版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
项目2节能侦探者:5G基站能耗优化分析2.1项目背景与目标2.2项目任务分解2.3项目知识准备多图组合布局动态图片实现多子图实例讲解2.4.项目实施2.5.项目交付:5G基站能耗优化分析2.6.本章小结2.7.课后拓展项目背景与目标012.1.项目背景与目标【情景导入】作为数据分析实习生,小王已参与3个月基站数据梳理。近期整理数据时,他发现明显优化点。小王决定制作一份可视化报告,既要让技术部看清设备规律,又要让管理层抓准节能抓手,为基站节能提供决策依据。【学习目标】✓
能根据业务需求选择合适的Matplotlib图表类型✓
能根据图表类型和数据特点进行数据预处理✓
掌握Matplotlib多子图绘制和子图之间布局技巧✓
实现动态热力图展示能耗时空分布规律✓
培养数据驱动的问题解决能力和数据解读及报告撰写能力【小贴士】随着5G网络建设的快速推进,基站能耗问题日益凸显。据统计,5G基站的功耗是4G基站的3-4倍,单个基站月均耗电量高达1600度电。这种“几何式增长”的能耗给企业运营和社会节能减排带来了巨大压力。项目任务分解022.2项目任务分解任务类型任务描述技术工具输出成果基础任务多子图基础知识准备多子图多子图案例图像进阶任务基站多维度能耗分析对比图多子图完整多维度分析对比图进阶任务绘制动态基站能耗分布热力图动态热力图动态基站能耗分布热力图拓展任务多基站能耗趋势对比可视化多子图完整多维度分析对比图拓展任务能耗随时间和温度的三维可视化三维视图三维可视化对比图拓展任务整合分析结果,撰写基站能耗优化报告文字编辑+图表嵌入基站能耗优化报告项目知识准备032.3.项目知识准备最常用的多子图创建方法,返回Figure对象和Axes对象数组。关键代码如下:方法1:plt.subplots()方法多图组合布局importmatplotlib.pyplotasplt#创建2行2列的子图网格fig,axes=plt.subplots(nrows=2,ncols=2,figsize=(12,8))#访问子图示例,在
第1行第2列绘制子图axes[0,1].plot([1,2,3],[4,5,6])2.3.项目知识准备方法1:plt.subplots()方法多图组合布局第一行第二行第一列第二列运行结果如所示:2.3.项目知识准备逐个添加子图,关键代码如下。方法2:plt.subplot()方法多图组合布局importmatplotlib.pyplotaspltplt.subplot(2,2,1)#2行2列的第1个子图plt.plot([1,2],[3,4])plt.subplot(2,2,4)#2行2列的第4个子图plt.plot([1,2],[1,2])2.3.项目知识准备多图组合布局第一行第二行第一列第二列运行结果如所示:方法2:plt.subplot()方法2.3.项目知识准备创建不规则布局的子图,属于高级布局方法,关键代码如下:方法3:subplot2grid()方法多图组合布局importmatplotlib.pyplotasplt#在3x3网格中创建不同大小的子图#在第0行,从第1列开始跨2列ax1=plt.subplot2grid((3,3),(0,1),colspan=2)#在第0列,从第1行开始跨2行ax2=plt.subplot2grid((3,3),(1,0),rowspan=2)2.3.项目知识准备运行结果如所示:多图组合布局第一行第二行第一列第二列方法3:subplot2grid()方法第三行第三列2.3.项目知识准备GridSpec()方法和add_subplot()方法组合运用,可以实现更灵活的专业级布局,关键代码如下:方法4:GridSpec+add_subplot()方法多图组合布局frommatplotlib.gridspecimportGridSpecfig=plt.figure()gs=GridSpec(4,4)#4行4列网格#创建跨多行列的子图ax_main=fig.add_subplot(gs[:3,:3])#占据前3行前3列ax_side=fig.add_subplot(gs[0,3])#第1行第4列ax_side=fig.add_subplot(gs[1:,3])#第2行到结束,第4列ax_side=fig.add_subplot(gs[3,:3])#第4行,第1列到第3列2.3.项目知识准备多图组合布局第一行第二行第一列第二列运行结果如所示:方法4:GridSpec+add_subplot()方法第三行第四行第三列第四列2.3.项目知识准备动态图片实现animation是Matplotlib库中用于创建动画的子模块,它提供了多种创建动态可视化的方法。animation模块2.3.项目知识准备动态图片实现(1)FuncAnimation主要类和功能#导入FuncAnimation用于创建动画frommatplotlib.animationimportFuncAnimation#创建x轴数据:在0到2π之间生成100个等间距点x=np.linspace(0,2*np.pi,100)#绘制初始正弦曲线,
