tkacha467/Electricity-Demand-Forecasting-

# ⚡ 电力需求预测与峰时风险检测系统 ## 📌 概述 本项目构建了一个端到端的机器学习系统，用于预测每小时电力需求并检测高峰风险期。 该系统使用 XGBoost 模型，基于 2 年的每小时数据（17,496 条记录）进行训练，并包含了时间、天气和滞后变量等工程特征。 该系统通过 Streamlit Web 应用程序进行部署，以实现实时可视化与决策支持。 ## 🚀 主要功能 - 📊 高精度预测 (R² = 0.9964) - ⚡ 峰值需求检测 (Recall = 1.0) - 📈 未来 24 小时需求预测 - 🧠 基于 XGBoost 的回归与分类 - 🌐 交互式 Streamlit 仪表板 - 📉 误差分析与可视化 ## 🛠️ 技术栈 - Python - Pandas, NumPy - XGBoost - Scikit-learn - Streamlit - Plotly ## 📊 模型性能 | 指标 | 数值 | |------|------| | MAE | 1.84 MW | | RMSE | 2.38 MW | | R² | 0.9964 | | Precision | 0.889 | | Recall | 1.000 | | F1 Score | 0.941 | ## 📂 项目结构 electricity_project/ │── app.py │── model.ipynb │── README.md │── requirements.txt │── models/ │── data/ ## ▶️ 运行方法 1. 克隆仓库 git clone https://github.com/your-username/repo-name.git 2. 安装依赖 pip install -r requirements.txt 3. 运行 Streamlit 应用 streamlit run app.py ## 📸 截图 ### 仪表板  ### 预测视图  ### 峰值检测  ## ⚠️ 局限性 - 仅基于 2 年的数据进行训练 - 无实时数据集成 - 依赖外部天气输入 ## 🚀 未来改进 - 实时数据集成 (SCADA) - LSTM / Transformer 模型 - 概率预测 - 适配移动端的 UI ## 👨‍💻 作者 Tushar Kacha, Isha Kakadiya, Drashti Parecha MSc Data Science

标签：Apex, Kubernetes, NumPy, Plotly, Python, Scikit-learn, Streamlit, XGBoost, 代码示例, 仪表盘, 决策支持, 分类模型, 回归分析, 峰荷检测, 数据分析, 数据科学, 无后门, 时间序列分析, 机器学习, 特征工程, 电力需求预测, 能源大数据, 访问控制, 资源验证, 逆向工具