电力负荷短期预测模型（基于ARIMA）

电力分析与预测

根据提供的客户的20天的分时段数据，进行分析：

要求1：根据数据对客户进行聚类分析；

要求2：根据数据对客户进行负荷预测。

一.导入数据

# 安装库专用

# 通过如下命令设定镜像
options(repos = 'http://mirrors.ustc.edu.cn/CRAN/')
# 查看镜像是否修改
getOption('repos')
# 尝试下载R包
#若有需要，进行安装
#install.packages('forecast')

‘http://mirrors.ustc.edu.cn/CRAN/’

Installing package into 'C:/Users/天涯过客/Documents/R/win-library/4.0'
(as 'lib' is unspecified)

also installing the dependencies 'fracdiff', 'urca'




package 'fracdiff' successfully unpacked and MD5 sums checked
package 'urca' successfully unpacked and MD5 sums checked
package 'forecast' successfully unpacked and MD5 sums checked

The downloaded binary packages are in
	C:\Users\天涯过客\AppData\Local\Temp\Rtmpop8xQR\downloaded_packages

#设置工作路径
setwd("D:/LengPY")

#导入数据
library(readxl)
data1_6<-read_excel("10.1-10.6日数据.xlsx",sheet=1)
data7_13<-read_excel("10.7-10.13日数据.xlsx",sheet=1)
data14_20<-read_excel("10.14-10.20日数据.xlsx",sheet=1)

head(data1_6,3)

A tibble: 3 × 98
id	date	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	...	21:30-21:45	21:45-22:00	22:00-22:15	22:15-22:30	22:30-22:45	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00
										...
客户4	2020-10-01	0.619	0.619	0.619	0.619	0.619	0.619	0.619	0.619	...	0.581	0.581	0.581	0.581	0.581	0.581	0.619	0.619	0.619	0.619
客户5	2020-10-01	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	...	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210
客户8	2020-10-01	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	...	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000

二.数据的预处理

#head(data7_13,3)

#head(data14_20,3)

### 可发现维度一致，将其合并
data<-rbind(data1_6,data7_13,data14_20)
head(data)
str(data)#查看数据类型

A tibble: 6 × 98
id	date	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	...	21:30-21:45	21:45-22:00	22:00-22:15	22:15-22:30	22:30-22:45	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00
										...
客户4	2020-10-01	0.619	0.619	0.619	0.619	0.619	0.619	0.619	0.619	...	0.581	0.581	0.581	0.581	0.581	0.581	0.619	0.619	0.619	0.619
客户5	2020-10-01	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	...	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210	3.210
客户8	2020-10-01	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	...	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000	0.000
客户7	2020-10-01	0.625	0.625	0.625	0.625	0.625	0.625	0.625	0.625	...	0.635	0.635	0.635	0.635	0.635	0.635	0.625	0.625	0.625	0.625
客户89	2020-10-01	22.278	22.278	22.278	22.278	22.278	22.278	22.278	22.278	...	14.470	14.470	14.470	14.470	14.470	14.470	22.278	22.278	22.278	22.278
客户160	2020-10-01	65.200	48.480	65.840	62.560	49.120	64.560	62.560	65.840	...	84.560	85.920	85.920	83.920	84.560	67.200	98.000	83.920	84.560	98.640

tibble [3,900 x 98] (S3: tbl_df/tbl/data.frame)
 $ id         : chr [1:3900] "客户4" "客户5" "客户8" "客户7" ...
 $ date       : chr [1:3900] "2020-10-01" "2020-10-01" "2020-10-01" "2020-10-01" ...
 $ 00:00-00:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 00:15-00:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 00:30-00:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 00:45-01:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 01:00-01:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 01:15-01:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 01:30-01:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 01:45-02:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 02:00-02:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 02:15-02:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 02:30-02:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 02:45-03:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 03:00-03:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 03:15-03:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 03:30-03:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 03:45-04:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 04:00-04:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 04:15-04:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 04:30-04:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 04:45-05:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 05:00-05:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 05:15-05:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 05:30-05:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 05:45-06:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 06:00-06:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 06:15-06:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 06:30-06:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 06:45-07:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 07:00-07:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 07:15-07:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 07:30-07:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 07:45-08:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 08:00-08:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 08:15-08:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 08:30-08:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 08:45-09:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 09:00-09:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 09:15-09:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 09:30-09:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 09:45-10:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 10:00-10:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 10:15-10:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 10:30-10:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 10:45-11:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 11:00-11:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 11:15-11:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 11:30-11:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 11:45-12:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 12:00-12:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 12:15-12:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 12:30-12:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 12:45-13:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 13:00-13:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 13:15-13:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 13:30-13:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 13:45-14:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 14:00-14:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 14:15-14:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 14:30-14:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 14:45-15:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 15:00-15:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 15:15-15:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 15:30-15:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 15:45-16:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 16:00-16:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 16:15-16:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 16:30-16:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 16:45-17:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 17:00-17:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 17:15-17:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 17:30-17:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 17:45-18:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 18:00-18:15: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 18:15-18:30: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 18:30-18:45: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 18:45-19:00: num [1:3900] 0.608 3.611 0 0.624 9.262 ...
 $ 19:00-19:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 19:15-19:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 19:30-19:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 19:45-20:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 20:00-20:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 20:15-20:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 20:30-20:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 20:45-21:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 21:00-21:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 21:15-21:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 21:30-21:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 21:45-22:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 22:00-22:15: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 22:15-22:30: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 22:30-22:45: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 22:45-23:00: num [1:3900] 0.581 3.21 0 0.635 14.47 ...
 $ 23:00-23:15: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 23:15-23:30: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 23:30-23:45: num [1:3900] 0.619 3.21 0 0.625 22.278 ...
 $ 23:45-00:00: num [1:3900] 0.619 3.21 0 0.625 22.278 ...

#检查是否有缺失值
## 可视化查看数据是否有缺失值
library(VIM)
aggr(data)

经检查，不存在缺失值，可直接进行分析。

# 按行计算总和
#library(dyplr)
library(tidyverse)
data<-data %>%mutate(rowsum = rowSums(.[3:98]))#添加一列，计算行和

三.基本描述性统计

#不同时间总负荷量对比
date_rowsum<-aggregate(x =data$rowsum, by= list(data$date), FUN =sum)
colnames(date_rowsum)<-c('date','sum')
date_rowsum

A data.frame: 20 × 2
date	sum

2020-10-01	93125.13
2020-10-02	89564.60
2020-10-03	89715.30
2020-10-04	91119.79
2020-10-05	95884.30
2020-10-06	95558.53
2020-10-07	97199.34
2020-10-08	97358.87
2020-10-09	91890.29
2020-10-10	94850.10
2020-10-11	95424.02
2020-10-12	100501.56
2020-10-13	100307.05
2020-10-14	101899.14
2020-10-15	105264.88
2020-10-16	105435.29
2020-10-17	100331.14
2020-10-18	103870.77
2020-10-19	99513.48
2020-10-20	95456.16

date_rowsum$date<-as.Date(date_rowsum$date)

plot(date_rowsum,type = "o", col = "red", xlab = "date", ylab = "sum",
   main = "date_sum")

可发现在国庆节期间，电力负荷较低，可能与休假导致用电量下降有关，同时用电之间存在一定的周期性关系，推测是由于周末等因素导致周期性，可对此周期进行提取进一步分析。

#不同用户总负荷量对比
id_rowsum<-aggregate(x =data$rowsum, by= list(data$id), FUN =sum)
colnames(id_rowsum)<-c('id','sum')
head(id_rowsum)

A data.frame: 6 × 2
	id	sum

1	客户10	880.640
2	客户100	1343.552
3	客户101	6545.280
4	客户102	5985.280
5	客户103	1501.560
6	客户104	94735.159

summary(id_rowsum)#计算用户数量

      id                 sum          
 Length:176         Min.   :     0.0  
 Class :character   1st Qu.:   325.4  
 Mode  :character   Median :   892.7  
                    Mean   : 11047.0  
                    3rd Qu.:  3533.8  
                    Max.   :164139.1

可知：样本有176名用户，其中平均总用电负荷11047，最高164139.1

hist(id_rowsum$sum, col = rgb(1,0,0,0.2))

可发现，大部分客户消耗电力负荷在20000以内，数据分布呈现偏态分布，用电量高的用户占小部分。可根据电力负荷量使用量等对客户进行分类，实行不同的政策。

#不同用户不同时间负荷量对比
date_id_rowsum<-aggregate(x =data$rowsum, by= list(data$date,data$id), FUN =sum)
colnames(date_id_rowsum)<-c('date','id','sum')
head(date_id_rowsum)

