DESNZ and Energy Systems Catapult datasets

该数据集由DESNZ和Energy Systems Catapult提供，用于开发机器学习模型，预测空气源热泵（ASHP）的能耗、效率和成本节约。数据集包括两个最大的CSV文件，分别命名为9050csv_cleansed_data_set1_b693745c14a63a7ed1c6299c5abe1a19和9050csv_cleansed_data_set2_130a6915e7f8a17bb83efabdbdb7ec87。

本数据集由DESNZ与Energy Systems Catapult联合提供，旨在支撑机器学习模型开发，以预测空气源热泵（ASHP）的能耗、运行效率及成本节约情况。数据集包含两个体量最大的CSV文件，其名称分别为9050csv_cleansed_data_set1_b693745c14a63a7ed1c6299c5abe1a19与9050csv_cleansed_data_set2_130a6915e7f8a17bb83efabdbdb7ec87。

原始信息汇总

URSS - Home Energy Optimisation: Enhancing Heat Pump Efficiency Through Data-Driven Insights

数据集概述

• 项目背景: 英国能源安全与净零部门（DESNZ）启动了“热电化”项目，旨在通过空气源热泵（ASHPs）实现家庭供暖的脱碳。
• 数据来源: 使用DESNZ和Energy Systems Catapult的数据集。
• 目标: 开发机器学习模型，预测ASHP的能耗、效率和成本节约，以支持政策制定者、消费者和能源供应商的决策，最终降低英国家庭的电费和碳排放。

数据集下载

• 下载地址: https://beta.ukdataservice.ac.uk/datacatalogue/studies/study?id=9050#!/access-data
• 文件列表:
  • 9050csv_cleansed_data_set1_b693745c14a63a7ed1c6299c5abe1a19
  • 9050csv_cleansed_data_set2_130a6915e7f8a17bb83efabdbdb7ec87

数据处理

• 文件移动: 将下载的文件移动到本仓库的“TrainingData”文件夹中。
• 文件编辑: 使用以下命令编辑“PropertyIds.csv”文件，将训练数据属性的文件名输入到“property_id”列中。 bash (ls -1 | grep -v "^PropertyIds.csv$" | sort | awk BEGIN {print "property_id"} {print $0} > PropertyIds.csv)

模型运行

• Jupyter Notebook: 使用“Model.ipynb”文件运行模型，该文件包含所有必要的说明。
• 推荐环境: 推荐使用Anaconda-Navigator访问Notebook。
• 终端命令: 如果已安装Python、jupyter-lab包和其他相关包，可以使用以下命令访问JupyterLab。 bash jupyter-lab

搜集汇总

数据集介绍

构建方式

在能源安全和净零排放部门（DESNZ）的指导下，该数据集通过整合来自DESNZ和能源系统弹射器的数据，构建了一个用于家庭能源优化的综合数据集。数据集的构建过程包括从指定的数据服务网站下载两个最大的CSV文件，并将这些文件的内容整合到一个名为'TrainingData'的文件夹中。通过特定的Python脚本，对这些数据进行预处理，确保每个文件的唯一标识符被正确记录在'PropertyIds.csv'文件中，从而为后续的机器学习模型训练提供了结构化的数据基础。

特点

该数据集的显著特点在于其高度结构化和预处理的数据，这些数据专门用于支持空气源热泵（ASHPs）的能源消耗、效率和成本节约的预测模型开发。数据集不仅包含了详细的能源使用记录，还整合了环境因素和设备性能数据，使得模型能够更准确地预测和优化能源使用。此外，数据集的构建考虑了数据隐私和安全，确保了数据的合法性和可靠性，为政策制定者和消费者提供了可信赖的决策支持。

使用方法

使用该数据集进行分析和模型训练时，用户首先需要从指定的数据服务网站下载训练数据，并将其整合到本地'TrainingData'文件夹中。随后，通过运行'Model.ipynb'文件中的Jupyter Notebook，用户可以按照提供的指令逐步进行数据预处理和模型训练。建议使用Anaconda-Navigator来管理Python环境和Jupyter Notebook的运行，但也可以通过直接安装Python及相关包来运行。通过这种方式，用户可以有效地利用该数据集进行家庭能源优化的深入研究和应用。

背景与挑战

背景概述

在应对气候变化和实现净零排放的全球趋势下，英国能源安全与净零部门（DESNZ）启动了“热能电气化”项目，旨在通过空气源热泵（ASHPs）实现家庭供暖的脱碳。该项目利用DESNZ和能源系统弹射器（Energy Systems Catapult）的数据集，结合Python科学计算方法，开发机器学习模型，以预测ASHP的能耗、效率及成本节约。此研究不仅为政策制定者、消费者和能源供应商提供了数据驱动的决策支持，还旨在降低英国家庭的电力成本和碳排放。主要研究人员包括Peter Brommer博士，以及华威大学预测建模中心的团队。

当前挑战

该数据集的构建面临多重挑战。首先，数据集的收集涉及大量家庭供暖系统的详细数据，这要求高度的数据清洗和预处理技术。其次，预测模型的开发需要处理复杂的能源消耗模式和环境变量，这增加了模型的复杂性和计算需求。此外，数据集的应用需确保模型在不同气候条件和家庭结构下的泛化能力，以支持广泛的实际应用。最后，数据集的隐私和安全问题也是一大挑战，需确保家庭能源数据的匿名化和安全存储。

常用场景

经典使用场景

在能源安全和净零排放的背景下，DESNZ和Energy Systems Catapult数据集被广泛应用于预测空气源热泵（ASHPs）的能源消耗、效率及成本节约。通过结合Python科学计算方法，研究人员构建了机器学习模型，以精确预测ASHPs的性能参数。这一应用不仅有助于政策制定者制定更有效的能源政策，还能帮助消费者和能源供应商做出更明智的决策，从而在英国家庭中实现电力成本的降低和碳排放的减少。

解决学术问题

该数据集解决了能源领域中关于热泵效率和能源消耗预测的学术难题。通过提供详尽的能源使用数据，研究人员能够开发出高精度的预测模型，从而填补了现有研究中的空白。这不仅推动了能源效率的提升，还为实现净零排放目标提供了科学依据，具有重要的学术价值和实际意义。

衍生相关工作

基于DESNZ和Energy Systems Catapult数据集，许多相关研究工作得以展开，包括但不限于热泵性能优化、能源政策模拟和消费者行为分析。这些研究不仅深化了对热泵技术的理解，还为政策制定和市场推广提供了有力支持。此外，该数据集还激发了更多关于数据驱动能源管理的研究，推动了能源领域的技术创新和应用拓展。