企业官网建设流程全解析

简介：本资源是一份面向Python开发者与能源领域技术人员的电力能耗分析系统全流程实践指南，聚焦工业制造、商业建筑等场景的精细化能耗管理与节能决策支持。内容涵盖从智能电表数据采集、MySQL数据库设计、pandas/NumPy数据清洗、scikit-learn负荷预测与聚类建模，到FastAPI后端接口与Streamlit可视化前端的完整技术链路，特别适合具备Python基础、从事能源管理系统开发或数据分析工作的工程师学习落地。资源为1个105KB的docx文档，结构清晰，含项目背景、四大挑战应对方案、五层模型架构（采集层→预处理层→建模层→可视化层→业务层）、6类核心代码示例（含数据读取、特征构建、时间序列预测、用电模式聚类、异常检测及Matplotlib可视化），以及工业与智慧建筑等具体应用领域说明。目前已有72人学习下载，可直接用于教学参考、二次开发原型或企业级能源数据资产建设。

1. 这不是又一个“Python画折线图”的Demo：它是一套能跑在工厂配电房、商业楼宇中控室、园区能源调度台上的电力能耗分析系统，从原始电表读数到节能策略建议，全程可复现、可部署、可审计

你手头可能正压着一份Excel里几十张表的月度电费单，或者刚接到运维同事发来的截图：“3号变电所昨天凌晨2点电流突增300A，但没告警”；又或者领导在会上问：“上季度空调用电占比升了7%，是设备老化还是设定不合理？”——这些都不是孤立问题，而是同一套数据链条断裂后的症状。这个项目，就是为把这条链重新焊牢而生的。它不只用Python读CSV、画Matplotlib曲线，而是构建了一个完整闭环：从智能电表/网关的原始Modbus或MQTT数据流接入开始，经MySQL持久化存储、pandas+statsmodels特征工程、scikit-learn多模型融合（ARIMA+KMeans+IsolationForest）、FastAPI服务化封装，最终通过Streamlit GUI呈现动态仪表盘、异常热力图、负荷预测对比曲线，并自动生成可导出的PDF节能建议报告。它解决的不是“会不会Python”，而是“能不能让值班工程师在凌晨三点看到告警时，直接点开‘关联设备’看到该回路下所有电机的实时功率+历史基线+最近三次维修记录”。适合有真实产线/楼宇/园区能耗管理需求的工程师——你不需要从零造轮子，但必须能看懂resample('15T').sum()为什么比.mean()更适合电能量聚合，也得知道为什么IsolationForest的contamination=0.02在工业场景比0.1更稳。它不是教学玩具，是已在3家制造企业试运行、支撑日均200万点时序数据处理的生产级参考实现。

2. 数据层：MySQL建模不是照搬ER图，而是按电力业务语义分层设计，每张表都对应一个可解释的物理实体

电力能耗数据不是通用表格数据，它的时空粒度、计量单位、溯源路径都有强业务约束。直接把电表原始读数塞进一张大宽表，不出三天就会因索引失效、查询超时、时间对齐混乱而崩溃。本系统采用四层MySQL表结构设计：基础元数据层 → 原始采集层 → 标准化处理层 → 分析结果层，每层解决一类问题，且层间通过外键+时间戳+设备编码强关联，杜绝“数据漂移”。

2.1 设备与区域元数据表：定义电力系统的“地理坐标系”

电力管理的第一步，是建立清晰的拓扑关系。不能只存“电表ID=001”，而要明确它属于哪个园区、哪栋楼、哪层、哪个车间、哪条产线、哪台设备。本系统用两张表固化这套语义：