A data.frame: 6 × 3
	date	id	sum

1	2020-10-01	客户10	44.032
2	2020-10-02	客户10	44.032
3	2020-10-03	客户10	44.032
4	2020-10-04	客户10	44.032
5	2020-10-05	客户10	44.032
6	2020-10-06	客户10	44.032

library(dplyr)
cdata<-as.tibble(data)
#转换格式，便于处理

#计算1-20日各时段总功率情况
hourdata<-data%>%select(-id)%>% summarise(across(contains(":"),sum,na.rm=TRUE))
hourdata<-as.data.frame(hourdata)
#进行转置
hourdatat<-t(hourdata)
hourdatat<-as.data.frame(hourdatat)
colnames(hourdatat)<-c('sum')
hourdatat$time<-rownames(hourdatat)
head(hourdatat)

A data.frame: 6 × 2
	sum	time

00:00-00:15	22090.48	00:00-00:15
00:15-00:30	22195.23	00:15-00:30
00:30-00:45	22047.53	00:30-00:45
00:45-01:00	22128.37	00:45-01:00
01:00-01:15	22152.18	01:00-01:15
01:15-01:30	22407.36	01:15-01:30

barplot(hourdatat$sum,names.arg=hourdatat$time,xlab="time",ylab="sum",col="blue",
main="sum_hour",border="red")

可根据时段统计，确定用电峰谷情况，可根据高峰期与低谷期进行区别定价和计划供电。本例由于样本点较少，故以上信息仅供参考。

四.构建特征，模型准备

#计算每用户各时段平均功率情况
hour_meanid<-cdata%>%select(-date)%>% group_by(id)%>%summarise(across(everything(),mean,na.rm=TRUE))
head(hour_meanid)

A tibble: 6 × 98
id	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	02:00-02:15	...	21:45-22:00	22:00-22:15	22:15-22:30	22:30-22:45	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00	rowsum
										...
客户10	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	...	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	44.0320
客户100	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	...	0.63815	0.63815	0.63815	0.63815	0.63815	0.28375	0.28375	0.28375	0.28375	67.1776
客户101	10.69600	10.36000	9.40800	10.41600	10.30400	10.64000	10.36000	10.36000	9.96800	...	0.00000	0.00000	0.00000	0.00000	0.00000	10.30400	10.92000	10.02400	10.80800	327.2640
客户102	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	...	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	299.2640
客户103	0.83400	0.76200	0.70200	0.80400	0.75600	0.80700	0.73500	0.82500	0.72300	...	0.84600	0.78000	0.82200	0.81000	0.82800	0.76200	0.85200	0.77400	0.81000	75.0780
客户104	23.31025	24.53075	21.38475	25.41075	22.83675	24.02475	22.11075	23.66960	23.85660	...	25.58030	24.26030	24.70030	24.66730	24.66730	24.73730	20.77730	24.73730	22.09730	2368.3790

①系统聚类法

## 系统聚类及可视化
hc1 <- hclust(dist(hour_meanid[,-98]),method = "ward.D2")
##  可视化结果
par(family = "STKaiti",cex = 0.45)

Warning message in dist(hour_meanid[, -98]):
"强制改变过程中产生了NA"

plot(hc1,hang = -1)
rect.hclust(hc1, k=3, border="red")

library(ggplot2)
library(gridExtra)
library(ggdendro)
library(cluster)
library(ggfortify)
ggdendrogram(hc1, segments = T,rotate = F, theme_dendro = FALSE,size = 4)+
  theme_bw()+theme(axis.text.x = element_text(size = 5,angle = 90))

在R中运行，可以得到高清图，因为编译器问题，图片可能比较糊

②K-means聚类

## 计算组内平方和  组间平方和
tot_withinss <- vector()
betweenss <- vector()
for(ii in 1:15){
  k1 <- kmeans(hour_meanid[,c(-1,-98)],ii)
  tot_withinss[ii] <- k1$tot.withinss
  betweenss[ii] <- k1$betweenss
}

kmeanvalue <- data.frame(kk = 1:15,
                         tot_withinss = tot_withinss,
                         betweenss = betweenss)


p1 <- ggplot(kmeanvalue,aes(x = kk,y = tot_withinss))+
  theme_bw()+
  geom_point() + geom_line() +labs(y = "value") +
  ggtitle("Total within-cluster sum of squares")+
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous("kmean 聚类个数",kmeanvalue$kk)

p2 <- ggplot(kmeanvalue,aes(x = kk,y = betweenss))+
  theme_bw()+
  geom_point() +geom_line() +labs(y = "value") +
  ggtitle("The between-cluster sum of squares") +
  theme(plot.title = element_text(hjust = 0.5))+
  scale_x_continuous("kmean 聚类个数",kmeanvalue$kk)

grid.arrange(p1,p2,nrow=2)

可知，可分为3-4类左右

set.seed(245)
k3 <- kmeans(hour_meanid[,c(-1,-98)],4)
summary(k3)

             Length Class  Mode   
cluster      176    -none- numeric
centers      384    -none- numeric
totss          1    -none- numeric
withinss       4    -none- numeric
tot.withinss   1    -none- numeric
betweenss      1    -none- numeric
size           4    -none- numeric
iter           1    -none- numeric
ifault         1    -none- numeric

k3

K-means clustering with 4 clusters of sizes 6, 14, 12, 144

Cluster means:
  00:00-00:15 00:15-00:30 00:30-00:45 00:45-01:00 01:00-01:15 01:15-01:30
1  62.3225417  61.5598583  63.6116083  60.9971833  63.6551667  63.0593333
2  11.0446536  11.1182536  10.5954179  10.9049750  10.8082393  10.9635143
3  27.1211361  27.7766042  27.0752431  27.9496597  27.0779917  28.0800056
4   0.6796588   0.6750685   0.6726699   0.6789852   0.6641741   0.6706109
  01:30-01:45 01:45-02:00 02:00-02:15 02:15-02:30 02:30-02:45 02:45-03:00
1  62.3378667  61.9536917  62.5135250  63.8845000  61.6807417  62.3915167
2  10.8759214  10.8956643  10.7552357  10.9384250  10.8762357  10.7623750
3  27.1717583  27.4775153  27.5150958  27.8758236  27.9836847  27.5832681
4   0.6772897   0.6643105   0.6722411   0.6603515   0.6549296   0.6562005
  03:00-03:15 03:15-03:30 03:30-03:45 03:45-04:00 04:00-04:15 04:15-04:30
1  60.9340500  62.9090583  61.6450583  60.8104000    61.76591  62.3655333
2  10.8683857  11.0325750  10.7480857  10.8762000    10.91756  10.7136857
3  27.7674792  28.0245264  27.7221507  27.6713938    27.59359  27.7191694
4   0.6507282   0.6617699   0.6492977   0.6531032     0.65239   0.6486241
.....

Clustering vector:
  [1] 4 4 2 4 4 3 3 4 3 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 1 4 4
 [38] 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 4 2 4 1 4 2 4 4 4 4 4
 [75] 4 4 4 4 4 4 4 4 4 4 2 4 2 4 3 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4 4 4 4 4 4 4
[112] 4 4 4 4 4 4 2 2 4 4 4 4 4 4 4 4 4 4 4 4 2 4 4 4 4 4 2 4 4 4 4 4 4 4 3 4 4
[149] 1 3 2 4 3 3 4 4 4 2 2 4 1 4 4 1 3 4 4 4 3 2 3 4 1 4 4 2

Within cluster sum of squares by cluster:
[1] 91916.57 33987.51 60979.15 15200.70
 (between_SS / total_SS =  92.7 %)

Available components:

[1] "cluster"      "centers"      "totss"        "withinss"     "tot.withinss"
[6] "betweenss"    "size"         "iter"         "ifault"

#将标签写入
hour_meanid$cluster<-k3$cluster
head(hour_meanid)

A tibble: 6 × 99
id	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	02:00-02:15	...	22:00-22:15	22:15-22:30	22:30-22:45	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00	rowsum	cluster
										...
客户10	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	...	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	0.45400	44.0320	4
客户100	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	0.28375	...	0.63815	0.63815	0.63815	0.63815	0.28375	0.28375	0.28375	0.28375	67.1776	4
客户101	10.69600	10.36000	9.40800	10.41600	10.30400	10.64000	10.36000	10.36000	9.96800	...	0.00000	0.00000	0.00000	0.00000	10.30400	10.92000	10.02400	10.80800	327.2640	2
客户102	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	...	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	3.08600	299.2640	4
客户103	0.83400	0.76200	0.70200	0.80400	0.75600	0.80700	0.73500	0.82500	0.72300	...	0.78000	0.82200	0.81000	0.82800	0.76200	0.85200	0.77400	0.81000	75.0780	4
客户104	23.31025	24.53075	21.38475	25.41075	22.83675	24.02475	22.11075	23.66960	23.85660	...	24.26030	24.70030	24.66730	24.66730	24.73730	20.77730	24.73730	22.09730	2368.3790	3

