（STL），以及利用机器学习算法来提高预测精度。项目中可能还包括了特征工程，通过创建新特征或变换现有特征来增强模型的预测能力。 该项目还可能涉及到一些编程和软件工具的使用，尤其是Python编程语言。Python在数据分析领域广泛应用，支持多种数据分析库，如Pandas、NumPy和Matplotlib等，这些工具对于数据处理和可视化提供了极大的便利。此外，Python的机器学习库，如scikit-learn、TensorFlow或Keras，可能也被用于构建预测模型。 本项目不仅为家庭电力消费研究提供了详细的案例分析，而且在数据处理、时序分析以及预测模型构建方面，提供了宝贵的经验和参考。对于电力公司、政策制定者以及希望提高能源效率的家庭，本项目的研究成果具有较高的应用价值。

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

描述家庭用电情况的数据，这是一个压缩包，解压出来是.txt文件，就是代码中引用的数据。这里是用到了1000条数据。

ExploratoryDataProject1 说明该作业使用来自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]说明：测量一个家庭中一个家庭的电力消耗的方法-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：以dd / mm / yyyy格式表示的时间时间：以hh：mm：ss格式表示的时间Global_active_power：家庭全球分钟平均有功功率（以千瓦为单位） ）Global_reactive_power：家庭全球平均每分钟平均无功功率（以千瓦为单位）电压：每分钟平均平均电压（以伏特为单位）Global_intensity：家庭全球每分钟的平均平均电流强度（以安培为单位）Sub_metering_1：

能量时间序列 这是我在Ecole Polytechnique（MSc Data Science，2019-2020）上的机器学习（II）课程的最后一个项目。 目的是训练一种算法来代替过于侵入和过于昂贵的常规房屋能耗监测系统。 这一挑战被称为NILM（非侵入式负载监视）或NIALM（非侵入式设备负载监视）。 挑战的目的是根据时间数据预测专用于4种电器（洗衣机，电冰箱，电视，水壶）的一个家庭的用电量比例。 这项挑战由ENS（国家高等专科学校）提供： : 。 我们使用了回归模型，在的报告中对此进行了详细介绍。

阶梯电价，电费查看，统计，每个电器的耗电量管理，电器耗电量查看 用户端 1.查看一周或者当月用电情况，（统计折线图） 2.查看当日电器用电使用情况（饼图） 3.查看当月电费总额和每日明细 管理端 1.管理用户信息 2.管理查看用户每日用电信息 3.管理查看用户每日各类电器用电使用情况 4.管理费率（阶梯电价）什么区间什么价位，一个区间一个费率。区间就按照固定死的来，费率可以手动调解 5.用电警告 这个最多就是用户登录查看的时候有个弹框

该数据包含家庭中时间、有功功率、无功功率、电压、、Global_intensity、Sub_metering_1、2、3等数据，可用于用电负荷的预测

线性回归入门案例 家庭用电量预测-附件资源

家庭用电监管智能终端系统设计策略研究.pdf

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