### 数据预处理 对于企业96点用电负荷曲线的数据分析，首先需要加载并整理数据。假设数据已经存储在一个CSV文件中，每行代表一天中的不同时间点的电耗情况。 ```python import pandas as pd # 加载数据集 data = pd.read_csv('electricity_load.csv') # 设置索引为时间序列列名, 假设该列为'time_series' data.set_index('time_series', inplace=True)[^1] # 查看前几条记录确认操作成功与否 print(data.head()) ``` 为了更好地理解这些数据，在继续之前应该先探索其基本统计特征： ```python # 显示描述性统计数据 description = data.describe() print(description) # 绘制原始数据图象以便直观感受趋势变化模式 import matplotlib.pyplot as plt plt.figure(figsize=(10, 6)) plt.plot(data.index, data.values) plt.title('Original Electricity Load Curve') plt.xlabel('Time Series Index') plt.ylabel('Electricity Consumption (kWh)') plt.show() ``` ### 平稳化处理 考虑到实际应用中电力消耗可能随季节性和周期因素波动较大，因此有必要对原系列实施平稳化转换以消除这种影响。这里推荐使用差分法作为首选方案[^3]。 ```python from statsmodels.tsa.statespace.tools import diff # 对每一列执行一阶差分运算实现去势和平稳化 diff_data = diff(data).dropna() # 可视化差异后的结果对比查看改进程度 fig, ax = plt.subplots(2, sharex=True, figsize=(10,8)) ax[0].plot(data.index, data.iloc[:, 0], label='Original Data') ax[1].plot(diff_data.index, diff_data.iloc[:, 0], color="red", label='Differenced Data') for a in ax: a.legend(loc='best') plt.tight_layout() plt.show() ``` ### 负荷曲线聚类 接下来利用K-medoids算法对企业每日的负载情况进行分类归纳，从而识别出具有相似特性的典型日型态[^2]。 ```python from sklearn_extra.cluster import KMedoids import numpy as np # 将DataFrame转置使得每一天成为单独样本向量 daily_profiles = data.T # 初始化模型对象指定簇的数量 model = KMedoids(n_clusters=5, random_state=42) # 训练模型获得最优解 clusters = model.fit_predict(daily_profiles) # 输出各组中心位置对应的日期编号及其均值形状 centers_indices = model.medoid_indices_ center_days = daily_profiles.index[centers_indices] mean_shapes = daily_profiles.loc[center_days].values.mean(axis=0) # 展示最终成果图表形式呈现各类别分布状况 colors = ['blue','green','yellow','purple','orange'] labels = ["Cluster {}".format(i+1) for i in range(len(set(clusters)))] plt.figure(figsize=(12,7)) for idx, day in enumerate(center_days): plt.plot(mean_shapes[idx], c=colors[idx], lw=2, alpha=.8, label=f'{day} ({labels[idx]})') plt.title('Typical Daily Profiles Identified by Clustering Algorithm') plt.xticks(range(len(data.columns)), data.columns.strftime('%H:%M'), rotation=45); plt.yticks(np.arange(min(mean_shapes)-1,max(mean_shapes)+1,.5)); plt.grid(True); plt.legend(); plt.show(); ```