这里使用逗号是因为plot返回一个包含单个元素的列表line,=ax.plot(x,np.sin(x))#定义动画更新函数defupdate(frame):#更新y轴数据:根据帧数(frame)改变正弦曲线的相位line.set_ydata(np.sin(x+frame/10))#frame/10控制相位变化速度#返回需要更新的图形元素,逗号表示返回一个元组(blitting优化需要)returnline,#创建动画对象ani=FuncAnimation(fig,#要动画化的图形对象update,#更新函数frames=100,#动画帧数(0-99)interval=50,#帧间隔时间(毫秒),50ms即20帧/秒blit=True#优化性能)ani.save("示例动画.gif")2.3.项目知识准备动态图片实现(2)ArtistAnimation适用于预先计算好所有帧的动画,关键代码段如下:主要类和功能2.3.项目知识准备动态图片实现可以将动画保存为多种格式:保存动画(1)GIF(需要pillow)ani.save('animation.gif',writer='pillow',fps=30)(2)MP4(需要ffmpeg)ani.save('animation.mp4',writer='ffmpeg',fps=30(3)HTML(用于JupyterNotebook)fromIPython.displayimportHTMLHTML(ani.to_html5_video())2.3.项目知识准备多子图实例讲解我们以某连锁超市会员信息统计为例来展示如何实现多子图布局,需要的数据在“会员信息表.xlsx”表中。会员信息表中主要数据字段有:性别、年龄、年龄段、城市、入会方式、会员级别、购买总金额、购买总次数等。importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt#中文支持plt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=False#读取CSV文件中的数据df=pd.read_excel("会员信息表.xlsx","Sheet1")#显示数据的前几行print("读取的数据样本:")display(df.head())#检查数据的基本信息print("\n数据基本信息:")print(())实操演示步骤1:数据准备dataframe中的前5行数据:实操演示步骤1:数据准备数据的基本信息:(1)子图1:用饼图表示入会方式#设置蓝色系颜色blue_colors=['#1f77b4','#4e79a7','#2ca5e0','#a5d8f3']#准备数据categories=['团购促销','微信推广','节日活动','自愿']#通过“入会方式”进行筛选joinPath=df['入会方式'].value_counts().reindex(categories,fill_value=0)#绘制饼图plt.pie(joinPath,labels=categories,autopct='%0.2f%%',wedgeprops={'width':0.5},pctdistance=0.75,colors=blue_colors,)#添加标题和标签plt.title('会员入会渠道分布',fontsize=14)plt.legend(loc='upperleft',fontsize=8,bbox_to_anchor=(1,1))plt.savefig('会员入会渠道分布',dpi=300)plt.show()实操演示步骤2:图像绘制效果图:实操演示步骤2:图像绘制(2)子图2:用堆积柱状图表示不同年龄段的性别分布#准备数据categories=['20~29岁','30~39岁','40~49岁']#通过“性别”进行筛选Female=df[df['性别']=='女']Male=df[df['性别']=='男']#按“年龄段”统计性别人数dataFemale=Female['年龄段'].value_counts().reindex(categories,fill_value=0)dataMale=Male['年龄段'].value_counts().reindex(categories,fill_value=0)#创建堆叠柱状图bar_width=0.5x=np.arange(len(categories))实操演示步骤2:图像绘制#绘制男性数据(底部)plt.bar(x,dataMale,width=bar_width,color='#5793f3',label='男')#绘制女性数据(堆叠在男性上方)plt.bar(x,dataFemale,width=bar_width,bottom=dataMale,color='#a5d8f3',label='女')#添加标题和标签plt.set_title('不同年龄段性别分布',fontsize=14)plt.set_xlabel('年龄段',fontsize=12)plt.set_ylabel('人数',fontsize=12)#设置x轴刻度plt.set_xticks(x,categories)实操演示步骤2:图像绘制效果图:实操演示步骤2:图像绘制(3)子图3:用折线图表示历年会员变化趋势fromdatetimeimportdatetime#如果日期是字符串格式,先转换为datetimedf['会员入会日']=pd.to_datetime(df['会员入会日'])#