Electricity-Consumption-1.0|能源消耗数据集|时间序列分析数据集

该数据集包含用于能源消耗分析的时间序列数据，具有以下特征：'id'（数据集标识符，格式为'国家_家庭编号'）、'datetime'（观测日期和时间）、'target'（以千瓦时为单位的能源消耗量）和'category'（时间序列的分辨率，如15分钟、30分钟、60分钟）。数据来源包括荷兰、英国、德国和澳大利亚的智能电表数据集，每个数据集都有特定的时间段、粒度和范围。该数据集已被用于多个研究项目，并提供了使用Python库加载和处理数据的说明。

原始信息汇总

数据集概述

数据集信息

• 数据集名称: Electricity-Consumption-1.0
• 许可证: CC BY 4.0

数据集特征

• id: 数据集标识符，格式为 Country_Number of Household（例如，GE_1 表示德国，家庭1）。
• datetime: 时间戳，表示观测的日期和时间。
• target: 能量消耗，以千瓦时（kWh）为单位。
• category: 时间序列的分辨率（例如，15分钟、30分钟、60分钟）。

数据来源

1. 荷兰智能电表数据

• 来源: Liander Open Data
• 数据集名称: Zonnedael Dataset
• 时间周期:
  • 电力: 2012年5月1日 – 2014年3月7日
• 粒度:
  • 电力: 60分钟间隔
• 范围:
  • 约80个地址，包含用户同意的智能电表数据。
  • 数据单位: Wh/15min（电力）。
  • 数据已修正缺失值、不现实的消耗或必要时的插值。
  • 包含家庭类型、房屋年龄和结构的元数据，通过匿名客户ID链接。

2. 英国智能电表数据

• 来源: London Datastore
• 数据集名称: Low Carbon London Project
• 时间周期: 2011年11月 – 2014年2月
• 粒度: 30分钟间隔
• 范围:
  • 5,567个伦敦家庭的能源消耗数据。
  • 总计约1.67亿条记录（10GB未压缩）。
  • 两个客户组:
    1. 1,100个家庭参与2013年的动态分时电价（dToU）试验，暴露于可变电价（高、低、正常）。电价计划与数据集一起提供。
    2. 4,500个家庭采用固定电价。
  • 设计用于测试电价对消费行为和配电网压力的影响。

3. 德国智能电表数据

• 来源: Open Power System Data
• 数据集名称: CoSSMic Household Load and Solar Data
• 时间周期: 因家庭而异；第二次发布包括插值和处理后的数据。
• 粒度:
  • 1分钟间隔（原始）
  • 聚合到15分钟和每小时间隔
• 范围:
  • 德国南部的11个住宅和小型商业家庭。
  • 包括家庭级别的负荷和太阳能发电数据。
  • 涵盖单设备消耗，间隙使用前一天数据插值或填充。
  • 保留累计发电/消耗数据。

4. 澳大利亚智能电表数据

• 来源: Smart-Grid Smart-City Customer Trial Data
• 数据集名称: SGSC Customer Trial Data
• 时间周期: 2010 – 2014
• 粒度: 30分钟间隔
• 范围:
  • 澳大利亚大规模智能电网示范项目的一部分。
  • 包括与人口统计特征、电器使用、高峰事件响应和零售优惠相关的能源消耗数据。
  • 数据已匿名化，并通过客户ID链接。
  • 伴随气候条件和产品接受率等元数据。

相关研究

• 研究1: 比较生成模型用于变压器和消费者级别负荷剖面生成的评估
  • GitHub仓库: Generative Models for Customer Profile Generation
• 研究2: 基于流的模型用于条件和概率电力消耗剖面生成和预测
  • GitHub仓库: Full Convolutional Profile Flow
• 研究3: 一种高效且可解释的基于变压器的少样本学习，用于跨数千个领域的电力消耗剖面建模
  • GitHub仓库: GMMtransformer