可发现：1，2，3，4类别以此对应电力负荷从大到小，其中1类的电力负荷用量最大，4类负荷小，且大部分用户都是4类，高用电的客户较少，符合常理。

#查看类别分布情况
table(k3$cluster)

  1   2   3   4 
  6  14  12 144

## 对聚类结果可视化
clusplot(hour_meanid[,c(-1,-98)],k3$cluster,main = "kmean cluster number=4")

## 可视化轮廓图，表示聚类效果
sis1 <- silhouette(k3$cluster,dist(hour_meanid[,c(-1,-98)],method = "euclidean"))


plot(sis1,main = " kmean silhouette",
     col = c("red", "green", "blue","orange"))

根据可视化，可看出分类合理

最后的分类情况为：

cluster<-hour_meanid[,c(1,98,99)]
head(cluster)

A tibble: 6 × 3
id	rowsum	cluster

客户10	44.0320	4
客户100	67.1776	4
客户101	327.2640	2
客户102	299.2640	4
客户103	75.0780	4
客户104	2368.3790	3

五.构建特征，建立预测模型

#计算每天各时段总功率情况
hour_perdata<-data%>%select(-id)%>% group_by(date)%>%summarise(across(contains(":"),sum,na.rm=TRUE))
head(hour_perdata)

A tibble: 6 × 97
date	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	02:00-02:15	...	21:30-21:45	21:45-22:00	22:00-22:15	22:15-22:30	22:30-22:45	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00
										...
2020-10-01	1072.639	1029.341	1126.394	1006.468	1149.825	1049.246	1081.704	1043.298	1035.710	...	903.034	925.398	892.032	895.551	916.666	848.736	1061.042	1039.832	1070.716	1108.838
2020-10-02	1053.230	1061.432	1071.509	1066.805	1064.543	1082.807	1077.749	1059.869	1061.881	...	854.297	890.661	889.655	926.648	934.576	840.278	1080.117	1047.243	1068.415	1046.172
2020-10-03	1066.082	1041.977	1063.421	1035.097	1065.615	1051.490	1083.908	1086.658	1094.954	...	887.702	882.407	906.146	880.330	927.592	933.959	1020.249	1063.968	1034.539	1070.460
2020-10-04	1020.191	1019.630	1024.692	998.385	1051.136	1027.053	1039.158	1028.785	1043.948	...	888.178	872.275	900.867	888.164	846.700	944.616	1009.187	990.422	1063.672	1011.367
2020-10-05	1045.160	1042.054	1027.871	1040.656	1029.198	1024.341	1063.339	1048.033	1053.538	...	949.303	986.068	1005.798	914.553	975.165	955.135	998.024	1213.050	1093.703	1096.247
2020-10-06	1135.002	1150.890	1084.839	1116.269	1113.480	1106.495	1085.247	1134.322	1125.822	...	889.987	898.923	866.585	919.430	972.184	913.558	1072.352	1091.411	1104.961	1133.166

从日期中找到特征，如节假日，周末等

library(tseries)
library(forecast)

Warning message:
"package 'forecast' was built under R version 4.0.4"
Registered S3 methods overwritten by 'forecast':
  method                 from     
  autoplot.Arima         ggfortify
  autoplot.acf           ggfortify
  autoplot.ar            ggfortify
  autoplot.bats          ggfortify
  autoplot.decomposed.ts ggfortify
  autoplot.ets           ggfortify
  autoplot.forecast      ggfortify
  autoplot.stl           ggfortify
  autoplot.ts            ggfortify
  fitted.ar              ggfortify
  fortify.ts             ggfortify
  residuals.ar           ggfortify

hour_perdata$date<-as.Date(hour_perdata$date)#转为时间格式

library(lubridate)

hour_perdata$day<-day(hour_perdata$date)#提取天
hour_perdata$week<-weekdays(as.Date(hour_perdata$date))
head(hour_perdata)

A tibble: 6 × 102
date	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	02:00-02:15	...	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00	day	week	week01	week02	fes
										...
2020-10-01	1072.639	1029.341	1126.394	1006.468	1149.825	1049.246	1081.704	1043.298	1035.710	...	848.736	1061.042	1039.832	1070.716	1108.838	1	星期四	0	0	1
2020-10-02	1053.230	1061.432	1071.509	1066.805	1064.543	1082.807	1077.749	1059.869	1061.881	...	840.278	1080.117	1047.243	1068.415	1046.172	2	星期五	0	0	1
2020-10-03	1066.082	1041.977	1063.421	1035.097	1065.615	1051.490	1083.908	1086.658	1094.954	...	933.959	1020.249	1063.968	1034.539	1070.460	3	星期六	0	1	1
2020-10-04	1020.191	1019.630	1024.692	998.385	1051.136	1027.053	1039.158	1028.785	1043.948	...	944.616	1009.187	990.422	1063.672	1011.367	4	星期日	1	0	1
2020-10-05	1045.160	1042.054	1027.871	1040.656	1029.198	1024.341	1063.339	1048.033	1053.538	...	955.135	998.024	1213.050	1093.703	1096.247	5	星期一	0	0	1
2020-10-06	1135.002	1150.890	1084.839	1116.269	1113.480	1106.495	1085.247	1134.322	1125.822	...	913.558	1072.352	1091.411	1104.961	1133.166	6	星期二	0	0	1

#将是否周末的信息二值化
hour_perdata$week01 <- ifelse(hour_perdata$week =="星期日" ,1,0)
hour_perdata$week02 <- ifelse(hour_perdata$week =="星期六" ,1,0)
#head(hour_perdata)

#将节假日二值化，比如10.1-10.8是国庆节
hour_perdata$fes <- ifelse(hour_perdata$day <=8 ,1,0)
head(hour_perdata)

A tibble: 6 × 102
date	00:00-00:15	00:15-00:30	00:30-00:45	00:45-01:00	01:00-01:15	01:15-01:30	01:30-01:45	01:45-02:00	02:00-02:15	...	22:45-23:00	23:00-23:15	23:15-23:30	23:30-23:45	23:45-00:00	day	week	week01	week02	fes
										...
2020-10-01	1072.639	1029.341	1126.394	1006.468	1149.825	1049.246	1081.704	1043.298	1035.710	...	848.736	1061.042	1039.832	1070.716	1108.838	1	星期四	0	0	1
2020-10-02	1053.230	1061.432	1071.509	1066.805	1064.543	1082.807	1077.749	1059.869	1061.881	...	840.278	1080.117	1047.243	1068.415	1046.172	2	星期五	0	0	1
2020-10-03	1066.082	1041.977	1063.421	1035.097	1065.615	1051.490	1083.908	1086.658	1094.954	...	933.959	1020.249	1063.968	1034.539	1070.460	3	星期六	0	1	1
2020-10-04	1020.191	1019.630	1024.692	998.385	1051.136	1027.053	1039.158	1028.785	1043.948	...	944.616	1009.187	990.422	1063.672	1011.367	4	星期日	1	0	1
2020-10-05	1045.160	1042.054	1027.871	1040.656	1029.198	1024.341	1063.339	1048.033	1053.538	...	955.135	998.024	1213.050	1093.703	1096.247	5	星期一	0	0	1
2020-10-06	1135.002	1150.890	1084.839	1116.269	1113.480	1106.495	1085.247	1134.322	1125.822	...	913.558	1072.352	1091.411	1104.961	1133.166	6	星期二	0	0	1

#write_csv(hour_perdata,"hour_perdata.csv")

①预测未来一天，各时段的电力负荷

#将时间表转置
hour_perdatat<-t(hour_perdata)
hour_perdatat<-as.data.frame(hour_perdatat)
colnames(hour_perdatat)<-hour_perdatat[1,]
hour_perdatat<-hour_perdatat[-1,]
#hour_perdatat$hour<-rownames(hour_perdatat)
#rownames(hour_perdatat)<-c(1:96)
#head(hour_perdatat)

#更改列名
rownames(hour_perdatat)<-hour_perdatat[,21]
head(hour_perdatat)

