[PYTHON] Acquisition de la consommation d'énergie passée Okinawa Electric Power Edition

introduction

J'organisais un séminaire sur les prévisions de consommation d'énergie, et j'ai entendu dire qu'il était difficile de l'obtenir car le format de la consommation d'énergie passée publiée par chaque compagnie d'électricité est différent. Par conséquent, je vais résumer la méthode d'acquisition des données pour chaque compagnie d'électricité.

À propos, les compagnies d'électricité cibles sont Hokkaido power, Tohoku power, Tokyo power, Hokuriku power, Chubu power, Kansai power, Chugoku power, Shikoku power, Kyushu power, Okinawa power, et cette fois je traiterai du pouvoir d'Okinawa. ..

Remarque: la répétition d'un grand nombre de téléchargements met le serveur à rude épreuve, veuillez donc essayer de télécharger une seule fois ou pour une période limitée.

Environnement d'exploitation

Cela fonctionne dans un environnement appelé Colaboratory par Google.

Colaboratory

Site Internet

Il semble que vous puissiez télécharger les données à partir du site Web suivant.

Okinawa Electric Power Denki Forecast

Télécharger

python

for y in range(2016, 2020):
  for m in range(1,13):
    
    #Omis car il n'y a pas de données avant avril 2016
    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

Lire et visualiser

python

from glob import glob
import pandas as pd

#Obtenez une liste des fichiers téléchargés
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])

#Définir la date et l'heure comme index
df_juyo.index = pd.to_datetime(df_juyo["DATE"] + " " + df_juyo["TIME"])
df_juyo = df_juyo.sort_index()

#Dessin graphique
df_juyo["Résultats du jour(10 000 kW)"].plot(figsize=(15,5))

l'a fait!

Supplément

Si vous essayez de le visualiser, vous pouvez voir une tendance différente de celle habituelle dans la seconde moitié de 2018. Je pensais que c'était une erreur de données, alors je l'ai vérifié un peu et j'ai trouvé le graphique ci-dessous.

Lorsque j'ai enquêté sur la catastrophe en septembre 2018, j'ai trouvé les articles suivants. 2018 Typhoon No. 24 (2018)

Il semble qu'il y ait eu beaucoup de dégâts.

En regardant la quantité d'électricité utilisée, vous remarquez de nombreuses choses. C'est tout pour Kimura de la scène.