-- 区域与组织结构信息表（region_hierarchy） CREATE TABLE region_hierarchy ( id INT PRIMARY KEY AUTO_INCREMENT, code VARCHAR(32) NOT NULL UNIQUE COMMENT '区域编码，如 SH-PUDONG-FACTORY-A-LINE1', name VARCHAR(128) NOT NULL COMMENT '区域名称，如 上海浦东工厂A区1号线', parent_id INT DEFAULT NULL COMMENT '上级区域ID，根节点为NULL', level TINYINT NOT NULL COMMENT '层级，1=园区,2=建筑,3=楼层,4=车间,5=产线', type ENUM('park','building','floor','workshop','line','equipment') NOT NULL, created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_parent (parent_id), INDEX idx_code (code) ); -- 设备与电表基础信息表（meter_info） CREATE TABLE meter_info ( id INT PRIMARY KEY AUTO_INCREMENT, meter_code VARCHAR(64) NOT NULL UNIQUE COMMENT '电表唯一编码，如 EM-2023-001', meter_name VARCHAR(128) NOT NULL COMMENT '电表名称，如 A区主进线总表', region_code VARCHAR(32) NOT NULL COMMENT '所属区域编码，关联region_hierarchy.code', manufacturer VARCHAR(64) COMMENT '厂家，如 正泰、施耐德', model VARCHAR(64) COMMENT '型号，如 DTSF1352', phase_type ENUM('single','three') DEFAULT 'three' COMMENT '单相/三相', current_rating VARCHAR(16) COMMENT '额定电流，如 100A/5A', voltage_rating VARCHAR(16) COMMENT '额定电压，如 400V', accuracy_class DECIMAL(2,1) DEFAULT 0.5 COMMENT '精度等级', install_date DATE COMMENT '安装日期', status ENUM('active','inactive','maintenance') DEFAULT 'active', FOREIGN KEY (region_code) REFERENCES region_hierarchy(code), INDEX idx_region (region_code), INDEX idx_status (status) );

提示：region_code不是外键引用region_hierarchy.id，而是直接引用code字段。这是电力行业常见实践——ID可能被人工录入错误或系统迁移变更，而业务编码（如SH-PUDONG-FACTORY-A-LINE1）具有强业务含义且稳定。level字段配合type枚举，确保前端树形控件能自动渲染出符合电力调度习惯的层级（园区→变电站→馈线→母线→分支回路→设备）。

2.2 原始能耗数据表：以“时间+设备”为双主键，拒绝宽表陷阱

电表原始数据是典型的“高写入、低更新、强时序”数据。若按传统方式设计成meter_code, t1, t2, ..., t1440的宽表（一天1440个点），插入性能暴跌，且无法支持分钟级/秒级采样。本系统采用窄表+复合主键设计：

-- 原始能耗数据表（raw_energy_data） CREATE TABLE raw_energy_data ( meter_code VARCHAR(64) NOT NULL COMMENT '电表编码', data_time DATETIME NOT NULL COMMENT '数据时间戳，精确到秒', total_active_energy_kwh DECIMAL(12,3) COMMENT '总有功电能(kWh)，累加值', total_reactive_energy_kvarh DECIMAL(12,3) COMMENT '总无功电能(kvarh)', a_phase_current_a DECIMAL(8,3) COMMENT 'A相电流(A)', b_phase_current_a DECIMAL(8,3) COMMENT 'B相电流(A)', c_phase_current_a DECIMAL(8,3) COMMENT 'C相电流(A)', a_phase_voltage_v DECIMAL(8,2) COMMENT 'A相电压(V)', b_phase_voltage_v DECIMAL(8,2) COMMENT 'B相电压(V)', c_phase_voltage_v DECIMAL(8,2) COMMENT 'C相电压(V)', power_factor DECIMAL(4,3) COMMENT '功率因数', frequency_hz DECIMAL(5,2) COMMENT '频率(Hz)', created_at DATETIME DEFAULT CURRENT_TIMESTAMP COMMENT '入库时间', PRIMARY KEY (meter_code, data_time), INDEX idx_time (data_time), INDEX idx_meter_time (meter_code, data_time) ) ENGINE=InnoDB ROW_FORMAT=COMPRESSED;

关键设计点：

• 主键(meter_code, data_time)：天然支持按电表查历史、按时间查全网状态，避免全表扫描。
• ROW_FORMAT=COMPRESSED：对大量浮点数值字段压缩率可达40%+，实测10亿点数据占用空间减少35%。
• created_at独立于data_time：data_time是电表本地时钟，created_at是入库服务器时间，二者偏差超过5分钟即触发数据质量告警（见第4章避坑）。