A data.frame: 6 × 21
	2020-10-01	2020-10-02	2020-10-03	2020-10-04	2020-10-05	2020-10-06	2020-10-07	2020-10-08	2020-10-09	2020-10-10	...	2020-10-12	2020-10-13	2020-10-14	2020-10-15	2020-10-16	2020-10-17	2020-10-18	2020-10-19	2020-10-20	hour
											...
00:00-00:15	1072.639	1053.230	1066.082	1020.191	1045.160	1135.002	1137.515	1152.525	1067.732	994.568	...	1151.424	1110.697	1115.400	1212.665	1165.643	1182.825	1135.229	1150.423	1071.966	00:00-00:15
00:15-00:30	1029.341	1061.432	1041.977	1019.630	1042.054	1150.890	1184.908	1133.851	1065.854	956.716	...	1199.721	1162.543	1110.875	1141.027	1207.853	1162.515	1105.980	1180.014	1121.971	00:15-00:30
00:30-00:45	1126.394	1071.509	1063.421	1024.692	1027.871	1084.839	1106.957	1172.472	995.550	950.803	...	1120.132	1151.471	1130.677	1203.013	1201.945	1197.636	1152.169	1163.545	1093.053	00:30-00:45
00:45-01:00	1006.468	1066.805	1035.097	998.385	1040.656	1116.269	1157.146	1102.331	1095.603	1008.611	...	1159.193	1169.906	1062.571	1165.559	1151.602	1166.322	1193.887	1174.572	1171.423	00:45-01:00
01:00-01:15	1149.825	1064.543	1065.615	1051.136	1029.198	1113.480	1092.436	1127.408	1033.743	961.246	...	1204.588	1095.289	1152.565	1192.592	1277.848	1084.228	1141.221	1189.006	1062.351	01:00-01:15
01:15-01:30	1049.246	1082.807	1051.490	1027.053	1024.341	1106.495	1175.856	1156.887	1083.512	1037.840	...	1198.193	1125.723	1120.467	1232.879	1196.588	1169.740	1212.220	1192.188	1125.762	01:15-01:30

#write_csv(hour_perdatat,"hour_perdatat.csv")

#导入整理后数据
timedata<- read.csv("hour_perdatat.csv",,encoding='UTF-8')
head(timedata)

A data.frame: 6 × 2
	hour	sum

1	00:00-00:15	1072.639
2	00:15-00:30	1029.341
3	00:30-00:45	1126.394
4	00:45-01:00	1006.468
5	01:00-01:15	1149.825
6	01:15-01:30	1049.246

timedata$sum<- ts(timedata$sum,start = timedata$sum[1],frequency = 96)

## 可视化序列
autoplot(timedata$sum)+ggtitle("电力负荷数量变化趋势")

auto.arima(timedata$sum)

Series: timedata$sum 
ARIMA(4,1,2)(0,1,0)[96] 

Coefficients:
          ar1      ar2      ar3      ar4      ma1      ma2
      -0.9814  -0.3626  -0.1371  -0.0666  -0.0126  -0.3784
s.e.   0.2001   0.1060   0.0771   0.0390   0.1994   0.1503

sigma^2 estimated as 3525:  log likelihood=-10028.98
AIC=20071.97   AICc=20072.03   BIC=20110.52

## 白噪声检验
Box.test(timedata$sum,type ="Ljung-Box")

	Box-Ljung test

data:  timedata$sum
X-squared = 1198.6, df = 1, p-value < 2.2e-16

p-value < 2.2e-16,说明不是白噪声

## 平稳性检验，单位根检验
adf.test(timedata$sum)

Warning message in adf.test(timedata$sum):
"p-value smaller than printed p-value"




	Augmented Dickey-Fuller Test

data:  timedata$sum
Dickey-Fuller = -8.312, Lag order = 12, p-value = 0.01
alternative hypothesis: stationary

p-value = 0.01,说明数据是平稳的

由之前自动建模可知适合的模型为:

Series: timedata$sum
ARIMA(4,1,2)(0,1,0)[96]

Coefficients:
ar1 ar2 ar3 ar4 ma1 ma2
-0.9814 -0.3626 -0.1371 -0.0666 -0.0126 -0.3784
s.e. 0.2001 0.1060 0.0771 0.0390 0.1994 0.1503

sigma^2 estimated as 3525: log likelihood=-10028.98
AIC=20071.97 AICc=20072.03 BIC=20110.52

## 对数据建立ARIMA(4,1,2)(0,1,0)[96]模型，并预测后面的数据

ARIMA <- arima(timedata$sum, c(4, 1, 2),
              seasonal = list(order = c(0, 1, 0),period = 96))
summary(ARIMA)

Call:
arima(x = timedata$sum, order = c(4, 1, 2), seasonal = list(order = c(0, 1, 
    0), period = 96))

Coefficients:
          ar1      ar2      ar3      ar4      ma1      ma2
      -0.9814  -0.3626  -0.1371  -0.0666  -0.0126  -0.3784
s.e.   0.2001   0.1060   0.0771   0.0390   0.1994   0.1503

sigma^2 estimated as 3513:  log likelihood = -10028.98,  aic = 20071.97

Training set error measures:
                     ME     RMSE      MAE        MPE     MAPE      MASE
Training set 0.09120194 57.75377 39.33659 -0.1172248 3.877619 0.9060558
                     ACF1
Training set 0.0008442811

Box.test(ARIMA$residuals,type ="Ljung-Box")
## p-value = 0.9705,此时，模型的残差已经是白噪声数据，数据中的信息已经充分的提取出来了

	Box-Ljung test

data:  ARIMA$residuals
X-squared = 0.0013707, df = 1, p-value = 0.9705

p-value = 0.9705,此时，模型的残差已经是白噪声数据，数据中的信息已经充分的提取出来了

# 可视化模型的预测值和这是值之间的差距
par(family = "STKaiti")
plot(forecast(ARIMA,h=96),shadecols="oldstyle")
points(timedata$sum,col = "red")
lines(timedata$sum,col = "red")

#输出未来一天的预测值
fore<-as.data.frame(forecast(ARIMA,h=96))
head(fore)

A data.frame: 6 × 5
	Point Forecast	Lo 80	Hi 80	Lo 95	Hi 95

1092.639	1098.481	1022.523	1174.438	982.3139	1214.648
1092.649	1155.922	1079.964	1231.881	1039.7534	1272.091
1092.660	1133.867	1055.742	1211.992	1014.3850	1253.349
1092.670	1206.424	1126.309	1286.539	1083.8980	1328.950
1092.681	1102.090	1020.172	1184.008	976.8067	1227.373
1092.691	1161.522	1077.076	1245.969	1032.3722	1290.673

label<-as.data.frame(rownames(hour_perdatat))
label<-label[c(-101,-100,-99,-98,-97),]
fore$label<-label

