Initial upload: Power System Datasets Collection

.gitattributes

@@ -57,3 +57,4 @@ saved_model/**/* filter=lfs diff=lfs merge=lfs -text
 # Video files - compressed
 *.mp4 filter=lfs diff=lfs merge=lfs -text
 *.webm filter=lfs diff=lfs merge=lfs -text
+Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/PowerQualityDistributionDataset1.csv filter=lfs diff=lfs merge=lfs -text

DOWNLOAD_GUIDE.md

@@ -0,0 +1,132 @@
+# 数据集下载指南
+
+## 一、Kaggle 数据集 (需登录)
+
+### 1. Pecan Street Electricity Data ⭐推荐
+
+**下载链接**: https://www.kaggle.com/datasets/zhitingzheng/pecan-street-electricity-data
+
+**内容说明**:
+- 10户 Austin 家庭的电路级用电数据
+- 1分钟分辨率
+- 包含 4CP 高峰期数据
+- 适合负荷分析和异常检测
+
+**下载步骤**:
+1. 登录 Kaggle 账号
+2. 点击 "Download" 按钮
+3. 解压到 `Pecan_Street/` 目录
+
+**预期文件**:
+```
+Pecan_Street/
+├── *.csv (用电数据文件)
+└── ...
+```
+
+---
+
+### 2. SGCC Electricity Theft Detection
+
+**下载链接**: https://www.kaggle.com/datasets/bensalem14/sgcc-dataset
+
+**内容说明**:
+- 42,372 用户的用电量数据
+- 1,035 天时间跨度
+- 用于窃电检测研究
+- ⚠️ 不含电压数据
+
+**下载步骤**:
+1. 登录 Kaggle 账号
+2. 点击 "Download" 按钮
+3. 解压到 `SGCC_Theft_Detection/` 目录
+
+---
+
+## 二、学术数据集
+
+### 3. University Laboratory Power Quality (MDPI 2024)
+
+**论文链接**: https://www.mdpi.com/2306-5729/10/11/170
+
+**内容说明**:
+- 三相电压 (Va, Vb, Vc)
+- 三相电流 (Ia, Ib, Ic)
+- 有功/无功功率
+- 功率因数、频率
+- 10分钟间隔，34,128条记录
+
+**下载步骤**:
+1. 访问论文页面
+2. 找到 "Supplementary Materials" 部分
+3. 下载数据文件
+4. 放入 `University_Lab_PQ/` 目录
+
+---
+
+## 三、需申请的数据集
+
+### 4. Pecan Street Dataport (完整版)
+
+**申请链接**: https://dataport.pecanstreet.org/
+
+**内容说明**:
+- 1000+ 家庭的完整数据
+- 1秒/1分钟/15分钟分辨率
+- 包含电压、THD、功率因数等
+
+**申请条件**:
+- 必须是大学研究人员
+- 非商业用途
+- 需机构邮箱注册
+
+### 5. UK-DALE
+
+**申请链接**: https://jack-kelly.com/data/
+
+**内容说明**:
+- 英国住宅高频用电数据
+- 1秒/6秒分辨率
+- 包含电压数据
+
+---
+
+## 四、数据集优先级
+
+对于**电压异常检测**研究：
+
+| 优先级 | 数据集 | 原因 |
+|:-----:|--------|------|
+| 1 | Pecan Street (Kaggle) | 免费，含电压，住宅级 |
+| 2 | University Lab (MDPI) | 免费，三相电压，电能质量 |
+| 3 | Pecan Street (Dataport) | 需申请，最完整 |
+| 4 | UK-DALE | 需申请，高分辨率 |
+| 5 | SGCC | 免费但无电压数据 |
+
+---
+
+## 五、配置 Kaggle CLI (可选)
+
+如果想使用命令行下载：
+
+```bash
+# 1. 安装 kaggle
+pip install kaggle
+
+# 2. 获取 API Token
+#    - 登录 kaggle.com
+#    - 点击头像 → Settings → API → Create New Token
+#    - 下载 kaggle.json
+
+# 3. 配置
+mkdir -p ~/.kaggle
+mv ~/Downloads/kaggle.json ~/.kaggle/
+chmod 600 ~/.kaggle/kaggle.json
+
+# 4. 下载数据集
+kaggle datasets download -d zhitingzheng/pecan-street-electricity-data -p Pecan_Street --unzip
+```
+
+---
+
+*创建时间: 2026-02-02*

Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/PowerQualityDistributionDataset1.csv

