# ecowatt-predictor-ai

**Repository Path**: wavef/ecowatt-predictor-ai

## Basic Information

- **Project Name**: ecowatt-predictor-ai
- **Description**: No description available
- **Primary Language**: JavaScript
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-02
- **Last Updated**: 2025-12-02

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# EcoWatt Predictor AI (智能能耗预测)

EcoWatt Predictor AI 是一款专业的前端应用程序，旨在预测工业和商业用电情况。利用生成式 AI (Google Gemini 或 本地大模型) 分析历史电力数据，预测未来消费趋势，并根据业界标准公式提出节能策略建议。

## 功能特性

*   **实时可视化**: 交互式仪表盘展示历史数据（红色）、基准预测（蓝色）和优化后用电（绿色）。
*   **AI 驱动预测**: 利用大语言模型 (LLM) 理解上下文并生成可解释的预测报告。
*   **双 AI 模式**:
    *   **在线模式**: 集成 Google Gemini 2.5 Flash，提供高速、基于推理的预测。
    *   **本地模式**: 通过 OpenAI 兼容接口连接本地推理服务器（如 Ollama, vLLM），适合隐私优先的部署场景。
    *   **场景模拟**: 内置模拟数据生成器，用于测试和演示。
    *   **外部数据集成**: 支持从自定义 URL 获取 JSON 格式的用电数据。
    *   **策略优化**: 应用特定的工业节能公式（削峰填谷、电压优化、暖通空调控制）。
    *   **深色主题**: 基于 Tailwind CSS 构建的现代化暗色 UI。
    *   **双语支持**: 支持中英文一键切换。

## 使用方法

1.  **选择区域**: 选择目标设施（工业 A 区、商业综合体 B 或数据中心 C）。
2.  **配置数据源**:
    *   启用 **"模拟数据"** 开关以生成随机数据。
    *   关闭模拟并在 **"数据源接口地址"** 输入框中填写 URL 以获取真实数据。
3.  **设置参数**:
    *   **历史时段**: 选择 12h, 24h, 48h 或 7 天。
    *   **推测时长**: 滑动滑块设置未来预测的小时数 (1-24h)。
4.  **选择策略**: 点击选择一种节能公式（例如：削峰填谷策略）。
5.  **运行分析**: 点击 **"开始 AI 推测"**。
    *   **在线模式**: 需要环境变量中配置有效的 `API_KEY`。
    *   **本地模式**: 点击顶部的 CPU 图标，然后点击设置图标配置本地 AI Base URL (如 `http://localhost:11434/v1`) 和模型名称 (如 `llama3`)。

## 标准与公式来源

本应用使用的公式源自能源管理系统 (EMS) 和工业最佳实践标准。

### 1. 削峰填谷 (Peak Shifting & Valley Filling)
*   **概念**: 通过将高峰时段的用电移至低谷时段来降低需量电费。
*   **标准**: 基于 **负荷率 (Load Factor)** 改进原则。
*   **实现逻辑**:
    *   识别高峰时段（通常为 09:00-12:00, 18:00-21:00）。
    *   在高峰期应用负荷削减系数（如 15%）。
    *   模拟在低谷时段增加负荷（充电阶段）。

### 2. 电压优化 (Voltage Optimization / CVO)
*   **概念**: 节能电压降低 (CVR)。
*   **标准**: ANSI C84.1 (电力系统电压等级标准)。
*   **实现逻辑**: 模拟将供电电压降低至允许带宽的下限（如 -4%）。
*   **来源**: IEEE 估计，对于恒阻抗负载，电压每降低 1%，能耗大约降低 1% (CVR 因子为 1.0)。

### 3. 智能 HVAC 控制
*   **概念**: 暖通空调的模型预测控制 (MPC)。
*   **标准**: ASHRAE Guideline 36 (高性能暖通空调运行序列)。
*   **实现逻辑**: 根据预测的天气和人员占用情况调整设定点，通常在运行时间内降低 10-15% 的负荷。

---

## AI 预测模型训练指南

如果需要从通用的 LLM 推理转变为专业的专用预测模型，您可以针对时间序列预测任务训练或微调模型。

### 1. 数据要求

**数据类型**:
结构化时间序列数据 (表格形式)。

**必须字段**:
*   `timestamp`: ISO 8601 格式 (例如 `2023-10-27T14:00:00Z`)。
*   `power_consumption`: 浮点数，单位 kW (目标变量)。

**推荐协变量 (Features)**:
*   `temperature`: 环境温度 (°C)。
*   `humidity`: 相对湿度 (%)。
*   `is_holiday`: 布尔值 (0/1)，标识是否为节假日。
*   `day_of_week`: 整数 (0-6)。
*   `hour_of_day`: 整数 (0-23)。
*   `operational_status`: 布尔值 (工厂开工/停工)。

### 2. 数据量要求

*   **最低要求**: 1 年的小时级数据（约 8,760 个数据点），以捕捉四季变化和日/周周期性。
*   **推荐要求**: 3 年以上的历史数据，以捕捉长期趋势和异常情况。
*   **分辨率**: 小时级 (1H) 是标准；若需分析尖峰负荷，15 分钟级数据更佳。

### 3. 训练工具与库

**统计学/机器学习 (高精度)**:
*   **XGBoost / LightGBM**: 处理表格时间序列数据的工业界首选，速度快，精度高。
*   **Prophet (Meta)**: 擅长处理具有强季节性效应的数据。
*   **AutoGluon / H2O.ai**: AutoML 工具，可自动化特征工程和模型选择。

**深度学习 (复杂模式)**:
*   **PyTorch / TensorFlow**:
    *   **LSTM (长短期记忆网络)**: 处理序列数据的经典 RNN 架构。
    *   **TFT (Temporal Fusion Transformer)**: 目前最先进的可解释多视界预测模型。
    *   **N-BEATS**: 纯深度学习架构，用于单变量时间序列。

### 4. 训练环境部署与使用

**环境准备**:
1.  **软件**: Python 3.9+，建议安装 Anaconda 或使用 Docker 容器。
2.  **硬件**: 推荐 NVIDIA GPU (如 T4, A100) 用于 Transformer 类模型训练；XGBoost 类模型使用 CPU 即可。

**工作流**:
1.  **数据清洗**: 处理缺失值（插值）和剔除离群点。
2.  **特征工程**: 创建滞后特征（24小时前的用电量）、移动平均（7天均值）等。
3.  **模型训练**: 将数据按时间顺序切分为训练集 (80%)、验证集 (10%) 和测试集 (10%)。
4.  **评估指标**: 使用 MAPE (平均绝对百分比误差) 或 RMSE (均方根误差) 评估模型好坏。

**部署方式**:
*   **模型导出**: 将训练好的模型保存为 `.pkl` (Scikit-learn/XGBoost) 或 `.onnx` / `.pt` (深度学习) 文件。
*   **服务化**: 使用 FastAPI 或 Flask 将模型封装为 REST API 接口。
*   **集成**: 在 EcoWatt 前端的“数据源接口地址”或“本地 AI”模式中，指向该推理 API 地址即可实现对接。