提取年份df['入会年份']=df['会员入会日'].dt.yearprint(df)#按年份和会员级别统计人数member_trend=df.groupby(['入会年份','会员级别']).size().unstack(fill_value=0)#按年份排序member_trend=member_trend.sort_index()实操演示步骤2:图像绘制#创建折线图plt.figure(figsize=(12,6))#绘制两条折线代表普通会员和VIP会员的变化趋势plt.plot(member_trend.index,member_trend['VIP会员'],marker='o',label='VIP会员',linewidth=2,color='#1f77b4')plt.plot(member_trend.index,member_trend['普通会员'],marker='s',label='普通会员',linewidth=2,color='#ff7f0e')#添加标题和标签plt.title('VIP会员与普通会员变化趋势',fontsize=16,pad=20)plt.xlabel('年份',fontsize=12)plt.ylabel('会员数量/人',fontsize=12)#设置x轴为整数年份plt.xticks(member_trend.index,rotation=45)实操演示步骤2:图像绘制#添加数据标签foryearinmember_trend.index:plt.text(year,member_trend.loc[year,'VIP会员']+0.5,str(member_trend.loc[year,'VIP会员']),ha='center')plt.text(year,member_trend.loc[year,'普通会员']+0.5,str(member_trend.loc[year,'普通会员']),ha='center')#添加图例和网格plt.legend(fontsize=12)plt.grid(True,linestyle='--',alpha=0.6)#调整布局plt.tight_layout()plt.savefig('VIP会员与普通会员变化趋势',dpi=300)plt.show()实操演示步骤2:图像绘制效果图:实操演示步骤2:图像绘制(4)子图4:用瀑布图表示各城市销售情况#按城市统计销售总额,并转换为DataFrame格式后进行降序排序city_sales=df.groupby("城市")["购买总金额"].sum().reset_index().sort_values("购买总金额",ascending=False).reset_index()print(city_sales)cities=city_sales['城市']sales=city_sales["购买总金额"]#第一个数据为最高额,计算相对值(纯数值运算)relative_values=[sales[0]]+[sales[i]-sales[i-1]foriinrange(1,len(sales))]print(relative_values)实操演示步骤2:图像绘制#绘制瀑布图colors=['#1f77b4']+['#2ca02c'ifval>=0else'#ff7f0e'forvalinrelative_values[1:]]foriinrange(len(cities)):plt.bar(cities[i],relative_values[i],bottom=np.sum(relative_values[:i]),color=colors[i])#添加标签和装饰plt.title('四川省不同城市销售数据瀑布图')plt.xlabel('城市',fontsize=12)plt.ylabel('总金额/元',fontsize=12)plt.savefig('四川省不同城市销售数据瀑布图',dpi=300)plt.show()实操演示步骤2:图像绘制效果图:实操演示步骤2:图像绘制(1)初始化画布的大小,设置为宽18英寸,高10英寸,dpi为100的画布。fig=plt.figure(figsize=(18,10),dpi=100)(2)使用subplotfang方法绘图布局在初始化完成的画布中设置子图布局为2行2列,4个子图平均布局。plt.subplot(2,2,1)#2行2列的第1个子图plt.subplot(2,2,2)#2行2列的第2个子图plt.subplot(2,2,3)#2行2列的第3个子图plt.subplot(2,2,4)#2行2列的第4个子图(3)依次将步骤2中4个子图的代码段复制到相应的子图中去。实操演示步骤3:图像完善效果图:实操演示步骤4:图像保存及显示
