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.

• 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 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).

• 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
Temperatūra (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.