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d536bc9c4e670b8d7f9ca7998a30ce95bf9f49a46611d59f80c660bf11fbee77
+size 19111658

Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/prepare_dataset.py

@@ -0,0 +1,127 @@
+"""
+Kaggle Power Quality Dataset Preparation Script
+
+Converts PowerQualityDistributionDataset1.csv to anomaly detection format.
+
+Dataset info:
+- 11,998 records with 128 waveform samples each
+- 5 classes: 1, 2, 3, 4, 5 (balanced)
+- Class 3 is selected as "normal" (largest group)
+- Other classes (1, 2, 4, 5) are "anomaly"
+
+Output files:
+- train.csv: Training data (normal samples only, 80% of Class 3)
+- test.csv: Test data (20% Class 3 + all anomaly samples)
+- test_label.csv: Binary labels (0=normal, 1=anomaly)
+"""
+
+import os
+import pandas as pd
+import numpy as np
+from sklearn.model_selection import train_test_split
+
+# Configuration
+NORMAL_CLASS = 3  # Class to use as "normal"
+TRAIN_RATIO = 0.8  # 80% normal for training
+RANDOM_SEED = 42
+
+def prepare_dataset():
+    """Convert Kaggle dataset to anomaly detection format."""
+
+    # Get script directory
+    script_dir = os.path.dirname(os.path.abspath(__file__))
+
+    # Load original dataset
+    input_file = os.path.join(script_dir, "PowerQualityDistributionDataset1.csv")
+    print(f"Loading: {input_file}")
+
+    df = pd.read_csv(input_file, index_col=0)
+    print(f"Original shape: {df.shape}")
+    print(f"Columns: {df.columns.tolist()[:5]} ... {df.columns.tolist()[-5:]}")
+
+    # Separate features and labels
+    feature_cols = [col for col in df.columns if col != 'output']
+    X = df[feature_cols].values  # (11998, 128)
+    y = df['output'].values  # (11998,)
+
+    print(f"\nClass distribution:")
+    for cls in sorted(np.unique(y)):
+        count = np.sum(y == cls)
+        print(f"  Class {cls}: {count} ({100*count/len(y):.1f}%)")
+
+    # Split by class
+    normal_mask = (y == NORMAL_CLASS)
+    anomaly_mask = ~normal_mask
+
+    X_normal = X[normal_mask]
+    X_anomaly = X[anomaly_mask]
+
+    print(f"\nNormal (Class {NORMAL_CLASS}): {len(X_normal)}")
+    print(f"Anomaly (Other classes): {len(X_anomaly)}")
+
+    # Split normal data into train/test
+    X_normal_train, X_normal_test = train_test_split(
+        X_normal,
+        train_size=TRAIN_RATIO,
+        random_state=RANDOM_SEED
+    )
+
+    print(f"\nTrain (normal only): {len(X_normal_train)}")
+    print(f"Test normal: {len(X_normal_test)}")
+    print(f"Test anomaly: {len(X_anomaly)}")
+
+    # Create test set: normal_test + all anomaly
+    X_test = np.vstack([X_normal_test, X_anomaly])
+    y_test = np.concatenate([
+        np.zeros(len(X_normal_test)),  # 0 = normal
+        np.ones(len(X_anomaly))         # 1 = anomaly
+    ])
+
+    # Shuffle test set
+    np.random.seed(RANDOM_SEED)
+    shuffle_idx = np.random.permutation(len(X_test))
+    X_test = X_test[shuffle_idx]
+    y_test = y_test[shuffle_idx]
+
+    print(f"\nFinal test set: {len(X_test)}")
+    print(f"  Normal: {np.sum(y_test == 0)} ({100*np.sum(y_test == 0)/len(y_test):.1f}%)")
+    print(f"  Anomaly: {np.sum(y_test == 1)} ({100*np.sum(y_test == 1)/len(y_test):.1f}%)")
+
+    # Convert to DataFrame format for saving
+    # Feature column names: Col1, Col2, ..., Col128
+    col_names = [f'Col{i+1}' for i in range(X_normal_train.shape[1])]
+
+    # Save train.csv (features only, no labels)
+    train_df = pd.DataFrame(X_normal_train, columns=col_names)
+    train_file = os.path.join(script_dir, "train.csv")
+    train_df.to_csv(train_file, index=False)
+    print(f"\nSaved: {train_file} ({train_df.shape})")
+
+    # Save test.csv (features only)
+    test_df = pd.DataFrame(X_test, columns=col_names)
+    test_file = os.path.join(script_dir, "test.csv")
+    test_df.to_csv(test_file, index=False)
+    print(f"Saved: {test_file} ({test_df.shape})")
+
+    # Save test_label.csv (binary labels)
+    label_df = pd.DataFrame(y_test.astype(int), columns=['label'])
+    label_file = os.path.join(script_dir, "test_label.csv")
+    label_df.to_csv(label_file, index=False)
+    print(f"Saved: {label_file} ({label_df.shape})")
+
+    # Summary
+    print("\n" + "="*50)
+    print("Dataset preparation complete!")
+    print("="*50)
+    print(f"Training samples: {len(train_df)} (100% normal)")
+    print(f"Test samples: {len(test_df)}")
+    print(f"  - Normal: {np.sum(y_test == 0)}")
+    print(f"  - Anomaly: {np.sum(y_test == 1)}")
+    print(f"Anomaly ratio in test: {100*np.sum(y_test == 1)/len(y_test):.2f}%")
+    print(f"Feature dimensions: {X_normal_train.shape[1]}")
+
+    return train_df, test_df, label_df
+
+
+if __name__ == "__main__":
+    prepare_dataset()

Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/prepare_dataset_v2.py

@@ -0,0 +1,255 @@
+"""
+Kaggle Power Quality Dataset Preparation Script V2
+
+改进版数据准备脚本，支持可配置的异常比例。
+
+设计原则:
+1. 训练集：只包含正常数据（单类学习）
+2. 测试集：正常数据 + 部分异常数据，控制异常比例
+3. 各类异常均衡采样，保持异常类型多样性
+
+数据集信息:
+- 原始数据: 11,998 条记录，128 维波形特征
+- 5 类: 1=Transient, 2=Sag, 3=Normal, 4=Swell, 5=Harmonics
+- 每类约 2,400 样本（均衡分布）
+
+输出文件:
+- train.csv: 训练数据（仅正常样本）
+- test.csv: 测试数据（正常 + 部分异常）
+- test_label.csv: 二值标签（0=正常, 1=异常）
+
+Usage:
+    python prepare_dataset_v2.py --anomaly_ratio 0.15
+    python prepare_dataset_v2.py --anomaly_ratio 0.20
+"""
+
+import os
+import argparse
+import pandas as pd
+import numpy as np
+from sklearn.model_selection import train_test_split
+
+
+def prepare_dataset_v2(
+    anomaly_ratio: float = 0.15,
+    train_ratio: float = 0.70,
+    normal_class: int = 3,
+    random_seed: int = 42,
+    output_dir: str = None
+):
+    """
+    准备适合异常检测的数据集。
+
+    Args:
+        anomaly_ratio: 测试集中的异常比例 (0.0-1.0)，默认 15%
+        train_ratio: 正常数据用于训练的比例，默认 70%
+        normal_class: 定义为正常的类别，默认 Class 3
+        random_seed: 随机种子
+        output_dir: 输出目录，默认为脚本所在目录
+
+    Returns:
+        train_df, test_df, label_df
+    """
+    np.random.seed(random_seed)
+
+    # 确定输出目录
+    script_dir = os.path.dirname(os.path.abspath(__file__))
+    if output_dir is None:
+        output_dir = script_dir
+
+    # 加载原始数据
+    input_file = os.path.join(script_dir, "PowerQualityDistributionDataset1.csv")
+    print(f"Loading: {input_file}")
+
+    df = pd.read_csv(input_file, index_col=0)
+    print(f"Original shape: {df.shape}")
+
+    # 分离特征和标签
+    feature_cols = [col for col in df.columns if col != 'output']
+    X = df[feature_cols].values  # (11998, 128)
+    y = df['output'].values      # (11998,)
+
+    # 显示原始类别分布
+    print(f"\n原始类别分布:")
+    class_names = {1: 'Transient', 2: 'Sag', 3: 'Normal', 4: 'Swell', 5: 'Harmonics'}
+    for cls in sorted(np.unique(y)):
+        count = np.sum(y == cls)
+        name = class_names.get(cls, f'Class{cls}')
+        print(f"  Class {cls} ({name}): {count} ({100*count/len(y):.1f}%)")
+
+    # 按类别分离数据
+    normal_mask = (y == normal_class)
+    X_normal = X[normal_mask]
+    y_original = y[~normal_mask]  # 保留原始异常类别信息
+    X_anomaly = X[~normal_mask]
+
+    # 按异常类别分组
+    anomaly_classes = [c for c in np.unique(y) if c != normal_class]
+    X_by_class = {}
+    for cls in anomaly_classes:
+        mask = (y == cls)
+        X_by_class[cls] = X[mask]
+        print(f"  异常类 {cls}: {len(X_by_class[cls])} 样本")
+
+    print(f"\n正常数据 (Class {normal_class}): {len(X_normal)} 样本")
+    print(f"异常数据 (其他类): {len(X_anomaly)} 样本")
+
+    # === 划分训练集和测试集 ===
+
+    # 1. 正常数据划分
+    X_normal_train, X_normal_test = train_test_split(
+        X_normal,
+        train_size=train_ratio,
+        random_state=random_seed
+    )
+
+    n_normal_test = len(X_normal_test)
+    print(f"\n训练集 (仅正常): {len(X_normal_train)} 样本")
+    print(f"测试集正常部分: {n_normal_test} 样本")
+
+    # 2. 计算需要的异常样本数量
+    # anomaly_ratio = n_anomaly / (n_normal + n_anomaly)
+    # n_anomaly = anomaly_ratio * n_normal / (1 - anomaly_ratio)
+    n_anomaly_needed = int(anomaly_ratio * n_normal_test / (1 - anomaly_ratio))
+
+    # 每类异常均衡采样
+    n_per_class = n_anomaly_needed // len(anomaly_classes)
+    remainder = n_anomaly_needed % len(anomaly_classes)
+
+    print(f"\n目标异常比例: {anomaly_ratio*100:.1f}%")
+    print(f"需要异常样本: {n_anomaly_needed} 个")
+    print(f"每类采样: {n_per_class} 个 (共 {len(anomaly_classes)} 类)")
+
+    # 3. 从每类异常中采样
+    X_anomaly_test = []
+    y_anomaly_class = []  # 记录原始类别（用于分析）
+
+    for i, cls in enumerate(anomaly_classes):
+        X_cls = X_by_class[cls]
+        n_sample = n_per_class + (1 if i < remainder else 0)
+        n_sample = min(n_sample, len(X_cls))  # 不超过可用样本数
+
+        indices = np.random.choice(len(X_cls), size=n_sample, replace=False)
+        X_anomaly_test.append(X_cls[indices])