2.3 标准化与重采样后能耗数据表：统一时间轴，为分析铺平道路

不同电表采样频率不同（1min/15min/1h），直接分析会导致时间错位。本层表通过ETL作业将原始数据重采样至统一粒度（默认15分钟），并做基础清洗：

-- 标准化与重采样后能耗数据表（standardized_energy_data） CREATE TABLE standardized_energy_data ( meter_code VARCHAR(64) NOT NULL, data_time DATETIME NOT NULL COMMENT '15分钟粒度时间戳，如 2024-01-01 00:00:00', total_active_energy_kwh DECIMAL(12,3) COMMENT '该15分钟内电能增量(kWh)', avg_power_kw DECIMAL(10,3) COMMENT '该15分钟平均有功功率(kW)', max_power_kw DECIMAL(10,3) COMMENT '该15分钟最大有功功率(kW)', min_power_kw DECIMAL(10,3) COMMENT '该15分钟最小有功功率(kW)', power_factor_avg DECIMAL(4,3) COMMENT '该15分钟平均功率因数', is_valid TINYINT DEFAULT 1 COMMENT '数据有效性标记，0=异常剔除，1=有效', etl_job_id VARCHAR(64) COMMENT 'ETL任务ID，用于溯源', PRIMARY KEY (meter_code, data_time), INDEX idx_time (data_time), INDEX idx_valid (is_valid) );

逻辑说明：total_active_energy_kwh不是原始累加值，而是当前点 - 前一点的差值（即15分钟增量）。avg_power_kw = total_active_energy_kwh * 4（因15分钟=1/4小时），这是电力行业标准换算。is_valid字段由ETL脚本根据规则（如电流突变>200%、功率因数<0.7且持续15min）动态标记，后续所有分析模块均过滤is_valid=0的数据。

2.4 模型配置与版本管理表：让算法不再是黑匣子，每一次预测都可追溯

多模型融合的核心难点在于：谁在什么时候用了哪个模型？参数怎么调的？效果如何？本表强制记录所有模型实验：

-- 模型配置与版本管理表（model_config） CREATE TABLE model_config ( id INT PRIMARY KEY AUTO_INCREMENT, model_name VARCHAR(64) NOT NULL COMMENT '模型名，如 arima_load_forecast_v1', model_type ENUM('arima','prophet','isolation_forest','kmeans') NOT NULL, version VARCHAR(32) NOT NULL COMMENT '版本号，如 v1.2.0', config_json JSON NOT NULL COMMENT '模型参数JSON，如 {"p":1,"d":1,"q":1,"seasonal_period":96}', train_start_date DATE NOT NULL COMMENT '训练起始日期', train_end_date DATE NOT NULL COMMENT '训练截止日期', eval_metric JSON COMMENT '评估指标，如 {"mape":2.34,"rmse":12.7}', is_active TINYINT DEFAULT 0 COMMENT '是否启用，1=当前生产版本', created_by VARCHAR(64) COMMENT '创建人', created_at DATETIME DEFAULT CURRENT_TIMESTAMP, INDEX idx_active (is_active), INDEX idx_model_version (model_name, version) );

参数说明：config_json存储完整参数，避免代码硬编码。例如ARIMA模型的(p,d,q)和季节性周期（96=15分钟粒度下一天96个点）；eval_metric记录MAPE/RMSE等指标，供A/B测试比对；is_active字段控制线上服务调用哪个版本，切换只需更新此字段，无需重启服务。

3. 分析层：多模型不是堆砌，而是按业务目标分层协同——预测看趋势、聚类识模式、异常抓风险

电力能耗分析的终极目标不是“拟合一条曲线”，而是回答三个业务问题：明天几点会迎来峰值？哪几台设备总在谷时段空转？当前负荷是否偏离历史基线？本系统摒弃“单一大模型”思路，采用三层轻量模型组合：ARIMA负责短期负荷趋势预测（未来24h），KMeans识别长期用电模式（日/周负荷曲线聚类），IsolationForest捕捉瞬时异常（毫秒级电流突变）。所有模型均基于标准化数据表输出，输入输出严格对齐业务语义。

3.1 负荷特征构建：从原始功率到可解释业务指标

特征工程是电力分析的生命线。不能只扔给模型一堆原始功率值，必须注入领域知识。本系统定义了12个核心负荷特征，全部基于standardized_energy_data表计算：