从图可以看出,某连锁超市会员推广渠道中团购促销最有效,30-39岁的会员最多,VIP会员近两年呈增值趋势,4个城市中绵阳市销售最好。实操演示步骤5:分析结论项目实施042.4.项目实施任务准备本项目使用的数据集为5g_hourly_energy_with_temp.csv1.导入numpy、pandas及matplotlib.pyplot库,将csv文件中的数据读入到dataframe中,并验证读入的数据结果。importpandasaspdimportnumpyasnpimportmatplotlib.pyplotasplt#中文支持plt.rcParams['font.family']='SimHei'plt.rcParams['axes.unicode_minus']=False2.4.项目实施任务准备#读取CSV文件中的数据df=pd.read_csv("5g_hourly_energy_with_temp.csv",encoding='utf-8')#显示数据的前几行print("读取的数据样本:")display(df.head())#检查数据的基本信息print("\n数据基本信息:")print(())2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备1.子图1:用柱状图表示不同区域平均能耗对比图通过直观对比商业区与居民区的平均能耗差异,帮助管理层识别高能耗区域特征(如商业区因流量密集导致能耗偏高),为制定差异化节能策略提供依据——例如在高能耗区域优先试点节能改造,或根据区域业务密度优化基站配置。对原始数据进行数据分组。按“区域类型”列进行分组,将每个站点的“小时能耗(kWh)”值整理为列表。此时输出的是一个Series对象,索引是唯一的“区域类型”,值是每个站点对应的信号强度列表。area_energy=df.groupby('区域类型')['小时能耗(kWh)'].mean()2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备2.子图2:用饼图表示射频设备占比分布图清晰呈现不同型号射频单元的能耗占比,定位高能耗设备型号,为设备选型、升级或替换提供数据支持。若某型号设备能耗占比过高,可推动技术部门评估其能效匹配度,优先替换或调整参数以降低整体能耗。对原始数据进行数据分组。按“射频单元型号”列进行分组,将每个站点的“小时能耗(kWh)”值整理为列表。此时输出的是一个Series对象,索引是唯一的“射频单元型号”,值是每个站点对应的信号强度列表。device_energy=df.groupby('射频单元型号')['小时能耗(kWh)'].mean()2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备3.子图3:用折线图表示24小时能耗模式分布图展示不同区域基站在一天中的能耗波动规律(如商业区白天能耗高、居民区夜间能耗高),为动态节能策略提供抓手——例如在低负载时段(如商业区凌晨)自动调低基站功率,实现“错峰节能”,同时避免影响用户体验。(1)创建一个空字典`hourly_energy_data`,用来存储不同区域类型的小时能耗数据。hourly_energy_data={}2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备3.子图3:用折线图表示24小时能耗模式分布图(2)循环遍历`df['区域类型'].unique()`,也就是数据框中“区域类型”列的所有唯一值,每个唯一值代表一个区域类型。在循环内部,area_df=df[df['区域类型']==area]筛选出当前区域类型的所有数据,生成一个子数据框area_df。接下来对这个子数据框进行分组操作,按时间戳的小时部分分组,并计算每个小时的平均能耗值,然后将结果存储到字典中,键为区域类型,值为对应的平均能耗序列。forareaindf['区域类型'].unique():
area_df=df[df['区域类型']==area]
hourly_energy_data[area]=area_df.groupby(area_df['时间戳'].dt.hour)['小时能耗(kWh)'].mean()2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备4.子图4:用散点图表示负载与能耗关系分析图揭示负载率与能耗的关联规律,判断是否存在“低负载高能耗”异常(如负载10%时能耗仍达峰值70%)。技术部门可据此排查设备参数配置或硬件老化问题,优化负载-能耗匹配关系,提升能源利用效率。读取原始数据中的小时负载,小时能耗和小时流量。load_data=df['小时负载(%)']energy_data=df['小时能耗(kWh)']traffic_data=df['小时流量(GB)']2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤1:数据准备5.子图5:用柱状图表示散热方式能效对比图量化自然冷却与液冷的能耗差异(如液冷在高温环境下节能23%),凸显散热方式对能耗的影响。帮助管理层评估散热改造的优先级——例如在高温区域或高能耗基站优先推广液冷技术,明确节能改造的投入产出比。对原始数据进行数据分组。按“散热方式”列进行分组,将每个站点的“小时能耗(kWh)”值整理为列表。此时输出的是一个Series对象,索引是唯一的“散热方式”,值是每个站点对应的信号强度列表。cooling_eff=df.groupby('散热方式')['小时能耗(kWh)'].mean()2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制1.创建多维度分析画布(1)初始化画布的大小,设置为宽16英寸,高12英寸,dpi为100的画布。