rownames(fore)<-fore$label
fore

A data.frame: 96 × 6
	Point Forecast	Lo 80	Hi 80	Lo 95	Hi 95	label

00:00-00:15	1098.4808	1022.5234	1174.438	982.3139	1214.648	00:00-00:15
00:15-00:30	1155.9223	1079.9635	1231.881	1039.7534	1272.091	00:15-00:30
00:30-00:45	1133.8668	1055.7419	1211.992	1014.3850	1253.349	00:30-00:45
00:45-01:00	1206.4239	1126.3085	1286.539	1083.8980	1328.950	00:45-01:00
01:00-01:15	1102.0896	1020.1716	1184.008	976.8067	1227.373	01:00-01:15
01:15-01:30	1161.5225	1077.0756	1245.969	1032.3722	1290.673	01:15-01:30
01:30-01:45	1191.8077	1105.8064	1277.809	1060.2800	1323.335	01:30-01:45
01:45-02:00	1127.9435	1039.7995	1216.088	993.1389	1262.748	01:45-02:00
02:00-02:15	1120.8414	1030.9879	1210.695	983.4223	1258.260	02:00-02:15
02:15-02:30	1163.5182	1071.7734	1255.263	1023.2066	1303.830	02:15-02:30
02:30-02:45	1118.0552	1024.5597	1211.551	975.0661	1261.044	02:30-02:45
02:45-03:00	1135.7189	1040.4717	1230.966	990.0510	1281.387	02:45-03:00
03:00-03:15	1141.9914	1045.0253	1238.957	993.6945	1290.288	03:00-03:15
03:15-03:30	1124.3686	1025.7242	1223.013	973.5051	1275.232	03:15-03:30
03:30-03:45	1165.7177	1065.4104	1266.025	1012.3110	1319.124	03:30-03:45
03:45-04:00	1168.6668	1066.7342	1270.599	1012.7743	1324.559	03:45-04:00
04:00-04:15	1117.2710	1013.7314	1220.811	958.9209	1275.621	04:00-04:15
04:15-04:30	1159.8146	1054.6969	1264.932	999.0509	1320.578	04:15-04:30
04:30-04:45	1108.2668	1001.5921	1214.941	945.1220	1271.412	04:30-04:45
04:45-05:00	1143.0876	1034.8792	1251.296	977.5971	1308.578	04:45-05:00
05:00-05:15	1116.9023	1007.1815	1226.623	949.0988	1284.706	05:00-05:15
05:15-05:30	1167.5618	1056.3490	1278.775	997.4765	1337.647	05:15-05:30
05:30-05:45	1194.9829	1082.2980	1307.668	1022.6462	1367.320	05:30-05:45
05:45-06:00	1125.4082	1011.2701	1239.546	950.8490	1299.967	05:45-06:00
06:00-06:15	1178.4606	1062.8876	1294.034	1001.7070	1355.214	06:00-06:15
06:15-06:30	1131.3154	1014.3251	1248.306	952.3942	1310.237	06:15-06:30
06:30-06:45	1181.8554	1063.4649	1300.246	1000.7927	1362.918	06:30-06:45
06:45-07:00	1130.1775	1010.4029	1249.952	946.9981	1313.357	06:45-07:00
07:00-07:15	1026.6404	905.4977	1147.783	841.3687	1211.912	07:00-07:15
07:15-07:30	962.4825	839.9869	1084.978	775.1417	1149.823	07:15-07:30
...	...	...	...	...	...	...
16:30-16:45	1011.7984	846.8720	1176.725	759.5652	1264.032	16:30-16:45
16:45-17:00	951.7214	785.7988	1117.644	697.9646	1205.478	16:45-17:00
17:00-17:15	947.1024	780.1895	1114.015	691.8311	1202.374	17:00-17:15
17:15-17:30	980.5094	812.6120	1148.407	723.7324	1237.286	17:15-17:30
17:30-17:45	983.0574	814.1813	1151.934	724.7836	1241.331	17:30-17:45
17:45-18:00	979.1334	809.2842	1148.983	719.3714	1238.895	17:45-18:00
18:00-18:15	995.6674	824.8506	1166.484	734.4257	1256.909	18:00-18:15
18:15-18:30	1012.9484	841.1695	1184.727	750.2353	1275.662	18:15-18:30
18:30-18:45	1025.9084	853.1728	1198.644	761.7321	1290.085	18:30-18:45
18:45-19:00	1042.0334	868.3463	1215.721	776.4019	1307.665	18:45-19:00
19:00-19:15	1079.0614	904.4280	1253.695	811.9827	1346.140	19:00-19:15
19:15-19:30	1010.4204	834.8459	1185.995	741.9023	1278.939	19:15-19:30
19:30-19:45	1034.4144	857.9037	1210.925	764.4646	1304.364	19:30-19:45
19:45-20:00	997.5734	820.1315	1175.015	726.1994	1268.948	19:45-20:00
20:00-20:15	1036.5914	858.2231	1214.960	763.8006	1309.382	20:00-20:15
20:15-20:30	1030.1404	850.8505	1209.430	755.9402	1304.341	20:15-20:30
20:30-20:45	1031.2764	851.0697	1211.483	755.6740	1306.879	20:30-20:45
20:45-21:00	1014.4834	833.3644	1195.602	737.4858	1291.481	20:45-21:00
21:00-21:15	1060.6284	878.6018	1242.655	782.2427	1339.014	21:00-21:15
21:15-21:30	986.6754	803.7456	1169.605	706.9085	1266.442	21:15-21:30
21:30-21:45	1031.7954	847.9669	1215.624	750.6540	1312.937	21:30-21:45
21:45-22:00	1006.3614	821.6386	1191.084	723.8522	1288.871	21:45-22:00
22:00-22:15	1007.0594	821.4466	1192.672	723.1890	1290.930	22:00-22:15
22:15-22:30	992.1524	805.6538	1178.651	706.9273	1277.378	22:15-22:30
22:30-22:45	960.7194	773.3392	1148.100	674.1461	1247.293	22:30-22:45
22:45-23:00	1027.5134	839.2557	1215.771	739.5981	1315.429	22:45-23:00
23:00-23:15	1176.6744	987.5433	1365.806	887.4234	1465.926	23:00-23:15
23:15-23:30	1156.0004	965.9999	1346.001	865.4197	1446.581	23:15-23:30
23:30-23:45	1201.3474	1010.4815	1392.213	909.4432	1493.252	23:30-23:45
23:45-00:00	1162.6794	970.9520	1354.407	869.4576	1455.901	23:45-00:00

预测结果如上

②预测未来几天总体电力负荷

可结合周末，季节，月份，年份，节假日，温度等信息，进行建模，利用支持向量机，随机森林或线性模型等建立回归模型，对某天的总额进行预测建模

由于本例数据为10.01-10.20，时间跨度短，且数据量较小，从理论上讲，预测结果不会太好，故考虑以其他方法进行建模，如回归分析，灰色预测等

#根据按天统计的电力负荷量可得
date_rowsum
plot(date_rowsum,type = "o", col = "red", xlab = "date", ylab = "sum",
   main = "date_sum")

A data.frame: 20 × 2
date	sum

2020-10-01	93125.13
2020-10-02	89564.60
2020-10-03	89715.30
2020-10-04	91119.79
2020-10-05	95884.30
2020-10-06	95558.53
2020-10-07	97199.34
2020-10-08	97358.87
2020-10-09	91890.29
2020-10-10	94850.10
2020-10-11	95424.02
2020-10-12	100501.56
2020-10-13	100307.05
2020-10-14	101899.14
2020-10-15	105264.88
2020-10-16	105435.29
2020-10-17	100331.14
2020-10-18	103870.77
2020-10-19	99513.48
2020-10-20	95456.16

在以“天”的维度上，由于国庆节假日影响，不能看出明显的规律，但能看出存在一定周期性，不适用回归模型和灰色预测。

如果需要精确到客户，则提取每个客户每天各时段的数据，套用上述模型即可得到。
但由于单个客户随机性极强，且个人用电较小，细致分析意义不大，可针对高耗电用户进行分析。其余从宏观角度预测以进行电力调配即可。

你可能感兴趣的:(R语言,数据分析,电力,ARIMA,聚类,预测)