# 特征工程核心函数（pandas实现） def build_load_features(df: pd.DataFrame) -> pd.DataFrame: """ df: 标准化数据DataFrame，columns=[meter_code, data_time, avg_power_kw, ...] 返回: 添加12个特征列的DataFrame """ # 按电表+天聚合，生成日粒度特征 daily_df = df.groupby(['meter_code', df['data_time'].dt.date]).agg({ 'avg_power_kw': ['min', 'max', 'mean', 'std'], 'power_factor_avg': 'mean', 'total_active_energy_kwh': 'sum' }).round(3) daily_df.columns = ['_'.join(col).strip() for col in daily_df.columns.values] # 计算核心特征 daily_df['peak_ratio'] = daily_df['avg_power_kw_max'] / daily_df['avg_power_kw_mean'] daily_df['valley_ratio'] = daily_df['avg_power_kw_min'] / daily_df['avg_power_kw_mean'] daily_df['load_factor'] = daily_df['avg_power_kw_mean'] / daily_df['avg_power_kw_max'] daily_df['power_factor_deviation'] = abs(daily_df['power_factor_avg_mean'] - 0.95) daily_df['daily_variation'] = daily_df['avg_power_kw_std'] / daily_df['avg_power_kw_mean'] # 计算周末比（需先标记周末） df_weekday = df.copy() df_weekday['is_weekend'] = df_weekday['data_time'].dt.weekday.isin([5,6]) weekend_power = df_weekday[df_weekday['is_weekend']]['avg_power_kw'].mean() weekday_power = df_weekday[~df_weekday['is_weekend']]['avg_power_kw'].mean() daily_df['weekend_ratio'] = weekend_power / weekday_power if weekday_power > 0 else 0 return daily_df.reset_index() # 使用示例 # raw_df = read_from_mysql("SELECT * FROM standardized_energy_data WHERE meter_code='EM-2023-001' AND data_time >= '2024-01-01'") # features_df = build_load_features(raw_df)

逻辑说明：build_load_features函数输出的是日粒度特征表，而非原始15分钟数据。这是关键设计——ARIMA预测需要时序连续性，KMeans聚类需要稳定模式，而日粒度特征天然抑制了分钟级噪声，同时保留了业务周期（日/周）。peak_ratio> 1.8 可能意味着设备启停频繁；valley_ratio< 0.1 且load_factor< 0.3 则高度提示空转风险。

3.2 ARIMA负荷预测：不是调参玄学，而是用AIC准则自动选最优(p,d,q)

ARIMA是电力短期预测的工业标准，但手动调参效率极低。本系统集成pmdarima.auto_arima，基于AIC准则自动搜索最优参数，并强制约束季节性周期为96（15分钟粒度下一天96点）：

from pmdarima import auto_arima import numpy as np def arima_forecast(series: pd.Series, steps: int = 96) -> tuple[np.ndarray, np.ndarray]: """ series: 日粒度或15分钟粒度的功率序列（已去趋势、去季节性） steps: 预测步长，96=未来24小时（15分钟粒度） 返回: (预测值数组, 95%置信区间上下界数组) """ # 自动选择最优(p,d,q)及季节性参数 model = auto_arima( series, seasonal=True, m=96, # 强制季节性周期为96（15分钟粒度） start_p=0, max_p=3, start_q=0, max_q=3, start_P=0, max_P=2, start_Q=0, max_Q=2, d=None, D=1, # D=1表示一阶季节性差分 trace=True, # 输出搜索过程 error_action='ignore', suppress_warnings=True, stepwise=True ) # 生成预测 forecast_result = model.predict(n_periods=steps, return_conf_int=True, alpha=0.05) pred_values = forecast_result[0].values conf_int = forecast_result[1] return pred_values, conf_int # 使用示例（预测EM-2023-001未来24小时负荷） # power_series = load_power_series('EM-2023-001', freq='15T') # 从MySQL读取15分钟功率序列 # pred, conf = arima_forecast(power_series, steps=96)

参数说明：m=96是电力场景硬约束，不可更改；D=1强制一阶季节性差分，消除日周期性；stepwise=True启用快速搜索，10万点数据通常30秒内完成。输出conf_int直接用于GUI界面绘制置信带，让管理者看到“预测不是确定值，而是一个概率区间”。