fig=plt.figure(figsize=(16,12),dpi=100)(2)使用GridSpec设置绘图布局在初始化完成的画布中设置子图布局为3行2列。gs=GridSpec(3,2,figure=fig)2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制2.子图1:用柱状图表示不同区域平均能耗对比图(1)在网格布局第一行第一格创建子图1,并初始化要显示的颜色映射。ax1=fig.add_subplot(gs[0,0])colors1={'商业区':'#4C72B0','居民区':'#DD8452'}(2)绘制柱状图。`area_energy`是一个Series,其索引是区域类型,值是对应的平均能耗。颜色通过列表推导式从`colors`字典中获取,确保每个区域的颜色正确。ax1.bar(area_energy.index,area_energy.values,color=[colors1[a]forainarea_energy.index])2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制3.子图2:用饼图表示射频设备能耗占比分布图(1)在网格布局第一行第二格创建子图2,并初始化要显示的颜色代码。plt=fig.add_subplot(gs[0,1])colors2=['#E8806D','#4ECDC4','#45B7D1']2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制3.子图2:用饼图表示射频设备能耗占比分布图(2)绘制饼图。wedges,texts,autotexts=ax2.pie(device_energy.values,
autopct='%1.1f%%',
startangle=90,
colors=colors2,
pctdistance=0.8,
textprops={'fontsize':10,'color':'white'},
wedgeprops=dict(width=0.4,edgecolor='w'))2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制4.子图3:用折线图表示24小时能耗模式分布图(1)在网格布局第二行创建子图3,并初始化要显示的颜色映射。ax3=fig.add_subplot(gs[1,:])colors3={'商业区':'#4C72B0','居民区':'#DD8452'}(2)绘制折线图。遍历包含各区域能源数据的字典,使用Matplotlib绘制折线图。forarea,energy_seriesinhourly_energy_data.items():ax3.plot(energy_series.index,energy_series.values,label=area,color=colors3[area],linewidth=2.5)2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制5.子图4:用散点图表示负载与能耗关系分析图(1)在网格布局第三行第一格创建子图4。ax4=fig.add_subplot(gs[2,0])(2)绘制散点图。sc=ax4.scatter(load_data,energy_data,c=traffic_data,cmap='coolwarm',alpha=0.7)2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤2:图像绘制6.子图5:用柱状图表示散热方式能效对比图(1)在网格布局第三行第二格创建子图5,并初始化要显示的颜色映射。ax5=fig.add_subplot(gs[2,1])colors5=['#97C979','#8172B3'](2)绘制柱状图。ax5.bar(cooling_eff.index,cooling_eff.values,color=colors5,width=0.6)2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善1.子图1:用柱状图表示不同区域平均能耗对比图(1)设置图像标题。设置字体大小为14磅,边距为15pt。ax1.set_title('不同区域类型平均能耗对比',fontsize=14,pad=15)(2)设置y坐标轴的标签。ax1.set_ylabel('平均能耗(kWh)')2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善2.子图2:用饼图表示射频设备能耗占比分布图(1)设置图例。位置居中,字体大小设置为10磅。ax2.legend(wedges,device_energy.index,title='设备型号',loc='centerleft',bbox_to_anchor=(1,0.5),fontsize=10)(2)设置图像标题。设置字体大小为14磅,边距为15pt。ax2.set_title('射频设备能耗占比分布',fontsize=14,pad=15)(3)设置y坐标轴的标签。