+        y_anomaly_class.extend([cls] * n_sample)
+
+        print(f"  Class {cls} ({class_names[cls]}): 采样 {n_sample} 个")
+
+    X_anomaly_test = np.vstack(X_anomaly_test)
+    y_anomaly_class = np.array(y_anomaly_class)
+
+    # 4. 组合测试集
+    X_test = np.vstack([X_normal_test, X_anomaly_test])
+    y_test = np.concatenate([
+        np.zeros(len(X_normal_test)),   # 0 = 正常
+        np.ones(len(X_anomaly_test))    # 1 = 异常
+    ])
+
+    # 保���原始类别信息（用于详细分析）
+    y_test_original_class = np.concatenate([
+        np.full(len(X_normal_test), normal_class),
+        y_anomaly_class
+    ])
+
+    # 5. 打乱测试集
+    shuffle_idx = np.random.permutation(len(X_test))
+    X_test = X_test[shuffle_idx]
+    y_test = y_test[shuffle_idx]
+    y_test_original_class = y_test_original_class[shuffle_idx]
+
+    # === 保存数据 ===
+
+    col_names = [f'Col{i+1}' for i in range(X_normal_train.shape[1])]
+
+    # 训练集
+    train_df = pd.DataFrame(X_normal_train, columns=col_names)
+    train_file = os.path.join(output_dir, "train.csv")
+    train_df.to_csv(train_file, index=False)
+    print(f"\n保存: {train_file} ({train_df.shape})")
+
+    # 测试集
+    test_df = pd.DataFrame(X_test, columns=col_names)
+    test_file = os.path.join(output_dir, "test.csv")
+    test_df.to_csv(test_file, index=False)
+    print(f"保存: {test_file} ({test_df.shape})")
+
+    # 二值标签
+    label_df = pd.DataFrame(y_test.astype(int), columns=['label'])
+    label_file = os.path.join(output_dir, "test_label.csv")
+    label_df.to_csv(label_file, index=False)
+    print(f"保存: {label_file} ({label_df.shape})")
+
+    # 详细类别标签（可选，用于分析）
+    detail_label_df = pd.DataFrame({
+        'label': y_test.astype(int),
+        'original_class': y_test_original_class.astype(int)
+    })
+    detail_file = os.path.join(output_dir, "test_label_detailed.csv")
+    detail_label_df.to_csv(detail_file, index=False)
+    print(f"保存: {detail_file} (包含原始类别信息)")
+
+    # === 统计摘要 ===
+
+    actual_anomaly_ratio = np.sum(y_test == 1) / len(y_test)
+
+    print("\n" + "=" * 60)
+    print("数据集准备完成!")
+    print("=" * 60)
+    print(f"训练集: {len(train_df)} 样本 (100% 正常)")
+    print(f"测试集: {len(test_df)} 样本")
+    print(f"  - 正常: {int(np.sum(y_test == 0))} ({100*(1-actual_anomaly_ratio):.1f}%)")
+    print(f"  - 异常: {int(np.sum(y_test == 1))} ({100*actual_anomaly_ratio:.1f}%)")
+    print(f"实际异常比例: {100*actual_anomaly_ratio:.2f}%")
+    print(f"特征维度: {X_normal_train.shape[1]}")
+
+    # 测试集异常类别分布
+    print(f"\n测试集异常类别分布:")
+    for cls in anomaly_classes:
+        count = np.sum(y_test_original_class == cls)
+        print(f"  Class {cls} ({class_names[cls]}): {count}")
+
+    return train_df, test_df, label_df
+
+
+def main():
+    parser = argparse.ArgumentParser(
+        description='准备 Kaggle Power Quality 异常检测数据集 (V2)',
+        formatter_class=argparse.RawDescriptionHelpFormatter,
+        epilog="""
+示例:
+  python prepare_dataset_v2.py                    # 默认 15% 异常比例
+  python prepare_dataset_v2.py --anomaly_ratio 0.10   # 10% 异常比例
+  python prepare_dataset_v2.py --anomaly_ratio 0.20   # 20% 异常比例
+        """
+    )
+
+    parser.add_argument(
+        '--anomaly_ratio', type=float, default=0.15,
+        help='测试集中的异常比例 (0.0-1.0)，默认 0.15 (15%%)'
+    )
+    parser.add_argument(
+        '--train_ratio', type=float, default=0.70,
+        help='正常数据用于训练的比例，默认 0.70 (70%%)'
+    )
+    parser.add_argument(
+        '--seed', type=int, default=42,
+        help='随机种子，默认 42'
+    )
+
+    args = parser.parse_args()
+
+    if not 0.0 < args.anomaly_ratio < 1.0:
+        parser.error("anomaly_ratio 必须在 0.0 到 1.0 之间")
+
+    if not 0.0 < args.train_ratio < 1.0:
+        parser.error("train_ratio 必须在 0.0 到 1.0 之间")
+
+    prepare_dataset_v2(
+        anomaly_ratio=args.anomaly_ratio,
+        train_ratio=args.train_ratio,
+        random_seed=args.seed
+    )
+
+
+if __name__ == "__main__":
+    main()

Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/test_label.csv

@@ -0,0 +1,1059 @@
+label
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+1
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+0
+0
+1
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+1
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+1
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+0
+1
+0
+0
+1

Kaggle_PowerQuality_Dataset/Kaggle_PowerQuality_2/test_label_detailed.csv

@@ -0,0 +1,1059 @@
+label,original_class
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+1,4
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,2
+0,3
+0,3
+1,1
+0,3
+1,2
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+1,2
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+1,1
+1,2
+0,3
+0,3
+0,3
+1,2
+1,4
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+1,4
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,1
+1,4
+0,3
+0,3
+1,5
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+1,5
+1,4
+1,4
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+1,4
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+1,4
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,1
+0,3
+0,3
+0,3
+1,4
+0,3
+1,5
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+1,5
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+1,5
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+1,4
+0,3
+1,5
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+1,2
+1,2
+0,3
+0,3
+0,3
+1,4
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+1,1
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+1,5
+0,3
+0,3
+0,3
+1,5
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+1,2
+0,3
+0,3
+0,3
+1,1
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+1,5
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+1,2
+0,3
+0,3
+1,1
+0,3
+1,5
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,4
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,5
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+0,3
+0,3
+0,3
+1,1
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+0,3
+1,2
+0,3
+0,3
+1,4

