Skip to content

Latest commit

 

History

History
113 lines (84 loc) · 6.32 KB

README.md

File metadata and controls

113 lines (84 loc) · 6.32 KB
Raw

ElEnSuProSis

Elektros energijos suvartojimo prognozavimo sistema

Tikslas: Sukurti modelį, kuris prognozuotų elektros energijos suvartojimą įvairiuose Lietuvos regionuose, remiantis demografiniais ir meteorologiniais duomenimis.

Technologijos: Python, pandas, Matplotlib/Seaborn, scikit-learn

Struktūra

Projekto rinkmenos sudėtos šiuose kataloguose:

data/ Duomenys

img/ Paveikslai

models/ Modelis

Pagrindiniame kataloge rasite pagrindines Python *.py ir kitas bendrąsias rinkmenas. Rinkmenos UTF-8 koduote.

Duomenys

duomenys.py yra pagrindinė, kurioje esančios Rinkinys ir Lentelė klasės skirtos valdyti duomenis kaip objektus.

Pradiniai surinkti duomenys

  • Surinkti istoriniai AB „Energijos skirstymo operatoriaus“ (ESO) duomenys apie elektros energijos suvartojimą, kuriuos galima rasti Lietuvos atvirų duomenų portale https://data.gov.lt/ pateikstus pamėnesiui CSV ir platinamus pagal CC BY 4.0 licenciją:

    • Automatizuotų buitinių vartotojų valandiniai duomenys agreguoti pagal regioną https://data.gov.lt/datasets/1778/. 2022 m. pirminių duomenų kopija padėta data/elektra_buitis/ kataloge.
    • Automatizuotų verslo vartotojų valandiniai duomenys agreguoti pagal regioną https://data.gov.lt/datasets/1907/. 2022 m. pirminių duomenų kopija padėta data/elektra_verslas/ kataloge.

  • Naudojant pasirašytą meteo_lt.py surinkti meteorologiniai duomenys iš https://archyvas.meteo.lt/, įskaitant oro temperatūrą, juntamąją temperatūrą, vėjo greitį, slėgį jūros lygyje, santykinį oro drėgnį, kritulių kiekį, kuriuos teikia Lietuvos hidrometeorologijos tarnyba prie Aplinkos ministerijos (LHMT) ir platina pagal CC BY-SA 4.0 licenciją. Iš svetainės ištrauktų 2022 m. pradinių duomenų kopiją rasite kataloge data/orai/

  • Surinktos Registrų centro svetainėje https://www.registrucentras.lt/p/853 viešai talpinamos ir demografinius duomenis turinčios statistinės suvestinės lentelės apie gyventojų skaičius pagal amžių skirtingose savivaldybėse.

Duomenų valymas ir paruošimas

  • Naudojant pandas:
    • atrinkti labiau dominantys kintamieji,
    • atmestos duomenų eilutės su praleistomis reikšmėmis,
    • pataisytos duomenų formato klaidos,
    • patikrintos laiko juostos ir UTC laikas pakeistas į vietinį,
    • apskaičiuoti išvestiniai kintamieji (pvz., elektros energija, kurią per valandą suvartoja statistinis regiono automatizuotas vartotojas, gyventojų pasiskirstymo pagal amžių procentinė dalis savivaldybėse),
    • regionų grupavimo suvienodinamas (pvz., Registrų centre miestų ir rajonų savivaldybės atskirtos, o ESO regionai beveik visas tokias sujungia) bei bendrų regionų atrinkimas,
    • galiausiai sujungtos skirtingos duomenų rūšys į bendrą lentelę.
  • Šie darbai automatizuoti, tačiau naudotojas, jei nori, gali interaktyviai gali pasirinkti
    • analizės laikotarpį tarp 2021 ir 2023 m. ir
    • regionus (kelis ar visus) sujungimui į bendrą lentelę.
  • Apjungtus ir pertvarkytus atskirų rūšių duomenis rasite data/elektra_buitis_2022.csv, data/elektra_verslas_2022.csv, data/orai_2022.csv, data/gyventojai_2022.csv rinkmenose; skirtingų rūšių apjungtus duomenis rasite data/apjungtieji_2022.csv rinkmenoje.

Apžvalginė analizė

  • 2022 m. pilniausi, tada automatizuotų elektros abonentų skaičius buvo didžiausias. abonentų skaičiaus kitimas laike

  • Netolygus automatizuotų elektros abonentų skaičius: didžiausias Vilniaus, Kauno ir Šiaulių regionuose

  • Ryškus elektros vartojimo sezoniškumas: žiemą didžiausias (~10 kWh/val abonentui), o vasarą mažiausias (~5 kWh/val) Elektros suvartojimo sezoniškumas

  • Elektros energijos vartojimo dėsningumas yra gana vienodas paros eigoje nepriklausomai nuo mėnesio, netgi gretimuose mėnesiuose perėjus tarp vasaros ir žiemos laiko (t.y. netgi lyginant vasarį ir balandį, rugsėjį ir lapkritį). Elektros suvartojimo kitimas paroje

  • Gyventojų netolygus pasiskirstymas regionuose pagal amžiaus grupes: santykinai daugiausia senyvo amžiaus žmonių gyvena Ignalinoje, o santykinai daugiausia jaunimo yra didžiųjų miestų Vilniaus ir Klaipėdos regionuose.

  • Duomenų analizę galite atkartoti įvykdę analize.py

  • Analizei vizualizuoti sukurtas įrankis zemelapis.py, kuris nupiešia Lietuvos kontūrą ir pasirinktus duomenis gali atvaizduoti skirtingų dydžių, spalvų skrituliukais ties atitinkamais regionais.

Modelis

  • Sukurtas atsitiktinių miškų regresijos (RandomForestRegressor iš scikit-learn) modelis gali prognozuoti, kiek elektros energijos (kWh) suvartotų vidutinis pasirinkto Lietuvos regiono automatizuotas vartotojas.
  • Nors tai bendras modelis visiems regionams, bet modelio valdymo metodai automatiškai pasiima ir naudoja regionų koordinatės ir atsižvelgia į jas, o ne į regioną kaip kategoriją.
  • Sukurta klasė su metodais modelio kaip objekto valdymui (pvz., apmokyti, vertinti, atlikti hiper-paramtrų paiešką, apmokytą modelį įrašyti į diską ir vėliau nuskaityti pakartotiniam naudojimui).
  • Įgyvendinta galimybė naudotojui interaktyviai rankiniu būdu pasirinkti regioną, norimas veiksnių reikšmes.
  • Modelis pasižymi pakankamu tikslumu:
    • vidutinė standartinė paklaida (MSE) yra 0,107 naudojant 8 nepriklausomus kintamuosius:
Veiksnys Svarba
Platuma 0,394
Temperarūra (C) 0,196
Slėgis (hPa) 0,113
Drėgnis (%) 0,073
Vėjo greitis (m/s) 0,068
Valanda 0,068
Gyventojai 60 m. + (%) 0,061
Ilguma 0,028

Modelį galima išbandyti iškvietus modeliavimas.py

Viską galima išbandyti iškviestus main.py

Licencija

Programinis Python kodas platinamas pagal GNU Bendrosios Viešosios licencijos (GNU General Public License) versiją Nr. 3.