机器学习与深度学习间关系与区别 ℒℴѵℯ心·动ꦿ໊ོ꫞ 人工智能学习深度学习 python
一、机器学习概述定义机器学习（MachineLearning,ML）是一种通过数据驱动的方法，利用统计学和计算算法来训练模型，使计算机能够从数据中学习并自动进行预测或决策。机器学习通过分析大量数据样本，识别其中的模式和规律，从而对新的数据进行判断。其核心在于通过训练过程，让模型不断优化和提升其预测准确性。主要类型1.监督学习（SupervisedLearning）监督学习是指在训练数据集中包含输入
Python数据分析与可视化实战指南 William数据分析 python python 数据
在数据驱动的时代，Python因其简洁的语法、强大的库生态系统以及活跃的社区，成为了数据分析与可视化的首选语言。本文将通过一个详细的案例，带领大家学习如何使用Python进行数据分析，并通过可视化来直观呈现分析结果。一、环境准备1.1安装必要库在开始数据分析和可视化之前，我们需要安装一些常用的库。主要包括pandas、numpy、matplotlib和seaborn等。这些库分别用于数据处理、数学
Pyecharts数据可视化大屏：打造沉浸式数据分析体验我的运维人生信息可视化数据分析数据挖掘运维开发技术共享
Pyecharts数据可视化大屏：打造沉浸式数据分析体验在当今这个数据驱动的时代，如何将海量数据以直观、生动的方式展现出来，成为了数据分析师和企业决策者关注的焦点。Pyecharts，作为一款基于Python的开源数据可视化库，凭借其丰富的图表类型、灵活的配置选项以及高度的定制化能力，成为了构建数据可视化大屏的理想选择。本文将深入探讨如何利用Pyecharts打造数据可视化大屏，并通过实际代码案例
使用Faiss进行高效相似度搜索 llzwxh888 faiss python
在现代AI应用中，快速和高效的相似度搜索是至关重要的。Faiss（FacebookAISimilaritySearch）是一个专门用于快速相似度搜索和聚类的库，特别适用于高维向量。本文将介绍如何使用Faiss来进行相似度搜索，并结合Python代码演示其基本用法。什么是Faiss？Faiss是一个由FacebookAIResearch团队开发的开源库，主要用于高维向量的相似性搜索和聚类。Faiss
Day1笔记-Python简介&标识符和关键字&输入输出 ~在杰难逃~ Python python 开发语言大数据数据分析数据挖掘
大家好，从今天开始呢，杰哥开展一个新的专栏，当然，数据分析部分也会不定时更新的，这个新的专栏主要是讲解一些Python的基础语法和知识，帮助0基础的小伙伴入门和学习Python，感兴趣的小伙伴可以开始认真学习啦！一、Python简介【了解】1.计算机工作原理编程语言就是用来定义计算机程序的形式语言。我们通过编程语言来编写程序代码，再通过语言处理程序执行向计算机发送指令，让计算机完成对应的工作，编程
Faiss Tips：高效向量搜索与聚类的利器焦习娜Samantha
FaissTips：高效向量搜索与聚类的利器faiss_tipsSomeusefultipsforfaiss项目地址:https://gitcode.com/gh_mirrors/fa/faiss_tips项目介绍Faiss是由FacebookAIResearch开发的一个用于高效相似性搜索和密集向量聚类的库。它支持多种硬件平台，包括CPU和GPU，能够在海量数据集上实现快速的近似最近邻搜索（AN
pyecharts——绘制柱形图折线图 2224070247 信息可视化 python java 数据可视化
一、pyecharts概述自2013年6月百度EFE(ExcellentFrontEnd）数据可视化团队研发的ECharts1.0发布到GitHub网站以来，ECharts一直备受业界权威的关注并获得广泛好评，成为目前成熟且流行的数据可视化图表工具，被应用到诸多数据可视化的开发领域。Python作为数据分析领域最受欢迎的语言，也加入ECharts的使用行列，并研发出方便Python开发者使用的数据
Faiss：高效相似性搜索与聚类的利器网络·魚大数据 faiss
Faiss是一个针对大规模向量集合的相似性搜索库，由FacebookAIResearch开发。它提供了一系列高效的算法和数据结构，用于加速向量之间的相似性搜索，特别是在大规模数据集上。本文将介绍Faiss的原理、核心功能以及如何在实际项目中使用它。Faiss原理：近似最近邻搜索：Faiss的核心功能之一是近似最近邻搜索，它能够高效地在大规模数据集中找到与给定查询向量最相似的向量。这种搜索是近似的，
《Python数据分析实战终极指南》 xjt921122 python 数据分析开发语言
对于分析师来说，大家在学习Python数据分析的路上，多多少少都遇到过很多大坑**，有关于技能和思维的**：Excel已经没办法处理现有的数据量了，应该学Python吗？找了一大堆Python和Pandas的资料来学习，为什么自己动手就懵了？跟着比赛类公开数据分析案例练了很久，为什么当自己面对数据需求还是只会数据处理而没有分析思路？学了对比、细分、聚类分析，也会用PEST、波特五力这类分析法，为啥
k均值聚类算法考试例题_k均值算法(k均值聚类算法计算题) 寻找你83497 k均值聚类算法考试例题
?算法：第一步：选K个初始聚类中心，z1(1),z2(1)，…，zK(1)，其中括号内的序号为寻找聚类中心的迭代运算的次序号。聚类中心的向量值可任意设定，例如可选开始的K个.k均值聚类：---------一种硬聚类算法，隶属度只有两个取值0或1，提出的基本根据是“类内误差平方和最小化”准则；模糊的c均值聚类算法：--------一种模糊聚类算法，是.K均值聚类算法是先随机选取K个对象作为初始的聚类
Python开发常用的三方模块如下：换个网名有点难 python 开发语言
Python是一门功能强大的编程语言，拥有丰富的第三方库，这些库为开发者提供了极大的便利。以下是100个常用的Python库，涵盖了多个领域：1、NumPy，用于科学计算的基础库。2、Pandas，提供数据结构和数据分析工具。3、Matplotlib，一个绘图库。4、Scikit-learn，机器学习库。5、SciPy，用于数学、科学和工程的库。6、TensorFlow，由Google开发的开源机
ES聚合分析原理与代码实例讲解光剑书架上的书大厂Offer收割机面试题简历程序员读书硅基计算碳基计算认知计算生物计算深度学习神经网络大数据 AIGC AGI LLM Java Python 架构设计 Agent 程序员实现财富自由
ES聚合分析原理与代码实例讲解1.背景介绍1.1问题的由来在大规模数据分析场景中，特别是在使用Elasticsearch（ES）进行数据存储和检索时，聚合分析成为了一个至关重要的功能。聚合分析允许用户对数据集进行细分和分组，以便深入探索数据的结构和模式。这在诸如实时监控、日志分析、业务洞察等领域具有广泛的应用。1.2研究现状目前，ES聚合分析已经成为现代大数据平台的核心组件之一。它支持多种类型的聚
科幻游戏《外卖员模拟器》主要地理环境设定 (1) 穷人小水滴游戏科幻设计
游戏名称:《外卖员模拟器》(英文名称:waimai_se)作者:穷人小水滴本故事纯属虚构,如有雷同实属巧合.故事发生在一个(架空)平行宇宙的地球,21世纪(超低空科幻流派).相关文章:https://blog.csdn.net/secext2022/article/details/141790630目录1星球整体地理设定2巨蛇国主要设定3海蛇市主要设定3.1主要地标建筑3.2交通3.3能源(电力)
Python数据分析与可视化 jun778895 python 数据分析开发语言
Python数据分析与可视化是一个涉及数据处理、分析和以图形化方式展示数据的过程，它对于数据科学家、分析师以及任何需要从数据中提取洞察力的专业人员来说至关重要。以下将详细探讨Python在数据分析与可视化方面的应用，包括常用的库、数据处理流程、可视化技巧以及实际应用案例。一、Python数据分析与可视化的重要性数据可视化是将数据以图形或图像的形式表示出来，以便人们能够更直观地理解数据背后的信息和规
[实践应用] 深度学习之模型性能评估指标 YuanDaima2048 深度学习工具使用深度学习人工智能损失函数性能评估 pytorch python 机器学习
文章总览：YuanDaiMa2048博客文章总览深度学习之模型性能评估指标分类任务回归任务排序任务聚类任务生成任务其他介绍在机器学习和深度学习领域，评估模型性能是一项至关重要的任务。不同的学习任务需要不同的性能指标来衡量模型的有效性。以下是对一些常见任务及其相应的性能评估指标的详细解释和总结。分类任务分类任务是指模型需要将输入数据分配到预定义的类别或标签中。以下是分类任务中常用的性能指标：准确率(
Python实现关联规则推荐这孩子谁懂哈 Python Machine Learning python 关联规则机器学习
1.什么关联规则关联规则（AssociationRules）是反映一个事物与其他事物之间的相互依存性和关联性，如果两个或多个事物之间存在一定的关联关系，那么，其中一个事物就能通过其他事物预测到。关联规则是数据挖掘的一个重要技术，用于从大量数据中挖掘出有价值的数据项之间的相关关系。关联规则挖掘的最经典的例子就是沃尔玛的啤酒与尿布的故事，通过对超市购物篮数据进行分析，即顾客放入购物篮中不同商品之间的关
机器学习-聚类算法不良人龍木木机器学习机器学习算法聚类
机器学习-聚类算法1.AHC2.K-means3.SC4.MCL仅个人笔记，感谢点赞关注！1.AHC2.K-means3.SC传统谱聚类：个人对谱聚类算法的理解以及改进4.MCL目前仅专注于NLP的技术学习和分享感谢大家的关注与支持！
从门氏元素周期表看三皇五帝在关中论霜叶红似二月花y
世间所有物质，都是由不同元素组成的，科学家们”认识物质初期，所有元素也是多年逐一认识的。著名的俄罗斯化学家门捷列耶夫(DmitriMendeleev1834－1907)，在1869年首创的元素周期表，想必大家都很熟悉。他是怎么发现元素周期规律并制成表的？最权威的说法是他自己笔记中所记载的，是他做梦所得。门氏元素周期表这个表开始并不完善，但已经有个雏形了。当时只有已知的63种元素。但门氏预测应该有1
3.1 损失函数和优化：损失函数做只小考拉
用一个函数把W当做输入，然后看一下得分，定量地估计W的好坏，这个函数被称为“损失函数”。损失函数用于度量W的好坏。有了损失函数的概念后，就可以定量的衡量W到底是好还是坏，要找到一种有效的方法来从W的可行域里，找到W取何值时情况最不坏，，这个过程将会是一个优化过程。损失函数L_i定义：通过函数f给出预测的分数和真实的目标（或者说是标签y），可以定量的描述训练样本预测的好不好，最终的损失函数是在整个数