README.md

@@ -0,0 +1,95 @@
+# Power System Datasets Collection
+
+电力系统相关数据集收集，用于异常检测、负荷预测等研究。
+
+## 目录结构
+
+```
+Power_Datasets/
+├── Kaggle_PowerQuality_Dataset/    # ✅ 已下载 - Kaggle 电力质量波形
+├── Pecan_Street/                   # ⏳ 待下载 - Pecan Street 住宅用电
+├── SGCC_Theft_Detection/           # ⏳ 待下载 - 国家电网窃电检测
+├── University_Lab_PQ/              # ✅ 已下载 - 大学实验室电能质量
+├── download_datasets.sh            # 一键下载脚本
+├── DOWNLOAD_GUIDE.md               # 下载指南
+└── README.md                       # 本文件
+```
+
+## 数据集详情
+
+### 1. Kaggle Power Quality Dataset ✅ 已下载
+
+- **来源**: Kaggle PowerQualityDistributionDataset1
+- **内容**: 128维电力质量波形，5类分类
+- **用途**: 电力质量多分类 (⚠️ 不适合异常检测)
+- **位置**: `Kaggle_PowerQuality_Dataset/`
+- **备注**: 保留用于其他实验，不用于农网电压异常检测
+
+### 2. University Laboratory Power Quality ✅ 已下载 ⭐推荐
+
+- **来源**: [Zenodo/MDPI Data](https://zenodo.org/records/17107426)
+- **内容**: 三相电压/电流、有功/无功功率、功率因数、频率
+- **变量**: volt_A/B/C, I_A/B/C, P_A/B/C/T, Q_A/B/C/T, FP_A/B/C/T, Frec
+- **时间范围**: 2024年4月-12月（78个日期文件）
+- **分辨率**: 10分钟间隔
+- **电压范围**: ~122-130V (美标 120V)
+- **频率**: ~60Hz
+- **特点**: 包含完整电能质量指标，非常适合异常检测
+- **位置**: `University_Lab_PQ/`
+
+### 3. Pecan Street Electricity Data ⏳ 待下载 ⭐推荐
+
+- **来源**: [Kaggle - Pecan Street](https://www.kaggle.com/datasets/zhitingzheng/pecan-street-electricity-data)
+- **内容**: 10户 Austin 家庭的1分钟级别电路用电数据
+- **特点**: 包含电压数据、分电路测量、4CP高峰期数据
+- **下载**: 需 Kaggle 账号登录
+- **命令**: `kaggle datasets download -d zhitingzheng/pecan-street-electricity-data`
+
+### 4. SGCC Electricity Theft Detection ⏳ 待下载
+
+- **来源**: [Kaggle - SGCC](https://www.kaggle.com/datasets/bensalem14/sgcc-dataset)
+- **内容**: 42,372用户的1,035天用电量数据
+- **用途**: 窃电检测 (⚠️ 不含电压数据)
+- **下载**: 需 Kaggle 账号登录
+- **命令**: `kaggle datasets download -d bensalem14/sgcc-dataset`
+
+### 5. UK-DALE (需申请)
+
+- **来源**: [UK-DALE](https://jack-kelly.com/data/)
+- **内容**: 英国住宅高频用电数据
+- **特点**: 1秒/6秒分辨率，含电压
+- **下载**: 需申请，非公开
+
+## 数据集适用性对比
+
+| 数据集 | 状态 | 电压数据 | 三相 | 分辨率 | 推荐用途 |
+|--------|:----:|:-------:|:----:|:------:|---------|
+| University Lab | ✅ | ✅ | ✅ | 10分钟 | **电压异常检测** |
+| Pecan Street | ⏳ | ✅ | ❌ | 1分钟 | **电压异常检测** |
+| SGCC | ⏳ | ❌ | ❌ | 日级 | 窃电检测 |
+| Kaggle PQ | ✅ | ❌ | ❌ | 波形 | 多分类任务 |
+| UK-DALE | 🔒 | ✅ | ❌ | 1秒 | 负荷分解 |
+
+## 农网电压异常检测推荐
+
+**优先级排序**:
+1. **University Lab** ⭐⭐⭐ - 已下载，三相电压+电流+功率，最适合
+2. **Pecan Street** ⭐⭐ - 需下载，住宅级电压，分电路
+3. **自建 RuralVoltage** - 项目核心数据集
+
+## 下载方式
+
+### 方式一：使用脚本
+```bash
+bash download_datasets.sh
+```
+
+### 方式二：手动下载
+详见 [DOWNLOAD_GUIDE.md](./DOWNLOAD_GUIDE.md)
+
+## 许可证
+
+各数据集遵循其原始许可证，仅用于学术研究。
+
+---
+*更新时间: 2026-02-02*