3.3 KMeans用电模式聚类：用轮廓系数(Silhouette Score)验证聚类质量

聚类不是为了分组而分组，而是要识别出有业务意义的用电模式。本系统对日负荷曲线进行KMeans聚类（非原始功率，而是15分钟粒度的日曲线归一化后），并用轮廓系数验证：

from sklearn.cluster import KMeans from sklearn.metrics import silhouette_score from sklearn.preprocessing import StandardScaler def cluster_daily_patterns(daily_curves: np.ndarray, max_k: int = 10) -> tuple[int, np.ndarray]: """ daily_curves: 形状为 (n_days, 96) 的日负荷曲线矩阵，每行是1天96个15分钟点的功率 返回: (最优K值, 聚类标签数组) """ # 数据标准化：每条曲线独立Z-score，消除绝对功率影响，聚焦形状 scaler = StandardScaler() curves_scaled = scaler.fit_transform(daily_curves) # 尝试K=2到max_k，计算轮廓系数 silhouette_scores = [] for k in range(2, max_k + 1): kmeans = KMeans(n_clusters=k, random_state=42, n_init=10) labels = kmeans.fit_predict(curves_scaled) score = silhouette_score(curves_scaled, labels) silhouette_scores.append((k, score)) # 选择轮廓系数最高的K best_k = max(silhouette_scores, key=lambda x: x[1])[0] # 用最优K重新聚类 best_kmeans = KMeans(n_clusters=best_k, random_state=42, n_init=10) final_labels = best_kmeans.fit_predict(curves_scaled) return best_k, final_labels # 使用示例 # daily_curves = load_daily_curves('EM-2023-001') # 形状 (365, 96) # best_k, labels = cluster_daily_patterns(daily_curves) # print(f"最优聚类数K={best_k}, 轮廓系数={silhouette_score(curves_scaled, labels):.3f}")

逻辑说明：StandardScaler对每条日曲线单独标准化（均值为0，标准差为1），这样聚类结果反映的是负荷曲线形状（如“早高峰型”、“双峰型”、“平稳型”），而非绝对功率大小。轮廓系数 > 0.5 表示聚类合理，< 0.25 则需检查数据质量或考虑其他聚类算法（如DBSCAN）。

3.4 IsolationForest异常检测：针对电力场景优化的contamination参数

IsolationForest擅长发现全局异常，但电力数据中存在大量局部瞬时尖峰（如电机启动）。本系统采用双阈值策略：先用IsolationForest识别全局异常点，再结合业务规则二次过滤：

from sklearn.ensemble import IsolationForest import pandas as pd def detect_anomalies_iforest(power_series: pd.Series, contamination: float = 0.02) -> pd.Series: """ power_series: 15分钟粒度功率序列 contamination: 异常比例，工业场景推荐0.01~0.03 返回: 布尔Series，True为异常点 """ # Reshape for sklearn X = power_series.values.reshape(-1, 1) # 训练IsolationForest clf = IsolationForest( contamination=contamination, random_state=42, n_estimators=100, max_samples='auto' ) anomaly_pred = clf.fit_predict(X) # 1=正常, -1=异常 # 转换为布尔Series anomalies = pd.Series(anomaly_pred == -1, index=power_series.index) # 业务规则二次过滤：仅标记持续≥3个点的异常序列 # （避免单点毛刺误报） anomaly_groups = anomalies.astype(int).groupby( (anomalies != anomalies.shift()).cumsum() ).sum() long_anomalies = anomaly_groups[anomaly_groups >= 3].index.tolist() # 构建最终异常掩码 final_mask = pd.Series(False, index=power_series.index) for group_id in long_anomalies: group_indices = anomalies[anomalies.groupby( (anomalies != anomalies.shift()).cumsum() ).ngroup() == group_id].index final_mask.loc[group_indices] = True return final_mask # 使用示例 # power_series = load_power_series('EM-2023-001', freq='15T') # anomalies = detect_anomalies_iforest(power_series, contamination=0.02) # print(f"检测到 {anomalies.sum()} 个异常时段")

参数说明：contamination=0.02是经过3个工厂实测的平衡点——设太高（0.1）会漏掉早期设备劣化信号；设太低（0.005）则报警泛滥。二次过滤逻辑持续≥3个点是电力运维硬要求：单点电流突变可能是干扰，连续3个15分钟点异常则大概率是真实故障。