个人学习笔记7-6：动手学深度学习pytorch版-李沐浪子L 深度学习深度学习笔记计算机视觉 python 人工智能神经网络 pytorch
#人工智能##深度学习##语义分割##计算机视觉##神经网络#计算机视觉13.11全卷积网络全卷积网络（fullyconvolutionalnetwork，FCN）采用卷积神经网络实现了从图像像素到像素类别的变换。引入l转置卷积（transposedconvolution）实现的，输出的类别预测与输入图像在像素级别上具有一一对应关系：通道维的输出即该位置对应像素的类别预测。13.11.1构造模型下
FlagEmbedding 吉小雨 python库 python
FlagEmbedding教程FlagEmbedding是一个用于生成文本嵌入（textembeddings）的库，适合处理自然语言处理（NLP）中的各种任务。嵌入（embeddings）是将文本表示为连续向量，能够捕捉语义上的相似性，常用于文本分类、聚类、信息检索等场景。官方文档链接：FlagEmbedding官方GitHub一、FlagEmbedding库概述1.1什么是FlagEmbeddi
深度学习-点击率预估-研究论文2024-09-14速读 sp_fyf_2024 深度学习人工智能
深度学习-点击率预估-研究论文2024-09-14速读1.DeepTargetSessionInterestNetworkforClick-ThroughRatePredictionHZhong,JMa,XDuan,SGu,JYao-2024InternationalJointConferenceonNeuralNetworks,2024深度目标会话兴趣网络用于点击率预测摘要：这篇文章提出了一种新
变频器：原理、应用及其在现代工业与生活中的节能与智能控制作用智能科技前沿人工智能科技生活单片机嵌入式硬件
创作不易，您的打赏、关注、点赞、收藏和转发是我坚持下去的动力！1.变频器的原理变频器（Inverter），是一种将固定频率的交流电（通常是50Hz或60Hz）转换为可变频率和电压的交流电的电气设备。其工作原理是基于电力电子技术和控制理论的应用，能够通过改变供给电机的电源频率来控制电动机的速度和扭矩。变频器的基本工作原理可以分为以下几个阶段：整流：首先，将输入的交流电（AC）通过整流器（通常是二极管
损失函数与反向传播 Star_. PyTorch pytorch 深度学习 python
损失函数定义与作用损失函数(lossfunction)在深度学习领域是用来计算搭建模型预测的输出值和真实值之间的误差。1.损失函数越小越好2.计算实际输出与目标之间的差距3.为更新输出提供依据（反向传播)常见的损失函数回归常见的损失函数有：均方差（MeanSquaredError，MSE）、平均绝对误差（MeanAbsoluteErrorLoss，MAE）、HuberLoss是一种将MSE与MAE
BP神经网络的传递函数大胜归来19 MATLAB
BP网络一般都是用三层的，四层及以上的都比较少用；传输函数的选择，这个怎么说，假设你想预测的结果是几个固定值，如1,0等，满足某个条件输出1，不满足则0的话，首先想到的是hardlim函数，阈值型的，当然也可以考虑其他的；然后，假如网络是用来表达某种线性关系时，用purelin---线性传输函数；若是非线性关系的话，用别的非线性传递函数，多层网络时，每层不一定要用相同的传递函数，可以是三种配合，可
机器学习-------数据标准化罔闻_spider 数据分析算法机器学习人工智能
什么是归一化，它与标准化的区别是什么？一作用在做训练时，需要先将特征值与标签标准化，可以防止梯度防炸和过拟合；将标签标准化后，网络预测出的数据是符合标准正态分布的—StandarScaler()，与真实值有很大差别。因为StandarScaler()对数据的处理是（真实值-平均值）/标准差。同时在做预测时需要将输出数据逆标准化提升模型精度：标准化/归一化使不同维度的特征在数值上更具比较性，提高分类
分享一个基于python的电子书数据采集与可视化分析 hadoop电子书数据分析与推荐系统 spark大数据毕设项目（源码、调试、LW、开题、PPT) 计算机源码社 Python项目大数据大数据 python hadoop 计算机毕业设计选题计算机毕业设计源码数据分析 spark毕设
作者：计算机源码社个人简介：本人八年开发经验，擅长Java、Python、PHP、.NET、Node.js、Android、微信小程序、爬虫、大数据、机器学习等，大家有这一块的问题可以一起交流！学习资料、程序开发、技术解答、文档报告如需要源码，可以扫取文章下方二维码联系咨询Java项目微信小程序项目Android项目Python项目PHP项目ASP.NET项目Node.js项目选题推荐项目实战|p
python读写CSV文件 bcbobo21cn .Net python 开发语言机器学习 CSV
做数据分析，有时候要分析的数据在CSV文件里；先看一下python读写CSV文件；importpandasaspddf=pd.read_csv('test1.csv')print(df)print('')print(df.head(2))companyname=["A1","B2","E3","F4"]legperson=["lier","yanqi","wangwu","zhangsan"]le
Python和R均方根误差平均绝对误差算法模型亚图跨际 Python 交叉知识 R 回归模型误差指标归一化均方根误差生态状态指标神经网络成本误差气体排放气候模型多项式拟合
要点回归模型误差评估指标归一化均方根误差生态状态指标神经网络成本误差计算气体排放气候算法模型Python误差指标均方根误差和平均绝对误差均方根偏差或均方根误差是两个密切相关且经常使用的度量值之一，用于衡量真实值或预测值与观测值或估计值之间的差异。估计器θ^\hat{\theta}θ^相对于估计参数θ\thetaθ的RMSD定义为均方误差的平方根：RMSD⁡(θ^)=MSE⁡(θ^)=E((θ^−θ
软件测试/测试开发/全日制 |利用Django REST framework构建微服务霍格沃兹-慕漓 django 微服务 sqlite
霍格沃兹测试开发学社推出了《Python全栈开发与自动化测试班》。本课程面向开发人员、测试人员与运维人员，课程内容涵盖Python编程语言、人工智能应用、数据分析、自动化办公、平台开发、UI自动化测试、接口测试、性能测试等方向。为大家提供更全面、更深入、更系统化的学习体验，课程还增加了名企私教服务内容，不仅有名企经理为你1v1辅导，还有行业专家进行技术指导，针对性地解决学习、工作中遇到的难题。让找
解线性方程组 qiuwanchi
package gaodai.matrix; import java.util.ArrayList; import java.util.List; import java.util.Scanner; public class Test { public static void main(String[] args) { Scanner scanner = new Sc
在mysql内部存储代码 annan211 性能 mysql 存储过程触发器
在mysql内部存储代码在mysql内部存储代码，既有优点也有缺点，而且有人倡导有人反对。先看优点： 1 她在服务器内部执行，离数据最近，另外在服务器上执行还可以节省带宽和网络延迟。 2 这是一种代码重用。可以方便的统一业务规则，保证某些行为的一致性，所以也可以提供一定的安全性。 3 可以简化代码的维护和版本更新。 4 可以帮助提升安全，比如提供更细
Android使用Asynchronous Http Client完成登录保存cookie的问题 hotsunshine android
Asynchronous Http Client是android中非常好的异步请求工具除了异步之外还有很多封装比如json的处理，cookie的处理引用 Persistent Cookie Storage with PersistentCookieStore This library also includes a PersistentCookieStore whi
java面试题 Array_06 java 面试
java面试题第一，谈谈final, finally, finalize的区别。 final-修饰符（关键字）如果一个类被声明为final，意味着它不能再派生出新的子类，不能作为父类被继承。因此一个类不能既被声明为 abstract的，又被声明为final的。将变量或方法声明为final，可以保证它们在使用中不被改变。被声明为final的变量必须在声明时给定初值，而在以后的引用中只能
网站加速 oloz 网站加速
前序:本人菜鸟，此文研究总结来源于互联网上的资料，大牛请勿喷！本人虚心学习，多指教. 1、减小网页体积的大小，尽量采用div+css模式，尽量避免复杂的页面结构，能简约就简约。 2、采用Gzip对网页进行压缩； GZIP最早由Jean-loup Gailly和Mark Adler创建，用于UNⅨ系统的文件压缩。我们在Linux中经常会用到后缀为.gz
正确书写单例模式随意而生 java 设计模式单例
　　单例模式算是设计模式中最容易理解，也是最容易手写代码的模式了吧。但是其中的坑却不少，所以也常作为面试题来考。本文主要对几种单例写法的整理，并分析其优缺点。很多都是一些老生常谈的问题，但如果你不知道如何创建一个线程安全的单例，不知道什么是双检锁，那这篇文章可能会帮助到你。　　懒汉式，线程不安全　　当被问到要实现一个单例模式时，很多人的第一反应是写出如下的代码，包括教科书上也是这样
单例模式香水浓 java
懒汉调用getInstance方法时实例化 public class Singleton { private static Singleton instance; private Singleton() {} public static synchronized Singleton getInstance() { if(null == ins
安装Apache问题：系统找不到指定的文件 No installed service named "Apache2" AdyZhang apache http server
安装Apache问题：系统找不到指定的文件 No installed service named "Apache2" 每次到这一步都很小心防它的端口冲突问题，结果，特意留出来的80端口就是不能用，烦。解决方法确保几处： 1、停止IIS启动 2、把端口80改成其它（譬如90，800，，，什么数字都好） 3、防火墙(关掉试试) 在运行处输入 cmd 回车，转到apa
如何在android 文件选择器中选择多个图片或者视频？ aijuans android