ax2.set_ylabel('平均能耗(kWh)')2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善3.子图3:用折线图表示24小时能耗模式分布图(1)设置图像标题。设置字体大小为14磅,边距为15pt。ax3.set_title('24小时能耗模式分析',fontsize=14,pad=15)(2)设置x,y坐标轴的标签和图例。ax3.set_xlabel('小时')ax3.set_ylabel('平均能耗(kWh)')ax3.legend()(3)设置网格背景线和x坐标轴的范围。ax3.grid(alpha=0.3)ax3.set_xticks(range(0,24))2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善4.子图4:用散点图表示负载与能耗关系分析图(1)设置图像标题。设置字体大小为14磅,边距为15pt。ax4.set_title('负载与能耗关系分析',fontsize=14,pad=15)(2)设置x,y坐标轴的标签。ax4.set_xlabel('负载(%)')ax4.set_ylabel('能耗(kWh)')(3)添加颜色栏。plt.colorbar(sc,label='流量(GB)')2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善5.子图5:用柱状图表示散热方式能效对比图(1)设置图像标题。设置字体大小为14磅,边距为15pt。ax5.set_title('散热方式能效对比',fontsize=14,pad=15)(2)设置y坐标轴的标签,并设置字体加粗。ax5.set_ylabel('平均能耗(kWh)',fontweight='bold')(3)添加注释,在可视化图表中添加液冷节能效果的标注注释,动态计算液冷相比自然冷却的节能百分比(保留1位小数)。设置标注位置,箭头指向液冷数据点(X=0.5位置),文本起始位置在自然冷却数据点右上方。使用带弯曲效果的箭头(fancy),深灰色(#2f3640),采用角度连接方式。设置字体大小为12磅,字体加粗,颜色设置为醒目的红色(#e84118)。2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤3:图像完善5.子图5:用柱状图表示散热方式能效对比图ax5.annotate(f'液冷节能:{((cooling_eff["自然冷却"]-cooling_eff["液冷"])/cooling_eff["自然冷却"]*100):.1f}%',
xy=(0.5,cooling_eff["液冷"]),
xytext=(0.2,cooling_eff["自然冷却"]+0.8),
arrowprops=dict(arrowstyle="fancy",color='#2f3640',connectionstyle="angle3"),
fontsize=12,fontweight='bold',color='#e84118')2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤4:图像保存及显示1.对当前图像进行调整,使得子图参数自动适应图像区域。plt.tight_layout()2.保存当前图像。plt.savefig('多维度能耗分析.png',bbox_inches='tight')最终呈现效果见右图。2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤5:分析结论图表分析:1.区域能耗对比:商业区平均能耗高于居民区,反映商业活动(如办公、运营设备)能耗更集中。2.射频设备分布:三款射频设备(AAU5613占比37.6%、AAU5624占比31.4%、AAU5636占比31.0%)能耗占比相对均衡,需关注高占比设备的能效优化。3.24小时能耗模式:商业区与居民区能耗在日间(如9-18点)波动同步上升,夜间(如0-6点)趋稳,契合人流、业务活跃时段规律,峰值集中于工作/生活高峰期。4.负载与能耗关系:散点图呈现“负载越高、能耗越高”趋势,但数据离散性提示负载-能耗关联受其他因素(如设备效率、场景差异)影响,需细化分析。5.散热能效对比:自然冷却平均能效优于液冷(液冷节能量14.5%),长期看自然冷却或更具节能潜力,可评估场景适配性推广。2.4.项目实施任务2-1:绘制多维度能耗对比分析图步骤5:分析结论结
论:1.区域管理:针对商业区高能耗,优化设备调度(如错峰运行)、升级节能技术;居民区关注生活电器能效,推广节能习惯。2.设备优化:射频设备按占比排序,优先对AAU5613等高频设备做能效改造、智能管控,降低整体能耗。3.时段策略:依据24小时波动,在能耗峰值(如日间)加强设备巡检、动态调优;谷值时段(如夜间)推进维护、测试低功耗模式。4.负载与散热:结合负载-能耗关联,动态匹配设备负载与能效策略;扩大自然冷却适用场景(如低负载、环境适宜时段),降低散热能耗成本。5.整体通过“区域+设备+时段+技术”多维优化,可有效挖掘节能空间,平衡能耗与业务需求。2.4.项目实施任务2-2:绘制动态能耗热力图步骤1:数据准备通过按小时动态展示不同基站在各温度区间的能耗分布(横轴为温度、纵轴为基站ID、颜色深浅代表能耗值),直观呈现“时间-温度-基站-能耗”的四维关系。