[PYTHON] Erfassung des früheren Stromverbrauchs Okinawa Electric Power Edition

Einführung

Ich habe ein Seminar zur Stromverbrauchsprognose abgehalten und gehört, dass es schwierig ist, diese zu erhalten, da das Format des von jedem Energieversorgungsunternehmen veröffentlichten Stromverbrauchs in der Vergangenheit unterschiedlich ist. Daher werde ich die Datenerfassungsmethode für jedes Elektrizitätsunternehmen zusammenfassen.

Die Zielstromversorgungsunternehmen sind übrigens Hokkaido-Kraft, Tohoku-Kraft, Tokio-Kraft, Hokuriku-Kraft, Chubu-Kraft, Kansai-Kraft, Chugoku-Kraft, Shikoku-Kraft, Kyushu-Kraft, Okinawa-Kraft, und dieses Mal werde ich mich mit Okinawa-Kraft befassen. ..

Hinweis: Das Wiederholen einer großen Anzahl von Downloads stellt eine Belastung für den Server dar. Versuchen Sie daher, den Download nur einmal oder für einen begrenzten Zeitraum durchzuführen.

Betriebsumgebung

Es funktioniert in einer Umgebung namens Colaboratory von Google.

Colaboratory

Webseite

Es scheint, dass Sie die Daten von der folgenden Website herunterladen können.

Okinawa Electric Power Denki-Prognose

herunterladen

python

for y in range(2016, 2020):
  for m in range(1,13):
    
    #Ausgelassen, da vor April 2016 keine Daten vorliegen
    if y == 2016 and m < 4:
      continue
      
    for d in range(1, 32):
      url = "https://www.okiden.co.jp/denki2/juyo_10_{:04}{:02}{:02}.csv".format(y, m, d)
      !wget $url

Lesen und visualisieren

python

from glob import glob
import pandas as pd

#Holen Sie sich eine Liste der heruntergeladenen Dateien
files = glob("*.csv")
files.sort()

df_juyo = pd.DataFrame()

for f in files:
  print("\r", f, end="")
  try:
    df = pd.read_csv(f, encoding="Shift_JIS", skiprows=7, nrows=24)
  except:
    df = pd.read_csv(f, encoding="Shift_JIS", skiprows=13, nrows=24)
  df_juyo = pd.concat([df_juyo, df])

#Legen Sie Datum und Uhrzeit als Index fest
df_juyo.index = pd.to_datetime(df_juyo["DATE"] + " " + df_juyo["TIME"])
df_juyo = df_juyo.sort_index()

#Diagrammzeichnung
df_juyo["Ergebnisse am Tag(10.000 kW)"].plot(figsize=(15,5))

erledigt!

Ergänzung

Wenn Sie versuchen, es zu visualisieren, sehen Sie eine Tendenz, die sich von der üblichen in der zweiten Hälfte des Jahres 2018 unterscheidet. Ich dachte, es sei ein Datenfehler, also überprüfte ich ihn ein wenig und fand die Grafik unten.

Als ich die Katastrophe im September 2018 untersuchte, fand ich die folgenden Artikel. 2018 Taifun Nr. 24 (2018)

Es scheint, dass es viel Schaden gab.

Wenn man die Menge an verbrauchtem Strom betrachtet, fällt Ihnen vieles auf. Das ist alles für Kimura aus der Szene.