我的android app有这样的需求，在进行照片和视频上传的时候，需要一次性的从照片/视频库选择多条进行上传但是android原生态的sdk中，只能一个一个的进行选择和上传。我想知道是否有其他的android上传库可以解决这个问题，提供一个多选的功能，可以使checkbox之类的，一次选择多个处理方法官方的图片选择器(但是不支持所有版本的androi，只支持API Level
mysql中查询生日提醒的日期相关的sql baalwolf mysql
SELECT sysid,user_name,birthday,listid,userhead_50,CONCAT(YEAR(CURDATE()),DATE_FORMAT(birthday,'-%m-%d')),CURDATE(), dayofyear( CONCAT(YEAR(CURDATE()),DATE_FORMAT(birthday,'-%m-%d')))-dayofyear(
MongoDB索引文件破坏后导致查询错误的问题 BigBird2012 mongodb
问题描述： MongoDB在非正常情况下关闭时，可能会导致索引文件破坏，造成数据在更新时没有反映到索引上。解决方案：使用脚本，重建MongoDB所有表的索引。 var names = db.getCollectionNames(); for( var i in names ){ var name = names[i]; print(name);
Javascript Promise bijian1013 JavaScript Promise
Parse JavaScript SDK现在提供了支持大多数异步方法的兼容jquery的Promises模式，那么这意味着什么呢，读完下文你就了解了。一.认识Promises “Promises”代表着在javascript程序里下一个伟大的范式，但是理解他们为什么如此伟大不是件简
[Zookeeper学习笔记九]Zookeeper源代码分析之Zookeeper构造过程 bit1129 zookeeper
Zookeeper重载了几个构造函数，其中构造者可以提供参数最多，可定制性最多的构造函数是 public ZooKeeper(String connectString, int sessionTimeout, Watcher watcher, long sessionId, byte[] sessionPasswd, boolea
【Java命令三】jstack bit1129 jstack
jstack是用于获得当前运行的Java程序所有的线程的运行情况(thread dump），不同于jmap用于获得memory dump [hadoop@hadoop sbin]$ jstack Usage: jstack [-l] <pid> (to connect to running process) jstack -F
jboss 5.1启停脚本　动静分离部署 ronin47
以前启动jboss，往各种xml配置文件，现只要运行一句脚本即可。start nohup sh /**/run.sh -c servicename -b ip -g clustername -u broatcast jboss.messaging.ServerPeerID=int -Djboss.service.binding.set=p
UI之如何打磨设计能力? brotherlamp UI ui教程 ui自学 ui资料 ui视频
在越来越拥挤的初创企业世界里，视觉设计的重要性往往可以与杀手级用户体验比肩。在许多情况下，尤其对于 Web 初创企业而言，这两者都是不可或缺的。前不久我们在《右脑革命：别学编程了，学艺术吧》中也曾发出过重视设计的呼吁。如何才能提高初创企业的设计能力呢?以下是 9 位创始人的体会。 1.找到自己的方式如果你是设计师，要想提高技能可以去设计博客和展示好设计的网站如D-lists或
三色旗算法 bylijinnan java 算法
import java.util.Arrays; /** 问题：假设有一条绳子，上面有红、白、蓝三种颜色的旗子，起初绳子上的旗子颜色并没有顺序，您希望将之分类，并排列为蓝、白、红的顺序，要如何移动次数才会最少，注意您只能在绳子上进行这个动作，而且一次只能调换两个旗子。网上的解法大多类似：在一条绳子上移动，在程式中也就意味只能使用一个阵列，而不使用其它的阵列来
警告:No configuration found for the specified action: \'s chiangfai configuration
1.index.jsp页面form标签未指定namespace属性。  <%@taglib prefix="s" uri="/struts-tags"%> ... <s:form action="submit" method="post"&g
redis -- hash_max_zipmap_entries设置过大有问题 chenchao051 redis hash
使用redis时为了使用hash追求更高的内存使用率，我们一般都用hash结构，并且有时候会把hash_max_zipmap_entries这个值设置的很大，很多资料也推荐设置到1000，默认设置为了512，但是这里有个坑 #define ZIPMAP_BIGLEN 254 #define ZIPMAP_END 255 /* Return th
select into outfile access deny问题 daizj mysql txt 导出数据到文件
本文转自：http://hatemysql.com/2010/06/29/select-into-outfile-access-deny%E9%97%AE%E9%A2%98/ 为应用建立了rnd的帐号，专门为他们查询线上数据库用的，当然，只有他们上了生产网络以后才能连上数据库，安全方面我们还是很注意的，呵呵。授权的语句如下： grant select on armory.* to rn
phpexcel导出excel表简单入门示例 dcj3sjt126com PHP Excel phpexcel
<?php error_reporting(E_ALL); ini_set('display_errors', TRUE); ini_set('display_startup_errors', TRUE); if (PHP_SAPI == 'cli') die('This example should only be run from a Web Brows
美国电影超短200句 dcj3sjt126com 电影
1. I see．我明白了。2. I quit! 我不干了!3. Let go! 放手!4. Me too．我也是。5. My god! 天哪!6. No way! 不行!7. Come on．来吧(赶快)8. Hold on．等一等。9. I agree。我同意。10. Not bad．还不错。11. Not yet．还没。12. See you．再见。13. Shut up!
Java访问远程服务 dyy_gusi httpclient webservice get post
随着webService的崛起，我们开始中会越来越多的使用到访问远程webService服务。当然对于不同的webService框架一般都有自己的client包供使用，但是如果使用webService框架自己的client包，那么必然需要在自己的代码中引入它的包，如果同时调运了多个不同框架的webService，那么就需要同时引入多个不同的clien
Maven的settings.xml配置 geeksun settings.xml
settings.xml是Maven的配置文件，下面解释一下其中的配置含义： settings.xml存在于两个地方： 1.安装的地方：$M2_HOME/conf/settings.xml 2.用户的目录：${user.home}/.m2/settings.xml 前者又被叫做全局配置，后者被称为用户配置。如果两者都存在，它们的内容将被合并，并且用户范围的settings.xml优先。
ubuntu的init与系统服务设置 hongtoushizi ubuntu
转载自： http://iysm.net/?p=178 init Init是位于/sbin/init的一个程序，它是在linux下，在系统启动过程中，初始化所有的设备驱动程序和数据结构等之后，由内核启动的一个用户级程序，并由此init程序进而完成系统的启动过程。 ubuntu与传统的linux略有不同，使用upstart完成系统的启动，但表面上仍维持init程序的形式。运行
跟我学Nginx+Lua开发目录贴 jinnianshilongnian nginx lua
使用Nginx+Lua开发近一年的时间，学习和实践了一些Nginx+Lua开发的架构，为了让更多人使用Nginx+Lua架构开发，利用春节期间总结了一份基本的学习教程，希望对大家有用。也欢迎谈探讨学习一些经验。目录第一章安装Nginx+Lua开发环境第二章 Nginx+Lua开发入门第三章 Redis/SSDB+Twemproxy安装与使用第四章 L
php位运算符注意事项 home198979 位运算 PHP &
$a = $b = $c = 0; $a & $b = 1; $b | $c = 1 问a,b,c最终为多少? 当看到这题时，我犯了一个低级错误，误以为位运算符会改变变量的值。所以得出结果是1 1 0 但是位运算符是不会改变变量的值的，例如： $a=1;$b=2; $a&$b; 这样a,b的值不会有任何改变
Linux shell数组建立和使用技巧 pda158 linux
1.数组定义　　[chengmo@centos5 ~]$ a=(1 2 3 4 5) 　　[chengmo@centos5 ~]$ echo $a 　　1 　　一对括号表示是数组，数组元素用“空格”符号分割开。　　 2.数组读取与赋值　　得到长度：　　[chengmo@centos5 ~]$ echo ${#a[@]} 　　5 　　用${#数组名[@或
hotspot源码(JDK7) ol_beta java HotSpot jvm
源码结构图，方便理解： ├─agent Serviceab
Oracle基本事务和ForAll执行批量DML练习 vipbooks oracle sql
基本事务的使用：从账户一的余额中转100到账户二的余额中去，如果账户二不存在或账户一中的余额不足100则整笔交易回滚 select * from account; -- 创建一张账户表 create table account( -- 账户ID id number(3) not null, -- 账户名称 nam