4. 避坑：这5个血泪经验，让我在客户现场少熬了72小时夜

电力能耗系统上线最怕的不是代码报错，而是“功能都对，但业务方说没用”。以下是我在3个交付项目中踩过的坑，每个都附带可立即执行的检查清单：

4.1 现象：预测曲线和实际负荷偏差巨大，MAPE常年>15%

原因：未做时间戳对齐校验。电表本地时钟与服务器时钟偏差达8分钟，导致ARIMA模型学习的是“错位”的时序关系。
解决：

• 在ETL脚本中增加校验：SELECT ABS(TIMESTAMPDIFF(SECOND, data_time, created_at)) AS diff_sec FROM raw_energy_data ORDER BY diff_sec DESC LIMIT 10;
• 若diff_sec > 300（5分钟），触发告警并暂停该电表数据入库；
• 部署NTP服务，强制所有采集网关与数据库服务器时间同步。

4.2 现象：KMeans聚类结果每天变化，无法形成稳定用电模式画像

原因：日负荷曲线未做归一化，导致夏季空调负荷（500kW）与冬季（100kW）被强行聚到不同簇，掩盖了真实的“双峰型”模式。
解决：

• 必须使用StandardScaler对每条日曲线单独标准化（代码见3.3节）；
• 禁止对整个数据集做全局标准化；
• 聚类前增加检查：print(f"各日曲线标准差范围: {daily_curves.std(axis=1).min():.2f} ~ {daily_curves.std(axis=1).max():.2f}")，若范围>10倍，说明存在极端异常日，需先剔除。

4.3 现象：Streamlit GUI加载缓慢，仪表盘首次打开需45秒

原因：前端未做数据分页与懒加载，一次查询全量历史数据（100万点）并渲染。
解决：

• FastAPI后端接口强制分页：GET /api/v1/power?meter_code=EM-001&start=2024-01-01&end=2024-01-31&limit=10000&offset=0；
• Streamlit前端用st.session_state缓存已加载数据，滚动到底部时自动加载下一页；
• 关键图表（如预测曲线）只加载最近7天数据，历史对比用聚合统计（日均值）替代原始点。

4.4 现象：MySQL查询SELECT * FROM raw_energy_data WHERE data_time BETWEEN ? AND ?始终超时

原因：缺失复合索引。仅有data_time单字段索引，但查询必带meter_code。
解决：

• 立即执行：CREATE INDEX idx_meter_time ON raw_energy_data (meter_code, data_time);；
• 验证：EXPLAIN SELECT * FROM raw_energy_data WHERE meter_code='EM-001' AND data_time BETWEEN '2024-01-01' AND '2024-01-31';确保key列显示idx_meter_time；
• 所有高频查询字段组合，必须建立对应复合索引。

4.5 现象：IsolationForest报警全是“正常设备启动”，运维人员拒接告警

原因：未引入业务上下文过滤。模型无法区分“空压机启动”（正常）和“变压器击穿”（异常），二者在功率曲线上都是尖峰。
解决：

• 建立设备启停知识库表equipment_operation_rules，记录每台设备的典型启动/停止功率特征；
• 异常检测后增加规则引擎：若异常点匹配某设备的启停特征，则降级为“注意”级告警，不推送短信；
• 代码层面：if is_anomaly and not matches_startup_pattern(anomaly_point, equipment_code): send_alert()。

5. 可视化与决策层：Streamlit不是玩具，而是用Python写的工业级HMI，每一行代码都对应一个运维动作

Streamlit常被当作“Python版Dashboard玩具”，但在本系统中，它承担着工业HMI（人机界面）的核心职能：值班员需要在3秒内看清关键指标、5秒内定位异常回路、10秒内导出PDF报告。所有UI组件都绑定真实业务动作，而非静态图表。