AI搜集汇总

数据集介绍

构建方式

Electricity-Consumption-1.0数据集通过整合多个国家的高分辨率智能电表数据构建而成，涵盖了荷兰、英国、德国和澳大利亚的能源消耗模式。数据来源包括Liander Open Data、London Datastore、Open Power System Data以及Smart-Grid Smart-City Customer Trial Data。这些数据经过清洗和校正，确保缺失值和不合理的消耗数据得到处理，并通过插值方法填补空缺。每个数据源均提供了详细的元数据，如家庭类型、建筑年代和气候条件，以支持多维度的分析。

特点

该数据集具有多样化的时间分辨率和广泛的覆盖范围，时间间隔从15分钟到60分钟不等，涵盖了数千户家庭的能源消耗记录。数据集中包含`id`、`datetime`、`target`和`category`四个关键特征，分别用于标识家庭、记录时间戳、能耗值以及时间分辨率。此外，数据集还提供了丰富的元信息，如家庭类型、电价试验数据以及太阳能发电数据，为研究能源消耗行为提供了全面的支持。

使用方法

使用Electricity-Consumption-1.0数据集时，可通过`datasets`库加载数据，并将其转换为pandas DataFrame以便进一步分析。示例代码展示了如何读取Parquet格式的数据文件并将其转换为DataFrame。用户可以根据需要选择不同国家或时间分辨率的数据进行深入研究。该数据集适用于能源消耗模式分析、生成模型训练以及电价政策效果评估等多种应用场景。

背景与挑战

背景概述

Electricity-Consumption-1.0数据集由荷兰代尔夫特理工大学的Weijie Xia和Pedro P. Vergara主导创建，旨在为电力消费行为的研究提供高质量的时间序列数据。该数据集整合了来自荷兰、英国、德国和澳大利亚的智能电表数据，涵盖了不同时间分辨率的电力消耗记录。数据集的核心研究问题聚焦于电力消费模式的建模与预测，特别是在不同时间尺度下的动态变化。通过提供多国、多时间分辨率的数据，该数据集为电力系统优化、需求响应策略设计以及智能电网技术的研究提供了重要支持。其影响力不仅体现在学术研究领域，还为电力行业的实际应用提供了数据基础。

当前挑战

Electricity-Consumption-1.0数据集在构建和应用过程中面临多重挑战。首先，数据来源的多样性和异构性增加了数据整合与清洗的难度，不同国家的数据格式、时间分辨率和计量单位存在显著差异，需进行标准化处理。其次，数据缺失和异常值的处理是另一大挑战，尤其是在高时间分辨率下，数据采集的连续性和准确性难以保证。此外，数据隐私保护问题也需谨慎处理，尽管数据已进行匿名化处理，但仍需确保其符合相关法律法规。在应用层面，如何从高维时间序列数据中提取有效特征，并构建鲁棒的预测模型，是研究者面临的核心技术挑战。

常用场景

经典使用场景

Electricity-Consumption-1.0数据集在时间序列分析领域具有广泛的应用，特别是在电力消费模式的建模与预测中。该数据集通过高分辨率的时间序列数据，捕捉了不同国家和地区的家庭电力消费行为，为研究人员提供了丰富的实验材料。经典使用场景包括利用该数据集进行电力消费的短期和长期预测，以及通过机器学习模型分析不同时间尺度下的消费模式变化。

实际应用

在实际应用中，Electricity-Consumption-1.0数据集被广泛用于智能电网的优化和电力需求管理。通过分析该数据集，电力公司能够更好地理解用户的消费行为，从而制定更有效的电价策略和需求响应方案。此外，该数据集还为电力系统的负荷预测提供了可靠的数据支持，帮助电力公司提高电网的稳定性和效率。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于生成模型的电力消费模式生成与预测研究。例如，研究人员利用该数据集开发了基于Transformer的生成模型，用于生成用户级别的电力消费曲线。此外，还有研究基于该数据集提出了条件概率模型，用于电力消费的预测与生成。这些工作不仅推动了电力消费建模技术的发展，也为智能电网的优化提供了新的思路。