# paperdraw

**Repository Path**: pibeibei/paperdraw

## Basic Information

- **Project Name**: paperdraw
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-02-24
- **Last Updated**: 2026-05-19

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 电力预测数据分析项目

## 项目概述

本项目用于分析两个特殊的电力预测数据集：
1. **福建电力预测结果**（2018年春节期间）
2. **SGA算法预测结果**（2020年4月上海封城期间）

## 数据文件

- `fujian_prediction_results.csv` - 福建电力预测结果（272,016条记录）
- `sga_prediction_results.csv` - SGA算法预测结果（370,392条记录）

## 分析内容

### 1. 福建春节期间分析（2018年2月15-21日）
- 分析2018年春节期间的预测准确性变化
- 计算每日的RMSE、MAE、MAPE和准确度
- 观察节假日对预测性能的影响

### 2. SGA封城期间分析（2020年4月10-24日）
- 分析上海封城前后的预测波动情况
- 计算封城前后的预测指标对比
- 观察突发事件对预测模型的影响

### 3. 预测指标计算
- **RMSE** (Root Mean Square Error) - 均方根误差
- **MAE** (Mean Absolute Error) - 平均绝对误差
- **MAPE** (Mean Absolute Percentage Error) - 平均绝对百分比误差
- **Accuracy** - 预测准确度

## 生成文件

### 1. Python脚本
- `power_prediction_analysis.py` - 完整的分析脚本（需要matplotlib等依赖）
- `simple_analysis.py` - 简化版分析脚本（仅使用Python内置库）
- `create_visualizations.py` - SVG图表生成脚本

### 2. 分析结果
- `simple_analysis_report.md` - 详细的分析报告
- `fujian_chart.svg` - 福建春节期间预测准确性图表
- `sga_chart.svg` - SGA封城期间预测波动图表
- `comparison_chart.svg` - 预测性能对比图表

### 3. 其他文件
- `requirements.txt` - Python依赖包列表
- `fujian_rolling_rmse.csv` - 福建滚动RMSE数据
- `sga_rolling_rmse.csv` - SGA滚动RMSE数据
- `system_latency_metrics.csv` - 系统延迟指标

## 主要发现

### 福建春节期间预测表现
- 整体准确度：89.08%
- RMSE：840.18
- MAE：624.45
- MAPE：10.66%
- 每日准确度波动较大（77.97% - 96.48%）

### SGA算法封城期间预测表现
- 封城前准确度：90.75%
- 封城期间准确度：91.55%
- 封城后预测误差整体呈下降趋势
- RMSE变化：-40.56（改善）
- MAE变化：-45.83（改善）

### 关键结论
1. **特殊时期预测稳定性**：两个特殊时期的预测模型都表现出相对稳定的性能
2. **突发事件适应性**：SGA算法在封城期间的预测波动较小，表明模型对突发事件的适应能力较好
3. **节假日影响**：春节期间的电力需求变化模式相对可预测，但每日波动较大

## 使用方法

### 运行简化版分析
```bash
python3 simple_analysis.py
```

### 生成可视化图表
```bash
python3 create_visualizations.py
```

### 查看分析结果
```bash
cat simple_analysis_report.md
```

## 依赖项

简化版分析仅需要Python 3.x内置库：
- csv
- datetime
- math

完整版分析需要：
- pandas >= 1.5.0
- numpy >= 1.20.0
- matplotlib >= 3.5.0
- seaborn >= 0.11.0
- scikit-learn >= 1.0.0

## 安装依赖

```bash
pip3 install -r requirements.txt
```

## 注意事项

1. 数据文件包含大量记录（总计超过60万条），分析时需要注意性能
2. 时间格式为YYYY-MM-DD HH:MM:SS
3. 预测时间步长为15分钟
4. 所有数值已进行验证和清洗

## 未来改进方向

1. 增加更多时间维度的分析（月度、季度趋势）
2. 添加机器学习模型预测功能
3. 实现实时预测监控面板
4. 增加异常检测功能