5.1 实时仪表盘：用st.metric和st.progress替代传统折线图

对值班员而言，“当前总负荷”比“过去24小时曲线”更重要。本系统首页采用极简设计：

# streamlit_app.py import streamlit as st import pandas as pd # 从FastAPI获取实时数据 @st.cache_data(ttl=60) # 60秒缓存 def get_realtime_summary(): # 调用FastAPI接口 http://localhost:8000/api/v1/realtime/summary response = requests.get("http://localhost:8000/api/v1/realtime/summary") return response.json() # 主仪表盘 st.title("⚡ 实时能源监控中心") summary = get_realtime_summary() col1, col2, col3, col4 = st.columns(4) col1.metric("当前总负荷", f"{summary['total_power_kw']:.1f} kW", f"{summary['change_15min']:+.1f}% (15min)") col2.metric("峰谷比", f"{summary['peak_valley_ratio']:.2f}", f"{summary['peak_valley_change']:+.2f}% (24h)") col3.metric("功率因数", f"{summary['power_factor']:.3f}", f"{summary['pf_change']:+.3f} (24h)") col4.metric("异常回路", summary['anomaly_count'], f"{summary['new_anomalies']:+} (今日)") # 负荷进度条（直观显示当前负荷占设计容量比例） st.subheader("负荷率监控") st.progress(summary['load_factor'], text=f"当前负荷率: {summary['load_factor']*100:.1f}%") # 异常热力图（按区域编码展示） st.subheader("异常分布热力图") anomaly_df = pd.DataFrame(summary['anomaly_by_region']) st.bar_chart(anomaly_df.set_index('region_code')['count'])

逻辑说明：st.metric显示带变化率的关键指标，st.progress用进度条直观表达负荷安全裕度（>90%标红预警）。热力图数据来自API返回的anomaly_by_region，前端不做任何计算，完全依赖后端聚合，保证实时性。

5.2 历史曲线对比：用plotly.graph_objects实现专业电力曲线叠加

电力分析需要精确对比不同时段曲线。Matplotlib难以满足交互需求，Plotly是唯一选择：

import plotly.graph_objects as go from plotly.subplots import make_subplots def plot_power_comparison(meter_code: str, date_list: list[str]) -> go.Figure: """ date_list: ['2024-01-01', '2024-01-08', '2024-01-15']，最多3天 返回: Plotly Figure对象，支持缩放、悬停、导出 """ # 从FastAPI获取各日15分钟功率数据 data_traces = [] colors = ['#1f77b4', '#ff7f0e', '#2ca02c'] for i, date in enumerate(date_list): # 调用API: GET /api/v1/power?meter_code=xxx&date=2024-01-01 power_data = get_power_data(meter_code, date) trace = go.Scatter( x=power_data['time'], y=power_data['power_kw'], mode='lines', name=f'{date} ({power_data["peak_kw"]:.1f}kW)', line=dict(color=colors[i], width=2), hovertemplate='%{x|%H:%M}<br>%{y:.1f} kW<extra></extra>' ) data_traces.append(trace) # 创建对比图 fig = go.Figure(data=data_traces) fig.update_layout( title=f"电表 {meter_code} 日负荷曲线对比", xaxis_title="时间", yaxis_title="有功功率 (kW)", legend_title="日期", hovermode="x unified", # 悬停时显示所有曲线同时间点值 template="plotly_white" ) # 添加峰谷时段背景色（按当地峰谷电价时段） peak_start, peak_end = "08:00", "11:00" # 示例 fig.add_vrect(x0=peak_start, x1=peak_end, fillcolor="red", opacity=0.1, layer="below", line_width=0, annotation_text="峰时段", annotation_position="top left") return fig # Streamlit中调用 st.plotly_chart(plot_power_comparison("EM-2023-001", ["2024-01-01", "2024-01-08"]), use_container_width=True)

参数说明：hovermode="x unified"是电力曲线对比的灵魂——悬停任意时间点，自动显示所有曲线在该时刻的值，方便快速比对；add_vrect标注峰谷时段，让节能策略一目了然；template="plotly_white"适配工业环境高亮显示。

5.3 异常点钻取：点击热力图区域，自动跳转到该区域所有异常回路详情

真正的工业HMI必须支持“下钻”。Streamlit的st.button和st.session_state完美实现：

# 异常热力图下方 st.subheader("异常详情（点击区域查看）") anomaly_df = pd.DataFrame(summary['anomaly_by_region']) # 为每个区域创建按钮 for _, row in anomaly_df.iterrows(): if st.button(f"📍 {row['region_name']} ({row['count']}处异常)", key=f"region_{row['region_code']}"): # 将 <p> <a href="https://download.csdn.net/download/xiaoxingkongyuxi/90437377" style="color:#ec7500;font-size:14px;"> 本文还有配套的精品资源，点击获取 </a> <img alt="menu-r.4af5f7ec.gif" src="https://csdnimg.cn/release/wenkucmsfe/public/img/menu-r.4af5f7ec.gif" style="width:16px;margin-left:4px;vertical-align:text-bottom;cursor:text;"> </p>