例如:可清晰发现某批基站在每日14-16点(高温时段)能耗骤增,或特定基站随温度升高出现能耗异常跳变,帮助技术团队定位“高温敏感型”基站,为散热系统针对性改造提供精准依据。本项目使用的数据集为5g_hourly_energy_with_temp.csv,该数据集包含以下字段:时间戳:记录数据的时间。基站ID:每个5G基站的唯一标识。小时能耗(kWh):每个基站每小时的能耗。基站温度(℃):每个基站的温度。确保数据集文件与Python脚本在同一目录下。2.4.项目实施任务2-2:绘制动态能耗热力图步骤1:数据准备1.使用pandas的read_csv函数读取数据集,并将时间戳列解析为日期时间类型。df=pd.read_csv('5g_hourly_energy_with_temp.csv',parse_dates=['时间戳'])2.获取所有基站的唯一ID和24小时的时间范围。base_stations=df['基站ID'].unique()time_hours=range(24)2.4.项目实施任务2-2:绘制动态能耗热力图步骤2:图像绘制1.创建一个大小为12x8的画布fig,ax=plt.subplots(figsize=(12,8))2.在画布上创建一个空白的热力图。设置热力图的颜色映射为YlOrRd,并根据数据中的最小和最大能耗值设置颜色范围。添加颜色条,用于显示能耗值与颜色的对应关系。设置坐标轴标签,便于理解图形。img=ax.imshow(np.zeros((len(base_stations),60)),cmap='YlOrRd',aspect='auto',vmin=df['小时能耗(kWh)'].min(),vmax=df['小时能耗(kWh)'].max())plt.colorbar(img,label='能耗(kWh)')2.4.项目实施任务2-2:绘制动态能耗热力图步骤3:图像完善1.定义一个动画更新函数animate,该函数接受一个小时数作为参数。在函数内部,筛选出该小时的数据,并使用pivot_table函数将数据转换为适合绘制热力图的格式。更新热力图的数据和标题,并根据温度范围更新x轴标签。ax.set_yticks(np.arange(len(base_stations)))ax.set_yticklabels(base_stations)ax.set_xlabel('基站温度(℃)')ax.set_ylabel('基站ID')2.4.项目实施任务2-2:绘制动态能耗热力图步骤3:图像完善2.使用FuncAnimation函数创建动画,指定动画的更新函数、帧数和帧间隔。ani=FuncAnimation(fig,animate,frames=time_hours,interval=500,#500ms帧间隔blit=True)2.4.项目实施任务2-2:绘制动态能耗热力图步骤4:
图像保存及显示1.使用save方法将动画保存为GIF文件,并设置保存参数。最后关闭图形窗口并输出提示信息。ani.save('energy_heatmap.gif',writer='imagemagick',fps=2,metadata={'Artist':'CreatedwithChinesesupport'},#添加元数据savefig_kwargs={'facecolor':'white','edgecolor':'none'})#确保背景透明plt.close()print("GIF生成完成!")2.4.项目实施任务2-2:绘制动态能耗热力图步骤4:
图像保存及显示2.通过以上步骤,最终效果如图:2.4.项目实施任务2-2:绘制动态能耗热力图步骤5:分析结论图表分析:动态能耗热力图以时间(24小时)为动态展示维度,横轴为基站温度(℃),纵轴为基站ID,颜色深浅表示能耗值(kWh)。
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 荷花说课课件
- 绘画课件小班课件
- 电工电子技术及应用 课件 第7、8章 电动机及其控制、常见半导体器件及应用
- 寒号鸟教学课件
- 寒号鸟故事的课件
- 绘画龙主题课件
- 初中九年级英语Unit 1 Great People阅读课教学设计
- 高中二年级物理教案-热力学第一定律
- 九年级化学教学设计:粗盐提纯实验的工程思维建构
- 高三地理教学设计:人口数量变化与迁移一轮复习深度解析
- 橡胶制品模具维护管理制度
- (2026年新教材)人教版小学数学六年级上册第五单元百分数《1.百分数的意义》示范课教学课件第一课时
- 2026年新教材统编版九年级上册语文期末复习:古诗词理解性默写 专项测试卷(含答案)
- YMO数学竞赛2024秋季七年级复赛真题试卷含答案解析可打印
- T8联考2027届高三10月检测训练英语试题(含答案详解)
- 武汉产业投资控股集团有限公司招聘笔试题库2026
- ISO 9001-2026 换版深度解读:36条条款逐条对比与企业换版行动指南
- 人教版五年级上册语文第七单元第22课《白鹭》第2课时教学课件(新教材)
- 26新五(上)语文课后生字词情景默写
- 关于学生思想政治教育问题的调研报告2026(3篇)
- 九年级物理上册《改变世界的热机》单元复习教学设计(教科版2024)
评论
0/150
提交评论